BabXIVAnalisaVariance

Ukuran: px
Mulai penontonan dengan halaman:

Download "BabXIVAnalisaVariance"

Transkripsi

1 --- BabXIVAalisaVariace KAT A KUNCI aalisa variace suatu etode utuk eguji hipotesis bahwa beberapa kelopok yag berbeda seuaya epuyai rata-rata yag sara. tabel ANOVA suatu tabel yag eragku hasil dari perhituga aalisa variace aalisa variace dua cara prosedur pegujia yag dapat diterapka pada suatu tabel bilaga utuk eguji dua hipotesis; (1)tidak ada perbedaa yag sigifika diatara barisbaris; da (2) tidak ada perbedaa yag sigifika diatara kolo-kolo. PENGUJIANTERHAOAPKESAMAANOARI BEBERAPARATA-RATA Misalya kita egaati ilai-ilai suatu tes kearpua khusus tiga kelopok berbeda yag asig-asig terdiri dari 10 orag. Hasilya adalah sbb: kelopok a: 88,92,91,89,89,86,92,86,89,89 kelopok b: 91, 92, 85, 94, 93,87,87,92,91,89 kelopok c: 87,88,95,88,92,87,89,88,87,88 Nilairata-rata utuktigakelopok tersebutdekatsatusaralai.layakutukegaggap bahwa pada keyataya tidak ada perbedaa keapua diatara kelopok-kelopok, da perbedaa yag terdapat pada ilai rata-rata terjadi seata-ata karea kebetula. Misalya kita eeliti ilai-ilai dari tiga kelopok yag berbeda da hasilya sebagai berikut: kelopok d: 87,94,91,89,89,84,92,86,89,89 kelopok e: 82,76,84,79,77,84,81,69,79,74 kelopok f: 69,79,67,64,65,69,69,64,72,66 Pada kasus ii arpak jelas bahwa terdapat perbedaa kearpua yag yata diatara ketiga kelopok tersebut. Dega kata lai, kita dapat eolak hipotesis bahwa perbedaa yag diarati diatara kelopok-kelopok tersebut seata-ata terjadi karea kebetula. 188

2 Dari kedua kejadia ii jelas bahwa terdapat perbedaa yag sigiftka diatara ilaiilai rata-rata dari tiga kelopok da ada yag tidak. Meskipu deikia, secara uu, sulit utuk egataka apakah perbedaa dari ilai-ilai tersebut sigiftka atau rado. Kita perlu epelajari etode bar, yaitu aalisa variace. Misalya kita epuyai = 3 kelopok (kelopok a, kelopok b, kelopok c), da ada orag pada asig-asig kelopok. Aggap bahwa kita tabu bahwa ilai kearpua utuk asig-asig orag dalar tiap kelopok erupaka distribusi tersebut sara utuk ketiga kelopok.!la'adalah rata-rata yag tidak diketabui dari ilai tes kearpua utuk kelopk a, 1\ adalah rata-rata dari kelopok b, da!lcadalah rata-rata dari kelopok c. Tugas kita adalah eguji hipotesis ol: Dega kata lai, Hipotesis ol eyataka bahwa ilai rata-rata utuk tiap kelopok sara. Hipotesis alteatif eyataka bahwa ilai rata-rata adalah tidak sara. Pertaa-taa, yag hars dilakuka adalah eghitug a, b, c (rata-rata sarpel uotuk tiap sarpel). Jika a, b, c dekat satu sara lai, aka ejadi lebih udah bagi kita utuk eeria hipotesis bahwa!la' 1\, da!lcadalah sara. Kita dapat eghitug rata-rata x utuk seua bilaga: a+b+c a+b+c - x= = 3 Kita dapat eghitug juga variace sapel (versi 2) utuk tiga rata-rata ii (kita eyebut variace itu S*2): -I Seaki besar S*2,seaki kecil keugkia kita utuk eeria hipotesis ol. Kita juga hars elihat variace sarpel utuk asig-asig sarpel: (a -a)2 (b. - b)2 (c. - C)2 I I I S *2 =L. S *2 =L SC*2 L a 1=1 b i=1 -I -I -I utuk eghitug rata-rata dari tiga variace sarpel (disebut S2): S*2 = sa*2 + Sb*2 + SC*

3 - Seaki besar ketiga variace ii, seaki besar keugkia kita edapati a, b, c eyebar, eskipu ketigaya berasal dari distribusi dega rata-rata yag saa. Sebagai cotoh, isalya ilai pegarata dari a, b, da c adalah 500, 400, da 450. Jika sa2= Sb2= sc2= 1, kita tahu pasti bahwa sagat tidak ugki a, b, da c epuyai ilai pegaata yag berasal dari distribusi dega rata-rata yag sara. Sebalikyajika gsa2= sc2= 10,000, cukup ugki kita elihat a, b, da c eyebar, eskipu hipotesis olya bear. Sehigga seaki besar S2,seaki besar keugkia kita eeria hipotesis ol. Kita aka eghitug statistik sbb (disebut F): Jika ilai F besar, kita aka eolak hipotesis ol. Kita dapat eujukka bahwa jika hipotesis ol bear, aka statistik F aka epuyai suatu distribusi F dega derajat kebebasa - 1 da ( - 1) ( adalah julah kelopok, da adalah julah aggota asig-asig kelopok). Distribusi F dijelaska di bab 8, da tabel A3-6 eujukka ilai utuk fugsi distribusi kuulatif. Pada cotoh sebeluya, kita epuyai = 3 da = 10. Jadi statistik F aka epuyai derajat kebebaa 3 da 27. Tabel A3-6 eperlihatka bahwa statistik Fya epuyai kesepata 95% utuk ejadi kurag dari 3.3. Oleh karea itu jika statistik F yag diarati lebih besar dari 3.3, kita aka eolak hipotesis ol, jika tidak, kita aka eeria hipotesis ol. Pada cotoh pertara, statistik F adalah 4,133/6,693 = 0,6175..Seperti telah disebutka di atas, kita hars eeria hipotesisya. Pada cotoh kedua, ilai F adalah 1061/16,996 = 62,426, jadi kita hars eolak hipotesisya. PROSEDURUMUM UNTUKUJI ANAL/SAVARIANCE (diasusika bahwa ada epuyai kelopok, yag asig-:asigepuyai aggota) 1. Hitug rata-rata sarpel utuk tiap kelopok: ā= b= - c= 190

4 2. Hitug rata-rata dari seua rata-rata: a+ b + c x= 3. Hitug variace sapel dari rata-rata: S*2= (a -x)2+(b -X)2+(C _X) Hitug variace sapel utuk tiap kelopok: (a(- a) + (~ - a) (a- a) -l -l -l 5. Hitug rata-rata seua variace sapel: 6. Hitug itai statistik F: F= 7. Lihat tabel A3-6 utuk ecari itai kritis utuk distribusi F dega derajat kebebasa - 1 da ( - 1) 8. Jika itai yag diaati dari statistik F lebih besar dari itai kritis, tolak hipotesis DOl.Jika tidak, teria hipotesis DOl

5 -- YANG HARUS DIINGAT 1. Prosedur aalisis variace diguaka UDtukeguji apakah beberapa kelopok yag diarati berasal dari distribusi yag epuyai rata-rata yag sara. 2. Dalar aalisa variace statistikf dapat dihitug. 3. Jika hipotesis ol bear da rata-rata seua kelopokbear-bear sara, aka statistik F aka epuyai distribusi F. 4. Jika ilai statistik F yag dihtiug lebih besar dari ilai kristis yag diteuka pada tabela3-6, aka hipotesis ol (diaa rata-rata dari asig-asig kelopok sara) dttolak. SUM OF SQUARES Pedekata aalisa varaice dapat dipahari lebih jauh lagi dega elihat julah dari deviasi kuadrat (atau julah kuadrat). Misalka kita epuyai kelopok, asigasig dega aggota.tiap kelopok diperluka secara berbeda dala beberap hal, da tujua kita aka utukelihat apakah perlakua tersebut bear-beareibulka beberapa perbedaa. Sebagai cotoh, kita epuyai kelopok orag yag diberi obat yag belaia. Kita aka egguaka xij utuk leabagka aggota ke i dari kelopi ke j. Catat bahwa kita ebutuhka dua subscript utukegidetifikasi tiap e1ee khusus. Sebagai cotoh, jika kita epuyai = 3 kelopok dega = 5 aggota : kip 1 kip 2 kip Kita dapat elarbagka tiap e1ee seperti ii: Xli = 16 X21 =13 X31 =36 X41 =29 X51 = 18 X12 =38 X22 =21 X32 =36 X22 =39 X52 =26 X13 =19 X23 =14 X33 = 17 X23 =15 X53 =12 Utuk eruuska julah dari seua ite; kita perlu egguaka dua siga: T=L L. Ẋl) 1=1j=1 192

6 Ruus ii dapat diuraika seperti ii: T = L (X. l + X. 1 I X. 1) i=1 = XII+ Xl Xl+ S21+ X X2 = Xl + X X Utuk cotoh kita tadi: T = =349 Kita aka egguaka x (x dega dua garis) utuk elabagka rata-rata dari seua elee kita eyebutka grad ea (rata-rata besar): T x -- = ~ ""i=l ~ ""j=l x.. IJ = utuk cotoh kita 15 TOTAL SUM OF SQUARES Utuk tiap elee dari daftar dapat dihitug berapa jarak elee tersebut dari grad ea x : (jarak dari x.. ke x) =Ix..- x I IJ IJ Setelah itu, kita aka egkuadratka jarak ii: (jarak dari x..ke x I ) = (x.. - X)2 ~ ~

7 da keudia seua jarak kuadrat tersebut dijulahka: TIS = I I(x..- IJ X)2 1=1 j=1 Julah terse but kita sebut sebagai total su of squares perhitugaya sbb: atau (TSS). Utuk kasus kita TSS = (16-23,267)2+ (38-23,267)2+ (19-23,267) + = (13-23,267)2+ (21-23,267)2+ (14-23,267) + (36-23),267)2+ (36-23,267)2+ (17-23,267) + (29-23,267)2+ (39-23,267)2+ (15-23, 267) + (18-23,267)2+ (26-23,267)2+ (12-23,267) 1358,93 Kita aka elihat beberapa perbedaa su of squares. Catat bahwa su of squares adalah sara dega varaice tetapi tidak dibagi dega. Variace dihitug dari julah kuadrat rata-rata, tetapi kita aka elihat beberapa jeis lai su of squares. Utuk egaalisis total su of squares, kita perlu eecahka ejadi dua bagia. Kita tahu bahwajika hipotesis ol bear, rata-rata populasi adalah sarautuk tiap kelopok da peyipaga tiap elee dari grad ea haya terjadi karea kebetula. Sebalikya jika rata-rata populasi berbeda, ada dua sebab egapa elee dapat eyipa dari grad ea: (1) karea rata-rata kelopokya berbeda dari rata-rata keseluruha populasi, da (2) karea adaya perbedaa kesepata dalar kelopokya. Oleh karea itu, kita aka ebagi total su of squares ejadi dua bagia: bagia yag terjadi karea peyipaga elee-elee idividu dari rata-rata kelopok ereka, da bagia bagia yag terjadi karea peyipaga rata-rata kelopok dari grad ea. Kita dapat euliska forula TSS sebagai berikut: TSS = I I(x.. - X)2 1J i=1 j=1 = I I(x.. - XJ') - (X. - x)]2 IJ i=1 j=1 J Kita aka egguaka x. J utuk egartika rata-rata sarpel dari kelopok j. Kita tiak elakuka apa-apa tehadap ruus asal kita tetapi eabah da eguragi xj. Sekarag kita eiliki: 194 TSS = I I[(x.. IJ- x.)2+ J (x. J- X)2+ 2(x..- 1Jx.) J (xj - x)] i=1j=1

8 Aka ejadi udah bahwa jika pejulaha gada digatika oleh persaaa terakhir, hasilya selalu ol. Oleh karea itu yag tiggal: TSS =I, I,[(X.. - X? ;=1 j=1 IJ J J + <X.- X)2] Kita dapat ebagi persaaa tersebut ejadi dua pejulaha gada: TSS =I, I,(X..- X? I, I,<X.- X)2 1J J J ;=1 j=1 ;=1 j=1 Karea bagia yag terakhir tidak berhubuga dega i, kita dapat eggati pejulaha W dega egalikaya dega : TSS =I, I,(X..- X? I,<x. - X)2 IJ J J ;=1 j=1 j=1 ERROR SUM OF SQUARES Kita sekarag telah eecahka total su of squares ejadi dua kopoe. Bagia pertaa ewakili deviasi asig-asig elee terhadap rata-rata kelopokya. Kita egaggap perbedaa ii tibul karea faktor acak yag tidak diketahui (disebut statistical error), da kita aka eyebut hal ii sebagai error su of squares atau ERSS. TSS=I, ;=1 j=1 I,(x..-x? IJ TREATMENT SUM OF SQUARES J Bagia kedua dari total su of squares ewakili deviasi rata-rata tiap kelopok. Kita egaggap deviasi ii tibul karea kepada tiap-tiap kelopok diberika treatet yag berbeda, kita eyebut hal ii treatet su of squares atau TRSS. T9S = I,<x. - X)2 J j=1 Napak bahwa TSS =ERSS + TRSS. Seaki besar treatet su of squares yag terjadi; seaki kecil keugkia kita eeria hipotesis ol bahwa treatet tersebut tidak berpegaruh. VARIANCE RATA-RATA KUADRAT Tiap statistik su of squares epuyai hubuga dega suatu agka yag disebut derajat kebebasa. Derajat kebebasa dari TRSS adalah - I. Derajat kebebasa dari ERSS adalah ( - 1) (kita tabahka dega su of squares yag berbeda utuki tiap sapel

9 Tiap su of squares epuyai derajat kebebasa - 1). Jika su of squares dibagi dega derajat kebebasaya hasilya disebut rata-rata variace kuadrat (ea square variace). TRSS (treatet ea square variace) = - 1 (error ea square variace) = ERSS ( - 1) Jika kita ebagi treatet ea square variace dega error-ea square variace aka hasilya saa persis dega statistik F yag kita guaka sebeluya: F= TRSS -1 ERSS ( - 1) Utuk cotoh kita, kita puya: TRSS =694,533 ERSS =664,400 -l= 2 (- 1)= 12 F= 694, , Jika hipotesis ol bear da treatet tidak berpegaruh, aka statistik F aka puya distribusi F dega derajat keoobasa2 da 12. Nilai kritis utuk uji 5% adalah 3,9 sehigga dala kasus ii kita eolak Hipotesis ol. TABEL ANOVA Iforasi tetag pegujia tersebut dapat diragku dala suatu taoolyag dikeal dega aa tabel ANOV A (aova erupaka kepedeka dari aalisa variace). Tabel ANOV A utui cotoh kita adalah sbb: 196

10 suber su of derajat ea square rasio variasi squares kebebasa variace F diatara 694, ,267 6,272 rata-rata (treatet) di dala 664, ,367 sapel (error) - total 1.368, Tabel tersebut euat iforasi tetag su of squares, derajat kebebasaya, da statistik F. Catat bahwa Total su of squares epuyai derajat kebebasa - 1 = 14, yag erupaka derajat kebebasa dari TRSS da ERSS. Ruus uu utuk tabel ANOV A adalah sbb: suber suo f derajat ea square rasio variasi squares kebebasa variace F diatara TRSS TRSS/(-l) rata-rata TRSS = L(x.-x)2 -l - J (treatet) j=1 1 ERSS/[(-l) di dala sapel ERSS = L L ( -1) ERSS I j=1 - (error) (x..- IJ X.)2 J (-l) total TSS=TRSS+ERRS -l - DUA PERTIMBANGAN DALAM PENGGUNAAN UJI ANALISIS VARIANS Ada dua hal yag has diigat jika egguaka uji aalisa variace: Pertaa, igat bahwa odel aalisa variace egasusika bahwa variace adalah saa utuk tiap kelopok. Jika ada egobservasi variace saple utuk kelopok yag berbeda perbedaaya eyolok, aka pedekata aalisa variace ejadi tidak tepat utuk diguaka. Kedua, jika ada eutuska utuk eolak hipotesis ol, jaka ada has yaki bahwa rata-rata dari kelopok tidak saa seuaya. eski-u deikia, ada tidak tabu 197

11 apakah seua rata-rata tersebut tidak sara, atau ereka seua sara tetapi haya ada satu rata-rata yag berbeda, atau baragkali ada pola lai tertetu utuk rata-rata tersebut. Ada perlu utuk elakuka peelitia lebih lajut utuk eetuka dega tepat egapa perbedaa tersebut terjadi. ANALISA VARIANCE DENGAN UKURAN SAMPLE YANG TIDAK SAMA Mugki terjadi julah saple yag kita iliki tidak seua sara ukuraya. Utuk kasus. seperti ii ruus aalisa variasya ejadi lebih ruit, tetapi kita asih dapat egguaka aalisa su of squares kita utuk eperluas peerapaetrode tersebut.misalya kita epuyai sarpel yag berbeda dega l elee pada sapel 1, 2elee pada sapel 2, da seterusya sarpai elee pada sarpel. Kita aka euliska Xijutuk eggarbarka elee kei dari sapel ke j. Julah elee pada seua sarpel aka diaraka N: N =l = I j j=1 Kita dapat eghitug rata-rata utuk tiap kelopok: x=j ~ x.. l. IJ 1=1. J da grad ea-ya X.= J ~ I l. x. İJ j=ii=1. J Perhatika bahwa pejulaha gadaya lebih ruit sekarag. Kita dapat eghitug total su of squares-ya: TSS =I o oj j=1 i=1 I(x.. - 'X')2 lj da kebali dapat eecah total su of squares: o oj TSS = I I(x.. IJ- X J.)2+ L. J (X..- 1J 'X')2 j=1 i=1 j=1 bagia yag pertara adalah error su of squares: 198

12 TSS = L oj j=1 i=1 L(X..- xy IJ J yag epuyai derajat kebebasa -. Bagia yag kedua adalah treatet su of squares: TRSS = L (x..- IJ X)2 j=1 yag epuyai derajat kebebasa - 1. Da sekarag kita dapat eghitug statistik F ya: F= TRSS -l ERSS (N - ) yag epuyai derajat kebebasa - 1 pada pebilag da N - pada peyebut. YANG HARUS DIINGAT 1. Total su of squares atau TSS) utuk suatu kelopok bilaga terdiri dari deviasi su of squares seua elee dari grad ea-ya. 2. Utuk aalisa variace, total su of squares dibagi ejadi dua: treatet su of squares (TRSS) da error su of squares (ERSS) 3. TRSS eujukka efek dari perbedaa diatara kelopok-kelopok. 4. Hipotesis ol tetag tidak adaya perbedaa diatara kelopok-kelopok besar keugkia ditolak jika TRSSya relatif lebih besar daripada ERSS 5. Hasil aalisa variace diragku dalar suatu tabel ANOVA (lihat hal. 281) ANAL/SA VARIANCEDUA CARA Misalya jika igi eguji efektivitas dari tiga jeis alat pegotrol polusi udara pabrik. Utuk elakuka uji tersebut kita hars easag salah satu alat tersebut pada cerobog asap pabrik utuk periode uji selara 1iggu. Earpabrikyag berbeda tersedia utuk pegujia. Pabrik-pabrik tersebut sagat irip, tetapi kita tidak yaki bahwa pabrikpabrik tersebut bear-bear sara. Oleh karea itu buka erupaka peikira yag bagus utuk erecaaka pegujia sbb: Pasag alat a pada pabrik 1 da 2 selaa periode uji Pasag alat b pada pabrik 3 da 4 selara periode uji Pasag alat c pada pabrik 5 da 6 selara periode uji 199

13 Aggap bahwa pabrik 1 da 2 eghasilka lebih sedikit polusi daripada pabrik-pabrik yag lai. Pada kasus tersebut prosedur pegujia aka cederug ejadika alat a terlihat lebih baik daripada alat laiya walaupu alat-alat tersebut seuaya sara. Utuk legkapya kita hars easag tiap alat selara periode uji pada tiap pabrik. Tabel perhituga polusi kita aka ejadi seperti ii: Pabrik Alat a Alat b Alat c 1 50,8 53,0 49,7 2 49,5 49,2 49,1 3 51,5 51,7 49,6 4 48,3 49,8 49,3 5 48,8 48, ,4 52,2 47,9 Kita dapat eulai dega egaggap keear pabrik tersebut idetik da output polusi yag dihasilka alat-alat tersebut egikuti distribusi oral sbb: alat a rata-rata!la' variace a.2 alat b rata-rata 1-\"variace a2 alat c rata-rata!lc' variace a2 Sekarag kita dapat elakuka prosedur stadar aalisa variace utuk eguji hipotesis ol bahwa tidak ada perbedaa diatara alat-alat tersebut: Tabel ANOV A-ya adalah sbb: suber su of derajat ea square rasio variace squares kebebasa variace F diatara 10, ,382 2,472 rata-rata (treatet) di dalar 32, ,177'. sarpel (error) - total 43,

14 Nilai kritis 5 perse utuk distribusi F dega derajat kebebasa 2 da 15 adalah Karea ilai yag diaati kurag dari ilai kritis, kita eeria hipotesis o1bahwa tidak ada perbedaa diatara a1at-alattersebut. Meskipu deikia, kita asih epuyaikeragua yag egaggu. Bagaiaajika pabrik-pabrik tersebut tidak idetik? Bagaiaajika variasi data po1usiyag diaati terjadi karea adaya perbedaa pada pabrik-pabrik? Pada tabel ANOVAkita telah diasusika bahwa seua variasiyag tidak berasal dari perbedaa alat kotrol tibul karea kesalaha statistikal (statistical error) - yag rado da tidak kita ketahui sebabya. Aka sagat ebatu jika kita dapat eetuka berapa bayak variasi yag terjadi karea adaya perbedaa-perbedaa di pabrik. Pola pikir ii egarahka kita ke etode bar: aalisa variace dua cara (two-way aalysis of variace). Metode bar ii eberika tabaha keutuga: kita dapat eguji hipotesis bahwa pabrik-pabrik tersebut idetik. Secara uu, aggap kita epuyai tigkat yag berbeda dari treatet jeis pertaa da tigkat yag berbeda dari jeis treatet kedua. Pada kasus kita, treatet jeis pertaa eggabarka perbedaa pada alat kotrol polusi udara (jadi =3) dajeis treatet yag kedua eggabarka perbedaa pabrik (jadi = 6). Kita epuyai seluruhya tigkat kobiasi treatet yag ugki, da kita beraggapa puya satu observasi 6 =18observasi (pada beberapa kasus ada aka epuyai/ebutuhka lebih dari satu observasi per keugkia treatet, da pada kasus lai ugki tidak puya observasi utuk seua keugkia. Beberapa buku lajuta dapat eeragka apa yag hars dilakuka utuk kasus-kasus tersebut). Kita aka egatur data dala suatu atura yag terdiri dari kolo da baris, diguka xij utuk eujukka elee dari baris ke i da kolo ke j: tigkat treatet pertaa 1 2 tigkat treatet kedu 1 2 X o Secara teori kita egasusika bahwa tiap observasi berisi julah dari epat efek yag berbeda:

15 --- diaa J.L elebagka keseluruha rata-rata, da IJrielabagka efek khusus yag terjadi pada kolo i pada seua observasi di kolo tersebut. Kita eberi r pada larb~g J.Uitersebut utuk egigatka kita bahwa labag tersebut ewakili kolo i (r =row = kolo). Jika tigkat yag berbeda dari treartet kedua tidak epuyai efek, aka seua efek (J.Uisarpai J..U111) pada kolo ii ejadi ol. Misalka pada cotoh kita pabrik 1 eghasilka polusi sedikit lebih besar daripada rata-rata da pabrik 2 eghasilka polusi sedikit lebih kecil daripada rata-rata. J.U" 1 aka erupaka bilaga positifp da J.U"2bilaga egatif. /lcjelarbagka efek khusus pada kolo j. Jika ketiga alat pegotrol polusi tersebut sara, aka /lc1 = /lc2= /lc3= O. Sebalikya jika alat 1 epuyai tigkat polusi yag lebih tiggi dari rata-rata, aka /lc1 aka positif. Ada faktor isterius (selai alat da pabrik yag epegaruhi tigkat polusi. Kita laba gka rado error e.. utuk easukka faktor-faktor lai tersebut ke dalar I) hituga. Kita dapat eghitug grad ea dari seua observasi; x= L, L,x.. I) i=l j=l da eghitug total su of squares: TSS = L, L, (x.. - X)2 i=l j=l I) BARIS, KOLOM DAN ERROR SUM OF SQUARES Sekarag kita ebagi I:SS dalar tiga bagia: bagia eek kolo (colou), bagia efek baris (row), da sisa bagia yag erupaka efek dari error. Kita egguaka ROWSS utuk elabagka row su of squres, COLLSS utuk elabagka colu su of squres, da ERSS utuk elarbagka error su of squares. Sehigga: TSS =ROWSS + COLSS + ERSS Ruus utuk colu su of squares pada dasarya sara dega ruus utuk treatet su of squares dega aalisis variace satu cara: COLSS = L,(x. - X)2 i=l Pada ruus ii Xijelarbagka Row~s tarpak irip: rata-rata dri seua elee di kolo j. Ruus utuk 202

16 _._- ROWSS = L (x. - X)2 i=1 diaa Xriadalah rata-rata dari seua elee di baris i. Jika pabrik-pabrik tersebut sagat idetik, aka tidak ada alasa bagi rata-rata baris utuk berbeda secara sigifika terhadap x, sehigga ROWSS aka kedl, COLSS eiliki derajat kebebasa - I da ROWSS epuyai derajat kebebasa - 1. Utuk edapatka error su of squares, kita perlu eguragi tiga bagia dari xif Kita aka egguka x utuk eaksir rata-rata populasi, Xij- x utuk eaksir efek khusus pada kolo j, da xriutuk eaksir efek pada baris i. Sehigga: ERSS = L L [(x..- x - ex.- x) - ex. - x)f IJ CJ i=l j=1 ERSS epuyai derajat kebebasa ( - 1) ( - 1) Sekarag kita dapat eghitug cotoh kita. Kita perlu eghitug rata-rata tiap baris da kolo: Pabrik Alat a Alat b Alat c rata-rata 1 50,8 53,0 49,7 51, ,5 49,2 49,1 49, ,5 51,7 49,6 49, ,3 49,8 49,3 49, ,8 48,1 47,1 48,000 6 '" 48,4 52,2 47,9 49,500 rata-rata 49,55 50,677 48,783 49,667 Grad ea x =49,667. Kii kita dapat eghitug: TSS = (50,8-49,667)2+ (53,0-49,667)2+ (49,7-49,677)2 + (49,5-49,667)2 + (49,2-49,667)2 + (49,1-49,667)2 + (51,5-49,667)2 + (51,7-49,667f + (49,6-49,667)2 + (48,3-49,667)2 + (49,8-49,667)2 + (49,3-49,667)2 + (48,8-49,667)2 + (48,1-49,667)2 + (47,1-49,667)2 + (48,4-49,667)2 + (52,2-49,667)2 + (47,9-49,667)2 = 43,4 COLSS = 6 x [(49,55-49,667)2 + (50,667-49,667)2 + (48,783-49,667)2] = 10,8 203

17 --- ROWSS =3 x [(51,167-49,667)2 + (49,267-49,667)2 + (50,933-49,667)2 + (49,133-49,667)2 + (48-49,667)2 + (49,5-49,677)2] = 21,3 ERSS = 43,4-10,8-21,3 = 11,3 TABEL ANOVA DUA FAKTOR Sekarag kita dapat eyusu tabel ANOVA dua faktor. Tabel ANOVA dua faktor sagat irip dega tabel dega satu faktor. Perbedaaya haya terdapat pada subar variasi. Kita aka easukka su of sq~ares utuk baris bersara-sara dega derajat kebebasa da variace rata-rata kuadrat (ea square variace). Tabel ANOV A Faktor suber su of derajat ea square rasio variasi squares kebebasa variace F treatet efek 1: 10, ,382 4,472 kolo (alat kotrol) treatet efek2: 21, ,263 3,758 baris (pabrik) Error 11, ,134 total 43, Catat bahwa total su of squares da su of squares yag dihasilka dari alat kotrol yag berbeda adalah sara, seperti pada tabel ANOVA yag telah disajika di depa. Perbedaaya adalah err.or su of squares lebih kedl karea sebagia besar dari su of squares yag lalu dulu diaggap error sekarag diaggap karea pegaruh pabrik yag berbeda. Kita sekarag puya dua ilai statistikf. Statistik F yag pertaraeguji Hipotesis bahwa tidak ada perbedaa diatara kolo-kolo. Hal tersebut sara dega: (statistik F utuk kolo) = (kolo su of squares )/(kolo SS drajat kebebasa) (error su of squares)/(error SS derajat kebebasa) 204

18 = COLSS -1 ERSS ( - 1)( - 1) Statistik F yag kedua eguji hipotesis bahwa tidak ada perbedaa diatara baris-baris: (statistik F utuk baris) = = (baris su of squares)/(baris (error su of squares)/(error COLSS - 1 ERSS ( - 1) ( - 1) SS drajat kebebasa) SS derajat kebebasa) Igat bahwa tabel ANOVA satu faktorkita eujukkabahwa tidak adaperbedaa diatara ketiga alat tersebut. Sekarag tabel dua faktor aka eberika kita cerita yag lebih jelas. Statistik F utuk kolo epuyai derajat kebebasa 2 da to, da ilai kritis 5% utuk tabel F adalah 4.1. Nilai yag terhitug lebih besar daripada ilai kritis sehigga kita dapat eolak hipotesis besar daripada ilaikritis sehigga kita dapat eolak hipotesis ol bahwa seua kolo sara. Deikia juga, statistik F utuk baris epuyai derajat kebebasah 5 da to sehigga epuyai ilai kritis 3.3. Oleh sebab itu kita dapat eolak hipotesis ol kedua, da kita dapat eyipulka bahwa terdapat perbedaa diatara pabrik-pabrik. Masalah uji satu faktor tibul karea pabrik-pabrik itu sediri ditarbah dega bayakya variabilitas. Seetara itu kita elihat bahwa seua variabilitas tersebut adalah acak. Ada begitu bayak variabilitas yag acak yag egaburka fakta bahwa alat-alat tersebut bear-bear berbeda. Dega egguaka tabel dua faktor kita dapat eisahka pegaruh pabrik yag berbeda dari pegaruh alat yag berbeda. Kita dapat eeuka ruus alteatif utuk su of squares yag lebih udah utuk diguaka eghitug. ANAL/SA VARIANCE DUA CARA: 1. Jadika N = utuk ilai x, Txutuk julah dari seua ilai dari x, Tx2 utuk julah dari kuadrat seua ilai x, Triutukjulah seua baris i, da Tc;utukjulah koloj. T x= L LX.., IJTX2= L L X..2 IJ ;=1j=1 ;=1 j=1 205

19 -- Tri= I,xjj, j;1 2. Keudia hitug T 2 =I, T 2 (su ofsquares baris total) r t=1 T 2 =I,T 2 (su of squares kolo total) CJ j;1 CJ 3. Sekarag guaka ruus ii: TSS =T2- x (TY - N COLSS ROWSS ERSS T2 C = - T2 r = - =T2x (TY N (T)2 N T2 T2r (T) N Cotoh utuk ragkua ruus tersebut adalah sebagai berikut. Matriks data kita adalah sbb; Kita dapat elihat dega jelas dari tabel tersebut bahwa terdapat lebih bayak variabilitas dala baris-baris dibadigka dega dalakolo-kolo, sehigga kita dapat lebih jauh eduga bagaiaa hasil ANOVA-ya. Kita perlu eghitug julahya: 206 Treatet pertaa (3 tigkata) I treatet kedua ( tigkatka)

20 1 2 3 julah julah Sehigga x= 729 Sekarag kita dapat eghitug: T 2 = = c T 2 = = r Kita juga perlu eghitug Tx2: T 2 = x = Sekarag kita dapat egguaka ruus-ruus tersebut: TSS 7292 = =11.187, COLSS = - - = 8, ROWSS = - - = ERSS = =93,

21 Tabel ANOVA-ya adalah sbb: suber su of derajat ea square rasio varisi squares kebebasa variace F kolo 8,4 2 4,2 0,359 Baris 1.085, ,4 236,872 Error 93,6 8-11,7 total 11, Kita dapat elihat dega jelas bahwa variasi diatara baris-baris adalah berarti sedagka perbedaa diatara kolo-kolo tidak. YANG HARUS DIINGA T Prosedur aalisa variace dua cara diguaka utuk eguji dua hipotesis egeai susua bilaga di bawah ii: Hipotesis Noll : tidak ada perbedaa berarti diatara kolo-kolo dala susua. Hipotesis No12: tidak ada perbedaa berarti diatara baris-baris dala susua. 208

BAB 4: PELUANG DAN DISTRIBUSI NORMAL.

BAB 4: PELUANG DAN DISTRIBUSI NORMAL. BAB 4: PELUANG DAN DISTRIBUSI NORMAL. PELUANG Peluag atau yag biasa juga disebut dega istilah keugkia, probablilitas, atau kas eujukka suatu tigkat keugkia terjadiya suatu kejadia yag diyataka dala betuk

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakag Kehidupa ausia seatiasa diarahka pada kodisi yag aka datag, yag keberadaaya tidak dapat diketahui secara pasti. Sehigga ausia berusaha elakuka kegiata kegiata dega berorietasi

Lebih terperinci

DISTRIBUSI BINOMIAL. (sukses sebanyak x kali, gagal sebanyak n x kali)

DISTRIBUSI BINOMIAL. (sukses sebanyak x kali, gagal sebanyak n x kali) DISTRIBUSI BINOMIAL Distribusi bioial berasal dari percobaa bioial yaitu suatu proses Beroulli yag diulag sebayak kali da salig bebas. Distribusi Bioial erupaka distribusi peubah acak diskrit. Secara lagsug,

Lebih terperinci

Definisi 2.3 : Jika max min E(X,Y) = min

Definisi 2.3 : Jika max min E(X,Y) = min Teori Peraia 22 Peelitia Operasioal II Defiisi 23 : Jika ax i E(X,Y) = z y i y ax E(X,Y) =E(x 0, y 0 ), aka (x 0, y 0 ) didefiisika z sebagai strategi uri dari peraia itu dega x 0 sebagai strategi optiu

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 PENDAHULUAN Persoala trasportasi yag serig ucul dala kehidupa sehari-hari, erupaka gologa tersediri dala persoala progra liier. Maka etode traportasi ii juga dapat diguaka utuk eyelesaika beberapa

Lebih terperinci

I. PENDAHULUAN II. LANDASAN TEORI

I. PENDAHULUAN II. LANDASAN TEORI 5 I PENDAHULUAN Latar Belakag Persaaa diferesial adalah suatu persaaa ag egadug sebuah fugsi ag tak diketahui dega satu atau lebih turuaa [Stewart, 3] Persaaa diferesial dapat dibedaka eurut ordea, salah

Lebih terperinci

BAB III ANUITAS DENGAN BEBERAPA KALI PEMBAYARAN SETAHUN TERHADAP TABUNGAN PENDIDIKAN

BAB III ANUITAS DENGAN BEBERAPA KALI PEMBAYARAN SETAHUN TERHADAP TABUNGAN PENDIDIKAN BAB III ANUITAS DNGAN BBRAPA KALI PMBAYARAN STAHUN TRHADAP TABUNGAN PNDIDIKAN. Tabuga Pedidika Aak Tabuga erupaka salah satu produk yag ditawarka oleh bak utuk eyipa uag. Utuk epersiapka daa pedidika aak,

Lebih terperinci

Perbaikan Bagan Kendali Pergerakan Data (Data Driven)

Perbaikan Bagan Kendali Pergerakan Data (Data Driven) Bab 3 Perbaika Baga Kedali Pergeraka Data Data Drive) 3.1 Pedahulua Baga kedali klasik utuk eoitorig rataa didasarka pada asusi keorala. Ketika syarat keorala tidak dipeuhi, baga kedali klasik ii tidak

Lebih terperinci

Penyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered.

Penyelesaian: Variables Entered/Removed a. a. Dependent Variable: Tulang b. All requested variables entered. 2. Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a) Hitug Sum of Square for Regressio (X) b) Hitug Sum of Square for Residual c) Hitug Meas Sum of Square for Regressio (X) d) Hitug

Lebih terperinci

Bab II Landasan Teori

Bab II Landasan Teori 4 Bab II Ladasa Teori II. Aalisis "Net Social Gai" (NSG) PT. Siar Asia Fortua sebagai suatu perusahaa tabag baha galia batugapig epuyai kotribusi positif terhadap peigkata pedapata jika ilai outputya lebih

Lebih terperinci

LEMBAR KERJA SISWA 5

LEMBAR KERJA SISWA 5 94 LEMBAR KERJA SISWA 5 Mata Pelajara Kelas/Seester Materi Pokok Subateri Pokok Alokasi Waktu : Kiia : XI/gajil : Laju Reaksi : Orde Reaksi : 2 x 45 eit Stadar Kopetesi 3. Meahai Kietika Reaksi, Kesetibaga

Lebih terperinci

LAJU REAKSI. A. KEMOLARAN - Kemolaran adalah menyatakan banyaknya mol zat terlarut dalam 1 liter larutan. M = V

LAJU REAKSI. A. KEMOLARAN - Kemolaran adalah menyatakan banyaknya mol zat terlarut dalam 1 liter larutan. M = V LAJU REAKSI STANDART KOMPETENSI; Meahai kietika reaksi, kesetibaga kiia, da faktor-faktor yag berpegaruh, serta peerapaya dala kehidupa sehari-hari KOMPETENSI DASAR; Medeskripsika pegertia laju reaksi

Lebih terperinci

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan

BAB III 1 METODE PENELITAN. Penelitian dilakukan di SMP Negeri 2 Batudaa Kab. Gorontalo dengan BAB III METODE PENELITAN. Tempat Da Waktu Peelitia Peelitia dilakuka di SMP Negeri Batudaa Kab. Gorotalo dega subject Peelitia adalah siswa kelas VIII. Pemiliha SMP Negeri Batudaa Kab. Gorotalo. Adapu

Lebih terperinci

PENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak:

PENGUJIAN HIPOTESIS. Atau. Pengujian hipotesis uji dua pihak: PENGUJIAN HIPOTESIS A. Lagkah-lagkah pegujia hipotesis Hipotesis adalah asumsi atau dugaa megeai sesuatu. Jika hipotesis tersebut tetag ilai-ilai parameter maka hipotesis itu disebut hipotesis statistik.

Lebih terperinci

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 86-88 Latiha 2 Pelajari data dibawah ii, tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b.

Lebih terperinci

MAKALAH TUGAS AKHIR DIMENSI PARTISI PADA PENGEMBANGAN GRAPH KINCIR DENGAN POLA K 1 +mk n

MAKALAH TUGAS AKHIR DIMENSI PARTISI PADA PENGEMBANGAN GRAPH KINCIR DENGAN POLA K 1 +mk n MAKALAH TUGAS AKHIR DIMENSI PARTISI PADA PENGEMBANGAN GRAPH KINCIR DENGAN POLA K 1 +K Oleh : MOHAMMAD IQBAL 1 0 100 01 Pebibig : Drs. Suhud Wahyudi, M.Si. 1900109 198701 1 001 ABSTRAK Graph adalah hipua

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Aalisis Regresi Istilah regresi pertama kali diperkealka oleh seorag ahli yag berama Facis Galto pada tahu 1886. Meurut Galto, aalisis regresi berkeaa dega studi ketergatuga dari suatu

Lebih terperinci

BAB 2 DASAR TEORI. 2.1 Probabilitas

BAB 2 DASAR TEORI. 2.1 Probabilitas BAB DASAR TEORI. Probabilitas Probabilitas epuyai bayak persaaa seperti keugkia, kesepata da kecederuga. Probabilitas eujukka keugkia terjadiya suatu peristiwa yag bersifat acak. Suatu peristiwa disebut

Lebih terperinci

Penyelesaian Masalah Penugasan Menggunakan Metode Hungarian dan Pinalti (Studi Kasus: CV. Surya Pelangi)

Penyelesaian Masalah Penugasan Menggunakan Metode Hungarian dan Pinalti (Studi Kasus: CV. Surya Pelangi) Peyelesaia Masalah Peugasa Megguaka Metode Hugaria da Pialti (Studi Kasus: CV. Surya Pelagi) Sri Basriati 1, Ayu Lestari 2 1,2 Jurusa Mateatika, Fakultas Sais da Tekologi, UIN Sulta Syarif Kasi Riau Jl.

Lebih terperinci

PENGGUNAAN NILAI EIGEN DAN VEKTOR EIGEN UNTUK MENENTUKAN MODEL GENOTIP KETURUNAN YANG TERTAUT KROMOSOM X

PENGGUNAAN NILAI EIGEN DAN VEKTOR EIGEN UNTUK MENENTUKAN MODEL GENOTIP KETURUNAN YANG TERTAUT KROMOSOM X Jural Maajee Ioratika da Tekik Koputer Volue, Noor, pril PENGGUNN NILI EIGEN DN VEKTOR EIGEN UNTUK MENENTUKN MODEL GENOTIP KETURUNN YNG TERTUT KROMOSOM X Havid Syawa *, Nurwati Jurusa Maajee Ioratika,

Lebih terperinci

BAB III BASIS DATA UNTUK IDENTIFIKASI DAERAH RAWAN BANJIR DAN KEBERADAAN DATA SPASIAL YANG DIPERLUKAN

BAB III BASIS DATA UNTUK IDENTIFIKASI DAERAH RAWAN BANJIR DAN KEBERADAAN DATA SPASIAL YANG DIPERLUKAN BAB III BASIS DATA UNTUK IDENTIFIKASI DAERAH RAWAN BANJIR DAN KEBERADAAN DATA SPASIAL YANG DIPERLUKAN Siste idetifikasi daerah rawa bajir ebutuhka adaya data spasial yag diolah dega eafaatka tekologi Siste

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur 0 III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai Mei 03. B. Populasi da Sampel Populasi dalam peelitia

Lebih terperinci

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur

III. METODOLOGI PENELITIAN. Penelitian ini dilakukan di SMA Negeri 1 Way Jepara Kabupaten Lampung Timur III. METODOLOGI PENELITIAN A. Lokasi da Waktu Peelitia Peelitia ii dilakuka di SMA Negeri Way Jepara Kabupate Lampug Timur pada bula Desember 0 sampai dega Mei 03. B. Populasi da Sampel Populasi dalam

Lebih terperinci

BAB V ANALISA PEMECAHAN MASALAH

BAB V ANALISA PEMECAHAN MASALAH 89 BAB V ANALISA PEMECAHAN MASALAH Dalam upaya mearik kesimpula da megambil keputusa, diperluka asumsi-asumsi da perkiraa-perkiraa. Secara umum hipotesis statistik merupaka peryataa megeai distribusi probabilitas

Lebih terperinci

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP

STATISTICS. Hanung N. Prasetyo Week 11 TELKOM POLTECH/HANUNG NP STATISTICS Haug N. Prasetyo Week 11 PENDAHULUAN Regresi da korelasi diguaka utuk megetahui hubuga dua atau lebih kejadia (variabel) yag dapat diukur secara matematis. Ada dua hal yag diukur atau diaalisis,

Lebih terperinci

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL

Nama : INDRI SUCI RAHMAWATI NIM : ANALISIS REGRESI SESI 01 HAL Nama : INDRI SUCI RAHMAWATI NIM : 2015-32-005 ANALISIS REGRESI SESI 01 HAL. 85-88 Latiha 1 Pelajari data dibawah ii, tetuka depede da idepedet variabel serta a. Hitug Sum of for Regressio (X) b. Hitug

Lebih terperinci

MENENTUKAN PENYELESAIAN PERTIDAKSAMAAN DENGAN METODE TITIK PEMECAH. Warsito. Program Studi Matematika FMIPA Universitas Terbuka.

MENENTUKAN PENYELESAIAN PERTIDAKSAMAAN DENGAN METODE TITIK PEMECAH. Warsito. Program Studi Matematika FMIPA Universitas Terbuka. MENENTUKAN PENYELESAIAN PERTIDAKSAMAAN DENGAN METODE TITIK PEMECAH Warsito Progra Studi Mateatika FMIPA Uiversitas Terbuka warsito@ut.ac.id Abstrak Peyelesaia pertidaksaaa ( x- a, a Î R adalah x a (egguaka

Lebih terperinci

MODUL MATEMATIKA SMA IPA Kelas 12

MODUL MATEMATIKA SMA IPA Kelas 12 MODL MATEMATIKA SMA IPA Kelas BARISAN DAN DERET ARITMATIKA. Betuk uu: a, ( a b), ( a b) ( a b). Ruus suku ke- ( ) a ( ) b a : suku pertaa b : beda. Julah suku pertaa (S ) S ( a ) atau S (a ( ) b) Dega

Lebih terperinci

Penerapan Teorema Perron-Frobenius pada Penentuan Distribusi Stasioner Rantai Markov

Penerapan Teorema Perron-Frobenius pada Penentuan Distribusi Stasioner Rantai Markov Vol. 3, No., 85-9, Juli 6 Peerapa Teorea Perro-Frobeius pada Peetua Distribusi Stasioer Ratai Markov Jusawati Massalesse Abstrak Perilaku suatu ratai Markov setelah berala ukup laa dapat diketahui elalui

Lebih terperinci

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi.

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi. Distribusi Samplig (Distribusi Pearika Sampel). Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

TAKSIRAN INTERVAL PARAMETER BENTUK DARI DISTRIBUSI PARETO BERDASARKAN METODE MOMEN DAN MAKSIMUM LIKELIHOOD

TAKSIRAN INTERVAL PARAMETER BENTUK DARI DISTRIBUSI PARETO BERDASARKAN METODE MOMEN DAN MAKSIMUM LIKELIHOOD TAKSIRAN INTERVAL PARAMETER BENTUK DARI DISTRIBUSI PARETO BERDASARKAN METODE MOMEN DAN MAKSIMUM LIKELIHOOD Jailah * Firdaus Sigit Sugiarto Mahasiwa Progra S Mateatika Dose Jurusa Mateatika Fakultas Mateatika

Lebih terperinci

9 Departemen Statistika FMIPA IPB

9 Departemen Statistika FMIPA IPB Supleme Resposi Pertemua ANALISIS DATA KATEGORIK (STK351 9 Departeme Statistika FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referesi Waktu Pegatar Aalisis utuk Data Respo Kategorik Data respo kategorik Sebara

Lebih terperinci

Distribusi Sampling (Distribusi Penarikan Sampel)

Distribusi Sampling (Distribusi Penarikan Sampel) Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

III. METODOLOGI PENELITIAN. diinginkan. Menurut Arikunto (1991 : 3) penelitian eksperimen adalah suatu

III. METODOLOGI PENELITIAN. diinginkan. Menurut Arikunto (1991 : 3) penelitian eksperimen adalah suatu III. METODOLOGI PENELITIAN A. Metode Peelitia Metode peelitia merupaka suatu cara tertetu yag diguaka utuk meeliti suatu permasalaha sehigga medapatka hasil atau tujua yag diigika. Meurut Arikuto (99 :

Lebih terperinci

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai

Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai PENGUJIAN HIPOTESIS Pedahulua Hipotesis: asumsi atau dugaa semetara megeai sesuatu hal. Ditutut utuk dilakuka pegeceka kebearaya. Jika asumsi atau dugaa dikhususka megeai ilai-ilai parameter populasi,

Lebih terperinci

DISTRIBUSI SAMPLING (Distribusi Penarikan Sampel)

DISTRIBUSI SAMPLING (Distribusi Penarikan Sampel) DISTRIBUSI SAMPLING (Distribusi Pearika Sampel) I. PENDAHULUAN Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi

Masih ingat beda antara Statistik Sampel Vs Parameter Populasi? Perhatikan tabel berikut: Ukuran/Ciri Statistik Sampel Parameter Populasi Distribusi Samplig (Distribusi Pearika Sampel) 1. Pedahulua Bidag Iferesia Statistik membahas geeralisasi/pearika kesimpula da prediksi/ peramala. Geeralisasi da prediksi tersebut melibatka sampel/cotoh,

Lebih terperinci

BAB 2 SISTEM DETEKSI DAN PENGHITUNG OBYEK

BAB 2 SISTEM DETEKSI DAN PENGHITUNG OBYEK BAB 2 SISTEM DETEKSI DAN PENGHITUNG OBYEK Bab ii ebahas egeai aalisis siste yag dibutuhka, keudia arsitektur siste, serta tahapa deteksi da peghitug obyek. Pada tahapa deteksi obyek, terdapat beberapa

Lebih terperinci

Bab III Metoda Taguchi

Bab III Metoda Taguchi Bab III Metoda Taguchi 3.1 Pedahulua [2][3] Metoda Taguchi meitikberatka pada pecapaia suatu target tertetu da meguragi variasi suatu produk atau proses. Pecapaia tersebut dilakuka dega megguaka ilmu statistika.

Lebih terperinci

BAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28

BAB III METODE PENELITIAN. penelitian yaitu PT. Sinar Gorontalo Berlian Motor, Jl. H. B Yassin no 28 5 BAB III METODE PENELITIAN 3.1 Lokasi Peelitia da Waktu Peelitia Sehubuga dega peelitia ii, lokasi yag dijadika tempat peelitia yaitu PT. Siar Gorotalo Berlia Motor, Jl. H. B Yassi o 8 Kota Gorotalo.

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 36 BAB III METODE PENELITIAN A. Racaga Peelitia 1. Pedekata Peelitia Peelitia ii megguaka pedekata kuatitatif karea data yag diguaka dalam peelitia ii berupa data agka sebagai alat meetuka suatu keteraga.

Lebih terperinci

BARISAN FIBONACCI DAN BILANGAN PHI

BARISAN FIBONACCI DAN BILANGAN PHI BARISAN FIBONACCI DAN BILANGAN PHI Fiboacci Matematikawa terbesar pada abad pertegaha adalah Leoardo dari Pisa, Italia (80 0). Ia lebih dikeal dega ama Fibo-acci. Artiya, aak Boaccio. Meara Pisa yag terkeal

Lebih terperinci

MANAJEMEN RISIKO INVESTASI

MANAJEMEN RISIKO INVESTASI MANAJEMEN RISIKO INVESTASI A. PENGERTIAN RISIKO Resiko adalah peyimpaga hasil yag diperoleh dari recaa hasil yag diharapka Besarya tigkat resiko yag dimasukka dalam peilaia ivestasi aka mempegaruhi besarya

Lebih terperinci

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA

PENAKSIRAN DAN PERAMALAN BIAYA D. PENAKSIRAN BIAYA JANGKA PANJANG E. PERAMALAN BIAYA PENAKSIRAN DAN PERAMALAN BIAYA Ari Darmawa, Dr. S.AB, M.AB Email: aridarmawa_fia@ub.ac.id A. PENDAHULUAN B. PENAKSIRAN DAN PRAKIRAAN FUNGSI BIAYA C. PENAKSIRAN JANGKA PENDEK - Ekstrapolasi sederhaa - Aalisis

Lebih terperinci

BAB VIII KONSEP DASAR PROBABILITAS

BAB VIII KONSEP DASAR PROBABILITAS BAB VIII KONSEP DASAR PROBABILITAS 1.1. Pedahulua Dalam pertemua ii Ada aka mempelajari beberapa padaga tetag permutasi da kombiasi, fugsi da metode perhituga probabilitas, da meghitug probabilitas. Pada

Lebih terperinci

IV. METODE PENELITIAN

IV. METODE PENELITIAN IV. METODE PENELITIAN 4.1 Lokasi da Waktu peelitia Peelitia dilakuka pada budidaya jamur tiram putih yag dimiliki oleh usaha Yayasa Paguyuba Ikhlas yag berada di Jl. Thamri No 1 Desa Cibeig, Kecamata Pamijaha,

Lebih terperinci

Pertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd

Pertemuan Ke-11. Teknik Analisis Komparasi (t-test)_m. Jainuri, M.Pd Pertemua Ke- Komparasi berasal dari kata compariso (Eg) yag mempuyai arti perbadiga atau pembadiga. Tekik aalisis komparasi yaitu salah satu tekik aalisis kuatitatif yag diguaka utuk meguji hipotesis tetag

Lebih terperinci

Optimisasi Terpadu Persoalan Inventori dan Persoalan Transfortasi dengan Metode ITIO ( Inventory Transfortation Integrated Optimization)

Optimisasi Terpadu Persoalan Inventori dan Persoalan Transfortasi dengan Metode ITIO ( Inventory Transfortation Integrated Optimization) Prosidig Seirata FMIP Uiversitas Lapug, Optiisasi Terpadu Persoala Ivetori da Persoala Trasfortasi dega Metode ITIO ( Ivetory Trasfortatio Itegrated Optiizatio) T.P.Nababa, Sukato, Karida Puspita N Jurusa

Lebih terperinci

Pendekatan Nilai Logaritma dan Inversnya Secara Manual

Pendekatan Nilai Logaritma dan Inversnya Secara Manual Pedekata Nilai Logaritma da Iversya Secara Maual Moh. Affaf Program Studi Pedidika Matematika, STKIP PGRI BANGKALAN affafs.theorem@yahoo.com Abstrak Pada pegaplikasiaya, bayak peggua yag meggatugka masalah

Lebih terperinci

III. METODOLOGI PENELITIAN. Menurut Sukardi, (2003:17) Metodologi penelitian adalah cara yang

III. METODOLOGI PENELITIAN. Menurut Sukardi, (2003:17) Metodologi penelitian adalah cara yang 5 III. METODOLOGI PENELITIAN A. Metode Peelitia Meurut Sukardi, (003:7) Metodologi peelitia adalah cara yag dilakuka secara sistematis megikuti atura-atura, direcaaka oleh para peeliti utuk memecahka permasalaha

Lebih terperinci

BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL)

BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) BAB V UKURAN GEJALA PUSAT (TENDENSI CENTRAL) Setiap peelitia selalu berkeaa dega sekelompok data. Yag dimaksud kelompok disii adalah: Satu orag mempuyai sekelompok data, atau sekelompok orag mempuyai satu

Lebih terperinci

Modul Kuliah statistika

Modul Kuliah statistika Modul Kuliah statistika Dose: Abdul Jamil, S.Kom., MM SEKOLAH TINGGI MANAJEMEN INFORMATIKA DAN KOMPUTER MUHAMMADIYAH JAKARTA Bab 2 Populasi da Sampel 2.1 Populasi Populasi merupaka keseluruha pegamata

Lebih terperinci

PETA KONSEP RETURN dan RISIKO PORTOFOLIO

PETA KONSEP RETURN dan RISIKO PORTOFOLIO PETA KONSEP RETURN da RISIKO PORTOFOLIO RETURN PORTOFOLIO RISIKO PORTOFOLIO RISIKO TOTAL DIVERSIFIKASI PORTOFOLIO DENGAN DUA AKTIVA PORTOFOLIO DENGAN BANYAK AKTIVA DEVERSIFIKASI DENGAN BANYAK AKTIVA DEVERSIFIKASI

Lebih terperinci

Jurnal EKSPONENSIAL Volume 8, Nomor 1, Mei 2017 ISSN

Jurnal EKSPONENSIAL Volume 8, Nomor 1, Mei 2017 ISSN Jural EKSPONENSIAL Volue 8, Noor 1, Mei 2017 ISSN 2085-7829 Proses Optiasi Masalah Peugasa Oe-Objectiveda Two-Objective Megguaka Metode Hugaria (Studi Kasus : Usaha Kerajia Rota Toko Rota Sejati Saarida

Lebih terperinci

I. DERET TAKHINGGA, DERET PANGKAT

I. DERET TAKHINGGA, DERET PANGKAT I. DERET TAKHINGGA, DERET PANGKAT. Pedahulua Pembahasa tetag deret takhigga sebagai betuk pejumlaha suku-suku takhigga memegag peraa petig dalam fisika. Pada bab ii aka dibahas megeai pegertia deret da

Lebih terperinci

VISUALISASI PENGENALAN UCAPAN VOKAL BAHASA INDONESIA DENGAN METODE LPC-DTW

VISUALISASI PENGENALAN UCAPAN VOKAL BAHASA INDONESIA DENGAN METODE LPC-DTW VISUALISASI PENGENALAN UCAPAN VOKAL BAHASA INDONESIA DENGAN METODE LPC-DTW Syaiful Racha (L2F001644) Jurusa Tekik Elektro, Fakultas Tekik Uiversitas Dipoegoro Searag, Idoesia Ipoeltekik2001@yahoo.co Abstrak-

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB 1 PENDAHULUAN 1.1 Latar Belakag Maajeme risiko merupaka salah satu eleme petig dalam mejalaka bisis perusahaa karea semaki berkembagya duia perusahaa serta meigkatya kompleksitas aktivitas perusahaa

Lebih terperinci

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah semua siswa kelas XI IPA SMA Negeri I 7 III. METODOLOGI PENELITIAN A. Populasi da Sampel Peelitia Populasi dalam peelitia ii adalah semua siswa kelas XI IPA SMA Negeri I Kotaagug Tahu Ajara 0-03 yag berjumlah 98 siswa yag tersebar dalam 3

Lebih terperinci

SIFAT-SIFAT GENERALISASI DISTRIBUSI BINOMIAL YANG BERTIPE COM-POISSON

SIFAT-SIFAT GENERALISASI DISTRIBUSI BINOMIAL YANG BERTIPE COM-POISSON J. Math. ad Its Appl. ISSN: 829-605X Vol. 2, No., Mei 205, 3-22 SIFAT-SIFAT GENERALISASI DISTRIBUSI BINOMIAL YANG BERTIPE COM-POISSON Farida Agustii Widjajati, Marselly Dia Saputri 2, Nur Asiyah 3,2,3

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 2.1 Kosep Peasara Kosep peasara erupaka filsafat bisis yag bagkit eatag kosep-kosep sebeluya. Kosep peasara berpedapat bahwa kuci utuk ecapai tujuatujua orgaisasi/ perusahaaa terdiri

Lebih terperinci

III. METODE PENELITIAN. Pembangunan Daerah (BAPPEDA) Provinsi NTB, BPS pusat, dan instansi lain

III. METODE PENELITIAN. Pembangunan Daerah (BAPPEDA) Provinsi NTB, BPS pusat, dan instansi lain III. METODE PENELITIAN 3.1 Jeis da Sumber Data Data yag diguaka pada peelitia ii merupaka data sekuder yag diperoleh dari Bada Pusat Statistik (BPS) Provisi NTB, Bada Perecaaa Pembagua Daerah (BAPPEDA)

Lebih terperinci

Analisa Data Statistik. Ratih Setyaningrum, MT

Analisa Data Statistik. Ratih Setyaningrum, MT Aalisa Data tatistik Ratih etyaigrum, MT Referesi Agoes oehiaie, Ph.D Daftar Isi Iferesi tatistik Hipotesa tatistik : Kosep Umum Hipotesa statistik adalah sebuah klaim/peryataa atau cojecture tetag populasi.

Lebih terperinci

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut:

b. Penyajian data kelompok Contoh: Berat badan 30 orang siswa tercatat sebagai berikut: Statistik da Peluag A. Statistik Statistik adalah metode ilmiah yag mempelajari cara pegumpula, peyusua, pegolaha, da aalisis data, serta cara pegambila kesimpula berdasarka data-data tersebut. Data ialah

Lebih terperinci

Bab 3 Metode Interpolasi

Bab 3 Metode Interpolasi Baha Kuliah 03 Bab 3 Metode Iterpolasi Pedahulua Iterpolasi serig diartika sebagai mecari ilai variabel tergatug tertetu, misalya y, pada ilai variabel bebas, misalya, diatara dua atau lebih ilai yag diketahui

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Lokasi da objek peelitia Lokasi peelitia dalam skripsi ii adalah area Kecamata Pademaga, alasa dalam pemiliha lokasi ii karea peulis bertempat tiggal di lokasi tersebut sehigga

Lebih terperinci

BAB 2 LANDASAN TEORI. 2.1 Program tujuan ganda

BAB 2 LANDASAN TEORI. 2.1 Program tujuan ganda BAB 2 LANDASAN TEORI 2.1 Progra tujua gada Progra tujua gada erupaka variasi khusus dari progra liear. Aalisisya bertujua utuk eiiuka jarak atara atau deviasi deviasi terhadap tujua atau sasara yag telah

Lebih terperinci

BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI

BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI BAB 3 ENTROPI DARI BEBERAPA DISTRIBUSI Utuk lebih memahami megeai etropi, pada bab ii aka diberika perhituga etropi utuk beberapa distribusi diskrit da kotiu. 3. Distribusi Diskrit Pada sub bab ii dibahas

Lebih terperinci

REGRESI LINIER SEDERHANA

REGRESI LINIER SEDERHANA REGRESI LINIER SEDERHANA REGRESI, KAUSALITAS DAN KORELASI DALAM EKONOMETRIKA Regresi adalah salah satu metode aalisis statistik yag diguaka utuk melihat pegaruh atara dua atau lebih variabel Kausalitas

Lebih terperinci

BAB II TINJAUAN TEORITIS

BAB II TINJAUAN TEORITIS BAB II TINJAUAN TEORITIS.1 Pegertia-pegertia Lapaga pekerjaa adalah bidag kegiata dari pekerjaa/usaha/ perusahaa/kator dimaa seseorag bekerja. Pekerjaa utama adalah jika seseorag haya mempuyai satu pekerjaa

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN 3.1 Metode Peelitia Peelitia ii megguaka metode peelitia Korelasioal. Peelitia korelasioaal yaitu suatu metode yag meggambarka secara sistematis da obyektif tetag hubuga atara

Lebih terperinci

BAB 6: ESTIMASI PARAMETER (2)

BAB 6: ESTIMASI PARAMETER (2) Bab 6: Estimasi Parameter () BAB 6: ESTIMASI PARAMETER (). ESTIMASI PROPORSI POPULASI Proporsi merupaka perbadiga atara terjadiya suatu peristiwa dega semua kemugkiaa peritiwa yag bisa terjadi. Besara

Lebih terperinci

PENDAHULUAN. Statistika penyajian DATA untuk memperoleh INFORMASI penafsiran DATA. Data (bentuk tunggal : Datum ) : ukuran suatu nilai

PENDAHULUAN. Statistika penyajian DATA untuk memperoleh INFORMASI penafsiran DATA. Data (bentuk tunggal : Datum ) : ukuran suatu nilai 1. Pegertia Statistika PENDAHULUAN Statistika berhubuga dega peyajia da peafsira kejadia yag bersifat peluag dalam suatu peyelidika terecaa atau peelitia ilmiah. Statistika peyajia DATA utuk memperoleh

Lebih terperinci

Sekolah Olimpiade Fisika

Sekolah Olimpiade Fisika SOLUSI SIMULASI OLIMPIADE FISIKA SMA Agustus 06 TINGKAT KABUPATEN/KOTA Waktu : 3 ja Sekolah Olipiade Fisika davitsipayug.co Sekolah Olipiade Fisika davitsipayug.co davitsipayug@gail.co. Dua orag aak earik

Lebih terperinci

TUGAS ANALISIS REGRESI (HALAMAN

TUGAS ANALISIS REGRESI (HALAMAN TUGAS ANALISIS REGRESI (HALAMAN 85-88) 1. Tetuka depede da idepede variabel serta : a. Hitug Sum of Square for Regressio (X) b. Hitug Sum of Square for Residual c. Hitug Mea Sum of Square for Regresssio

Lebih terperinci

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan

REGRESI LINIER DAN KORELASI. Variabel bebas atau variabel prediktor -> variabel yang mudah didapat atau tersedia. Dapat dinyatakan REGRESI LINIER DAN KORELASI Variabel dibedaka dalam dua jeis dalam aalisis regresi: Variabel bebas atau variabel prediktor -> variabel yag mudah didapat atau tersedia. Dapat diyataka dega X 1, X,, X k

Lebih terperinci

Pendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X

Pendugaan Selang: Metode Pivotal Langkah-langkahnya 1. Andaikan X1, X Pedugaa Selag: Metode Pivotal Lagkah-lagkahya 1. Adaika X1, X,..., X adalah cotoh acak dari populasi dega fugsi kepekata f( x; ), da parameter yag tidak diketahui ilaiya. Adaika T adalah peduga titik bagi..

Lebih terperinci

= Keterkaitan langsung ke belakang sektor j = Unsur matriks koefisien teknik

= Keterkaitan langsung ke belakang sektor j = Unsur matriks koefisien teknik Aalisis Sektor Kuci Dimaa : KLBj aij = Keterkaita lagsug ke belakag sektor j = Usur matriks koefisie tekik (b). Keterkaita Ke Depa (Forward Ligkage) Forward ligkage meujukka peraa suatu sektor tertetu

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN 9 III. METODE PENELITIAN A. Lokasi da Objek Peelitia Peelitia ii dilakuka di RPH Tejo Petak 10i, BKPH Parug Pajag KPH Bogor, Perum Perhutai Uit III Jawa Barat da Bate. Objek peelitia adalah waktu kerja

Lebih terperinci

METODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa

METODE PENELITIAN. dalam tujuh kelas dimana tingkat kemampuan belajar matematika siswa 19 III. METODE PENELITIAN A. Populasi da Sampel Populasi dalam peelitia ii adalah seluruh siswa kelas VIII SMP Negeri 8 Badar Lampug tahu pelajara 2009/2010 sebayak 279 orag yag terdistribusi dalam tujuh

Lebih terperinci

BAB 2 TINJAUAN TEORI

BAB 2 TINJAUAN TEORI BAB 2 TINJAUAN TEORI 2.1 ISTILAH KEENDUDUKAN 2.1.1 eduduk eduduk ialah orag atatu idividu yag tiggal atau meetap pada suatu daerah tertetu dalam jagka waktu yag lama. 2.1.2 ertumbuha eduduk ertumbuha peduduk

Lebih terperinci

Perbandingan Inversi Least-Square dengan Levenberg- Marquardt pada Metode Geomagnet untuk Model Crustal Block

Perbandingan Inversi Least-Square dengan Levenberg- Marquardt pada Metode Geomagnet untuk Model Crustal Block PROSIDING SKF 6 Perbadiga Iversi Least-Square dega Leveberg- Marquardt pada Metode Geoaget utuk Model Crustal Block Uar Said a, Mohaad eriyato b, da Wahyu Srigutoo c Laboratoriu Fisika Bui, Kelopok Keilua

Lebih terperinci

ANALISIS SPEKTRUM FREKUENSI NON-LINEAR SINYAL TUTUR DENGAN ALIH RAGAM FOURIER CEPAT

ANALISIS SPEKTRUM FREKUENSI NON-LINEAR SINYAL TUTUR DENGAN ALIH RAGAM FOURIER CEPAT ISS: 693-693 5 AALISIS SPEKTRUM FREKUESI O-LIEAR SIYAL TUTUR DEGA ALIH RAGAM FOURIER CEPAT Sala Abd. Cadu, Prayoto 2, Adhi Susato 3, Kirbai Sri Brotopuspito 4,3 Jurusa Tekik Elektro Fakultas Tekik Uiversitas

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 1-13 TEOREMA TITIK TETAP BANACH PADA RUANG METRIK-D

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 1-13 TEOREMA TITIK TETAP BANACH PADA RUANG METRIK-D Jural Mateatika Muri da Terapa Vol 4 No Deseber : - 3 TEOREMA TITIK TETAP BANACH PADA RUANG METRIK-D Muhaad Ahsar Kari, Dewi Sri Susati, da Nurul Huda Progra Studi Mateatika Uiversitas Labug Magkurat Jl

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Racaga da Jeis Peelitia Racaga peelitia ii adalah deskriptif dega pedekata cross sectioal yaitu racaga peelitia yag meggambarka masalah megeai tigkat pegetahua remaja tetag

Lebih terperinci

ARTIKEL. Menentukan rumus Jumlah Suatu Deret dengan Operator Beda. Markaban Maret 2015 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN

ARTIKEL. Menentukan rumus Jumlah Suatu Deret dengan Operator Beda. Markaban Maret 2015 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN ARTIKEL Meetuka rumus Jumlah Suatu Deret dega Operator Beda Markaba 191115198801005 Maret 015 KEMENTERIAN PENDIDIKAN DAN KEBUDAYAAN PUSAT PENGEMBANGAN DAN PEMBERDAYAAN PENDIDIK DAN TENAGA KEPENDIDIKAN

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN BAB III METODE PENELITIAN A. Tujua Peelitia Peelitia ii bertujua utuk megetahui apakah terdapat perbedaa hasil belajar atara pegguaa model pembelajara Jigsaw dega pegguaa model pembelajara Picture ad Picture

Lebih terperinci

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya

BAB II LANDASAN TEORI. Dalam tugas akhir ini akan dibahas mengenai penaksiran besarnya 5 BAB II LANDASAN TEORI Dalam tugas akhir ii aka dibahas megeai peaksira besarya koefisie korelasi atara dua variabel radom kotiu jika data yag teramati berupa data kategorik yag terbetuk dari kedua variabel

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 6 BAB III METODE PENELITIAN 3.1 Desai Peelitia Meurut Kucoro (003:3): Peelitia ilmiah merupaka usaha utuk megugkapka feomea alami fisik secara sistematik, empirik da rasioal. Sistematik artiya proses yag

Lebih terperinci

III. METODE PENELITIAN

III. METODE PENELITIAN 30 III. METODE PENELITIAN A. Metode Dasar Peelitia Metode yag diguaka dalam peelitia adalah metode deskriptif, yaitu peelitia yag didasarka pada pemecaha masalah-masalah aktual yag ada pada masa sekarag.

Lebih terperinci

II. LANDASAN TEORI. Pada bab ini akan diberikan beberapa istilah, definisi serta konsep-konsep yang

II. LANDASAN TEORI. Pada bab ini akan diberikan beberapa istilah, definisi serta konsep-konsep yang II. LANDASAN TEORI Pada bab ii aka diberika beberapa istilah, defiisi serta kosep-kosep yag medukug dalam peelitia ii. 2.1 Kosep Dasar Teori Graf Berikut ii aka diberika kosep dasar teori graf yag bersumber

Lebih terperinci

TINJAUAN PUSTAKA Pengertian

TINJAUAN PUSTAKA Pengertian TINJAUAN PUSTAKA Pegertia Racaga peelitia kasus-kotrol di bidag epidemiologi didefiisika sebagai racaga epidemiologi yag mempelajari hubuga atara faktor peelitia dega peyakit, dega cara membadigka kelompok

Lebih terperinci

Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi

Program Pasca Sarjana Terapan Politeknik Elektronika Negeri Surabaya PENS. Probability and Random Process. Topik 10. Regresi Program Pasca Sarjaa Terapa Politekik Elektroika Negeri Surabaya Probability ad Radom Process Topik 10. Regresi Prima Kristalia Jui 015 1 Outlie 1. Kosep Regresi Sederhaa. Persamaa Regresi Sederhaa 3.

Lebih terperinci

Definisi Integral Tentu

Definisi Integral Tentu Defiisi Itegral Tetu Bila kita megedarai kedaraa bermotor (sepeda motor atau mobil) selama 4 jam dega kecepata 50 km / jam, berapa jarak yag ditempuh? Tetu saja jawabya sagat mudah yaitu 50 x 4 = 200 km.

Lebih terperinci

PENGANTAR MODEL LINEAR Oleh: Suryana

PENGANTAR MODEL LINEAR Oleh: Suryana PENGANTAR MODEL LINEAR Oleh: Suryaa Model liear meyagkut masalah statistik yag ketergatugaya terhadap parameter secara liear. Betuk umum model liear adalah 0 1X1... px p, dega = Variabel respo X i = Variabel

Lebih terperinci

PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN

PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN PENGGGUNAAN ALGORITMA GAUSS-NEWTON UNTUK MENENTUKAN SIFAT-SIFAT PENAKSIR PARAMETER DAN DALAM SUATU MODEL NON-LINIER Abstrak Nur ei 1 1, Jurusa Matematika FMIPA Uiversitas Tadulako Jl. Sukaro-Hatta Palu,

Lebih terperinci

L A T I H A N S O A L A N R E G 1 Muhamad Ferdiansyah, S. Stat.

L A T I H A N S O A L A N R E G 1 Muhamad Ferdiansyah, S. Stat. L A T I H A N S O A L A N R E G Muhamad Ferdiasyah, S. Stat. *Saya saraka utuk mecoba sediri baru lihat jawabaya **Jawaba saya BELUM TENTU BENAR karea saya mausia biasa. Silaka dikosultasika jika ada jawaba

Lebih terperinci

REGRESI DAN KORELASI

REGRESI DAN KORELASI REGRESI DAN KORELASI Pedahulua Dalam kehidupa sehari-hari serig ditemuka masalah/kejadia yagg salig berkaita satu sama lai. Kita memerluka aalisis hubuga atara kejadia tersebut Dalam bab ii kita aka membahas

Lebih terperinci

SEBARAN t dan SEBARAN F

SEBARAN t dan SEBARAN F SEBARAN t da SEBARAN F 1 Tabel uji t disebut juga tabel t studet. Sebara t pertama kali diperkealka oleh W.S. Gosset pada tahu 1908. Saat itu, Gosset bekerja pada perusahaa bir Irladia yag melarag peerbita

Lebih terperinci

2 BARISAN BILANGAN REAL

2 BARISAN BILANGAN REAL 2 BARISAN BILANGAN REAL Di sekolah meegah barisa diperkealka sebagai kumpula bilaga yag disusu meurut "pola" tertetu, misalya barisa aritmatika da barisa geometri. Biasaya barisa da deret merupaka satu

Lebih terperinci

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data

IV METODE PENELITIAN 4.1 Lokasi dan waktu 4.2. Jenis dan Sumber Data 4.3 Metode Pengumpulan Data IV METODE PENELITIAN 4.1 Lokasi da waktu Peelitia ii dilakuka di PD Pacet Segar milik Alm Bapak H. Mastur Fuad yag beralamat di Jala Raya Ciherag o 48 Kecamata Cipaas, Kabupate Ciajur, Propisi Jawa Barat.

Lebih terperinci