METODA REPLIKASI PADA SIMULASI SISTEM ANTRIAN M/M/1
|
|
|
- Budi Darmali
- 8 tahun lalu
- Tontonan:
Transkripsi
1 Media Informatika Vol. 4 No. 3 (2005) METODA REPLIKASI PADA SIMULASI SISTEM ANTRIAN M/M/1 Ekabrata Yudhistyra Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI Jl. Ir. H. Juanda 96 Bandung Abstract Simulasi komputer seringkali sangat ditentukan oleh ukuran sampel yang diambil. Pada umumnya semakin besar ukuran sampel, hasil simulasi menjadi lebih baik. Namun ukuran sampel yang besar membutuhkan waktu dan biaya yang mahal. Ada beberapa metoda yang dapat dipilih untuk menentukan ukuran sampel yang optimum. Pada makalah ini disimpulkan bahwa metoda replikasi yang pada umumnya sering digunakan pada kasus-kasus simulasi komputer yang sederhana seperti suatu antrian M/M/1, ternyata dapat membawa kita kepada kesimpulan/ hasil yang salah (kurang tepat). Key Word : simulasi, replikasi, sampel I. LANDASAN TEORI Hasil suatu simulasi tunggal pada sistem antrian M/M/1 tidak dapat begitu saja dipercaya, sehingga diperlukan suatu interval kepercayaan bagi suatu hasil simulasi dalam hal ini waktu tunggu rata-rata dalam sistem antrian M/M/1. Pada metoda replikasi, jika kita dapat membuat n pengamatan, maka kita bagi n pengamatan tersebut atas k buah replikasi yang saling independen dengan panjang/ukuran sampel masing-masing m = n/k. Masing-masing replikasi dimulai dengan kondisi awal yang sama dengan benih bilangan random yang berbeda. Jika X j (m) adalah mean sampel dari m pengamatan yang ke-j, maka X j (m) (j = 1,2,,k) adalah variabel random IID dengan mean μ(m) = E [ X j (m) ]. Sebagai estimator bagi μ kita gunakan: X (k,m) = k j=1 X j ( m) k 82
2 Media Informatika Vol. 4 No. 3 (2005) 83 dan kita estimasi varian dari X (k,m) yaitu Var [ X (k,m)] dengan: 2 2 ˆ σ [ X (k,m)] = ˆ σ [k,m] = k j= 1 [ X j ( m) X ( k, m)] k[ k 1] 2 Jika kita anggap bahwa μ (m) = μ dan X j (m) berdistribusi normal maka: [ X ( k, m) μ]... (1) ˆ( σ k, m) memiliki distribusi t dengan derajat kebebasan k-1. Dengan demikian 90% interval kepercayaan bagi μ adalah: X k, m) ± tk ˆ( σ k, )...(2) ( 1,0. 95 m Namun, μ (m) umumnya berbeda dari μ (oleh karena efek keadaan awal sistem yang disimulasikan, sehingga X ( k, m) merupakan estimator yang bias bagi μ. Lagi pula X j (m) (1,2,...,k) umumnya tidak berdistribusi normal untuk k yang tidak terlampau besar. Oleh sebab itu, rumus (1) tidak benar-benar berdistribusi-t dan akibatnya interval kepercayaan yang dibentuk menurut rumus (2) belum tentu memiliki cakupan sebesar 90% seperti yang kita inginkan. Law [7] menemukan bahwa kesalahan yang paling besar disebabkan oleh kenyataan bahwa μ(m ) μ. Jika m ditetapkan terlalu kecil, maka μ(m) berbeda besar dari μ. Bila k dan juga n membesar, maka cakupan dari 90% interval kepercayaan yang terbentuk dapat sangat rendah. Ini disebabkan karena untuk m yang tetap, bertambahnya k menyebabkan bertambah pendeknya selang interval kepercayaan bagi μ (m), bukan untuk μ, sehingga interval kepercayaan ini semakin sedikit mengandung μ. II. HASIL PERCOBAAN Untuk sistem antrian M/M/1, kita peroleh hasil seperti pada tabel-1 berikut. Pada tabel tersebut ditunjukkan suatu hasil metoda replikasi dengan banyak replikasi k = 40 dan ukuran sampel m yang berbeda-beda, berkisar dari 5 sampai dengan 4000.
3 84 Ekabrata Yudhistyra/ Metoda Replikasi pada Simulasi Sistem Antrian M/M/1 Pengambilan banyak replikasi sebesar 40 buah dimaksudkan agar X i (m) (i = 1,2,...,40) dapat dianggap berdistribusi normal (menurut dalil limit sentral dalam statistik). Dari tabel-1 serta grafik tersebut tampak bahwa semakin besar ukuran m, untuk banyak replikasi (k) yang tetap (dengan demikian banyak pengamatan n bertambah besar), maka hasil yang diperoleh yaitu waktu tunggu rata-rata dalam antrian yang telah di rata-ratakan 40 kali ( X ( m)) berfluktuasi dengan simpangan/varian yang kecil di sekitar nilai analitiknya yaitu d = 0.5. Ini mungkin dapat diartikan bahwa ukuran sampel kita sudah cukup besar untuk mengestimasi waktu tunggu rata-rata sistem yang sebenarnya. Sekarang perhatikanlah replikasi untuk m = 50 dan m = 90, yang memberikan hasil X (50) = dan X (90) = Hasil ini ternyata mendekati hasil analitiknya sekalipun ukuran sampel m tidak terlalu besar. Namun perlu diingat bahwa masing-masing hasil ini diperoleh dari satu kali simulasi dengan replikasi sebanyak 40 buah. Bagaimanakah cakupan sebenarnya dari 90% interval kepercayaan yang dibentuk dengan metoda replikasi dengan banyak replikasi 40 buah dan ukuran sampel 50 dan 90 ini?
4 Media Informatika Vol. 4 No. 3 (2005) 85 SISTEM ANTRIAN M/M/1 DENGAN ρ = 5 Waktu tunggu rata-rata analitik = 0,5 Untuk tiap banyak pengamatan simulasi dilakukan = 40 kali Table-1
5 86 Ekabrata Yudhistyra/ Metoda Replikasi pada Simulasi Sistem Antrian M/M/1 Untuk tiap banyak pengamatan simulasi dilakukan = 40 kali Lanjutan Tabel-1 Grafik-1a
6 Media Informatika Vol. 4 No. 3 (2005) 87 Grafik-1b Grafik-1c
7 88 Ekabrata Yudhistyra/ Metoda Replikasi pada Simulasi Sistem Antrian M/M/1 Grafik-1d (Gabungan dari Grafik-1a, 1b dan 1c) Untuk mengetahuinya, kita lakukan 100 kali percobaan simulasi dengan metoda replikasi dengan tiap simulasi memiliki banyak replikasi = 40 dan ukuran sampel tiap replikasi diambil 50 dan 90 buah. Hasil ini dapat kita lihat pada tabel-2 dan tabel-3. Ternyata dari 100 buah 90% interval kepercayaan yang dibentuk, diperoleh: Banyak replikasi Ukuran sampel 90% interval kepercayaan bagi pˆ ± ± % interval kepercayaan bagi pˆ ini dapat dihitung dengan rumus: pˆ ± pˆ(1 pˆ) 100
8 Media Informatika Vol. 4 No. 3 (2005) 89 dengan pˆ =proporsi banyak interval yang mengandung d=0.5 pada tabel 2 dan tabel 3. Ternyata 90% interval kepercayaan yang dibentuk bagi pˆ dengan metoda replikasi ini (untuk banyak replikasi = 40 dan ukuran sampel 50 serta 90) tidak mengandung 0.9 (90%), seperti yang kita inginkan. METODA REPLIKASI Banyak replikasi tiap simulasi = 40 Banyak pengamatan tiap replikasi = 50 Tabel-2
9 90 Ekabrata Yudhistyra/ Metoda Replikasi pada Simulasi Sistem Antrian M/M/1 Banyak replikasi tiap simulasi = 40 Banyak pengamatan tiap replikasi = 50 Lanjutan tabel-2
10 Media Informatika Vol. 4 No. 3 (2005) 91 Banyak replikasi tiap simulasi = 40 Banyak pengamatan tiap replikasi = 50 Lanjutan tabel-2 Proporsi banyak interval yang mengandung waktu tunggu rata-rata yang dihitung secara analitik (=0.5) adalah : 65% 90% interval kepercayaan bagi proporsi tersebut : 0.65 ± 0.08 Nilai presisi relatif rata-rata adalah :
11 92 Ekabrata Yudhistyra/ Metoda Replikasi pada Simulasi Sistem Antrian M/M/1 METODA REPLIKASI Banyak replikasi tiap simulasi = 40 Banyak pengamatan tiap replikasi = 90 Tabel-3
12 Media Informatika Vol. 4 No. 3 (2005) 93 Banyak replikasi tiap simulasi = 40 Banyak pengamatan tiap replikasi = 90 Lanjutan tabel-3
13 94 Ekabrata Yudhistyra/ Metoda Replikasi pada Simulasi Sistem Antrian M/M/1 Banyak replikasi tiap simulasi = 40 Banyak pengamatan tiap replikasi = 90 Lanjutan tabel-3 Proporsi banyak interval yang mengandung waktu tunggu rata-rata yang dihitung secara analitik (=0.5) adalah : 72% 90% interval kepercayaan bagi proporsi tersebut : 0.72 ± 0.07 Nilai presisi relatif rata-rata adalah : III. DAFTAR PUSTAKA 1. Law, Averill M., Confidence Intervals in Discrete Event Simulation: A Comparison of Replication and Batch Means, Naval Research Logistic Quart. 24, , Miller, I. dan John E. Freund, Probability and Statistics For Engineers, second edition, Prentice Hall of India, 1981.
METODA RATA-RATA BATCH PADA SIMULASI SISTEM ANTRIAN M/M/1
Media Informatika Vol. 5 No. 1 (2006) METODA RATA-RATA BATCH PADA SIMULASI SISTEM ANTRIAN M/M/1 Ekabrata Yudhistyra Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI Jl. Ir. H. Juanda 96 Bandung
ESTIMASI. Arna Fariza PENDAHULUAN
ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik
PENDUGAAN PARAMETER STATISTIK INDUSTRI 1
PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui distribusi
PENDUGAAN PARAMETER STATISTIK INDUSTRI 1
PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui distribusi
KONSISTENSI ESTIMATOR
KONSISTENSI ESTIMATOR TUGAS STATISTIKA MATEMATIKA II Oleh 1. Wahyu Nikmatus S. (121810101010) 2. Vivie Aisyafi F. (121810101050) 3. Rere Figurani A. (121810101052) 4. Dwindah Setiari W. (121810101054)
Ummu Kalsum UNIVERSITAS GUNADARMA
Ummu Kalsum UNIVERSITAS GUNADARMA 2016 Inferensia Statistika : Mencakup semua metode yang digunakan untuk penarikan kesimpulan atau generalisasi mengenai populasi dengan melakukan pengambilan sampel (sampling)
PENARIKAN SAMPEL & PENDUGAAN PARAMETER
PENARIKAN SAMPEL & PENDUGAAN PARAMETER Arti Penarikan Sampel Populasi ( Universe) adalah totalitas dari semua objek atau individu yang memiliki karakteristik tertentu, jelas dan lengkap yang akan diteliti
BAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dibahas tinjauan pustaka yang akan digunakan untuk tesis ini, yang selanjutnya akan diperlukan pada bab 3. Yang akan dibahas dalam bab ini adalah metode bootstrap
STATISTIK PERTEMUAN VII
STATISTIK PERTEMUAN VII Distribusi Sampling Distribusi Sampling merupakan distribusi teoritis (distribusi kemungkinan) dari semua hasil sampel yang mungkin, dengan ukuran sampel yang tetap N, pada statistik
Diagram ARL W i & W Ri. Varian
maka nilai RL 1 yang ada ditambah satu sampai ditemui adanya out of control. Menentukan 1 dengan menghitung rata-rata RL 1 dari keseluruhan replikasi. Untuk aplikasi data yang digunakan dalam penelitian
PEMODELAN SIMULASI KOMPUTER UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN
Media Informatika Vol 5 No. 3 (2006) PEMODELAN SIMULASI KOMPUTER UNTUK MEMBANTU PENGAMBILAN KEPUTUSAN Yenita Juandy Sekolah Tinggi Manajemen Informatika dan Komputer LIKMI Jl. Ir. H. Juanda 96 Bandung
Penduga : x p s r b. Pertemuan Ke 9. BAB V PENDUGAAN PARAMETER
Pertemuan Ke 9. BAB V PENDUGAAN PARAMETER 5.1 Pengertian Pendugaan Parameter. Pendugaan merupakan suatu bagian dari statistik inferensia yaitu suatu pernyataan mengenai parameter populasi yang tidak diketahui
Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi
ESTIMASI TITIK Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi sampel. Statistik merupakan bentuk dari
KULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output:
KULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output: 1. Terminating simulation 2. Nonterminating simulation: a. Steady-state parameters b. Steady-state cycle parameters
Pertemuan 8 STATISTIKA INDUSTRI 2 08/11/2013. Introduction to Linier Regression. Introduction to Linier Regression. Introduction to Linier Regression
Pertemuan 8 STATISTIKA INDUSTRI 2 TIN 4004 Outline: Regresi Linier Sederhana dan Korelasi (Simple Linier Regression and Correlation) Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability
MODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR
TEORI ESTIMASI ATAU MENAKSIR MODUL 9 TEORI ESTIMASI ATAU MENAKSIR. Pendahuluan Untuk menginginkan mengumpulkan populasi kita lakukan dengan statistik berdasarkan data yang diambil secara sampling yang
Bagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas
Probabilitas Bagian Probabilitas A) = peluang (probabilitas) bahwa kejadian A terjadi 0 < A) < 1 A) = 0 artinya A pasti terjadi A) = 1 artinya A tidak mungkin terjadi Penentuan nilai probabilitas: Metode
Studi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Distribusi Empirik
Studi Simulasi Grafik Pengendali Non Parametrik Berdasarkan Fungsi Empirik S 6 Jantini Trianasari Natangku 1), Adi Setiawan ), Lilik Linawati ) 1) Mahasiswa Program Studi Matematika FSM-UKSW Email : [email protected]
UJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah, ST., MT
UJI STATISTIK NON PARAMETRIK Widha Kusumaningdyah, ST., MT SIGN TEST Sign Test Digunakan untuk menguji hipotesa tentang MEDIAN dan DISTRIBUSI KONTINYU. Pengamatan dilakukan pada median dari sebuah distribusi
PENAKSIRAN PARAMETER TM_3
PENAKSIRAN PARAMETER TM_3 Pendahuluan Statistik inverensial membicarakan bgmn mengeneralisasi informasi yg telah diperoleh. Segala aturan, dan cara, yg dpt di pakai sebagai alat dlm mencoba menarik kesimpulan
PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI. Abstrak
PERBANDINGAN KINERJA DIAGRAM KONTROL MULTIVARIAT UNTUK VARIABILITAS BERDASARKAN MATRIKS KOVARIANSI DAN MATRIKS KORELASI Dwi Yuli Rakhmawati, Muhammad Mashuri 2,2) Institut Teknologi Sepuluh Nopember [email protected],
SATUAN ACARA PERKULIAHAN MATA KULIAH : SIMULASI & PERMODELAN ( S1 / TEKNIK INFORMATIKA) KODE / SKS : KK / 3 SKS
SATUAN ACARA PERKULIAHAN MATA KULIAH : SIMULASI PERMODELAN ( S1 / TEKNIK INFORMATIKA) KODE / SKS : KK-043241 / 3 SKS Minggu Ke Pokok Bahasan dan TIU Sub-pokok Bahasan dan Sasaran Belajar Cara Pengajaran
(ESTIMASI/ PENAKSIRAN)
ESTIMASI PENDAHULUAN Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik tenaga, waktu, maupun
STATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 2 Outline: Uji Hipotesis: Langkah-langkah Uji Hipotesis Jenis Uji Hipotesis satu populasi Uji Z Referensi: Walpole, R.E., Myers, R.H., Myers, S.L., Ye, K., Probability
SILABUS MATA KULIAH. : Dapat menganalisis tentang statistika inferensial secara teoritik beserta komponen dan sifat-sifatnya
SILABUS MATA KULIAH Program Studi : Pendidikan Matematika Kode Mata Kuliah : 50603 Mata kuliah : Statistika Matematika Bobot : 3 SKS Semester : V Mata Kuliah Prasyarat : Probabilitas Deskripsi Mata Kuliah
Statistika (MMS-1403)
Statistika (MMS-1403) Dr. Danardono, MPH [email protected] Program Studi Statistika Jurusan Matematika FMIPA UGM MMS-1403 p.1/93 Distribusi Sampling Statistik Populasi: himpunan keseluruhan obyek yang
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
STATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 2 Outline: Uji Hipotesis: Directional & Nondirectional test Langkah-langkah Uji Hipotesis Error dalam Uji hipotesis (Error Type I) Jenis Uji Hipotesis satu populasi
SATUAN ACARA PERKULIAHAN MATA KULIAH : STATISTIKA DASAR (3 SKS) KODE MATA KULIAH : MT308
JURUSAN PENDIDIKAN MATEMATIKA FPMIPA UNIVERSITAS PENDIDIKAN INDONESIA SATUAN ACARA PERKULIAHAN MATA KULIAH : STATISTIKA DASAR (3 SKS) KODE MATA KULIAH : MT308 MINGGU KE POKOK & SUB POKOK BAHASAN 1 PENDAHULUAN
ESTIMASI. Podojoyo, SKM, M.Kes. Podojoyo 1
ESTIMASI Podojoyo, SKM, M.Kes Podojoyo 1 Definisi Estimasi Suatu metode dimana kita dapat memperkirakan nilai populasi (parameter) dengan memakai nilai sampel (statistik) Podojoyo 2 Didalam estimasi nilai
KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q)
SIDANG TUGAS AKHIR KAJIAN METODE BOOTSTRAP DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN MODEL ARMA (p,q) Disusun oleh : Ratna Evyka E.S.A NRP 1206.100.043 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
TEORI PENDUGAAN (TEORI ESTIMASI)
TEORI PENDUGAAN (TEORI ESTIMASI) Tujuan Pembelajaran Mempelajari bagaimana cara melakukan pendugaan parameter populasi berasarkan statistik yang dihitung dari sampel A. Pendahuluan Pendahuluan : Tujuan
Pendugaan Parameter. Ayundyah Kesumawati. April 13, Prodi Statistika FMIPA-UII. Ayundyah (UII) Pendugaan Parameter April 13, / 30
Pendugaan Parameter Ayundyah Kesumawati Prodi Statistika FMIPA-UII April 13, 2015 Ayundyah (UII) Pendugaan Parameter April 13, 2015 1 / 30 Pendugaan 1 Proses yang menggunakan sampel statistik untuk menduga
BAB V INFERENSI STATISTIK SATU POPULASI NORMAL
BAB V INFERENSI STATISTIK SATU POPULASI NORMAL Bab ini membahas inferensi statistik untuk mean dan variansi satu populasi normal berdasarkan sampel random berukuran kecil dan besar. Untuk membahas hal
BAB V PENUTUP. Menurut. Ukuran Keefektifan Rumus ProModelStudent. Rumus
BAB V PENUTUP 5.. Kesimpulan Dari pembahasan skripsi dengan judul Analisis Efektivitas Sistem Antrian Bank BCA cabang Jamika Bandung dapat disimpulkan sebagai berikut. Model antrian yang paling tepat digunakan
STATISTIK INDUSTRI 1. Distribusi Sampling. Distribusi Sampling
STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA DISTRIBUSI SAMPLING PENGANTAR Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui
Bab 5 Distribusi Sampling
Bab 5 Distribusi Sampling Pendahuluan Untuk mempelajari populasi kita memerlukan sampel yang diambil dari populasi yang bersangkutan. Meskipun kita dapat mengambil lebih dari sebuah sampel berukuran n
PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 53 61 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA OLIVIA ATINRI,
BAB III METODE PENELITIAN. di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
17 BAB III METODE PENELITIAN 3.1. Jenis dan Sumber Data Jenis data yang digunakan dalam penelitian ini adalah data sekunder yang di peroleh dari Website Bank Muamlat dalam bentuk Time series tahun 2009
ESTIMASI. A. Dasar Teori
ESTIMASI A. Dasar Teori 1. Penaksiran atau Estimasi Penaksiran atau estimasi adalah metode untuk memperkirakan nilai populasi dengan menggunakan nilai sampel. Nilai penduga disebut estimator, estimator
BAB III UJI STATISTIK DAN SIMULASI. Menggunakan karakteristik dari distribusi tersebut dan transformasi / = ( ) (3.1.1) / = ( ) (3.1.
11 BAB III UJI STATISTIK DAN SIMULASI 3.1 Interval Kepercayaan Sebuah interval kepercayaan terdiri dari berbagai nilai-nilai bersama-sama dengan persentase yang menentukan seberapa yakin bahwa parameter
Interval Estimation. Tjipto Juwono, Ph.D. May 20, TJ (SU) Interval Estimation May / 24
Interval Estimation Tjipto Juwono, Ph.D. May 20, 2015 TJ (SU) Interval Estimation May 2015 1 / 24 Outline 1 Pendahuluan 2 Pengertian Confidence Interval 3 Menghitung t 4 Menyusun Confidence Interval 5
BAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Penggunaan uji t dan uji z untuk menguji perbedaan mean hanya dapat diterapkan pada dua variabel. Jika jumlah variabel yang diuji cukup besar atau lebih dari dua variabel,
Interval Estimation. Tjipto Juwono, Ph.D. May 13, TJ (SU) Interval Estimation May / 17
Interval Estimation Tjipto Juwono, Ph.D. May 13, 2016 TJ (SU) Interval Estimation May 2015 1 / 17 Pendahuluan Point Estimator Perhatikan MPC pada persamaan regresi Ŷ i = ˆβ 1 + ˆβ 2 X i = 2.3121+0.5231X
Evaluasi Deviasi dari Aproksimasi Frekuensi Kejadian Perawatan Korektif dan Preventif
Petunjuk Sitasi: Rahman, A. (2017). Evaluasi Deviasi Dari Aproksimasi Frekuensi Kejadian Perawatan Korektif Dan Preventif. Prosiding SNTI dan SATELIT 2017 (pp. C181-186). Malang: Jurusan Teknik Industri
BAB IV HASIL DAN PEMBAHASAN
BAB IV HASIL DAN PEMBAHASAN Dalam bab ini akan menjelaskan tentang hasil pengujian perhitungan secara matematis dengan membandingkan histogram data mentah dan distribusi probabilitias teoritis. Data mentah
MENENTUKAN PENGARUH INTERAKSI PERLAKUAN DENGAN METODE POLINOMIAL ORTOGONAL
MENENTUKAN PENGARUH INTERAKSI PERLAKUAN DENGAN METODE POLINOMIAL ORTOGONAL E. JULIANTINI Balai Besar Penelitian dan Pengembangan Bioteknologi dan Sumberdaya Genetik Pertanian, Jl. Tentara Pelajar No.,
ANALISIS SISTEM ANTRIAN PADA BANK MANDIRI CABANG AMBON Analysis of Queue System on the Bank Mandiri Branch Ambon
Jurnal Barekeng Vol. 8 No. 1 Hal. 45 49 (2014) ANALISIS SISTEM ANTRIAN PADA BANK MANDIRI CABANG AMBON Analysis of Queue System on the Bank Mandiri Branch Ambon SALMON NOTJE AULELE Staf Jurusan Matematika,
Hukum Iterasi Logaritma
Hukum Iterasi Logaritma Sorta Purnawanti 1, Helma 2, Dodi Vionanda 3 1 Mathematics Department State University of Pag, Indonesia 2,3 Lecturers of Mathematics Department State University of Pag, Indonesia
KETERBATASAN UJI SIGNIFIKANSI HIPOTESIS NOL
Keterbatasan Uji Signifikansi Hipotesis Nol 17 KETERBATASAN UJI SIGNIFIKANSI HIPOTESIS NOL Nonny Swediati dan Bastari KRITIKAN TERHADAP UJI SIGNIFIKANSI HIPOTESIS NOL Paper ini ditulis berdasarkan telaah
ANALISA KEKUATAN TARIK BESI BETON STRUKTUR BETON JEMBATAN WAIHATTU (PERHITUNGAN MANUAL-MINITAB.13)
Volume 12, No. 1, Oktober 2012: 11-17 ANALISA KEKUATAN TARIK BESI BETON STRUKTUR BETON JEMBATAN WAIHATTU (PERHITUNGAN MANUAL-MINITAB.13) Steanly R.R Pattiselanno, Nanse H Pattiasina Jurusan Teknik Sipil
Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi
Statistika, Vol. No., Mei Pendugaan Selang Kepercayaan Persentil Bootstrap Nonparametrik untuk Parameter Regresi MARZUKI, HIZIR SOFYAN, ASEP RUSYANA Jurusan Matematika FMIPA Universitas Syiah Kuala Jl.
BAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP. Tarno. Jurusan Matematika FMIPA UNDIP Semarang. Subanar Jurusan Matematika FMIPA UGM Yogyakarta
PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP Tarno Jurusan Matematika FMIPA UNDIP Semarang Subanar Jurusan Matematika FMIPA UGM Yogyakarta Abstrak Tulisan ini membicarakan tentang penerapan bootstrap
SATUAN ACARA PERKULIAHAN
Versi : 1 Revisi : 0 Tanggal Revisi : Tanggal Berlaku : STUN CR PERKULIHN Fakultas / Jurusan / Program Studi : Teknologi Industri / Teknik Informatika / Teknik Informatika Kode Matakuliah : [kosongkan]
BAB I PENDAHULUAN. bersifat tetap ( bukan
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis regresi merupakan suatu analisis yang digunakan untuk mengetahui hubungan antara satu variabel independen atau lebih dengan variabel dependen. Pada studi perbandingan
Sumber: Harrell, C., B.K. Ghosh and R.O. Bowden, Jr., Simulation Using Promodel, 2 nd ed., McGraw- Hill, Singapore, MONICA A.
Sumber: Harrell, C., B.K. Ghosh and R.O. Bowden, Jr., Simulation Using Promodel, 2 nd ed., McGraw- Hill, Singapore, 2003. BAB 9:: MEMBANDINGKAN SISTEM MONICA A. KAPPIANTARI - Pemodelan dan Simulasi Sistem
Seminar Hasil Tugas Akhir
Seminar Hasil Tugas Akhir FALAH EGY SUJANA (1209100050) JURUSAN MATEMATIKA FMIPA-ITS SIMULASI ANTRIAN SISTEM PELAYANAN NASABAH (STUDI KASUS : BANK X) Pembimbing : Drs. Soetrisno, MI.Komp. LATAR BELAKANG
Uji Permutasi untuk Masalah Dua Sampel Saling Bebas: Studi Kasus di LAFI-DITKES AD Bandung Jawa Barat
Statistika, Vol. 8 No., 9 7 Nopember 8 Uji Permutasi untuk Masalah Dua Sampel Saling Bebas: Studi Kasus di LAFI-DITKES AD Bandung Jawa Barat Danang Setiawan dan Aceng K. Mutaqin Program Studi Statistika
APLIKASI SIMULASI MONTE CARLO UNTUK MENENTUKAN NILAI OPSI ASIA DENGAN MENGGUNAKAN METODE CONTROL VARIATE PADA KOMODITAS PERTANIAN
APLIKASI SIMULASI MONTE CARLO UNTUK MENENTUKAN NILAI OPSI ASIA DENGAN MENGGUNAKAN METODE CONTROL VARIATE PADA KOMODITAS PERTANIAN D. P. ANGGRAINI 1, D. C. LESMANA 2, B. SETIAWATY 2 Abstrak Petani memiliki
Populasi dan Sampel. Materi 1 Distribusi Sampling
Materi 1 Distribusi Sampling UNIVERSITAS GUNADARMA 2013 Populasi dan Sampel Populasi : keseluruhan objek yang menjadi pusat perhatian dalam statistika Parameter besaran yang menggambarkan karakteristik
Interval Estimation. Tjipto Juwono, Ph.D. May TJ (SU) Interval Estimation May / 19
Interval Estimation Tjipto Juwono, Ph.D. May 2017 TJ (SU) Interval Estimation May 2017 1 / 19 Pendahuluan Point Estimator Perhatikan MPC pada persamaan regresi Ŷ i = ˆβ 1 + ˆβ 2 X i = 2.3121+0.5231X i
APLIKASI RAPID SURVEY
Materi Rapid Survey FIKes - UMMU Iswandi, SKM - 1 APLIKASI RAPID SURVEY A. Pengertian Rapid Survai Survai merupakan kegiatan atau usaha pengumpulan informasi dari sebagian populasi yang dianggap dapat
PENDAHULUAN. Statistik dan Probabilitas untuk Teknik Kimia. Tujuan Pemelajaran. ENG Semester 5 3 SKS. Bambang Heru Susanto,, ST.
PENDAHULUAN Statistik dan Probabilitas untuk Teknik Kimia ENG200801 Semester 5 3 SKS Bambang Heru Susanto,, ST.MT Tujuan Pemelajaran 1. Mampu mengorganisir pengumpulan data mentah untuk pengukuran kuantitatif,
STATISTICS WEEK 7. By: Hanung N. Prasetyo POLTECH TELKOM/HANUNG NP
STATISTICS WEEK 7 By: Hanung N. Prasetyo Ada macam, sampel probabilitas dan non probabilitas. Sampel probabilitas ada empat teknik yang semuanya dapat dilakukan dengan pengembalian atau tanpa pengembalian,
PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI. Oleh : Pramita Elfa Diana Santi J2E
PENENTUAN ESTIMASI INTERVAL DARI DISTRIBUSI NORMAL DENGAN METODE BAYES SKRIPSI Oleh : Pramita Elfa Diana Santi JE 005 40 PROGRAM STUDI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
PROSES PERCABANGAN PADA DISTRIBUSI POISSON
PROSES PERCABANGAN PADA DISTRIBUSI POISSON Nur Alfiani Santoso, Respatiwulan, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak. Proses percabangan merupakan suatu proses stokastik
KAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q)
UJIAN TUGAS AKHIR KAJIAN METODE JACKKNIFE DALAM MEMBANGUN SELANG KEPERCAYAAN DENGAN PARAMETER ARMA(p,q) Disusun oleh : Novan Eko Sudarsono NRP 1206.100.052 Pembimbing: Dra. Nuri Wahyuningsih, M.Kes Dra.Laksmi
FM-UDINUS-BM-08-04/R0 SILABUS MATAKULIAH. Revisi : - Tanggal Berlaku : September 2014
SILABUS MATAKULIAH Revisi : - Tanggal Berlaku : September 2014 A. Identitas 1. Nama Matakuliah : A11. 54815 / 2. Program Studi : Teknik Informatika-S1 3. Fakultas : Ilmu Komputer 4. Bobot sks : 3 SKS 5.
TEORI PENDUGAAN STATISTIK. Oleh : Riandy Syarif
TEORI PENDUGAAN STATISTIK Oleh : Riandy Syarif Pendugaan adalah proses menggunakan sampel (penduga) untuk menduga parameter (Populasi) yg tidak diketahui. Ilustrasi : konferensi perubahan iklim di Bali
Pr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.
6.. Proses Kelahiran Murni Dalam bab ini, akan dibahas beberapa contoh penting dari waktu kontinu, state diskrit, proses Markov. Khususnya, dengan kumpulan dari variabel acak {;0 } di mana nilai yang mungkin
MODEL SIMULASI PERAWATAN SEPEDA MOTOR
Teknik Informatika Sekolah Tinggi Teknologi Garut ISSN 2302-7339 Vol. 10 No. 01 2013 MODEL SIMULASI PERAWATAN SEPEDA MOTOR Ridwan Munawar 1, Rinda Cahyana 2, Luthfi Nurwandi 3 Jurnal Teknik Informatika
STUDI KASUS : SIMULASI MODEL PERMINTAAN SUPERMARKET DENGAN TEKNIK MONTECARLO
STUDI KASUS : SIMULASI MODEL PERMINTAAN SUPERMARKET DENGAN TEKNIK MONTECARLO Suatu supermarket telah melakukan pengamatan mengenai permintaan bayam sebagai salah satu item sayur sayuran yang dijualnya.
Statistika Psikologi 2
Modul ke: Statistika Psikologi 2 Fakultas Psikologi Program Studi Psikologi Sampling, Sampling Distribution, Confidence Intervals, Effect Size, dan Statistical Power SAMPLING Teknik menentukan sampel dari
Sampling dengan Simulasi Komputer
Modul Sampling dengan Simulasi Komputer PENDAHULUAN Sutawanir Darwis M etode statistika merupakan alat untuk menyelesaikan masalah apabila solusi analitik tidak mungkin diperoleh. Dengan metode statistika
STATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 8 Outline: Simple Linear Regression and Correlation Multiple Linear Regression and Correlation Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and
MODUL II DISTRIBUSI PELUANG DISKRIT DAN KONTINU
DISTRIBUSI PELUANG DISKRIT DAN KONTINU A. TUJUAN PRAKTIKUM Melalui praktikum Modul II ini diharapkan praktikan dapat: 1. Mengenal jenis dan karakteristik dari beberapa distribusi peluang. 2. Menguji dan
RANCANG BANGUN PURWARUPA SISTEM PENDUKUNG KEPUTUSAN DENGAN MODEL SIMULASI NONSTATIONARY AND COMPOUND POISSON PROCESS
RANCANG BANGUN PURWARUPA SISTEM PENDUKUNG KEPUTUSAN DENGAN MODEL SIMULASI NONSTATIONARY AND COMPOUND POISSON PROCESS PADA PERENCANAAN SUMBER DAYA USAHA KULINER Arif Rahman 1, Murti Astuti 2, Rahmi Yuniarti
RENCANA MUTU PEMBELAJARAN
RENCANA MUTU PEMBELAJARAN Nama Dosen : N. Setyaningsih, MSi. Program Studi : Pendidikan Matematika Kode Mata Kuliah : 504203 Nama Mata Kuliah : Statistika Matematika Jumlah sks : 3 sks Semester : V Alokasi
BAB 6 PENAKSIRAN PARAMETER
BAB 6 PENAKSIRAN PARAMETER Bab 6 PENAKSIRAN PARAMETER Standar Kompetensi : Setelah mengikuti kuliah ini, mahasiswa dapat memahami hubungan nilai sampel dan populasi dan menentukan distribusi sampling yang
1. PENGERTIAN. Manfaat Sampling :
1. PENGERTIAN Sampel adalah sebagian dari anggota populasi yang dipilih dengan cara tertentu yang akan diteliti sifat-sifatnya dalam penelitian. Nilai-nilai yang berasal dari data sampel dinamakan dengan
SIMULASI PERGERAKAN HARGA SAHAM MENGGUNAKAN PENDEKATAN METODE MONTE CARLO
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 07, No. (018), hal 119 16. SIMULASI PERGERAKAN HARGA SAHAM MENGGUNAKAN PENDEKATAN METODE MONTE CARLO Lusiana, Shantika Martha, Setyo Wira Rizki
BAB 2 LANDASAN TEORI
14 BAB 2 LANDASAN TEORI 2.1 Konsep Dasar Analisis Regresi Kata regresi (regression) diperkenalkan pertama kali oleh Francis Dalton pada tahun 1886. Menurut Dalton, analisis regresi berkenaan dengan studi
BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel
BAB 2 LANDASAN TEORI 2.1 Pengertian Regresi Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat pengaruh suatu variabel terhadap variabel yang lain. Variabel yang pertama disebut
INDEKS KEMAMPUAN PROSES BERDASARKAN PROPORSI PERSESUAIAN UNTUK DISTRIBUSI NON NORMAL
J. Math. and Its Appl. ISSN: 1829-605X Vol. 7, No. 2, November 2010, 47 55 INDEKS KEMAMPUAN PROSES BERDASARKAN PROPORSI PERSESUAIAN UNTUK DISTRIBUSI NON NORMAL Laksmi P Wardhani 1, Resty Z Fahrida, Nur
Distribusi Peluang Kontinyu STATISTIK INDUSTRI 1. Distribusi Peluang Kontinyu. Distribusi Diskrit Uniform. Distribusi Diskrit Uniform 13/11/2013
3//203 STATISTIK INDUSTRI Agustina Eunike, ST., MT., MBA Rata-rata dan Variansi Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu UNIFORM Distribusi Diskrit Uniform Distribusi Diskrit Uniform Contoh:
BAB III SIMULASI SISTEM ANTRIAN M/M/1. paket data. Adapun kinerja yang akan dibahas adalah rata-rata jumlah paket dalam
BAB III SIMULASI SISTEM ANTRIAN M/M/1 3.1 Model Antrian M/M/1 Model antrian yang dibahas dalam tugas akhir ini adalah model antrian M/M/1. Sistem antrian ini diasumsikan digunakan pada simpul jaringan
Penggabungan dan Pemecahan. Proses Poisson Independen
Penggabungan dan Pemecahan Proses Poisson Independen Hanna Cahyaningtyas 1, Respatiwulan 2, Pangadi 3 1 Mahasiswa Program Studi Matematika/FMIPA, Universitas Sebelas Maret 2 Dosen Program Studi Statistika/FMIPA,
SIMULASI SISTEM ANTRIAN SINGLE SERVER. Sistem: himpunan entitas yang terdefinisi dengan jelas. Atribut: nilai data yang mengkarakterisasi entitas.
SIMULASI SISTEM ANTRIAN SINGLE SERVER Sistem: himpunan entitas yang terdefinisi dengan jelas. Atribut: nilai data yang mengkarakterisasi entitas. List/file/set: entitas-entitas dengan properti yang sama.
MODEL SISTEM ANTRIAN PESAWAT TERBANG DI BANDAR UDARA INTERNASIONAL HUSEIN SASTRANEGARA
MODEL SISTEM ANTRIAN PESAWAT TERBANG DI BANDAR UDARA INTERNASIONAL HUSEIN SASTRANEGARA untuk memenuhi Tugas Besar mata kuliah Pemodelan Sistem disusun oleh: Graham Desmon 131141264 Hafizha Fauzani 131144294
BAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Saat ini dunia industri berkembang secara pesat, hal ini ditandai dengan munculnya perusahaan perusahaan baru yang berakibat munculnya persaingan antar perusahaan.
BAB III METODE PENELITIAN
33 BAB III METODE PENELITIAN 3.1 Jenis dan Sumber Data Penelitian ini dilakukan berdasarkan data series bulan yang dipublikasikan oleh Bank Indonesia (BI) dan Badan Pusat Statistik (BPS), diantaranya adalah
Biostatistika (KUI 611) TOPIK 3: VARIABEL RANDOM & DISTRIBUSI PROBABILITAS
Biostatistika (KUI 611) TOPIK 3: VARIABEL RANDOM & DISTRIBUSI PROBABILITAS 1 Probabilitas Perlunya pengetahuan tentang probabilitas dalam Biostatistik Pengertian probabilitas, variabel random dan distribusi
EVALUASI DAN PERBANDINGAN KEBIJAKAN PERSEDIAAN PROBABILISTIK MENGGUNAKAN MODEL P DI PT. X ABSTRAK
EVALUASI DAN PERBANDINGAN KEBIJAKAN PERSEDIAAN PROBABILISTIK MENGGUNAKAN MODEL P DI PT. X ABSTRAK Evaluasi dan Perbandingan Kebijakan Persediaan Probabilistik Menggunakan Model P di PT. X Dwi Desta Riyani1,
PENAKSIR MAKSIMUM LIKELIHOOD DENGAN METODE ITERASI NEWTON - RAPHSON
PENAKSIR MAKSIMUM LIKELIHOOD DENGAN METODE ITERASI NEWTON - RAPHSON Haposan Sirait 1 dan Rustam Efendi 2 1,2 Dosen Program Studi Matematika FMIPA Universitas Riau. Abstrak: Makalah ini menyajikan tentang
6. Teori Estimasi. EL2002-Probabilitas dan Statistik. Dosen: Andriyan B. Suksmono
6. Teori Estimasi EL2002-Probabilitas dan Statistik Dosen: Andriyan B. Suksmono Pendahuluan Inferensi statistik adalah metoda untuk menarik inferensi atau membuat generalisasi dari suatu populasi. Ada
Evaluasi dan Perbandingan Kebijakan Persediaan Probabilistik Menggunakan Model P di PT. X ABSTRAK
Evaluasi dan Perbandingan Kebijakan Persediaan Probabilistik Menggunakan Model P di PT. X Dwi Desta Riyani 1, Evi Febianti 2, M. Adha Ilhami 3 1,2,3 Jurusan Teknik Industri, Fakultas Teknik, Universitas
BAB I PENDAHULUAN. Dalam suatu penelitian, seringkali tidak mungkin untuk melakukan
BAB I PENDAHULUAN 1.1 LATAR BELAKANG MASALAH Dalam suatu penelitian, seringkali tidak mungkin untuk melakukan pengamatan pada semua elemen populasi. Karena itu, perlu dilakukan pengambilan sampel yang
Analisis Sistem Antrian Pada Pelayanan Poli Kandungan Dan Ibu Hamil Di Rumah Sakit X Surabaya
Analisis Sistem Antrian Pada Pelayanan Poli Kandungan Dan Ibu Hamil Di Rumah Sakit X Surabaya Zarah Ayu Annisa 1308030058 Dosen Pembimbing : Dra. Sri Mumpuni R., MT PENDAHULUAN Antrian Meningkatnya kebutuhan
BAB II LANDASAN TEORI
BAB II LANDASAN TEORI.1 Peubah Acak dan Distribusinya.1.1 Peubah Acak Definisi.1: Peubah acak adalah suatu fungsi yang menghubungkan sebuah bilangan real dengan setiap unsur di dalam ruang contoh, (Walpole
