BAB 2 LANDASAN TEORI

Ukuran: px
Mulai penontonan dengan halaman:

Download "BAB 2 LANDASAN TEORI"

Transkripsi

1 BAB 2 ANDAAN EOI Pada a aa dperlhata teor-teor yag erhuuga dega peelta sehgga dapat djada seaga ladasa erfr dalam melaua peelta da aa mempermudah dalam hal pemahasa hasl utama pada a erutya. eor terseut mecaup pegerta dar pegeala pola secara statsta (statstcal patter recogto), cotoh statstcal patter recogto, matrs ovaras, cotoh matrs ovaras, la ege da vetor ege,cotoh la ege da vetor ege, aalss dsrma ler, aalss dsrma ler 2-dmes da aalss dsrma ler 2-dmes smetrs. 2. Pegeala Pola ecara tatsta (tatstcal Patter ecogto) Pegeala pola atau deal dega seuta patter recogto merupaa salah satu caag lmu sas. Pegeala pola pada dasarya adalah suatu sstem yag tujuaya adalah meglasfasa oje-oje e dalam ategor-ategor atau elas-elas erdasara a pada apror pegetahua atau pada formas statst yag daml dar pola (heodords, 2003). Fuuaga (990) meyaja cara-cara dasar perhtuga matemata utu proses pemuata eputusa secara statst dalam pegeala pola. ujua utama patter recogto adalah meglarfasa measas sult yag serg dtemua dalam dua sehar-har sepert lagah dalam permaa catur ddasara pada pola yag ada d papa catur, pemela atau persedaa pejuala dputusa melalu suatu pola formas yag omples. eaga esar aplas-aplas petg Uverstas umatera Utara

2 2 dalam patter recogto daratera e dalam satu etu urva atau pola gamar geometr. eaga cotoh, pegetesa suatu mes laya atau tda meampla pola eretu urva. Masalah meredus utu pemsaha urva dar mes yag agus da yag tda agus. Pada cotoh la, pegeala pola huruf hasl ceta tulsa taga dlasfasa dalam etu gamar geometr. Dalam proses utu peglasfasaya, pertama ta uur araterstaraterst pegamata dar sampel. Kemuda, estras seluruh formas yag terdapat dalam sampel utu meghtug la sampel-atu utu suatu pola eretu urva, x( t),..., x( t ), da tgat ehtama psel utu suatu fgur, x(),..., x( ) sepert yag dtujua dalam gamar 2.. x(t) Pxel # 0 t t 2 t 3... (a) t - t t () Pxel # Gamar 2.: Cotoh dua peguura pola (a) gelomag () huruf Karea put dar pegeala pola merupaa suatu vetor aca dega peuah, maa, a utu pola eretu gelomag ataupu huruf, eduaya despresa e dalam etu vetor dalam suatu ruag dmes-. eaga cotoh, pegamata x() ervaras dar huruf A yag satu e huruf A yag laya da oleh area tu, x() merupaa suatu varael aca, da X merupaa vetor aca. 2.. Vetor Aca da Dstrusya epert yag telah ddsusa pada aga 2., put dar jarga pegeala pola merupaa suatu vetor aca dega peuah seaga erut X= xx 2...x (2.) Uverstas umatera Utara

3 3 dmaa adalah traspos dar vetor. uatu vetor aca dapat daratersasa oleh suatu fugs dstrus peluag, yag ddefsa oleh P( x,..., x ) Pr x x,..., x x (2.2) (Fuuaga, 990) ela tu, suatu vetor aca mempuya suatu paramater dstrus. Parameter dstrus yag aa dahas dalam peelta adalah matrs ovaras Matrs Kovaras Matrs ovaras adalah matrs ovaras sampel yag ddefsa seaga erut: = E [ X M ] [ X M ] (Fuuaga, 990) (2.3) X adalah data pada masg-masg elas, M adalah rata-rata elas e-. Matrs ovaras ers la varas pada dagoal utama seaya p varael da la ovaras pada eleme laya seaya p ovaras. uatu matrs dataa matrs ovaras populas ja matrs terseut adalah matrs smetrs yag dagoalya harus ers eleme-eleme oegatf sehgga matrs terseut merupaa matrs deft oegatf. Ja A = [ a, a 2,..., a ] mempuya rata-rata elas M a, maa utu melhat etapa deatya orelas atar elas, harus datur agar masg-masg la mempuya jumlah selsh rata-rata sama dega 0, yatu dega cara megurag setap a dega rata-rata elasya. Kemuda meempata la-la terseut e dalam seuah matrs sepert erut: X a M a M a M a M Uverstas umatera Utara

4 4 a M a M a M a M a M a M a M a M (2.4) Kompoe dagoal dar matrs ovaras adalah varas dar masg-masg elas peuah aca. Utu leh jelasya tetag matrs ovaras, perhata cotoh 2..2 erut. Cotoh 2..2 Detahu suatu data la 7 mahassa melput la tugas rumah, uja da uja ahr seaga erut. Mahassa Nla ugas umah Uja Uja Ahr MH MH MH MH MH MH MH ata-rata Dar data pada cotoh 2..2 aa dperlhata agamaa erja mahassa dega memadga atara elompo uja atau la tugas. Agar terlhat etapa deatya dua elompo la salg erorelas, harus datur agar masg-masg la terseut mempuya rata-rata sama dega 0, yatu dega cara megurag setap la dalam olom dega rata-rata la pada olom yag sama sehgga la yag telah dtraslasa aa mempuya jumlah selsh atau devas terhadap rata-rata sama dega 0. Kemuda, tempata la-la yag telah dtraslasa terseut e dalam matrs Uverstas umatera Utara

5 Ja terdapat leh dar dua elompo data, maa dapat detu seuah matrs X dmaa olom-olomya memperlhata smpaga dar rata-rata utu setap elompo da emuda memetu seuah matrs ovaras dega meetapa X X - Matrs ovaras utu etga elompo data la matemata adalah , ,5 725, 7 437,5 546,0 830,0 725, 7 830,0 84,3 Etr-etr dagoal matrs adalah varas utu etga elompo la da etretr d luar dagoal adalah ovaras-ovaras Nla Ege da Vetor Ege Defs. Aggap A adalah suatu matrs. alar dseut seaga suatu la ege atau la araterst dar A ja terdapat suatu vetor ta ol x, sehgga Ax = x. Vetor x dseut vetor ege dar A yag erasosas dega (Hor ad Johso, 985). Uverstas umatera Utara

6 6 Utu megetahu leh jelas megea la ege da vetor ege, perhata cotoh 2..3 erut. Cotoh Msala A da x Karea A x x, dar peyelesaa cotoh soal d atas terlhat aha = -3 adalah la ege dar A da x = - 3 merupaa vetor ege yag erasosas dega = -3. Hasl Kal da Jumlah Nla Ege Ja p() adalah polom araterst dar matrs A yag erorde, maa p( ) det( A I) a a a 2 a a a a a a 2 (2.5) Dega meguraa determa sepajag olom pertama, dperoleh det( A- I) ( a - )det( M ) a (-) det( M ) d maa mor-mor M, = 2,..., tda megadug edua eleme dagoal ( a ). Dega meguraa det(m ) dega cara yag sama, dapat dsmpula aha ( )( )...( ) (2.6) a a22 a adalah satu-satuya suu dalam espas det( A I) yag meyeaa suatu hasl al leh dar 2 eleme dagoal. Ja persamaa (2.7) duraa, maa oefse dar aa mejad (-). Jad, oefse utama dar p() adalah (-) da dega dema ja,..., adalah la-la ege dar A, maa p 2 ( ) ( ) ( )( )...( ) (2.7) utu meghtug la ege da vetor ege, la p( ) harus sama dega 0, sehgga dperoleh Uverstas umatera Utara

7 7 p( ) ( )( )...( ) 2 Dar persamaa (2.5) da (2.7) maa dperoleh. 2 p(0) det( A) Dar persamaa (2.6), juga dperoleh a seaga oefse dar (-). Ja dega persamaa (2.7). Dega dema, maa = Jumlah eleme dagoal dar (A) damaa trace dar A, da dlamaga dega tr(a), catata aha tr(a + B) = tr(a) + tr(b) (Hor ad Johso, 985). a Cotoh Ja A 3 2 maa det(a) = (-6) 6 = -2 da tr(a) = = - Polom araterst dar A dera oleh persamaa da seaga aatya la-la ege dar A adalah -4 da 3. Dapat dtjau aha + 2 = - = tr(a) da. 2 = -2 = det(a). Dalam peelta dguaa la ege da vetor ege. Fugs la ege pada peelta ya area trace = jumlah la ege = jumlah eleme dagoal aa dguaa utu meetua la fugs ojetf yag erupa salar ua dalam etu matrs. Vetor ege dguaa utu megetahu omas ler matrs da yag merupaa matrs trasformas r da aa oleh AD2-D. Matrs da selajutya aa dguaa utu meetua matrs seara dalam elas ja atau tetap da mats seara atar elas ja atau tetap,,,. Matrs da terseut emuda aa dguaa utu meghtug trasformas ler sehgga dperoleh peredaa atar elas da hasl lasfas yag a. Uverstas umatera Utara

8 8 2.2 Aalss Dsrma er (AD) Aalss dsrma adalah te statst multvarat yag terat dega pemsaha (separatg) atau aloas/lasfas (classfcato) seelompo oje atau oservas e dalam elompo (group) yag telah terleh dahulu ddefsa. Dalam tujua pegeala oje (oservas), metode mecoa meemua suatu dscrmat yag laya secara umers sedema sehgga mampu memsaha oje yag araterstya telah detahu. edaga dalam tujua lasfas oje, metode aa mesortr oje (oservas) e dalam 2 atau leh elas (Fuuaga, 990). Ja dera suatu matrs data meemua suatu trasformas G A N, metode AD las ertujua N l yag memetaa setap olom a dar matrs A, utu, dalam ruag dmes N e vetor dalam ruag dmes l. Ya G : N a G a l ( l N). Dega ata la, AD ertujua meemua suatu ruag vetor dretaga oleh { g } l d maa G= [g, g 2,,g l ], sehgga setap a dproyesa e oleh ( g. a,...,. ) l gl a (Ye et. al, 2004). Asumsa aha data asl dalam A dparts e dalam elas sehgga A = {, 2,, }, dmaa memuat tt data dar elas e, da. AD las ertujua utu meemua trasformas optmal G sehgga strutur elas dar data ruag erdmes tgg yag asl duah e dalam ruag erdmes redah (Ye et. al, 2004). Dalam AD, trasformas e suruag yag erdmes leh redah yatu y (uo et al, 2007) (2.8) G x d maa G merupaa trasformas e suruag. erg juga dtulsa dega (y,..., y ) = G (x,..., x ) atau Y = G X. ujua utama dar AD adalah mecar la G sehgga elas dapat leh terpsah dalam ruag trasformas da dega mudah dapat dedaa dar yag laya. Uverstas umatera Utara

9 9 Dalam metode Aalss Dsrma er, terdapat dua matrs seara yatu matrs seara dalam-elas dsmola dega, da matrs seara atar-elas dsmola dega, masg-masg ddefsa seaga erut: c x (2.9) [ x m ][ x m ] c [ m m][ m m] (2.0) d maa adalah jumlah sampel pada elas x, da m adalah mage rata-rata dar elas e- da m adalah rata-rata eseluruha. umus rata-rata elas da rata-rata eseluruha adalah seaga erut: m x adalah mea (rata-rata) dar elas e-, da x adalah rata-rata eseluruha (Fuuaga, 990). m x x epert dutaraa seelumya, metode Aalss Dsrma er dharapa dapat memmuma jara dalam matrs seara dalam-elas ( ) semetara jara matrs seara atar-elas ( ) dapat dmasmuma sehgga dapat terlhat peredaa atau pemsaha atar elas. Dalam hasl ruag dmes yag leh redah dar trasformas ler G (atau proyes ler e dalam ruag vetor ), da mejad ( Y ) G ( X ) G, (2.) ( Y) G ( X ) G. (2.2) rasformas optmal G aa memasmuma trace( ) da memmuma trace( ). Optmsas umum dalam Aalss Dsrma er 990) : max{ trace(( ) )} da m{ trace(( ) )} G G Hal dtulsa dalam fugs ojetf optmum: melput (lhat Fuuaga, (2.3) Uverstas umatera Utara

10 20 ( Y ) G ( X ) G max J ( G) tr tr (2.4) G ( Y ) G ( X ) G Catata aha trace(a/b) = trace(b - A) = trace (AB - ) Masalah optmsas dar persamaa (2.4) d atas evale dega masalah geeralsas la ege erut: x x, utu 0. Peyelesaaya dapat dperoleh dega meerapa ege-deomposs e matrs x ja osgular, atau x ja osgular. erdapat palg aya vetorvetor ege yag coco e la ege ta ol, area edudua dar matrs datas oleh. Oleh area tu, dmes yag dredus oleh AD las terleta pada. Gamar erut meujua hasl dar peerapa metode Aalss Dsrma er (AD) dalam peglasfasa. Gamar 2.2 Hasl Klasfas dega Aalss Dsrma er Dalam hal trasformas setap data, Fuuaga (990) meglasfasa hmpua data da vetor uj e dalam ruag trasformas melalu dua pedeata yag ereda seaga erut:. rasformas Class-depedet yatu pedeata yag memasmuma raso varas atar-elas e varas dalam-elas. 2. rasformas Class-depedet yatu memasmuma raso seluruh varas dalam-elas. ela tu, a juga meyaja operas matemata utu mempermudah lasfas sejumlah oje yatu: Uverstas umatera Utara

11 2. Formulasa hmpua data da data uj yag aa dlasfasa dalam ruag aslya. Utu memudaha pegerta, peelt megguaa dua data da drepresetasa e dalam matrs yag ers ftur dalam etu sepert erut a a set a a a a m m2 set m m2 2. Htug rata-rata setap hmpua data da rata-rata dar seluruh data. Aggap da 2 adalah rata-rata dar hmpua data da 2, serta 3 seaga rata-rata dar seluruh data yag dperoleh dar p p d maa p da p 2 adalah peluag dar masg-masg elas. Pada asus dua elas, fator peluag dasumsa seesar 0,5. 3. Matrs seara dalam elas merupaa espetas ovaras dar setap elas. dega perhtuga seaga erut p cov Utu permasalaha dua elas, j j j 0, 5cov 0, 5cov2 emua matrs ovaras adalah matrs yag smetrs. Matrs ovaras dhtug megguaa persamaa erut cov ( x )( x ) j j j j j Matrs seara atar-elas dhtug dega megguaa persamaa erut ( )( ) j 3 j 3 j Fator optmsas dalam tpe depedet-class trasformas dapat dhtug seaga crtero j v( cov ) Fator optmsas dalam tpe depedet-class seaga crtero v( ) j trasformas dapat dhtug Uverstas umatera Utara

12 Aalss Dsrma er 2-Dmes Aalss Dsrma er 2-Dmes (AD2-D) adalah suatu metode aru yag merupaa peremaga dar Aalss Dsrma er. Beerapa tahu elaaga, metode-metode AD2-D telah dpereala. ad Yua (2005), da Xog et. al (2005) memformulasa gamar erdasara perhtuga matrs seara dalam elas da atar elas. Metode-metode terseut tda merepresetasa gamar e dalam vetor sehgga teredus secara dmesoal e dalam matrs gamar. og et. al (2005) da Yag et. al (2003) megguaa orelas olom dem olom utu meredus sejumlah olom. elajutya Yag et. al (2005) mempera da memera suatu algortma utu meredus lagalaga pada olom pertama da meredus laga-laga pada ars erutya. Metode merupaa suatu algortma depede. Ye et. al (2005) mempereala suatu AD2-D depede dega suatu algortma solus teratf. Utu Aalss Dsrma er 2 Dmes, peredaa utama atara AD las da AD2-D yag peelt usula dalam peelta adalah tetag perala (represetas) data. AD las megguaa represetas vetor, sedaga AD2-D eerja dega data dalam represetas matrs. Dalam pegguaa metode AD2-D aa terlhat aha represetas megarah e egedeomposs pada matrs dega uura leh ecl. eh husus, AD2-D melata ege-deomposs matrs dega uura r r da c c, yag jauh leh ecl darpada matrs AD las (Ye et. al, 2005). Dalam AD2-D telah dsepaat aha suatu hmpua gamar dsmola rc dega X =(X, X 2,..., X ), X. Dega tus yag sama dega AD las, AD2-D mecoa utu mecar suatu trasformas ler Y X (2.5) sehgga elas-elas yag ereda dpsaha. Kucya adalah agamaa memlh ruag aga da erdasara matrs seara dalam elas da atar elas (uo et. al, 2007). Uverstas umatera Utara

13 23 da sepert AD las, AD2-D megaggap hal erut (l l 2 ) - ruag dmes merupaa perala tesor (roecer product) dua ruag erut: dretag oleh { u } l da dretaga oleh 2 { v } l da ddefsa seaga dua r l matrs =[ u,...,ul ] c l2 da = [ v,..., vl 2 ]. Kemuda, hmpua gamar X r c dproyesa e ruag sehgga hasl proyesya adalah X l l2 (Ye et. al, 2004). c l2 r l Kroecer product (perala tesor) ddefsa seaga: aggap, maa Kroecer product (perala tesor) da ddefsa seaga matrs l l l lr lrl r l da apala c l2 da smetrs maa smetrs (Hor ad Johso, 985). eaga cotoh a a a 2 a 2 22 da maa a a 2 a2 a22 Ja dmsala A rc, utu =, 2,, adalah gamar (pola) dalam dataset, emuda masg-masg pola delompoa e dalam, 2,, dmaa meml dar elas e,, da gamar (pola). Msala x M X adalah rata-rata x M X erart rata-rata eseluruha, dalam 2DDA, peelt megaggap gamar seaga syal dua dmes da rl cl2 ertujua utu meemua dua matrs trasformas da yag memetaa setap aggota A sehgga B = A. rc l l2 utu x, e suatu matrs B ama halya sepert AD las, AD2D ertujua utu mecar trasformas (proyes) optmal da sehgga strutur elas dar ruag Uverstas umatera Utara

14 24 erdmes tgg yag asl duah e ruag erdmes redah. uatu esamaa metr alam atara matrs adalah orma Froeus (Ye, et. al, 2004). D aah metr uadrat jara dar th-class (dalam elas) da etee class (atar elas) dapat dhtug seaga erut: 2, F x D X M 2 F (2.6) D M M trace (M M )= M 2 F, utu suatu matrs M, maa dperoleh D trace X M 2 F (2.7) x D trace X M 2 F (2.8) x Dalam ruag erdmes redah, hasl dar trasformas ler da, jara thclass da etee class mejad: _ D trace X M X M x (2.9) _ D trace X M X M (2.20) rasformas optmal da aa memasmuma D _ da memmuma D, oleh area esulta meghtug optmal da secara smulta, erut adalah algortma utu AD2D. eh hususya, utu suatu tetap, ta dapat meghtug optmal dega memecaha permasalaha optmsas yag sama dega persamaa (2.4). Dega meghtug, ta emuda dapat memperaharu dega memecaha masalah optmsas la seaga satu-satuya peyelesaa dalam persamaa (2.4). _ Uverstas umatera Utara

15 25 Beerapa otas petg yag dguaa dalam peelta terdaftar dalam ael 2. daah : ael 2. Notas Petg dalam Aalss Dsrma er 2 Dmes Notas Keteraga N jumlah gamar dalam dataset K jumlah olom dalam dataset A a C Gamar e- dalam represetas matrs gamar e- dalam represetas vetor jumlah ars dalam matrs A jumlah olom dalam matrs A N Dmes dar a (N= r * c) j I B Kelas e- j dalam dataset matrs trasformas (r) oleh AD2D matrs trasformas (aa) oleh AD2D jumlah teras dalam AD2D Peredusa represetas A oleh AD2D l l2 jumlah ars dalam B jumlah olom dalam B Perhtuga Utu suatu tetap, D _ da D _ dapat dtuls emal seaga _ D _ trace, D trace (2.2) d maa ( ) ( ), ( ) ( ) X X M X M M M M M (2.22) ama sepert masalah yag terdapat pada persamaa (2.4), optmal dapat dhtug dega memecaha masalah optmsas erut: max trace(( ) ( )). Peyelesaaya dapat dperoleh dega memecaha masalah geeralsas la Uverstas umatera Utara

16 26 ege erut: x x. Karea secara umum adalah osgular, maa optmum dapat dperoleh dega meghtug suatu ege-deomposs pada ( ). Catata aha uura dar matrs da adalah r r (matrs ujursagar), yag uuraya leh ecl dadga uura matrs da dalam AD las. Perhtuga Kemuda meghtug utu suatu yag tetap. D _ da D _ dapat dtuls emal seaga _ D _ trace, D trace (2.23) d maa X (2.24) ( X M ) ( X M ), ( M M ) ( M M ) ama sepert masalah yag terdapat pada persamaa (2.4), optmal dapat dhtug dega memecaha masalah optmsas erut: max trace (( ) ( )). Peyelesaaya dapat dperoleh dega memecaha masalah geeralsas la ege erut: x x. Karea secara umum adalah osgular, maa optmum dapat dperoleh dega meghtug suatu ege-deomposs pada ( ). Catata aha uura dar matrs da adalah r r (matrs ujursagar), yag uuraya leh ecl dadga uura matrs da dalam AD las. Algortma 2.2 AD2D ( A,,A, l, l 2 ) Iput: A,,A, l, l 2 Output:,, B,, B. Htug rata-rata M dar elas e- utu setap seaga M x X 2. Htug rata-rata gloal M x X Uverstas umatera Utara

17 27 3. I l2 0,0 4. Utu j dar sampa I 5. X M X M j j x j j X M X M l 6. Htug ege vetor l pertama { l } dar ( ) - 7. {,..., } j l 8. X M X M j j x j j X M X M l2 9. Meghtug ege vetor l 2 pertama { l } l dar ( ) 0. {,..., }. Ed for j l2 2., I 3. B A, utu l,2,..., l 4. etur (,, B,,B ) (Ye, et.al, 2004) l I - Namu, dalam AD2-D ta aa melhat ada suatu masalah eragua yag sagat medasar ya ada dua cara utu medefsa matrs seara dalam elas j j j x j ( XX ) ( X M )( X M ) (2.25) j j j x j ( X X ) ( X M ) ( X M ) (2.26) da ada 2 cara utu medefsa matrs seara atar elas j j j j ( XX ) ( M M )( M M ) (2.27) j j j j ( X X ) ( M M ) ( M M ) (2.28) Uverstas umatera Utara

18 28 Oleh area tu, dalam ruag trasformas, dapat dtulsa seaga ( YY ), ( Y Y ), ( YY ), ( Y Y ), Pada umumya, gamar tda ersfat smetrs: X X, maa ( YY ) ( Y Y ), ( YY ) ( Y Y ), Karea alasa, fugs ojetf AD mejad ermaa gada da memula eragua maaah fugs ojetf yag a ya mempuya sejumlah plha seaga erut: J J 2 ( YY ) tr ( YY ) (2.29) ( Y Y ) tr ( Y Y ) (2.30) da la-la. J J J ( YY ) ( Y Y ) tr ( YY ) ( Y Y ) ( Y Y) ( YY ) tr, ( Y Y) ( YY ) ( YY ) ( Y Y ) tr, ( YY ) ( Y Y ) (2.3) (2.32) (2.33) 2.3. rasformas Bler uatu trasformas ler ddefsa seaga: Y X, (uo, et.al, 2007) (2.34) Y X Dega megguaa trasformas symmetrs, matrs seara mejad tuggal da masalah eragua yag terdapat dalam AD2-D dapat dselesaa. Kemuda, erut dtujua aha trasformas ler pada persamaa (2.34) evale e trasformas ler pada persamaa (2.5): Uverstas umatera Utara

19 29 maa Y = X. X X X X (2.35) Pada Fuuaga(990), matrs Γ ddefsa seaga: ya matrs yag dagoal utamaya merupaa la varas dar suatu hmpua data da eleme la dalam matrs erla 0. Uverstas umatera Utara

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEORI Dalam bab aa djelasa teor-teor yag berhubuga dega peelta yag dapat djada sebaga ladasa teor atau teor peduug dalam peelta Ladasa teor aa mempermudah pembahasa hasl peelta pada bab 3 Adapu

Lebih terperinci

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran

STATISTIKA: UKURAN PENYEBARAN DATA. Tujuan Pembelajaran KTSP & K-3 matemata K e l a s XI STATISTIKA: UKURAN PENYEBARAN DATA Tujua Pembelajara Setelah mempelajar mater, amu dharapa meml emampua berut.. Memaham defs uura peyebara data da jes-jesya.. Dapat meetua

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab bers defs-defs da sfat-sfat yag petg yag berhubuga dega modul. Hal-hal tersebut dperlua dalam pembahasa megea modul jetf pada Bab III. 2.1. Modul Mata ulah Aljabar Ler membahas

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (uregstered verso) http://www.smpopdf.com Statst Bss : BAB V. UKURA PEYEBARA DATA.1 Peyebara Uura peyebara data adalah uura statst yag meggambara bagamaa berpecarya data

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga saat adalah aalss terhadap data megea sebuah araterst atau atrbut da megea sebuah varabel dsrt atau otu. Tetap, sebagamaa dsadar, baya

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaag Metode aalss yag telah dbcaraa hgga searag adalah aalss terhadap data megea sebuah araterst atau atrbut (ja data tu ualtatg) da megea sebuah araterst (ja data tu uattatf).

Lebih terperinci

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam

BAB II LANDASAN TEORI. Pada bab II ini, akan dijelaskan tentang teori yang dipakai dalam BAB II LANDASAN TEORI Pada bab II, aa djelasa tetag teor yag dpaa dalam semvarogram asotrop. Sela tu juga aa dbahas megea teor peduug dalam melaua peasra aduga cadaga baust d daerah Mempawah Kalmata, dataraya

Lebih terperinci

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan

II. LANDASAN TEORI. Wallpole (1995), mendefinisikan data kategori sebagai data yang diklasifikasikan II. LANDASAN TEORI.1. Data Kategor Wallpole (1995, medefsa data ategor sebaga data yag dlasfasa meurut rtera tertetu. Data ategor dsebut uga data ometr atau data yag bua merupaa hasl peguura. Data ategor

Lebih terperinci

BAB 2 LANDASAN TEORI. Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam

BAB 2 LANDASAN TEORI. Istilah regresi diperkenalkan oleh seorang yang bernama Francis Gulton dalam BAB LANDASAN TEORI Pegerta Regres da Korelas Pegerta Regres Istlah regres dpereala oleh seorag yag erama Fracs Gulto dalam maalah erjudul regresso towerd medacraty heredtary stature Meurut hasl peelta

Lebih terperinci

H dinotasikan dengan B H

H dinotasikan dengan B H Delta-P: Jural Matemata da Pedda Matemata ISSN 089-855X Vol., No., Aprl 03 OPERATOR KOMPAK Mustafa A. H. Ruhama Program Stud Pedda Matemata, Uverstas Kharu ABSTRAK Detahu H da H dua ruag Hlbert, B H )

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Regres merupaa alat uur yag dguaa utu meguur ada atau tdaya orelas atar varael. Istlah regres yag erart ramala atau tasra pertama al dpereala oleh Sr Fracs Galto pada tahu

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defes Aalss Korelas da Regres a Aalss Korelas adalah metode statstka yag dguaka utuk meetuka kuatya atau derajat huuga lear atara dua varael atau leh. Semak yata huuga ler gars lurus,

Lebih terperinci

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT

KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH. Ariyanto* ABSTRACT Aryato, Kaja Sfat Keompaa pada Ruag Baah KAJIAN SIFAT KEKOMPAKAN PADA RUANG BANACH Aryato* ABSTRACT The propertes of ompatess Baah spaes ths paper s a geeralzato of a ompat uderstadg the system o the real

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

adalah nilai-nilai yang mungkin diambil oleh parameter jika H Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok)

ANALISIS DISKRIMINAN (Kasus : Lebih dari 2 Kelompok) ANALSS DSRNAN (asus : Lebh dar elompo) Hazmra Yozza Jur. atemata FPA Uad LOGO POP POP POP 4 : POP Uura sampel : Sampel telah detahu dar elompo maa berasal Terhadap masg-masg obe damat/duur p peubah POP

Lebih terperinci

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t)

BAB II KONSEP DASAR. adalah koleksi dari peubah acak. Untuk setiap t dalam himpunan indeks T, N ( t) BAB II KONSEP DASAR Kosep dasar yag dtuls dalam bab, merupaa beberapa dasar acua yag aa dguaa utu megaalsa model rso las da meetua fugs sebara peluag bertaha dalam model rso las Datara dasar acua tersebut

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu terjad dega sedrya amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Aalss Regres Perubaha la suatu varabel tda selalu tejad dega sedrya, amu perubaha la varabel tu dapat pula dsebaba oleh berubahya varabel la yag berhubuga dega varabel tersebut. Utu

Lebih terperinci

titik tengah kelas ke i k = banyaknya kelas

titik tengah kelas ke i k = banyaknya kelas STATISTIKA Bab 0 UKURAN PEMUSATAN DAN PENYEBARAN. Mea X. a. Data Tuggal... 3 b. Data Kelompo ( dstrbus frewes) f. f. f.... f. 3 3 f f f... f = f. f 3 Ket : tt tegah elas e = bayaya elas f frewes elas e

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI Utu mempermudah dalam meyeleaa pembahaa pada bab, maa aa dbera beberapa def da beberapa teor daar yag meduug... Teor Teor Peduug... Rua Gar Def. Rua Gar Ja ada d R atau 3 R, maa ebuah

Lebih terperinci

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal)

LANGKAH-LANGKAH UJI HIPOTESIS DENGAN 2 (Untuk Data Nominal) LANGKAH-LANGKAH UJI HIPOTESIS DENGAN (Utuk Data Nomal). Merumuska hpotess (termasuk rumusa hpotess statstk). Data hasl peelta duat dalam etuk tael slag (tael frekues oservas) 3. Meetuka krtera uj atau

Lebih terperinci

BAB I PANDAHULUAN. 1.1 Latar Belakang

BAB I PANDAHULUAN. 1.1 Latar Belakang BB I PNDHULUN Latar Belaag Data merupaa seumlah formas yag dapat membera gambara/eteraga tetag suatu eadaa Iformas yag dperoleh membera eteraga, gambara, atau fata megea suatu persoala dalam betu ategor,

Lebih terperinci

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data, blaga ataupu

Lebih terperinci

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar.

ANALISIS REGRESI. Untuk mengetahui bentuk linear atau nonlinear dapat dilakukan dengan membuat scatterplot seperti berikut : Gambar. ANALISIS REGRESI Berdasara betu eleara data, model regres dapat dlasfasa mead dua macam yatu lear da o-lear. Ja pola data lear maa dguaa pemodela lear. Begtu uga sebalya apabla pola data tda lear maa dguaa

Lebih terperinci

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1

HIMPUNAN RENTANGAN DAN BEBAS LINIER. di V. Vektor w dikatakan sebagai kombinasi linier dari vektor-vektor v, 1 HIMPUNAN RENTANGAN DAN BEBA LINIER HIMPUNAN RENTANGAN Defs (Kombas Ler) Msala V suatu ruag etor atas feld F. w etor d V, da, 1, juga etoretor d V. Vetor w dataa sebaga ombas ler dar etor-etor, 1, ja w

Lebih terperinci

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal

Bukti Teorema Sisa China dengan Menggunakan Ideal Maksimal Vol 5, No, 9-98, Jauar 9 But Teorema Ssa Cha dega egguaa deal asmal Abstra Sstem perogruea yag dapat dcar peyelesaaya secara teor blaga dasar teryata dapat dbuta melalu teor-teor strutur aljabar hususya

Lebih terperinci

Regresi TELBS untuk Mengatasi Masalah Pencilan

Regresi TELBS untuk Mengatasi Masalah Pencilan 8th Idustral Research Worshop ad Natoal Semar Polte Neger Badug July 6-7, 017 Regres TEBS utu Megatas Masalah Pecla Nurul Gusra 1, Frdaza, Nov Octavat 3 1,,3 Departeme Matemata FMIPA Uvestas Padjadjara

Lebih terperinci

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA

PENAKSIR RANTAI RASIO-CUM-DUAL UNTUK RATA-RATA POPULASI PADA SAMPLING GANDA PEAKI ATAI AIO-CUM-DUAL UTUK ATA-ATA POPULAI PADA AMPLIG GADA Holla Maalu Bustam Haposa rat Mahasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas au Kampus Bawda

Lebih terperinci

BAB III TEORI PERRON-FROBENIUS

BAB III TEORI PERRON-FROBENIUS BB III : EORI PERRON-FROBENIUS 34 BB III EORI PERRON-FROBENIUS Pada Bab III aa dbahas megea eor Perro-Frobeus, yatu teor hasl otrbus dar seorag matematawa asal Germa, Osar Perro da Ferdad Georg Frobeus

Lebih terperinci

PENAKSIR RASIO REGRESI YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN DUA KARAKTER TAMBAHAN

PENAKSIR RASIO REGRESI YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN DUA KARAKTER TAMBAHAN PENAKIR RAIO REGREI ANG EFIIEN UNTUK RATA-RATA POPULAI PADA AMPLING AAK EDERHANA MENGGUNAKAN DUA KARAKTER TAMBAHAN R Wuladar *, Rustam Eed, Haposa rat Mahasswa Program tud Matemata Dose Jurusa Matemata

Lebih terperinci

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k

METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l k Prma: Jural Program Stud Pedda da Peelta Matemata Vol. 6, No., Jauar 07, hal. 7-59 P-ISSN: 0-989 METODE NUMERIK ROSENBERG DENGAN ARAH PENCARIAN TERMODIFIKASI PENAMBAHAN KONSTANTA l UNTUK BEBERAPA NILAI

Lebih terperinci

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d

Kajian Hubungan Koefisien Korelasi Pearson (r), Spearman-rho (ρ), Kendall-Tau (τ), Gamma (G), dan Somers ( d Jural Grade Vol4 No Jul 008 : 37-38 Kaja Hubuga Koefse Korelas Pearso (r), Spearma-rho (ρ), Kedall-Tau (τ), Gamma (G), da Somers ( d yx ) Sgt Nugroho, Syahrul Abar, da Res Vusvtasar Jurusa Matemata, Faultas

Lebih terperinci

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik:

BAB IX. STATISTIKA. Contoh : hasil ulangan Matematika 5 siswa sbb: Pengertian Statistika dan Statistik: BAB IX. STATISTIKA Pegerta Statsta da Statst: Statsta adalah lmu pegetahua yag membahas metode-metode lmah tetag ara-ara pegumpula data, pegolaha, pegaalsa da peara esmpula. Statst adalah umpula data,

Lebih terperinci

8.4 GENERATING FUNCTIONS

8.4 GENERATING FUNCTIONS 8.4 GEERATIG FUCTIOS Fugs pembagt Fugs pembagt dguaa utu merepresetasa barsa secara efse dega megodea usur barsa sebaga oefse deret pagat dalam varabel. Fugs pembagt dapat dguaa utu: memecaha berbaga masalah

Lebih terperinci

BAB III METODE PENELITIAN

BAB III METODE PENELITIAN 30 BAB III METODE PENELITIAN A. Tujua Peelta Tujua ag g dcapa dalam peelta adalah utu megetahu apaah hasl belajar perserta dd elas IX MP Nusa Bagsa Mragge Dema pada mater poo volume bagu ruag ss legug

Lebih terperinci

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data

Rangkuman 1. Statistik menyatakan kumpulan data yang dapat berupa angka yang dinamakan data kuantitatif maupun non angka yang dinamakan data Raguma. Statt meyataa umpula data yag dapat berupa aga yag damaa data uattat maupu o aga yag damaa data ualtat yag duu dalam betu tabel da atau dagram/gra, yag meggambara da mempermudah pemahama aa aga

Lebih terperinci

Implementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem Persamaan Nonlinear

Implementasi Algoritma Particle Swarm untuk Menyelesaikan Sistem Persamaan Nonlinear JURNL TKNIK ITS Vol. Sept ISSN: -97 - Implemetas lgortma Partcle Swarm utu Meyelesaa Sstem Persamaa Nolear rdaa Rosta Yudh Purwaato da Rully Soelama Jurusa Te Iformata Faultas Teolog Iformas Isttut Teolog

Lebih terperinci

III FUZZY GOAL LINEAR PROGRAMMING

III FUZZY GOAL LINEAR PROGRAMMING 7 Ilustras entu hmpunan fuzzy dan fungs eanggotaannya dapat dlhat pada Contoh 3. Contoh 3 Msalan seseorang dataan sudah dewasa ja erumur 7 tahun atau leh, maa dalam loga tegas, seseorang yang erumur urang

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 0 BAB LANDASAN TEORI. Pegerta Regres da Korelas.. Pegerta Regres Regres adalah suatu metode statstka yag ergua utuk memerksa atau memodelka huuga datara varael-varael. Varael-varael terseut dega megguaka

Lebih terperinci

OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK

OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK Jural Ilmah Mrote Vol., No. 4 OPTIMASI PENYUSUNAN PEGAS DENGAN METODE SISTEM PERBEDAAN BATASAN DAN ALGORITMA JALUR TERPENDEK Joha Vara Alfa ), Rully Soelama ), Chaste Fatchah ) ), ), ) Te Iformata, Faultas

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

9. SOAL-SOAL STATISTIKA

9. SOAL-SOAL STATISTIKA 9. SOAL-SOAL STATISTIKA UN00SMK. Dagram lgara d bawah meyaja jes estrauruler d suatu SMK yag dut oleh 500 orag sswa. Baya sswa yag tda megut estrauruler Pasbra adalah.. A. 00 sswa Olah B. 50 sswa Pasbra

Lebih terperinci

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel

dan µ : rata-rata hitung populasi x : rata-rata hitung sampel Uura Statt. Pedahulua Uura Statt:. Uura Pemuata Bagamaa, d maa data berpuat? Rata-Rata Htug Arthmetc Mea Meda Modu Kuartl, Del, Peretl. Uura Peyebara Bagamaa peyebara data? Ragam, Vara Smpaga Bau Uura

Lebih terperinci

PENGENALAN POLA HURUF KAPITAL TULISAN DENGAN ANALISIS DISKRIMINAN LINIER 2-DIMENSI SIMETRIS

PENGENALAN POLA HURUF KAPITAL TULISAN DENGAN ANALISIS DISKRIMINAN LINIER 2-DIMENSI SIMETRIS ZEO UNA MAEMAIKA DAN EAPAN Volume No. 7 P-ISSN: 58-569X E-ISSN : 58-5754 PENGENAAN POA HUUF KAPIA UISAN DENGAN ANAISIS DISKIMINAN INIE -DIMENSI SIMEIS na Wdyasar, Ismal Husen Program Stud Matemata FS Unverstas

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat

BAB 2 LANDASAN TEORI. Regresi dalam statistika adalah salah satu metode untuk menentukan tingkat 0 BAB LANDASAN TEORI. Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varael terhadap varael yag la. Varael yag pertama dseut dega ermacam-macam stlah: varael

Lebih terperinci

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube

Analisa Probabilistik Algoritma Routing pada Jaringan Hypercube Aalsa Probablst Algortma Routg pada Jarga ypercube Zuherma Rustam Jurusa Matemata Uverstas Idoesa Depo 644. E-mal : rustam@maara.cso.u.ac.d Abstra Algortma routg pada suatu arga teroes suatu measme utu

Lebih terperinci

BAB II KAJIAN PUSTAKA

BAB II KAJIAN PUSTAKA BAB II KAJIAN PUSTAKA Beberapa teor yag dperlua utu meduug pembahasa dataraya adalah varabel radom, regres lear bergada, metode uadrat terecl (MKT), peguja asums aalss regres, pecla (outler), regres robust,

Lebih terperinci

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap

METODE PENELITIAN. Populasi dari penelitian ini adalah seluruh peserta didik kelas VII semester genap III. METODE PENELITIAN A. Populas da Sampel Populas dar peelta adalah seluruh peserta dd elas VII semester geap SMP Neger 3 Terbaggbesar tahu pelaara 0/0 yag terdstrbus e dalam tuuh elas, yatu elas VII

Lebih terperinci

BAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen

BAB 2 DASAR TEORI ALIRAN DAYA. Sistem tenaga listrik (Electric Power System) terdiri dari tiga komponen BAB DAAR TEOR ALRAN DAA. Umum,,3,4 stem teaga lstr Electrc ower stem terdr dar tga ompoe utama, atu sstem pembagta teaga lstr, sstem trasms teaga lstr, da sstem dstrbus teaga lstr. Kompoe dasar ag membetu

Lebih terperinci

Ir. Tito Adi Dewanto

Ir. Tito Adi Dewanto Ir. Tto A Dewato Dega megetahu la rata-rata saja,ormas yag apat aag-aag bsa salah terpretas. Msalya, ar ua elompo ata etahu rata-rataya sama, alau haya ar ormas ta suah meyataa bahwa ua elompo sama, mug

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM 1 Megetahu perhtuga persamaa regres ler Meggambarka persamaa regres ler ke dalam dagram pecar TEORI PENUNJANG Persamaa Regres adalah persamaa matematka

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu.

BAB 2 LANDASAN TEORI. Regresi linier sederhana yang variabel bebasnya ( X ) berpangkat paling tinggi satu. BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa yag varabel bebasya ( berpagkat palg tgg satu. Utuk regres ler sederhaa, regres ler haya melbatka dua varabel ( da. Persamaa regresya dapat dtulska

Lebih terperinci

BAB 3 Interpolasi. 1. Beda Hingga

BAB 3 Interpolasi. 1. Beda Hingga BAB Iterpolas. Hgga. Iterpolas Lear da Kuadrat. Iterpolas -Maju da -Mudur Newto 4. Polo Iterpolas Terbag Newto 5. Polo Iterpolas Lagrage . Hgga Msala dbera suatu tabel la-la uers j j dar suatu ugs pada

Lebih terperinci

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah

III. METODE PENELITIAN. Teknik Elektro Universitas Lampung dan dusun Margosari, desa Pesawaran Indah 3 III. METODE ENELITIAN 3.1 Watu da Tempat eelta da peracaga tugas ahr dlaua d Laboratorum Terpadu Te Eletro Uverstas Lampug da dusu Margosar, desa esawara Idah abupate esawara pada bula Agustus 1 sampa

Lebih terperinci

Prosiding Seminar Nasional Matematika dan Pembelajarannya. Jurusan Matematika, FMIPA UM. 13 Agustus 2016

Prosiding Seminar Nasional Matematika dan Pembelajarannya. Jurusan Matematika, FMIPA UM. 13 Agustus 2016 Prosdg Semar Nasoal Matemata da Pembelajaraya. Jurusa Matemata, FMIPA UM. Agustus 06 METODE NUMERIK STEPEST DESCENT DENGAN ARAH PENCARIAN RERATA ARITMATIKA Rumoo Bud Utomo Uverstas Muhammadyah Tagerag

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion

Pemilihan Model Regresi Terbaik Menggunakan Metode Akaike s Information Criterion dan Schwarz Information Criterion Jural Iformata Mulawarma Vol 4 No. 3 September 009 37 Pemlha Model Regres erba Megguaa Metode Aae s Iformato Crtero da Schwarz Iformato Crtero M. Fathurahma Program Stud Ilmu Komputer, FMIPA Uverstas Mulawarma

Lebih terperinci

PROSEDUR PENGUJIAN HIPOTESIS SEHUBUNGAN DENGAN AKAR-AKAR LATEN DARI MATRIKS KOVARIANS (Dalam Analisis Komponen Utama)

PROSEDUR PENGUJIAN HIPOTESIS SEHUBUNGAN DENGAN AKAR-AKAR LATEN DARI MATRIKS KOVARIANS (Dalam Analisis Komponen Utama) H. Maa Suhera,Drs.,M.S PROSEDUR PEGUJIA HIPOTESIS SEHUBUGA DEGA AKAR-AKAR LATE DARI MATRIKS KOVARIAS (Dala Aalss Kopoe Utaa) Abstra Utu ebuat espula tetag araterst populas ultvarat husuya populas varat

Lebih terperinci

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat

Materi Bahasan. Pemrograman Bilangan Bulat (Integer Programming) Pemrograman Bilangan Bulat. 1 Pengantar Pemrograman Bilangan Bulat Mater Bahasa Pemrograma Blaga Bulat (Iteger Programmg) Kulah - Pegatar pemrograma blaga bulat Beberapa cotoh model pemrograma blaga bulat Metode pemecaha blaga bulat Metode cuttg-plae Metode brach-ad-boud

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Pegerta Regres Istlah regres pertama kal dperkealka oleh Fracs Galto Meurut Galto, aalss regres berkeaa dega stud ketergatuga dar suatu varabel yag dsebut tak bebas depedet varable,

Lebih terperinci

NORM VEKTOR DAN NORM MATRIKS

NORM VEKTOR DAN NORM MATRIKS NORM VEKTOR DN NORM MTRIK umaag Muhtar Gozal UNIVERIT PENDIDIKN INDONEI. Pedahulua Jka kta membcaraka topk ruag vektor maka cotoh sederhaa yag dapat kta ambl adalah ruag Eucld R. D ruag kta medefska pajag

Lebih terperinci

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model

Estimator Robust S Pada Model Seemingly Unrelated Regression. The S Robust Estimator in Seemingly unrelated Regression Model Jural ILMU DASAR Vol. 9 No. Jul 008 : 5-7 5 Estmator Robust S Pada Model Seemgl Urelated Regresso he S Robust Estmator Seemgl urelated Regresso Model Sulato Jurusa Matemata FMIPA Uverstas Arlagga ABSRAC

Lebih terperinci

PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA

PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNYA PENDETEKSIAN HETEROSKEDASTISITAS DENGAN PENGUJIAN KORELASI RANK SPEARMAN DAN TINDAKAN PERBAIKANNA Srps dsaja sebaga salah satu syarat utu memperoleh gelar Sarjaa Sas Program Stud Matemata Oleh Layyatus

Lebih terperinci

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM

EKSISTENSI BASIS ORTHONORMAL PADA RUANG HASIL KALI DALAM Ed-Math; ol Tah EKITENI BAI ORTHONORMAL PADA RUANG HAIL KALI DALAM Mhammad Kh Abstras at rag etor ag dlegap oleh sat operas ag memeh beberapa asoma tertet damaa Rag Hasl Kal Dalam (RHKD) Pada RHKD deal

Lebih terperinci

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi

II. TINJAUAN PUSTAKA. variabel. Dalam regresi sederhana dikaji dua variabel, sedangkan dalam regresi 3 II. TINJAUAN PUSTAKA. Aalss Regres Aalss regres merupaka salah satu metode statstka ag dguaka utuk mempelajar da megukur huuga statstk ag terjad atara dua atau leh varael. Dalam regres sederhaa dkaj

Lebih terperinci

BAB III UKURAN PEMUSATAN DATA

BAB III UKURAN PEMUSATAN DATA BAB III UKURAN PEMUSATAN DATA A. Ukura Gejala Pusat Ukura pemusata adalah suatu ukura yag meujukka d maa suatu data memusat atau suatu kumpula pegamata memusat (megelompok). Ukura pemusata data adalah

Lebih terperinci

UKURAN DASAR DATA STATISTIK

UKURAN DASAR DATA STATISTIK UKURAN DASAR DATA STATISTIK UKURAN PUSAT Apa yag dapat ta smpula secara gamblag da cepat dar data yag dsodora berut : Tabel 1 Sampel Data Karyawa peserta Jamsoste Nama Sex Status Kerja Gaj/Bl Umur NATUL

Lebih terperinci

STATISTIKA ELEMENTER

STATISTIKA ELEMENTER STATISTIKA ELEMENTER Statsta Apa tu statsta? Apa beda statsta dega statst? Populas? Sampel? Parameter? Sala Peguura: Nomal Ordal 3 Iterval 4 Raso Bagamaa r-r eempat sala d atas? Bera masg-masg otoh sala

Lebih terperinci

PENELUSURAN KARAKTERISTIK PERILAKU KONSUMEN DENGAN METODE AUTOMATIC INTERACTION DETECTION (AID)

PENELUSURAN KARAKTERISTIK PERILAKU KONSUMEN DENGAN METODE AUTOMATIC INTERACTION DETECTION (AID) PEELUSURA KARAKTERISTIK PERILAKU KOSUME DEGA METODE AUTOMATIC ITERACTIO DETECTIO AID Agus Rusgyoo Staf Pegajar Prod Statsta Jurusa Matemata FMIPA UDIP Abstract AID methods used to see relato betwee respos

Lebih terperinci

Pertemuan 3 Luas Daerah Bidang Datar, dan Volume Benda Padat dengan Metode Bidang Irisan Sejajar

Pertemuan 3 Luas Daerah Bidang Datar, dan Volume Benda Padat dengan Metode Bidang Irisan Sejajar ertemua 3 Luas Daerah Bdag Datar, da Volume Beda adat dega Metode Bdag Irsa Sejajar A. Luas Daerah Bdag Datar 1. Luas Daerah Bdag Datar Yag Datas Oleh Kura f, sumu X, Gars a da Gars DEFINISI: Msalka D

Lebih terperinci

GARIS DAN BIDANG DALAM RUANG EUCLID BERDIMENSI N

GARIS DAN BIDANG DALAM RUANG EUCLID BERDIMENSI N GARIS DAN BIDANG DALAM RUANG EUCLID BERDIMENSI N SKRIPSI Dajua dalam raga meelesaa Stud Strata Satu utu mecapa gelar Sarjaa Sas Oleh Nama : M SOLIKIN ADRIANSAH NIM : 4504009 Program Stud Jurusa : Matemata

Lebih terperinci

METODE PRIMAL AFFINE-SKALING UNTUK MASALAH PROGRAM LINEAR

METODE PRIMAL AFFINE-SKALING UNTUK MASALAH PROGRAM LINEAR PLGI ERUPKN INDKN IDK ERPUJI EODE PRIL FFINE-SKLING UNUK SLH PROGR LINER Srps Dajua utu emeuh Salah Satu Sarat emperoleh Gelar Sarjaa Sas Program Stud atemata Oleh: jeg Retojwat NI : 343 PROGR SUDI EIK

Lebih terperinci

III. METODOLOGI PENELITIAN

III. METODOLOGI PENELITIAN III. METODOLOGI PENELITIAN 3.. Watu da Temat Peelta Peelta srs dlaua d Jurusa Matemata Faultas Matemata da Ilmu Pegetahua Alam Uverstas Lamug ada tahu aadem 2009/200. 3.2. Metode Peelta Secara umum, elasaaa

Lebih terperinci

BAB II TINJAUAN PUSTAKA. Menurut Daniel L. Schodek (1999), gempa bumi dapat terjadi karena fenomena

BAB II TINJAUAN PUSTAKA. Menurut Daniel L. Schodek (1999), gempa bumi dapat terjadi karena fenomena Bab II Tjaua Pustaa BAB II TINJAUAN PUSTAKA. Tjaua Pustaa Meurut Dael L. Schode (999), gempa bum dapat terjad area feomea getara dega ejuta pada era bum. Fator utama adalah betura pergesea era bum yag

Lebih terperinci

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur

Pelabelan Total Super Sisi Ajaib Pada Graf Caterpillar Teratur Jural Matemata Itegrat ISSN 4-4 Vol. 9 No. Otober 0 pp. -9 Pelabela Total Super Ss Ajab Pada Gra Caterpllar Teratur Trya St Rahmah Nursham Muta Nur Estr Program Stud Matemata Jurusa MIPA Faultas Sas da

Lebih terperinci

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier

BAB 2 LANDASAN TEORI. Regresi linier sederhana merupakan bagian regresi yang mencakup hubungan linier BAB LANDASAN TEORI. Regres Ler Sederhaa Regres ler sederhaa merupaka baga regres yag mecakup hubuga ler satu peubah acak tak bebas dega satu peubah bebas. Hubuga ler da dar satu populas dsebut gars regres

Lebih terperinci

S2 MP Oleh ; N. Setyaningsih

S2 MP Oleh ; N. Setyaningsih S2 MP Oleh ; N. Setyagsh MATERI PERTEMUAN 1-3 (1)Pedahulua pera statstka dalam peelta ; (2)Peyaja data : dalam betuk (a) tabel da (b) dagram; (3) ukura tedes setaral da ukura peympaga (4)dstrbus ormal

Lebih terperinci

E ax by c ae X be Y c. 6.1 Pengertian Umum

E ax by c ae X be Y c. 6.1 Pengertian Umum 6.1 Pegerta Umum Baya permasalaha yag dataya dyataa oleh lebh dar sebuah varabel. Hubuga atara dua atau lebh varabel dapat dyataa secara matemata sehgga merupaa suatu model yag dapat dguaa utu berbaga

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belakag Sampa saat, model Regres da model Aalss Varas telah dpadag sebaga dua hal ag tdak berkata. Meskpu merupaka pedekata ag umum dalam meeragka kedua cara pada taraf permulaa,

Lebih terperinci

PENDEKATAN REGRESI UNTUK ANALISIS VARIANSI

PENDEKATAN REGRESI UNTUK ANALISIS VARIANSI PENDEKATAN REGRESI UNTUK ANALISIS VARIANSI SKRIPSI Daua utu Memeuh Salah Satu Saat Mempeoleh Gela Saaa Sas Pogam Stud Matemata Oleh : DWI NOVIATI NIM : 994 PROGRAM STUDI MATEMATIKA JURUSAN MATEMATIKA FAKULTAS

Lebih terperinci

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression

Pemodelan Angka Buta Huruf di Provinsi Sumatera Barat Tahun 2014 dengan Geographically Weighted Regression JURNAL SAINS DAN SENI ITS Vol. 5 No. (016) 337-350 (301-98X Prt) D-361 Pemodela Aga Buta Huruf d Provs Sumatera Barat Tahu 014 dega Geographcally Weghted Regresso Rath Mahara da Wwe Setya Wahju Jurusa

Lebih terperinci

Analisis Korelasi dan Regresi

Analisis Korelasi dan Regresi Aalss Korelas da Regres Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uad LOGO www.themegaller.com LOGO Data varat Data dega dua varael Terhadap satu pegamata dlakuka pegukurapegamata terhadap varael

Lebih terperinci

Laporan Penelitian. Analisis Ketunggalan Polinomial Interpolasi untuk Aproksimasi Fungsi

Laporan Penelitian. Analisis Ketunggalan Polinomial Interpolasi untuk Aproksimasi Fungsi Lapora Peelta Aalss Ketuggala Polomal Iterpolas utu Aprosmas Fugs Peelt: Drs. Sahd, MSc. Jurusa Pedda Matemata Faultas Matemata da Ilmu Pebetahua Alam Uverstas eger Yogyaarta ============================================

Lebih terperinci

INTERPOLASI. FTI-Universitas Yarsi

INTERPOLASI. FTI-Universitas Yarsi BAB VI INTERPOLASI FTI-Uverstas Yars Pedahulua Bla dketahu taulas ttk-ttk (y seaga erkut (yag dalam hal rumus ugs y ( tdak dketahu secara eksplst: Htug taksra la y utuk 3.8! FTI-Uverstas Yars Persoala

Lebih terperinci

ANALISIS LOSSES JARINGAN DISTRIBUSI PRIMER 20 KV AREA LHOKSEUMAWE

ANALISIS LOSSES JARINGAN DISTRIBUSI PRIMER 20 KV AREA LHOKSEUMAWE Aalss Losses Jarga Dstrbus Prmer 0 v Area Lhoseumawe....Zamzam ANALSS LOSSES JARNGAN DSTRBUS PRMER 0 AREA LHOSEUMAWE Zamzam 1 1 Dose Jurusa Te Eletro Polte Neger Lhoseumawe ABSTRA Peelta bertujua utu megetahu

Lebih terperinci

PENERAPAN OPTIMASI CHAOS DAN METODE BFGS (BROYDEN, BROYDEN, FLETCHER, GOLDFARB, AND SHANNO) PADA PENYELESAIAN PERMASALAHAN SISTEM PERSAMAAN NONLINIER

PENERAPAN OPTIMASI CHAOS DAN METODE BFGS (BROYDEN, BROYDEN, FLETCHER, GOLDFARB, AND SHANNO) PADA PENYELESAIAN PERMASALAHAN SISTEM PERSAMAAN NONLINIER PENERAPAN OPTIMASI CHAOS DAN METODE BFGS (BROYDEN, BROYDEN, FLETCHER, GOLDFARB, AND SHANNO PADA PENYELESAIAN PERMASALAHAN SISTEM PERSAMAAN NONLINIER Rully Soelama, Nur Chasa Faultas Teolog Iormas Isttut

Lebih terperinci

BAB 5. ANALISIS REGRESI DAN KORELASI

BAB 5. ANALISIS REGRESI DAN KORELASI BAB 5. ANALISIS REGRESI DAN KORELASI Tujua utama aalss regres adalah mecar ada tdakya hubuga ler atara dua varabel: Varabel bebas (X), yatu varabel yag mempegaruh Varabel terkat (Y), yatu varabel yag dpegaruh

Lebih terperinci

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014)

Analisis Regresi Eksponensial Berganda (Studi Kasus: Jumlah Kelahiran Bayi di Kalimantan Timur pada Tahun 2013 dan 2014) Jural EKSPONENSIAL Volume 6, Nomor, Nopember 5 ISSN 85-789 Aalss Regres Espoesal Bergada (Stud Kasus: Jumlah Kelahra Bay d Kalmata Tmur pada Tahu 3 da 4) Double Expoetal Regresso Aalyss (Case Study: Number

Lebih terperinci

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu

BAB II LANDASAN TEORI. Dalam pengambilan sampel dari suatu populasi, diperlukan suatu BAB II LADASA TEORI Dalam pegambla sampel dar suatu populas, dperluka suatu tekk pegambla sampel yag tepat sesua dega keadaa populas tersebut. Sehgga sampel yag dperoleh adalah sampel yag dapat mewakl

Lebih terperinci

(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK

(R.17) ESTIMASI SMOOTHING SPLINE PADA FUNGSI VARIANSI BERDISTRIBUSI GAMMA DALAM PENDEKATAN REGRESI NONPARAMETRIK PROSIDING ISSN : 87-59. Semar Nasoal Statsta November Vol, November (R.7) ESIMASI SMOOHING SPLINE PADA FUNGSI VARIANSI BERDISRIBUSI GAMMA DALAM PENDEKAAN REGRESI NONPARAMERIK Sfrya Dose Program Stud Statsta

Lebih terperinci

Analisis Pengendalian Kualitas Proses Pengantongan Semen di PT Semen Indonesia (Persero) Tbk dengan Pendekatan Six Sigma

Analisis Pengendalian Kualitas Proses Pengantongan Semen di PT Semen Indonesia (Persero) Tbk dengan Pendekatan Six Sigma JURNAL SAINS DAN SENI ITS Vol. 4, No., (15) 337-35 (31-98X Prt) D-54 Aalss Pegedala Kualtas Proses Pegatoga Seme d PT Seme Idoesa (Persero) Tb dega Pedeata Sx Sgma Ftrah Idra Cahya, Sr Mumpu Retagsh Jurusa

Lebih terperinci

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai

BAB III FUZZY C-MEANS. mempertimbangkan tingkat keanggotaan yang mencakup himpunan fuzzy sebagai BB III FUZZY C-MENS 3. Fuzzy Klasterg Fuzzy lasterg erupaa salah satu etode aalss laster dega epertbaga tgat eaggotaa yag eaup hpua fuzzy sebaga dasar pebobota bag pegelopoa (Bezde,98). Metode erupaa pegebaga

Lebih terperinci

BAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk

BAB II KAJIAN TEORI. tertentu (Martono, 1999). Sistem bilangan real dinotasikan dengan R. Untuk 5 BAB II KAJIAN TEOI A. Sstem Blaga eal Sstem blaga real adalah hmpua blaga real ag dserta dega operas pejumlaha da perala sehgga memeuh asoma tertetu (Martoo, 999). Sstem blaga real dotasa dega. Utu lebh

Lebih terperinci

BAB 2. Tinjauan Teoritis

BAB 2. Tinjauan Teoritis BAB Tjaua Teorts.1 Regres Lear Sederhaa Regres lear adalah alat statstk yag dperguaka utuk megetahu pegaruh atara satu atau beberapa varabel terhadap satu buah varabel. Varabel yag mempegaruh serg dsebut

Lebih terperinci

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel

BAB I PENDAHULUAN. 1.1 Statistika Deskriptif dan Statistika Inferensial. 1.2 Populasi dan Sampel BAB I PENDAHULUAN 1.1 Statstka Deskrptf da Statstka Iferesal Dewasa d berbaga bdag lmu da kehdupa utuk memaham/megetahu sesuatu dperluka dat Sebaga cotoh utuk megetahu berapa bayak rakyat Idoesa yag memerluka

Lebih terperinci

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah

BAB III INTEGRAL RIEMANN-STIELTJES. satu pendekatan untuk membentuk proses titik. Berkaitan dengan masalah BAB III INEGRAL RIEMANN-SIELJES. Pedahulua Pada Bab, telah dsggug bahwa ukura meghtug merupaka salah satu pedekata utuk membetuk proses ttk. Berkata dega masalah perhtuga, ada hal meark yag perlu amat,

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI Bab aka mejelaska megea ladasa teor yag dpaka oleh peuls dalam peelta. Bab dbag mejad beberapa baga, yag masg masg aka mejelaska Prcpal Compoet Aalyss (PCA), Egeface, Klusterg K-Meas,

Lebih terperinci

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup:

PENDAHULUAN. Di dalam modul ini Anda akan mempelajari teori gangguan bebas waktu yang mencakup: PENDAULUAN D dalam modul Ada aka mempelajar teor gaggua bebas waktu yag mecakup: teor gaggua tak degeeras bebas waktu, teor gaggua degeeras bebas waktu, da efek Stark. Oleh karea tu, sebelum mempelajar

Lebih terperinci

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC

JEMBATAN PADA GRAF FUZZY INTUITIONISTIC JEMTN PD GRF FUZZY INTUITIONISTIC St lfatur Rohmaah, au Surarso, da ambag Irawato 3 Uverstas Islam Darul Ulum Lamoga, a0304@gmalcom Uverstas Dpoegoro Semarag 3 Uverstas Dpoegoro Semarag bstract tutostc

Lebih terperinci

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si.

Ukuran Pemusatan Data. Arum Handini P., M.Sc Ayundyah K., M.Si. Ukura Pemusata Data Arum Had P., M.Sc Ayudyah K., M.S. Notas utuk Populas da Sampel Notas: Mea (rata-rata) Sample x Populas μ Varas s 2 σ 2 Smpaga baku s σ Ukura Pemusata Data 1. Mea (rata-rata) 2. Meda

Lebih terperinci