Teknik Pengolahan Data
|
|
- Suharto Agusalim
- 6 tahun lalu
- Tontonan:
Transkripsi
1 Uiversitas Gadjah Mada Jurusa Tekik Sipil da Ligkuga Magister Tekik Pegelolaa Becaa Alam Tekik Pegolaha Data Curve Fi)g: Regresi da Iterpolasi 1
2 Curve Fittig Acua Chapra, S.C., Caale R.P., 1990, Numerical Methods for Egieers, 2d Ed., McGraw- Hill Book Co., New York. Chapter 11 da 12, pp
3 Curve Fittig Mecari garis/kurva yag mewakili seragkaia ::k data Ada dua cara utuk melakukaya, yaitu Regresi Iterpolasi Aplikasi di bidag ejiirig Pola perilaku data (tred aalysis) Uji hipotesis (hypothesis tes;g) 3
4 Curve Fittig Regresi Apabila data meujukka :gkat kesalaha yag cukup sigifika atau meujukka adaya oise Utuk mecari satu kurva tuggal yag mewakili pola umum perilaku data Kurva yag dicari :dak perlu melewa: se:ap ::k data Iterpolasi Diketahui bahwa data sagat akurat Utuk mecari satu atau seragkaia kurva yag melewa: se:ap ::k data Utuk memperkiraka ilai- ilai di atara ::k- ::k data 4
5 Curve Fittig Ekstrapolasi Mirip dega iterpolasi, tetapi utuk memperkiraka ilai- ilai di luar kisara ::k- ::k data Ekstrapolasi :dak disaraka 5
6 Curve Fittig terhadap Data Pegukura Aalisis pola perilaku data Pemafaata pola data (pegukura, eksperime) utuk melakuka perkiraa Apabila data persis (akurat): iterpolasi Apabila data tak persis (tak akurat): regresi Uji hipotesis Pembadiga atara hasil teori atau hasil hituga dega hasil pegukura 6
7 merepresetasika sebara data Beberapa Parameter Statistik Rata- rata aritma:k, mea Deviasi stadar, simpaga baku, stadard devia;o Varia ( ragam ), variace Coefficiet of varia;o =!y 1 y i s y =! s 2 y = S t! 1 S t 1! S = y t ( y i ) 2 c.v.= s y! y 100% 7
8 Distribusi Probabilitas frek Distribusi Normal salah satu distribusi/sebara data yag serig dijumpai adalah distribusi ormal X 8
9 REGRESI Regresi Liear 9
10 Regresi: Metode Kuadrat Terkecil Mecari satu kurva atau satu fugsi (pedekata) yag sesuai dega pola umum yag ditujukka oleh data Dataya meujukka kesalaha yag cukup sigifika Kurva :dak perlu memotog se:ap ::k data Metode Regresi liear Regresi persamaa- persamaa tak- liear yag diliearka Regresi poliomial Regresi liear gada Regresi tak- liear 10
11 Regresi: Metode Kuadrat Terkecil Bagaimaa caraya? Program komputer Spreadsheet (Microsoc Excel) Program aplikasi gra:s, mirip MatLab Octave Scilab Freemat 11
12 Regresi Liear Mecari suatu kurva lurus yag cocok meggambarka pola seragkaia ::k data: (x 1,y 1 ), (x 2,y 2 ) (x,y ) y reg = a 0 + a 1 x a 0 : itercept a 1 : slope Microsoc Excel INTERCEPT(y1:y;x1:x) SLOPE(y1:y;x1:x) 12
13 Regresi Liear Kesalaha atau residu (e) adalah perbedaa atara ilai y sesugguhya (data y) da y ilai pedekata (y reg ) meurut persamaa liear a 0 + a 1 x.! e = y a 0 a 1 x Miimumka jumlah kuadrat residu tersebut mi! S # "! r $ =mi! " e i 2! ( ) 2 # $ =mi y a a x i 0 1 i "' # $( 13
14 Regresi Liear Bagaimaa cara mecari koefisie a 0 da a 1? Diferesialka persamaa tersebut dua kali, masig- masig terhadap a 0 da a 1. Samaka kedua persamaa hasil diferesiasi tersebut dega ol. Selesaika persamaa tsb utuk medapatka a 0 da a 1. S a S a r 0 r 1 = 2 = 2 a 1 = x y x i i i 2 x i x i a! 0 = y a 1 x ( y a a x ) 0 0 ( y a a x ) x = 0 i i 0 ( ) 2 y i 1 1 i i = i 14
15 Cotoh Regresi Liear Tabel data Grafik/kurva data i x i y i = f(x i ) y = f(x) X 15
16 Hituga Regresi Liear i x i y i x i y i 2 x i y reg (y i y reg ) 2 (y i y mea ) = =
17 Hituga Regresi Liear a 1 = x y x i i i 2 x i x i y = 24 7 = 3.4 x = 28 7 = 4 y i ( ) 2 = a! 0 = ( ) 28( 24) = ( 140) ( 28) ( ) =
18 Hituga Regresi Liear Y X data regresi 18
19 Regresi Liear Kua:fikasi kesalaha Kesalaha stadar s y x =! S r 2 Perha:ka kemiripaya dega simpaga baku s y =!! S = y r ( a a x i 0 1 i ) 2 S t 1! S = y t ( y i ) 2 19
20 Regresi Liear Beda atara kedua kesalaha tersebut meujukka perbaika atau peguraga kesalaha r 2 = S t S r S t r = =1 S r S t x i y i x i 2 x i x i ( )( y ) i ( ) 2 y i 2 y i ( ) 2 koefisie determiasi (coefficiet of determia;o) koefisie korelasi (correla;o coefficiet) 20
21 Hituga Regresi Liear ( ) 2 ( ) 2 S r = y i a 0 a 1 x i = S! t = y i y = r 2 = S S t r =1 S r = S t S t = ! r =
22 REGRESI Regresi persamaa tak- liear yag diliearka 22
23 Regresi Liear Liearisasi persamaa- persamaa tak- liear Logaritmik mejadi liear Ekspoesial mejadi liear Pagkat (poliomial :gkat > 1) mejadi liear (poliomial :gkat 1) Dll. 23
24 Liearisasi Persamaa No- liear y! y = aebx x l y l a! ly =la+bx 1 b x 24
25 Liearisasi Persamaa No- liear y! y = axb x log y! logb! logy =loga+blogx 1 b log x 25
26 Liearisasi Persamaa No- liear y! y = a x b+ x 1/y 1! y = b+ x ax = 1 a + b a! b a 1! 1 a 1 x x 1/x 26
27 REGRESI Regresi Poliomial 27
28 Regresi Poliomial Sebagia data bidag tekik, walaupu meujukka pola yag jelas, amu pola tsb :dak dapat diwakili oleh sebuah garis lurus Metode 1: trasformasi koordiat (liearisasi persamaa tak- liear) Metode 2: regresi poliomial Poliomial :gkat m! y = a 0 +a 1 x+a 2 x a m x m Jumlah residu kuadrat 2 S r = e i = y i a 0 a 1 x i +a 2 x 2 m i +...+a m x i! ( ) 2 28
29 Metode kuadrat terkecil yag diperluas utuk regresi poliomial :gkat m Persamaa- persamaa di kaa ii disamaka dega ol da disusu sedemikia rupa mejadi sistem persamaa liear S r = 2 a 0 S r = 2 a! m ( y i a 0 a 1 x i +a 2 x 2 m i +...+a m x ) i S r = 2 x a i y i a 0 a 1 x i +a 2 x 2 m i +...+a m x i 1 S r = 2 a 2... ( ) x 2 ( i y i a 0 a 1 x i +a 2 x 2 m i +...+a m x ) i x m i ( y i a 0 a 1 x i +a 2 x 2 m i +...+a m x ) i 29
30 2 m a 0 +a 1 x i +a 2 x i +...+a m x i = y i! a m+1 x i +a 1 x i +a 2 x i +...+a m x i = x i y i m+2 a 0 x i +a 1 x i +a 2 x i +...+a m x i = x 2 i y i... m m+1 a 0 x i +a 1 x i m+2 2m +a 2 x i +...+a m x i = x m i y i Ada m+1 persamaa liear dega m+1 variabel tak diketahui, yaitu a 0, a 1, a 2,, a m Persamaa- persamaa liear ii dapat diselesaika dega metode- metode Elimiasi Gauss Gauss- Jorda Iterasi Jacobi Iversi matriks 30
31 Cotoh Temukalah kurva poliomial :gkat 2 yag mewakili pola sebara data pada tabel di sisi kaa ii! y = a 0 +a 1 x+a 2 x2 Jawab y = x x 2 r 2 =1 S r S t = = ! r = x i y i
32 REGRESI Regresi Liear Gada (Mul;ple Liear Regressio) 32
33 Regresi Liear Gada Misal variabel y adalah fugsi liear dua variabel bebas x 1 da x 2! y = a 0 +a 1 x 1 +a 2 x 2 Koefisie a 0, a 0, a 0 pada persamaa di atas dapat ditemuka dega metode kuadrat terkecil kesalaha (error) S r =! ( y i a 0 a 1 x 1i a 2 x 2i ) 2 33
34 Regresi Liear Gada Diferesial parsial persamaa tersebut terhadap masig- masig koefisie S r = 2 a 0 ( y i a 0 a 1 x 1i a 2 x 2i ) S r = 2 x a 1i y i a 0 a 1 x 1i a 2 x 2i 1 ( ) S r = 2 x a 2i y i a 0 a 1 x 1i a 2 x 2i! 2 ( ) Samaka persamaa diferesial tsb dega ol da atur suku- suku dalam persamaa a 0 + x 1i a 1 + x 2i a 2 = y i x 1i a 0 + x 2 1i a 1 + x 1i x 2i a 2 = x 1i y i x 2i a 0 + x 1i x 2i a 1 + x 2 2i a 2 = x 2i y i! 34
35 Regresi Liear Gada Persamaa- persamaa liear tersebut dapat dituliska dalam betuk persamaa matriks " $ $ $ $ $ $ $ $! # x 1i x 1i 2 x 1i x 2i x 2i x 1i x 2i 2 x 1i x 2i x 2 % ' '( ' ' * ) '* ' + * ' ' & a 0 a 1 a 2 ( *, * * * - = ) * *.* * * + * y i x 1i y i x 2i y i, * * * - * * *.* 35
36 Cotoh Temukalah persamaa liear yag mewakili pola sebara data dalam tabel di sampig ii. Jawab! y = 5+ 4x 1 3x 2 x 1 x 2 y
37 Regresi Liear Gada Regresi liear gada dapat dipakai pada kasus hubuga atar variabel yag berupa persamaa pagkat (power equa;os)! y = a 0 x 1 a 1 x 2 a 2...x m a m Persamaa di atas sagat bermafaat pada kasus fi)g data eksperime Persamaa di atas ditrasformasika mejadi persamaa liear! logy =loga 0 +a 1 logx 1 +a 2 logx a m logx m 37
38 REGRESI Betuk Umum Persamaa Regresi Liear dega Metode Kuadrat Terkecil 38
39 Regresi Liear (Kuadrat Terkecil) Tiga jeis regresi yag telah dipaparka, yaitu regresi liear, regresi poliomial, da regresi liear gada dapat dituliska dalam betuk umum model kuadrat terkecil! y = a 0 z 0 +a 1 z 1 +a 2 z a m z m z 0, z 1,, z m adalah fugsi- fugsi yag berjumlah m+1 m+1 adalah jumlah variabel bebas +1 adalah jumlah data Persamaa di atas dapat dituliska dalam betuk persamaa matriks {! Y }=! " Z # $ { A } 39
40 Regresi Liear (Kuadrat Terkecil) {! Y }=! " Z # $ { A }! % %! " Z # % $ = % % % %! "% a 01 a a m1 a 02 a a m a 0 a 1 a m!! " Z# T! $ " Z # $ { A }=! " Z # T $ # & & & & & & & $ & { Y} {Y} adalah vektor kolom variabel tak bebas [Z] adalah matriks data ilai variabel bebas {A} adalah vektor kolom koefisie yag :dak diketahui # m & S r = % y i a j z ji ( j=1! $ ' 2 40
41 Regresi Liear (Kuadrat Terkecil)!! " Z# T! $ " Z # $ { A }=! " Z # T $ { Y} Strategi peyelesaia Dekomposisi LU Metode Cholesky Iversi matriks! { A}=! " Z # $! "% T! " Z # # $ $& 1 T! Z " # $ { Y} 41
42 INTERPOLASI Metode Newto Metode Lagrage 42
43 Iterpolasi liear kuadra:k kubik 43
44 Iterpolasi Situasi Keperlua utuk memperkiraka ilai variabel di atara data akurat yag diketahui Metode yag palig serig dipakai utuk keperlua tersebut adalah iterpolasi poliomial Betuk umum persamaa poliomial :gkat ( ) = a 0 +a 1 x+a 2 x a x! f x Haya ada satu poliomial :gkat atau :gkat yag lebih kecil yag melalui semua +1 ::k data 44
45 Iterpolasi Peyelesaia persamaa poliomial :gkat membutuhka sejumlah + 1 ::k data Metode utuk mecari poliomial :gkat yag merupaka iterpolasi sejumlah + 1 ::k data: Metode Newto Metode Lagrage 45
46 Iterpolasi Liear: Metode Newto f(x 1 ) f 1 (x) f(x 0 ) f(x) x x 0 x x! 1 f 1 f 1 ( x) f ( x 0 ) = f ( x 1) f ( x 0 ) x x 0 x 1 x 0 ( )+ f ( x 1) f ( x 0 ) x x x 1 x 0 0 ( x) = f x 0 ( ) 46
47 Iterpolasi Kuadratik: Metode Newto! f 2 ( x) = b 0 +b 1 ( x x 0 )+b 2 ( x x 0 )( x x 1 ) = b 0 +b 1 x b 1 x 0 +b 2 x 2 +b 2 x 0 x 1 b 2 xx 0 b 2 xx 1 ( ) = b 0 b 1 x 0 +b 2 x 0 x!# #" ### $ + b b x b x !## "## $ x+ b 2 a 0! f x 2 ( ) = a 0 +a 1 x+a 2 x 2 ( ) a 1 ( ) % x2 a 2 " a 0 = b 0 b 1 x 0 +b 2 x 0 x $ 1 # a 1 = b 1 b 2 x 0 b 2 x 1 $ a!% 2 = b 2 47
48 Iterpolasi Kuadratik: Metode Newto! b = f x 0 ( 0) b 1 = f ( x 1) f ( x 0 ) = f " x x! 1 x 1,x $ # 0 % 0 f ( x 2 ) f ( x 1 ) f ( x 1) f ( x 0 ) x b 2 = 2 x 1 x 1 x 0 = f " x x! 2 x # 2,x 1,x $ 0 % = f " # x,x $ 2 1% f " # x x $ 1 0% 1 x 2 x 1 48
49 Iterpolasi Poliomial: Metode Newto ( ) = b 0 +b 1 x x 0 b 0 = f ( x 0 )! f x ( )+...+b x x 0 b 1 = f! x 1,x # " 0 $ b 2 = f! x 2,x 1,x # " 0 $... b! = f! x,x 1,...,x 1,x # " 0 $ ( ) x x 1 ( )... x x 1 ( ) 49
50 Iterpolasi Poliomial: Metode Newto! f! x i,x # " j $ = f ( x i ) f x j x i x j f! " x i,x j,x k f! x,x 1,...,x 1,x # " 0 f ( ) # $ = f! x,x # " i j$ f! x,x # " j k $ x i x k $ = f! x,x,...,x # " 1 1$ f! x,,...,x # " 1 2 0$ x x 0 ( x) = f( x0 ) + ( x x0 ) f[ x1, x0] + ( x x0 )( x x1) f[ x2, x1, x0] ( x x )( x x )...( x x ) f[ x, x,..., x ]
51 Iterpolasi Poliomial: Metode Newto i x i f(x i ) Lagkah Hituga ke- 1 ke- 2 ke- 3 0 x 0 f(x 0 ) f[x 1,x 0 ] f[x 2,x 1,x 0 ] f[x 3,x 2,x 1,x 0 ] 1 x 1 f(x 1 ) f[x 2,x 1 ] f[x 3,x 2,x 1 ] 2 x 2 f(x 2 ) f[x 3,x 2 ] 3 x 3 f(x 3 ) 51
52 Iterpolasi Poliomial: Metode Lagrage! f L i ( x) = L i x ( x) = i=0 j=0 j i ( ) f ( x i ) x x j x i x j 52
53 Cotoh iterpolasi i x i f(x i ) f(x) X 53
54 SPLINE Liear Kuadra:k Kubik 54
55 Iterpolasi: Splie Jumlah ::k data + 1 iterpolasi poliomial :gkat Tigkat besar, >>, megalami kesulita apabila ::k- ::k data meujukka adaya perubaha :ba- :ba di suatu ::k tertetu (perubaha gradie secara :ba- :ba) Dalam situasi tsb, poliomial :gkat kecil, <<, dapat lebih represeta:f utuk mewakili pola data Splie Cubic splies ( = 3) Quadra;c splies Liear splies 55
56 Iterpolasi Poliomial vs Splie Poliomial :gkat» = 1 = 1» 56
57 Liear Splies Splie :gkat 1 : garis lurus Data urut : x 0, x 1, x 2,, x f ( x) = f ( x 0 )+m 0 x x 0 f ( x) = f ( x 1 )+m 1 x x 1!... ( ) = f x 1 f x ( ) x 0 x x 1 ( ) x 1 x x 2 ( )+m 1 x x 1 gradie: f( xi+ 1) f( xj ) ( ) x 1 x x mi = x i+ 1 x j 57
58 Liear Splies Liear splie Dega demikia, liear splie adalah sama dega iterpolasi liear Kekuraga liear splie adalah ke:dak- mulusa kurva iterpolasi Terdapat perubaha slope yag sagat tajam di ::k- ::k data atau di ::k- ::k pertemua kurva splie (kot) Deriva:f pertama fugsi liear splie disko:u di ::k- ::k kot Kelemaha liear splie tersebut diatasi dega pemakaia poliomial yag memiliki :gkat lebih :ggi yag mejami kemulusa kurva splie di kots dega cara meyamaka ilai deriva:f di ::k- ::k kot 58
59 Quadratic Splies Quadra;c splies Utuk medapatka kurva yag memiliki diferesial/laju- perubaha ke- m ko:u di ::k kot, maka diperluka kurva splie yag ber:gkat palig kecil m + 1. Yag palig bayak dipakai adalah splie :gkat 3 (cubic splie): diferesial pertama da kedua ko:u di ::k- ::k kot. Ke:dak- mulusa diferesial ke:ga, keempat, dst. umumya :dak begitu tampak secara visual 59
60 Quadratic Splies Tujua: mecari poliomial :gkat 2 utuk se:ap iterval ::k- ::k data. Poliomial :gkat 2 tsb harus memiliki diferesial pertama (laju perubaha) yag ko:u di ::k- ::k data. Poliomial :gkat 2: 2 ( x) = aix + bix ci f + Utuk (+1) ::k data (i = 0, 1, 2,, ), terdapat iterval, sehigga terdapat 3 koefisie yag harus dicari (a i, b i, c i ), i = 1, 2,...,. Perlu persamaa sejumlah 3. 60
61 Quadratic Splies Ke- 3 persamaa tsb adalah sbb. 1. Kurva splie memotog ::k- ::k data (kot): iterval i - 1 da i bertemu di ::k data {x i - 1, f(x i - 1 )}! ( ) ( ) a i 1 x i 1 2 +b i 1 x i 1 +c i 1 = f x i 1 a i x i 1 2 +b i x i 1 +c i = f x i 1 i = 2, 3,, 2( - 1) pers. 2. Kurva splie di iterval pertama memotog ::k data pertama (i = 1) da kurva splie di iterval terakhir memotog ::k data terakhir (i = ) 2 a1x 0 + b1x 0 + c1 = f( x0 ) 2 pers. 2 a x + b x + c = f x ( ) 61
62 Quadratic Splies Ke- 3 persamaa tsb adalah sbb. 3. Diferesial (gradie) kurva splie di dua iterval beruruta adalah sama di ::k data yag bersagkuta ( ) =2ax+b 2a i 1 x i 1 +b i 1 =2a i x i 1 +b i f! x i = 2, 3,,! ( - 1) pers. 4. Diferesial kedua (laju perubaha gradie) kurva splie di ::k data pertama sama dega ol 1 pers.! a = 0 i Kosekuesi: 2 ::k data pertama (i = 0 da i = 1) dihubugka dega garis lurus 62
63 Quadratic Splies Dega demikia, jumlah persamaa seluruhya: 2( 1) ( 1) + 1 = 3 63
64 Cubic Splies Tujua: mecari poliomial :gkat 3 utuk se:ap iterval ::k- ::k data. Poliomial :gkat 3 tsb harus memiliki diferesial pertama (gradie) da diferesial kedua (laju perubaha gradie) yag ko:u di ::k- ::k data. Poliomial orde 3: ( ) = a i x 3 +b i x 2 +c i x+d i! f i x Utuk (+1) ::k data (i = 0, 1, 2,, ), terdapat iterval, shg. terdapat 4 koefisie yag harus dicari (a i,b i,c i,d i ), i = 1, 2,...,. Perlu persamaa sejumlah 4. 64
65 Cubic Splies Ke- 4 persamaa tsb adalah sbb. 1. Kurva splie memotog ::k- ::k data (kot): iterval i - 1 da i bertemu di ::k data {x i - 1, f(x i - 1 )} (2-2) pers. 2. Kurva splie di iterval pertama memotog ::k data pertama da kurva splie terakhir memotog ::k data terakhir 2 pers. 3. Diferesial pertama kurva splie di dua iterval beruruta adalah sama di ::k data ybs. ( - 1) pers. 4. Diferesial kedua kurva splie di dua iterval beruruta adalah sama di ::k data ybs. ( - 1) pers. 5. Diferesial kedua kurva splie di ::k data pertama da terakhir sama dega ol 2 pers. 65
66 Cubic Splies Ke- 4 persamaa tsb. Syarat kelima membawa kosekuesi sbb. Kurva splie di iterval pertama da iterval terakhir berupa garis lurus dua ::k data pertama dihubugka dega sebuah garis lurus dua ::k data terakhir dihubugka dega sebuah garis lurus Ada sebuah syarat altera:f sebagai pegga: syarat kelima tsb Deriva:f kedua di ::k kot terakhir diketahui 66
67 Cubic Splies Diperoleh 4 persamaa yag harus diselesaika utuk mecari 4 koefisie, a i, b i, c i, d i 2( 2) ( 1) + ( 1) + 2 = 4 Dimugkika utuk melakuka maipulasi matema:s shg diperoleh suatu tekik cubic splies yag haya memerluka 1 peyelesaia (lihat uraia di buku acua Chapra, S.P., Caale, R.P., 1985, Numerical Methods for Egieers, McGraw- Hill Book Co., New York, hlm ). 67
68 Cubic Splies 2 ukows di se:ap iterval: f!! ( x! i 1 )!!da!! f!! ( x i ) ( x i x i 1 ) f"" ( x i 1 )+2 x i+1 x i 1 6 # ( x! i+1 x $ i ) f ( x i+1 ) f x i ( ) f"" ( ) ( x i )+ x i+1 x i % & + 6 x i x i 1! f i ( x) = f!! ( x i 1 ) ( ( ) x x i ) 3 f!! ( x + i 1 ) ( 6( x i x i 1 ) x x i 1 ) 3 ( ) ( x i x i 1 ) f!! ( x i 1 ) x i x & ( i 1 )( ( 6 ' ( x x i ) f ( x i ) ( x i x i 1 ) f!! ( x i 1 ) x i x & ( i 1 )( ( 6 ( x x i 1 ) 6 x i x i 1 # + f x i 1 % $ % # + % $ % ( ) f"" ( x i+1 ) = # $ ( ) f x i 1 ( ) f x i ( ) % & "!iterval $ f!! ( x 0 ) = 0# $ f!! ( x! ) = 0% $ ' ( 1)!pers. 68
69 69
Universitas Gadjah Mada Fakultas Teknik Departemen Teknik Sipil dan Lingkungan REGRESI DAN KORELASI. Statistika dan Probabilitas
Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga REGRESI DAN KORELASI Statistika da Probabilitas Kurva Regresi Mecari garis/kurva yag mewakili seragkaia titik data Ada dua cara utuk
Lebih terperinciBAB 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 terperinciREGRESI 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 terperinciBAB II LANDASAN TEORI. matematika secara numerik dan menggunakan alat bantu komputer, yaitu:
4 BAB II LANDASAN TEORI 2.1 Model matematis da tahapa matematis Secara umum tahapa yag harus ditempuh dalam meyelesaika masalah matematika secara umerik da megguaka alat batu komputer, yaitu: 2.1.1 Tahap
Lebih terperinciREGRESI 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 terperinciTeknik Pengolahan Data
Uiversitas Gadjah Mada Jurusa Tekik Sipil da Ligkuga Prodi Magister Tekik Pegelolaa Becaa Alam Tekik Pegolaha Data Besara Sta*s*s 1 Besara Statistis (Statistical Measures) Besara sta*s*s yag lazim dijumpai
Lebih terperinciBab 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 terperinciProgram 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 terperinciANALISIS REGRESI DAN KORELASI SEDERHANA
LATAR BELAKANG DAN KORELASI SEDERHANA Aalisis regresi da korelasi megkaji da megukur keterkaita seara statistik atara dua atau lebih variabel. Keterkaita atara dua variabel regresi da korelasi sederhaa.
Lebih terperinciMETODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/2012 SUGENG2010. Copyright Dale Carnegie & Associates, Inc.
METODE NUMERIK JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS BRAWIJAYA 7/4/0 SUGENG00 Copyright 996-98 Dale Caregie & Associates, Ic. Kesalaha ERROR: Selisih atara ilai perkiraa dega ilai eksakilai
Lebih terperinciPertemuan 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 terperinciBAB I KONSEP DASAR PERSAMAAN DIFERENSIAL
BAB I KONSEP DASAR PERSAMAAN DIFERENSIAL Defiisi Persamaa diferesial adalah persamaa yag melibatka variabelvariabel tak bebas da derivatif-derivatifya terhadap variabel-variabel bebas. Berikut ii adalah
Lebih terperinciREGRESI DAN INTERPOLASI
Universitas Gadjah Mada Departemen Teknik Sipil dan Lingkungan Prodi Sarjana Teknik Sipil REGRESI DAN INTERPOLASI Curve Fitting Curve Fitting Acuan Chapra, S.C., Canale R.P., 99, Numerical Methods or Engineers,
Lebih terperinciIII PEMBAHASAN. λ = 0. Ly = 0, maka solusi umum dari persamaan diferensial (3.3) adalah
III PEMBAHASAN Pada bagia ii aka diformulasika masalah yag aka dibahas. Solusi masalah aka diselesaika dega Metode Dekomposisi Adomia. Selajutya metode ii aka diguaka utuk meyelesaika model yag diyataka
Lebih terperinciSTATISTICS. 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 terperinciBAB 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 terperinciBAB 1 PENDAHULUAN. Analisis regresi menjadi salah satu bagian statistika yang paling banyak aplikasinya.
BAB 1 PENDAHULUAN 1.1 Latar Belakag Aalisis regresi mejadi salah satu bagia statistika yag palig bayak aplikasiya. Aalisis regresi memberika keleluasaa kepada peeliti utuk meyusu model hubuga atau pegaruh
Lebih terperinciPenyelesaian Persamaan Non Linier
Peyelesaia Persamaa No Liier Metode Iterasi Sederhaa Metode Newto Raphso Permasalaha Titik Kritis pada Newto Raphso Metode Secat Metode Numerik Iterasi/NewtoRaphso/Secat - Metode Iterasi Sederhaa- Metode
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN. Sebelum melakukan deteksi dan tracking obyek dibutuhkan perangkat
BAB IV HASIL DAN PEMBAHASAN 4.1 Kebutuha Sistem Sebelum melakuka deteksi da trackig obyek dibutuhka peragkat luak yag dapat meujag peelitia. Peragkat keras da luak yag diguaka dapat dilihat pada Tabel
Lebih terperinciUkuran Pemusatan. Pertemuan 3. Median. Quartil. 17-Mar-17. Modus
-Mar- Ukura Pemusata Pertemua STATISTIKA DESKRIPTIF Statistik deskripti adalah pegolaha data utuk tujua medeskripsika atau memberika gambara terhadap obyek yag diteliti dega megguaka sampel atau populasi.
Lebih terperinciC (z m) = C + C (z m) + C (z m) +...
4.. DERET PANGKAT Deret pagkat dari (x-m) merupaka deret tak higga yag betuk umumya adalah : i= i i C (z m) = C + C (z m) + C (z m) +... ( 4- ) C, C,... = kostata disebut koefisie deret m = kostata disebut
Lebih terperinciREGRESI 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 terperinciREGRESI DAN KORELASI SEDERHANA
REGRESI DAN KORELASI SEDERHANA Apa yag disebut Regresi? Korelasi? Aalisa regresi da korelasi sederhaa membahas tetag keterkaita atara sebuah variabel (variabel terikat/depede) dega (sebuah) variabel lai
Lebih terperinciPersamaan Non-Linear
Persamaa No-Liear Peyelesaia persamaa o-liear adalah meghitug akar suatu persamaa o-liear dega satu variabel,, atau secara umum dituliska : = 0 Cotoh: 2 5. 5 4 9 2 0 2 5 5 4 9 2 2. 2 0 2 5. e 0 Metode
Lebih terperinciBAB VIII MASALAH ESTIMASI SATU DAN DUA SAMPEL
BAB VIII MASAAH ESTIMASI SAT DAN DA SAMPE 8.1 Statistik iferesial Statistik iferesial suatu metode megambil kesimpula dari suatu populasi. Ada dua pedekata yag diguaka dalam statistik iferesial. Pertama,
Lebih terperinciBAB 5 UKURAN DISPERSI
BAB 5 UKURAN DISPERSI A. Ukura Dispersi Meurut Hasa (011 : 101) ukura dispersi atau ukura variasi atau ukura peyimpaga adalah ukura yag meyataka seberapa jauh peyimpaga ilai-ilai data dari ilai-ilai pusatya
Lebih terperinciBAB VII RANDOM VARIATE DISTRIBUSI DISKRET
BAB VII RANDOM VARIATE DISTRIBUSI DISKRET Diskret radom variabel dapat diguaka utuk berbagai radom umber yag diambil dalam betuk iteger. Pola kebutuha ivetori (persediaa) merupaka cotoh yag serig diguaka
Lebih terperinciSTUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN
STUDI TENTANG BEBERAPA MODIFIKASI METODE ITERASI BEBAS TURUNAN Supriadi Putra, M,Si Laboratorium Komputasi Numerik Jurusa Matematika FMIPA Uiversitas Riau e-mail : spoetra@yahoo.co.id ABSTRAK Makalah ii
Lebih terperinciPENAKSIRAN 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 terperinciSTATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA
STATISTIKA ANALISIS REGRESI DAN KORELASI LINIER SEDERHANA OUTLINE LANJUTAN Peetua garis duga regresi dega Metode OLS kostata a da koefisie b Aalisis Varias komposisi variasi sekitar garis r da r Stadard
Lebih terperinciUKURAN LOKASI DAN DISPERSI
Uiversitas Gadjah Mada Fakultas Tekik Departeme Tekik Sipil da Ligkuga UKURAN LOKASI DAN DISPERSI Statistika da Probabilitas Statistical Measures Commo statistical measures Measure of cetral tedecy Mea
Lebih terperinciIII. 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 terperinciBAB 2 LANDASAN TEORI
BAB LANDASAN TEORI.1 Distribusi Ekspoesial Fugsi ekspoesial adalah salah satu fugsi yag palig petig dalam matematika. Biasaya, fugsi ii ditulis dega otasi exp(x) atau e x, di maa e adalah basis logaritma
Lebih terperinciI. 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 terperinciPENGGGUNAAN 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 terperinciPERTEMUAN 13. VEKTOR dalam R 3
PERTEMUAN VEKTOR dalam R Pegertia Ruag Vektor Defiisi R Jika adalah sebuah bilaga bulat positif, maka tupel - - terorde (ordered--tuple) adalah sebuah uruta bilaga riil ( a ),a,..., a. Semua tupel - -terorde
Lebih terperinciBab 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 terperinciTINJAUAN 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 terperinciREGRESI LINIER GANDA
REGRESI LINIER GANDA Secara umum, data hasil pegamata Y bisa terjadi karea akibat variabelvariabel bebas,,, k. Aka ditetuka hubuga atara Y da,,, k sehigga didapat regresi Y atas,,, k amu masih meujukka
Lebih terperinciPenyelesaian: 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 terperinciIII. 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 terperinciMata Kuliah : Matematika Diskrit Program Studi : Teknik Informatika Minggu ke : 4
Program Studi : Tekik Iformatika Miggu ke : 4 INDUKSI MATEMATIKA Hampir semua rumus da hukum yag berlaku tidak tercipta dega begitu saja sehigga diraguka kebearaya. Biasaya, rumus-rumus dapat dibuktika
Lebih terperinciBAB 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 terperinciREGRESI DAN INTERPOLASI
http://starto.sta.ugm.ac.d REGRESI DAN INTERPOLASI Curve Fttg Curve Fttg http://starto.sta.ugm.ac.d Acua Chapra, S.C., Caale R.P., 99, Numercal Methods or Egeers, d Ed., McGraw-Hll Book Co., New York.
Lebih terperinciGalat dan Perambatannya
Modul 1 Galat da Perambataya Prof. Dr. Bambag Soedijoo P PENDHULUN ada Modul 1 ii dibahas masalah galat atau derajat kesalaha da perambataya, dega demikia para peggua modul ii diharapka telah memahami
Lebih terperinciIII PERBANDINGAN MODEL-MODEL BINOMIAL. : harga saham : tingkat harapan pendapatan. yaitu
III PERBANDINGAN MODEL-MODEL BINOMIAL 3. Model Kotiu da Model Diskret Perkembaga Harga Saham Saham merupaka aset fiasial yag ilaiya berubah-ubah megikuti harga pasar, sehigga dalam jagka waktu tertetu
Lebih terperinciBAB III METODOLOGI PENELITIAN
10 BAB III METODOLOGI PENELITIAN 3.1 Lokasi da Waktu Peelitia Peelitia ii dilaksaaka di areal kerja IUPHHK-HA PT. Sarmieto Parakatja Timber, Kalimata Tegah selama satu bula pada bula April higga Mei 01.
Lebih terperinciStatistika MAT 2 A. PENDAHULUAN NILAI MATEMATIKA B. PENYAJIAN DATA NILAI MATEMATIKA NILAI MATEMATIKA STATISTIKA. materi78.co.nr
materio.r Statistika A. PENDAHULUAN Statistika adalah ilmu yag mempelajari pegambila, peyajia, pegolaha, da peafsira data. Data terdiri dari dua jeis, yaitu data kualitatif (sifat) da data kuatitatif (agka).
Lebih terperinciKestabilan Rangkaian Tertutup Waktu Kontinu Menggunakan Metode Transformasi Ke Bentuk Kanonik Terkendali
Jural Tekika ISSN : 285-859 Fakultas Tekik Uiversitas Islam Lamoga Volume No.2 Tahu 29 Kestabila Ragkaia Tertutup Waktu Kotiu Megguaka Metode Trasformasi Ke Betuk Kaoik Terkedali Suhariyato ) Dose Fakultas
Lebih terperinciBAB I PENDAHULUAN. X Y X Y X Y sampel
BAB I PENDAHULUAN 1.1 Latar Belakag Masalah Aalisis regresi merupaka metode aalisis data yag meggambarka hubuga atara variabel respo dega satu atau beberapa variabel prediktor. Aalisis regresi tersebut
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakag Dalam keadaa dimaa meghadapi persoala program liier yag besar, maka aka berusaha utuk mecari peyelesaia optimal dega megguaka algoritma komputasi, seperti algoritma
Lebih terperinciBAB 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 terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Perecaaa Produksi 2.1.1 Pegertia Perecaaa Produksi Perecaaa produksi dapat diartika sebagai proses peetua sumber-sumber yag diperluka utuk melaksaaka operasi maufaktur da megalokasikaya
Lebih terperinciJURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 31-41, April 2004, ISSN :
Vol. 7. No. 1, 31-41, April 24, ISSN : 141-8518 Peetua Kestabila Sistem Kotrol Lup Tertutup Waktu Kotiu dega Metode Trasformasi ke Betuk Kaoik Terkotrol Robertus Heri Jurusa Matematika FMIPA UNDIP Abstrak
Lebih terperinciPOSITRON, Vol. II, No. 2 (2012), Hal. 1-5 ISSN : Penentuan Energi Osilator Kuantum Anharmonik Menggunakan Teori Gangguan
POSITRON, Vol. II, No. (0), Hal. -5 ISSN : 30-4970 Peetua Eergi Osilator Kuatum Aharmoik Megguaka Teori Gaggua Iklas Saubary ), Yudha Arma ), Azrul Azwar ) )Program Studi Fisika Fakultas Matematika da
Lebih terperinciAplikasi Interpolasi Bilinier pada Pengolahan Citra Digital
Aplikasi Iterpolasi Biliier pada Pegolaha Citra Digital Veriskt Mega Jaa - 35408 Program Studi Iformatika Sekolah Tekik Elektro da Iformatika Istitut Tekologi Badug, Jl. Gaesha 0 Badug 403, Idoesia veriskmj@s.itb.ac.id
Lebih terperinciBAB 1 PENDAHULUAN. dimana f(x) adalah fungsi tujuan dan h(x) adalah fungsi pembatas.
BAB 1 PENDAHUUAN 1.1 atar Belakag Pada dasarya masalah optimisasi adalah suatu masalah utuk membuat ilai fugsi tujua mejadi maksimum atau miimum dega memperhatika pembatas pembatas yag ada. Dalam aplikasi
Lebih terperinciSTATISTIKA SMA (Bag.1)
SMA - STATISTIKA SMA (Bag. A. DATA TUNGGAL. Ukura Pemusata : Terdapat ilai statistika yag dapat dimiliki oleh sekumpula data yag diperoleh yaitu : a. Rata-rata Rata-rata jumlah seluruh data bayakya data
Lebih terperinciProbabilitas dan Statistika Korelasi dan Regresi. Adam Hendra Brata
Probabilitas da Statistika da Adam Hedra Brata Dua Peubah Acak dua perubah acah X da Y dega rata-rata da diberika oleh rumus : E(XY) - - - Sifat Sifat Sifat kovariasi utuk X da Y diskrit : f(, ) f(, )
Lebih terperinciMakalah ANALISIS REGRESI DAN REGRESI GANDA
1 Makalah ANALISIS REGRESI DAN REGRESI GANDA Disusu oleh : 1. Rudii mulya ( 41610010035 ). Falle jatu awar try ( 41610010036 ) 3. Novia ( 41610010034 ) Tekik Idustri Uiversitas Mercu Buaa Jakarta 010 Rudii
Lebih terperinciBAB III METODOLOGI DAN PELAKSANAAN PENELITIAN. Perumusan - Sasaran - Tujuan. Pengidentifikasian dan orientasi - Masalah.
BAB III METODOLOGI DAN PELAKSANAAN PENELITIAN 3.1. DIAGRAM ALIR PENELITIAN Perumusa - Sasara - Tujua Pegidetifikasia da orietasi - Masalah Studi Pustaka Racaga samplig Pegumpula Data Data Primer Data Sekuder
Lebih terperinciSTATISTIKA MAT 2 NILAI MATEMATIKA NILAI MATEMATIKA NILAI MATEMATIKA A. PENDAHULUAN B. PENYAJIAN DATA. Diagram garis
materio.r A. PENDAHULUAN Statistika adalah ilmu yag mempelajari pegambila, peyajia, pegolaha, da peafsira data. Data terdiri dari dua jeis, yaitu data kualitatif (sifat) da data kuatitatif (agka). B. PENYAJIAN
Lebih terperincix = μ...? 2 2 s = σ...? x x s = σ...?
Pedugaa Parameter x 2 sx s = μ...? 2 = σ x...? = σ...? Peduga Parameter Peduga titik yaitu parameter populasi p diduga dega suatu besara statistik, misal: rata-rata, proporsi, ragam, dll Peduga Selag (Iterval)
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB PENDAHULUAN. Latar Belakag Statistika iferesi merupaka salah satu cabag statistika yag bergua utuk meaksir parameter. Peaksira dapat diartika sebagai dugaa atau perkiraa atas sesuatu yag aka terjadi
Lebih terperinciBab 7 Penyelesaian Persamaan Differensial
Bab 7 Peelesaia Persamaa Differesial Persamaa differesial merupaka persamaa ag meghubugka suatu besara dega perubahaa. Persamaa differesial diataka sebagai persamaa ag megadug suatu besara da differesiala
Lebih terperinciPengamatan, Pengukuran dan Eksperimen
TEORI KESALAHAN EKSPERIMEN FISIKA DASAR I Pegamata, Pegukura da Eksperime Pegamata da pegukura Teori / model Eksperime Ramala Pegamata payig attetio watch somethig attetively record of somethig see or
Lebih terperinciIlustrasi. Statistik dan Statistika. Data nilai ujian Statistik Dasar dari 15 mahasiswa Program Studi tertentu semester ganjil tahun 2008:
Ilustrasi Data ilai ujia Statistik Dasar dari 5 mahasiswa Program Studi tertetu semester gajil tahu 008: 87 37 59 49 69 95 83 87 39 95 83 76 83 6 46 Statdas, Februari 009. Populasi da Sampel. Statistik
Lebih terperinciBAB 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 terperinciPendugaan 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 terperinciAn = an. An 1 = An. h + an 1 An 2 = An 1. h + an 2... A2 = A3. h + a2 A1 = A2. h + a1 A0 = A1. h + a0. x + a 0. x = h a n. f(x) = 4x 3 + 2x 2 + x - 3
SUKU BANYAK A Pegertia: f(x) x + a 1 x 1 + a 2 x 2 + + a 2 +a 1 adalah suku bayak (poliom) dega : - a, a 1, a 2,.,a 2, a 1, a 0 adalah koefisiekoefisie suku bayak yag merupaka kostata real dega a 0 - a
Lebih terperinciBAB 3 METODE PENELITIAN
BAB 3 METODE PENELITIAN 3.1 Metode Pegumpula Data Dalam melakuka sebuah peelitia dibutuhka data yag diguaka sebagai acua da sumber peelitia. Disii peulis megguaka metode yag diguaka utuk melakuka pegumpula
Lebih terperinciANALISIS INTENSITAS HUJAN DI STASIUN KALIBAWANG KABUPATEN KULONPROGO
ANALISIS INTENSITAS HUJAN DI STASIUN KALIBAWANG KABUPATEN KULONPROGO Titiek Widyasari 1 1 Program Studi Tekik Sipil, Uiversitas Jaabadra Yogyakarta, Jl. Tetara Rakyat Mataram 55 57 Yogyakarta Email: myso_jayastu@yahoo.co.id
Lebih terperinciARTIKEL. 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 terperinciTUGAS 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 terperinciJENIS PENDUGAAN STATISTIK
ENDUGAAN STATISTIK ENDAHULUAN Kosep pedugaa statistik diperluka utuk membuat dugaa dari gambara populasi. ada pedugaa statistik dibutuhka pegambila sampel utuk diaalisis (statistik sampel) yag ati diguaka
Lebih terperinciUKURAN PEMUSATAN UKURAN PENYEBARAN
UKURAN PEMUSATAN DATA TUNGGAL DATA KELOMPOK. MEAN / RATA-RATA. MODUS 3. MEDIAN 4. KUARTIL. MEAN / RATA-RATA. MODUS 3. MEDIAN 4. KUARTIL UKURAN PENYEBARAN JANGKAUAN HAMPARAN RAGAM / VARIANS SIMPANGAN BAKU
Lebih terperinci1 Persamaan rekursif linier non homogen koefisien konstan tingkat satu
Secara umum persamaa rekursif liier tigkat-k bisa dituliska dalam betuk: dega C 0 0. C 0 x + C 1 x 1 + C 2 x 2 + + C k x k = b, Jika b = 0 maka persamaa rekursif tersebut diamaka persamaa rekursif liier
Lebih terperinciBAB 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 terperinciIV. 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 terperinciBAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP. Permasalahan dalam tugas akhir ini dibatasi hanya pada penaksiran
BAB III TAKSIRAN KOEFISIEN KORELASI POLYCHORIC DUA TAHAP Permasalaha dalam tugas akhir ii dibatasi haya pada peaksira besarya koefisie korelasi polychoric da tidak dilakuka peguia terhadap koefisie korelasi
Lebih terperinciBAB III METODOLOGI PENELITIAN
BAB III METODOLOGI PENELITIAN 3.1. Lokasi da Waktu Pegambila Data Pegambila data poho Pius (Pius merkusii) dilakuka di Huta Pedidika Guug Walat, Kabupate Sukabumi, Jawa Barat pada bula September 2011.
Lebih terperinciInstitut Teknologi Sepuluh Nopember Surabaya. Model Sistem dalam Persamaan Keadaan
Istitut Tekologi Sepuluh Nopember Surabaya Model Sistem dalam Persamaa Keadaa Pegatar Materi Cotoh Soal Rigkasa Latiha Pegatar Materi Cotoh Soal Rigkasa Istilah-istilah Dalam Persamaa Keadaa Aalisis Sistem
Lebih terperinciDasar Sistem Pengaturan - Transformasi Laplace. Transformasi Laplace bilateral atau dua sisi dari sinyal bernilai riil x(t) didefinisikan sebagai :
Defiisi Trasformasi Laplace Trasformasi Laplace Bilateral Trasformasi Laplace bilateral atau dua sisi dari siyal berilai riil x(t) didefiisika sebagai : X B x(t)e Operasi trasformasi Laplace bilateral
Lebih terperinciPengenalan Pola. Regresi Linier
Pegeala Pola Regresi Liier PTIIK - 014 Course Cotets 1 Defiisi Regresi Liier Model Regresi Liear 3 Estimasi Regresi Liear 4 Studi Kasus da Latiha Defiisi Regresi Liier Regresi adalah membagu model utuk
Lebih terperinciBAB VII DISTRIBUSI SAMPLING DAN DESKRIPSI DATA
BAB VII DITRIBUI AMPLING DAN DEKRIPI DATA 7. Distribusi amplig (samplig distributio) amplig distributio adalah distribusi probabilitas dari suatu statistik. amplig distributio tergatug dari ukura populasi,
Lebih terperinciNama : 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 terperinci9 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 terperinciBab 8 Teknik Pengintegralan
Catata Kuliah MA3 Kalkulus Elemeter II Oki Neswa,Ph.D., Departeme Matematika-ITB Bab 8 Tekik Pegitegrala Metoda Substitusi Itegral Fugsi Trigoometrik Substitusi Merasioalka Itegral Parsial Itegral Fugsi
Lebih terperinciSelang Kepercayaan (Confidence Interval) Pengantar Penduga titik (point estimator) telah dibahas pada kuliah-kuliah sebelumnya. Walau statistikawan
Selag Kepercayaa (Cofidece Iterval) Pegatar Peduga titik (poit estimator) telah dibahas pada kuliah-kuliah sebelumya. Walau statistikawa telah berusaha memperoleh peduga titik yag baik, amu hampir bisa
Lebih terperinciPemilihan Model Terbaik
Pemiliha Model Terbaik Hazmira Yozza Jur. Matematika FMIPA Uiv. Adalas Jadi bayak model yag mugki dibetuk Var. Bebas :,, 3 Model Maa Yag Mampu Mewakili Data 3,, 3, 3,, 3 + model akar, log, hasil kali,
Lebih terperinci3 METODE PENELITIAN 3.1 Kerangka Pemikiran 3.2 Lokasi dan Waktu Penelitian
19 3 METODE PENELITIAN 3.1 Keragka Pemikira Secara rigkas, peelitia ii dilakuka dega tiga tahap aalisis. Aalisis pertama adalah megaalisis proses keputusa yag dilakuka kosume dega megguaka aalisis deskriptif.
Lebih terperinciBab IV. Penderetan Fungsi Kompleks
Bab IV Pedereta Fugsi Kompleks Sebagaimaa pada fugsi real, fugsi kompleks juga dapat dideretka pada daerah kovergesiya. Semua watak kajia kovergesi pada fugsi real berlaku pula pada fugsi kompleks. Secara
Lebih terperinciANALISIS RUNTUT WAKTU DAN PERAMALAN (Time Series and Forecasting) Analisis Tren
ANALISIS RUNTUT WAKTU DAN PERAMALAN (Time Series ad Forecastig) Aalisis Tre P.E.N.D.A.H.U.L.U.A.N Rutut waktu merupaka kumpula data yag tercatat sepajag periode waktu tertetu (cotohya: miggua, bulaa, atau
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1. Optimasi 2.1.1. Pegertia Optimasi Optimasi (Optimizatio) adalah aktivitas utuk medapatka hasil terbaik di bawah keadaa yag diberika. Tujua akhir dari semua aktivitas tersebut
Lebih terperinciPETA 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 terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 Objek Peelitia Peelitia dilakuka di bagia spiig khususya bagia widig Pabrik Cambrics Primissima (disigkat PT.Primissima) di Jala Raya Magelag Km.15 Slema, Yogyakarta. Peelitia
Lebih terperinciSTATISTIK PERTEMUAN VIII
STATISTIK PERTEMUAN VIII Pegertia Estimasi Merupaka bagia dari statistik iferesi Estimasi = pedugaa, atau meaksir harga parameter populasi dega harga-harga statistik sampelya. Misal : suatu populasi yag
Lebih terperinciKarakteristik Dinamik Elemen Sistem Pengukuran
Karakteristik Diamik Eleme Sistem Pegukura Kompetesi, RP, Materi Kompetesi yag diharapka: Mahasiswa mampu merumuskaka karakteristik diamik eleme sistem pegukura Racaga Pembelajara: Miggu ke Kemampua Akhir
Lebih terperinciRange atau jangkauan suatu kelompok data didefinisikan sebagai selisih antara nilai terbesar dan nilai terkecil, yaitu
BAB 4 UKURAN PENYEBARAN DATA Pada Bab sebelumya kita telah mempelajari beberapa ukura pemusata data, yaitu ukura yag memberika iformasi tetag bagaimaa data-data ii megumpul atau memusat Pada bagia Bab
Lebih terperincib. 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