PERBANDINGAN METODE ESTIMASI-, ESTIMASI-, DAN ESTIMASI- PADA MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA

Ukuran: px
Mulai penontonan dengan halaman:

Download "PERBANDINGAN METODE ESTIMASI-, ESTIMASI-, DAN ESTIMASI- PADA MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA"

Transkripsi

1 PERBANDINGAN METODE ESTIMASI-, ESTIMASI-, DAN ESTIMASI- PADA MODEL REGRESI ROBUST UNTUK MEMPREDIKSI PRODUKSI KEDELAI DI INDONESIA Jural Daua epada Faulta Matemata da Ilmu Pegetahua Alam Uverta Neger Yogyaarta utu Memeuh Sebaga Peryarata gua Memperoleh Gelar Saraa Sa Oleh Weg Dyah Pratt NIM PROGRAM STUDI MATEMATIKA JURUSAN PENDIDIKAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS NEGERI YOGYAKARTA 016

2

3 Perbadga Metode Etma-M... (Weg Dyah Pratt) 1 PERBANDINGAN METODE ESTIMASI-M, ESTIMASI-S, DAN ESTIMASI-MM PADA MODEL REGRESI ROBUST COMPARISON OF M-ESTIMATION, S-ESTIMATION, AND MM-ESTIMATION METHODS OF ROBUST REGRESSION Oleh: Weg Dyah Pratt 1), Edag Ltya ) Program Stud Matemata, Jurua Pedda Matemata, FMIPA UNY 1) wedyp31@yahoo.co.d ) lty_matuy@yahoo.com Abtra Aal regre ler adalah aal terhadap hubuga atu varabel depede (Y) dega atu atau lebh varabel depede (X). Etma parameter yag erg dguaa adalah Metode Kuadrat Terecl (MKT). MKT membera la error yag bear apabla data megadug pecla. utu tu dperluaya model regre robut yag dapat meaga eberadaa pecla. Permaalaha yag aa da adalah membadga metode etma-m, etma-s, da etma-mm pada model regre robut. Tuua dar peelta adalah utu membadga maaah dar etga metode etma yag palg efetf utu mempred produ edela d Idoea. Dalam peelta dambl data produ edela ebaga varabel Y da varabel depede yag melput lua pae, uhu, curah hua, elembaba, da lama peyara. Keefetfa uatu metode dapat dbadga dega melhat la R. Dar hal pembahaa dperoleh metode etma palg efetf utu mempred produ edela d Idoea adalah metode etma-s dega la R ebear 97,73%, etma- MM ebear 8,%, da etma-m ebear 67,38%. Kata uc: aal regre, metode uadrat terecl, regre robut, etma-m, etma-s, etma-mm. Abtract Lear regreo aaly a aaly of the relatohp of oe depedet varable (Y) wth oe or more depedet varable (X). Frequetly ued parameter etmato the Ordary Leat Square (OLS). OLS ot prece whe the data ha outler, t eed robut regreo model that ca hadle the preece of outler. The ue that wll be examed to compare method of M-etmato, S- etmato ad MM-etmato of robut regreo model. The purpoe of th tudy to compare whch of thee three method of etmato the mot effectve way to predct the producto of oybea Idoea. I th tudy, The Y varable the oybea producto data, ad the X varable clude crop lad area, temperature, precptato, humdty, ad legth he. The effectvee of a method ca be compared by loog at the value of R. From the reult, t obtaed that the mot effectve etmato method to predct the producto of oybea Idoea S-etmato method wth R value of 97,73%, MM-etmato of 8,%, ad M-etmato of 67,38%. Keyword: regreo aaly, ordary leat quare, robut regreo, M-etmato, S-etmato, MM-etmato PENDAHULUAN Aal regre merupaa metode aal yag dapat dguaa utu megaal data da megambl empula yag bermaa tetag hubuga etergatuga varabel atu terhadap varabel laya Salah atu metode etma dalam regre ler yag erg dguaa adalah metode uadrat terecl (MKT) atau erg debut Ordary Leat Square (OLS). Pegguaa metode membutuha beberapa aum yag haru dpeuh utu meghala model yag ba, yatu model etma ler tda ba terba atau Bet Ler Ubaed Etmator (BLUE), yatu tda terdapat multolerta, homoedatta, da tda terdapat autoorela. Maalah yag erg terad pada data amata adalah adaya pecla

4 Jural Pedda Matemata da Sa Ed... Tahu..e (outler). Keberadaa pecla pada uatu data dapat meggaggu proe aal data, ehgga pedetea pecla merupaa hal yag agat petg utu dlaua. Regre Ler Regre ler merupaa uatu metode aal tatt yag mempelaar pola hubuga atara dua varabel atau lebh megguaa Adaya pecla dalam data dapat model peramaa ler, ehgga alah atu megabata etma oefe regre yag dperoleh urag efe area membera la varabel pada model regre dapat dduga dar varabel laya. error yag bear apabla megguaa MKT. Model regre ler ederhaa Sedaga tdaa membuag begtu aa uatu pecla bualah tdaa yag tepat area ada alaya pecla membera forma yag cuup berart. Oleh area tu, dperlua uatu merupaa uatu model regre daar yag melbata atu varabel depede aa. Betu umum regre ler ederhaa dapat dtula ebaga berut: etma yag lebh efe dalam meaga uatu pecla yag deal dega regre y = β 0 + β 1 x + e (1) robut. Regre robut merupaa metode regre yag dguaa eta dtrbu dar aa tda ormal da/atau adaya beberapa pecla yag berpegaruh pada model (Rya, 1997:150). (Draper & Smth, 1998:) dega y merupaa varabel depede pada oberva e-, x adalah otata yag detahu yatu la varabel depede yag detahu, β 0 da β 1 adalah Regre robut adalah metode yag petg utu megaal data yag megadug pecla. Utu mear parameter regre robut dapat dguaa beberapa metode atara la: S-etmator, M-etmator, MM-etmator, Leat Meda of Square (LMS), da Leat Trmmed Square (LTS) (Che, 00:1). Pada peelta, aa dbaha regre robut dega etma-m, etma-s, da etma-mm, erta dtuua etma yag palg efetf dega membadga la oefe determa dar etga metode terebut utu memodela data pada produ edela d Idoea. Tuua dar peelta adalah utu membadga eefetfa model melalu la R. parameter oefe regre, edaga e merupaa uatu error. Meurut Motgomery & Pec (199:53), Model regre ler bergada dega varabel depede adalah ebaga berut: y = β 0 + β 1 x 1 + β x + + β x + e atau dapat dtul utu = 1,,, dega: y y = β 0 + =1 β x + e () = la varabel depede pada oberva e- β 0, β 1,, β = parameter oefe regre x e = la varabel depede yag e- pada oberva e- = radom error

5 U Aum Pada peelta, dambl mula data dar Bada Puat Statta (BPS) da Da Pertaa. Data yag dambl adalah data dar 34 prop d Idoea melput produ edela ebaga varabel depede, da beberapa varabel depede yag melput lua area pae, uhu, curah hua, elembaba, da lama peyara. Pada model regre, perlu dlaua u aum aal regre utu megetahu apaah model ba (memeuh aum) atau tda. Aum yag memeuh aal regre dega MKT atara la: data berdtrbu ormal, homoedatta, o autoorela, da o multolerta. Idetfa Outler Utu megdetfa adaya outler, peul megguaa pegua redu Jacfe atau exterally tudedzed redual atau R-tudet. Meurut Chatteree & Had (1986:380), def Jacfe atau baa uga debut ebaga R-tudet, yag dlambaga dega t adalah: t = e (σ ) = e σ () 1 h (4) dega p = varabel + 1 da t berdtrbu t p 1 a model aum terpeuh da e ~N(0, σ I). Nota h merupaa eleme dagoal e- dar matr hat da e merupaa redu e-. Metode Kuadrat Terecl Setelah pegua aum da outler, lagah elautya yatu membuat peramaa regre dega metode uadrat terecl. Perbadga Metode Etma-M... (Weg Dyah Pratt) 3 Parameter β 0, β 1,, β tda detahu da perlu dtetua la etmaya. Meurut Motgomery & Pec (199:11), Metode Kuadrat Terecl (MKT) dguaa utu megetma oefe β 0, β 1, β,, β yatu dega memmuma umlah uadrat galat. Fug yag memmuma adalah: S(β 0, β 1,, β ) = e =1 =1 ) =1 (3) = (y β 0 β x Fug S aa dmmala dega meetua turuaya terhadap β 0, β 1,, β, haru memeuh S = (y β =1 β 0 =1 β x ) = 0 Nota matr yag dbera pada Peramaa () adalah dega Y = Xβ + e y 1 1 x 11 x 1 x 1 y 1 x Y = [ ]; X = [ 1 x x ]; y 1 x 1 x x β 1 e 1 β β = [ e ]; e = [ ] β e Regre Robut Regre robut merupaa metode regre yag dguaa eta dtrbu dar aa tda ormal da/atau adaya beberapa pecla yag berpegaruh pada model (Rya, 1997:150). Metode merupaa alat petg utu megaala data yag dpegaruh oleh pecla ehgga dhala model yag robut atau retace terhadap pecla. Etma-M

6 4 Jural Pedda Matemata da Sa Ed... Tahu..e Meurut Motgomery, Pec, & Vg (006:37), Etma-M adalah uatu ela dar regre robut yag memmala uatu fug redu ρ ebaga berut: β M = m β β M = m 1 ( e β ) y x (5) 1 0 Fug ρ merupaa fug repreeta pembobot dar redu. fug merupaa gabuga dar MKT da Leat Abolute Value (LAV). Fug Huber lebh rete terhadap outler darpada MKT. Sehgga fug ρ yag dguaa adalah fug obetf Huber dega peramaa ebaga berut: 1 ρ(u ) = { (u ), u c c u 1 c, u > c (6) dega ρ(u ) adalah fug metr dar redu atau fug yag membera otrbu pada mag-mag redu pada fug obetf, dega u = e. σ Utu memmala Peramaa (5), aa dguaa turua paral pertama fug ρ terhadap β ( = 0, 1,, ) ama dega 0, ehgga meghala uatu od mmum. Sehgga dperoleh 1 y x 0 x 0 ˆ (7) dega ψ = ρ da x merupaa oberva e- pada regreor e- da x 0 = 1. Berdaara def, fug pembobot w(u ) dar peramaa (7), yatu: y x 0 ˆ w( u ) y x 0 ˆ area la u = e σ maa peramaa (8) mead: w = w(u ) = ψ(u 1 ) (u ) = { c u (8) ebaga peggat e,, u c, u > c utu fug pembobot Huber, otata yag dguaa adalah c = 1,345 (Fox, 00:3). Pada umumya, fug ψ merupaa fug yag tda lear da Peramaa (7) haru deleaa dega megguaa teratvely reweghted leat quare (IRLS), maa dperoleh ehgga dega w 0 y x 0 x 0 ˆ (9) 1 x w0 y x 0, (10) y x 0 ˆ y x 0 ˆ (10) mead:, y, y 0 0 x x ˆ (11) Utu au regre bergada, peramaa

7 x w0 y x y x w0 1 0 x w 1 0 x w x w y (1) 0 dalam ota matr, peramaa (1) d ata mead: X T W 0 Xβ = X T W 0 Y (13) dega W 0 adalah matr bobot berordo dega eleme dagoal utama w 10, w 0,, w 0 yag dbera pada Peramaa (11). Peramaa (13) deal ebaga peramaa ormal weghted leat quare (WLS). Oleh area tu, etmator atu-lagah (oe-tep etmator) adalah: β = (X T W 0 X) 1 X T W 0 Y (14) Lagah berutya adalah meghtug ulag bobot dar Peramaa (3.9) tetap megguaa β 1 bua β 0. Pada umumya, utu W bobot yag dbera dapat meyeleaa: β +1 = (X T W X) 1 X T W Y (15) Itera teru dlaua hgga mecapa overge, yatu hgga elh la β +1 dega β medeat 0. Etma-S (Scale) Meurut Motgomery, Pec, & Vg, (006:388), etma-s aa memmuma uatu uura ala redu, dapat ddefa hal etma dar peramaa berut: β = m β σ [e 1 (β), e (β),, e (β)] (16) Perbadga Metode Etma-M... (Weg Dyah Pratt) 5 dega e merupaa redu e- dar β da σ (e 1, e,, e ) ddefa ebaga olu dar: 1 1 e 1 ˆ y 0 ˆ x ; y x 0 K (17) ˆ dega K merupaa uatu otata yag ddefa ebaga K =0,1995 (Alma, 011:415). Peramaa (17) dbag dega ( e ) ehgga meghala σ 1 ˆ w e (18) K 1 Salah atu fug ρ (pembobot) utu Peramaa (17) adalah fug Tuey bquare (Roueeuw & Leroy, 1987). Berut merupaa fug pembobot Tuey bquare: u ρ(u ) = u c + u 6c 4 c { utu u c utu u > c dega ρ(u ) adalah fug metr dar redu yatu fug yag membera otrbu pada mag-mag redu pada fug obetf. Turua dar fug ρ adalah: ψ(u ) = ρ (u ) = { u u 3 c + u 5 c 4, u c 0, u > c = { u (1 ( u c ) ), u c 0, u > c

8 6 Jural Pedda Matemata da Sa Ed... Tahu..e ehgga dperoleh w yag merupaa uatu fug pembobot teratvely reweghted leat quare (IRLS) w (u ) = dega u = e c { u (1 ( u c ) ) u, u c 0, u > c da agar dperoleh breadow pot ecara ote medeta 50%, maa dtetapa c = 1,547 (Fox, 00:3). Peramaa (17) pada etma-s dapat deleaa dega metode IRLS hgga mecapa overge. Etma-MM Metode etma deala oleh Yoha (1987) yag meggabuga uatu hgh breadow pot (50%) dega efe tgg (95%). Alur dar etma-mm dapat duraa ebaga berut: 1) Megetma oefe β (1), ehgga 5) Megulag lagah, 3, 4 dulag (retera dega ala redual tetap ota) ampa =1 e (m) overge, yatu elh la β (m+1) dega β (m) medeat 0, dega m adalah bayaya tera. berut Etma-MM ddefa ebaga β MM β MM = arg m β = arg m β ρ ( e ) =1 σ =1 ρ ( y =0 x β σ ) (19) Utu memmua Peramaa (19), turua paral pertama fug ρ terhadap β ( = 0,1,, ) aa ama dega 0, ehgga meghala uatu od perlu utu mmum. Dega medefa fug pembobot yag ama, Peramaa (19) dapat dtul ebaga berut =1 x w (y =0 x β ) = 0 (0) dperoleh redual e (1) yag dambl dar regre robut dega hgh breadow pot. ) Redual e (1) pada lagah pertama dguaa utu meghtug ala redual etma-m, σ da dhtug pula bobot awal w (1). 3) Redual e (1) da ala redual σ dar lagah () dguaa dalam tera awal dega metode WLS utu meghtug oefe regre. w (1) ( e (1) σ ) x = 0 1 dega w megguaa pembobot Huber atau Tuey Bquare 4) Meghtug bobot baru w () megguaa redual dar tera awal WLS (lagah 3). Selautya, Peramaa (0) aa deleaa megguaa IRLS. Etma awal oefe β (1) da e (1), dambl dar regre robut dega hgh breadow pot (etma-s). Utu pembobot permulaa w (1) = w(e (1) ), maa Peramaa (0) dapat dtul ebaga berut: dega w (1) = (1) x w (y x β ) = 0, =1 ( y y =0 = 0,1,, (1) =0 σ =0 σ (1) x β ) (1) x β 1, a y { = =0 x β (1) (1), a y x β =0

9 (0) mead: Utu au regre bergada, Peramaa x w (1) β = w (1) x y =1 =0 =1 dalam ota matr, Peramaa (0) d ata mead: X W (1) Xβ = X W (1) Y (1) maa, etmator atu lagah dapat dtul ebaga berut: β () = (X W (1) X) 1 X W (1) Y () Pada lagah elautya, dhtug embal bobot dar w () megguaa β () da ala redual σ. Utu w (m) bobot yag dbera, dapat dperoleh etmator β (m+1) = (X W (m) X) 1 X W (m) Y. Baaya dbutuha beberapa tera hgga =1 e (m) overge, yatu elh la β (m+1) dega β (m) medeat 0. HASIL EMPIRIK Pada peelta, dambl data dar Bada Puat Statt da Da Pertaa. Produ edela ebaga varabel depede (Y), da varabel depede (X) melput lua area pae (X 1 ), uhu (X ), curah hua (X 3 ), elembaba (X 4 ), da lama peyara (X 5 ). Lagah pegolaha data dawal dega u aum, pemodela dega MKT, u outler, da meetua model etma-m, etma-s, da etma-mm erta membadga la efetfta atara etga metode terebut. U Aum 1. U Normalta Berdaar hal output SPSS, u Kolmogorov-Smov pada data yag dperoleh Perbadga Metode Etma-M... (Weg Dyah Pratt) 7 la gfa (Aymp. Sg. -Taled) ebear 0,118 lebh bear dar 0.05 = α, maa redu berdtbu ormal.. U Homoedatta U homoedatta dalam hal megguaa ra pearma. Berdaar hal output SPSS, dperoleh ebaga berut: Tabel. Hal U Homoedatta Varabel Idepede Sg (-Taled) Utadardzed Redual X 1 (Lua area pae) 0,059 > 0,05 X (Suhu) 0,066 > 0,05 X 3 (Curah Hua) 0,345 > 0,05 X 4 (Kelembaba) 0,58 > 0,05 X 5 (Lama Peyara) 0,153 > 0,05 Pada Tabel. dperoleh la g pada mag-mag varabel depede lebh dar = 0,05, maa mag-mag varabel tda terad heteroedatta. 3. U No Autoorela Berdaar hal output SPSS, u Durb- Wato meghala la d ebear,096, dega du = 1,8076 da (4 du) =,194. Artya la d berada datara du da (4 du) ehgga dapat dmpula bahwa model regre tda terdapat autoorela. 4. U No Multolerta U o multolerta dlaua dega membadga la tolerace da VIF. Berdaar hal output SPSS, dperoleh hal u o multolerta ebaga berut: Tabel 3. Hal U No Multolerta Varabel Idepede Tolerace VIF X 1 (Lua area pae) 0,947 > 0,1 1,056 < 10

10 8 Jural Pedda Matemata da Sa Ed... Tahu..e X (Suhu) 0,35 > 0,1 4,5 < 10 X 3 (Curah Hua) 0,676 > 0,1 1,479 < 10 X 4 (Kelembaba) X 5 (Lama Peyara) 0,365 > 0,1,740 < 10 0,387 > 0,1,58 < 10 Pada Tabel 3 dperoleh mag-mag la tolerace lebh bear dar 0,1 da la VIF urag dar 10, ehgga dapat darta bahwa tda adaya multolerta atara varabel depede. Metode Kudrat Terecl Utu memudaha perhtuga, peul megguaa program SAS 9.1, dperoleh model regre yag dapat dbetu ebaga berut: Y MKT = 136, ,650X 1 67,55636X dega: Y = Produ edela X 1 = Lua area pae X = Suhu X 3 = Curah hua X 4 = Kelembaba X 5 = Lama Peyara U Outler 3,78511X ,48093X 4 483,48411X 5 Dega taraf yata = 5%, p = 6 da = 34, maa dar tabel dtrbu t telah dperoleh tα ;( p 1) =,5018, ehgga la ddapata,0518 < R tudet <,0518, dega megguaa batua oftware, dperoleh la R-Studet ebaga berut Gambar 1. Plot Nla Redu Jacfe utu Setap Oberva Aceh -,4649 Dar Gambar 1 dapat dlhat bahwa la R-tudet pada oberva e (t ), yatu oberva pertama yatu Prov Aceh (t 1 ), Jawa Tegah ebaga oberva e-13 (t 13 ) da Nua Teggara Barat ebaga obetva e-18 (t 18 ) terleta pada daerah peolaa, maa oberva e-1, e-13 da e-18 merupaa outler. Dega dema, metode uadrat terecl tda dapat dguaa utu melhat pegaruh dar varabel depedeya. Oleh area tu, metode etma-m, etma-s, da etma-mm yag aa dguaa utu meyeleaa au. Ketga metode terebut aa dbadga atu dega yag laya. Etma-M Dega megguaa program SAS 9.1, telah dperoleh model regre ebaga berut: Y M = 1901,65 + 1,6596X 1 11,516X Etma-S Jateg,7478 5,0494X ,1419X 4 144,070X 5 Dega megguaa batua oftware SAS 9.1 utu meghtug etma dalam regre robut, model regre yag dapat dbetu adalah ebaga berut: R-Studet NTB -5,6674 Y S = 960,84 + 1,444X 1 106,18X 3,478X ,5809X 4 19,65X 5

11 Etma-MM Dega megguaa program SAS 9.1, telah dperoleh model regre ebaga berut: Y MM = 967, ,445X 1 108,804X 3,4777X ,7784X 4 116,1X 5. Hal Perbadga Etma Parameter Regre Robut Etma-M, Etma-S, da Etma-MM pada Data Produ Kedela d Idoea Tahu 014 Setelah megetahu model regre dar mag-mag parameter, elautya aa dbadga hal dar etga metode etma yatu atara metode etma-m, etma-s da etma-mm. Dega dema dapat detahu metode maa yag membera hal terba terhadap model. Tabel 8. Hal Perbadga Etma Parameter Regre Robut atara Etma-M, Etma-S, da Etma-MM pada Data Produ Kedela d Idoea Tahu 014 Metode R-Square Etma-M 67,38 Etma-S 97,73 Etma-MM 8, Berdaara Tabel 8 d ata dapat dlhat bahwa la R-quare (R ), dapat dmpula bahwa la R quare S > R quare MM > R quare M yatu 97,73% > 8,% > 67,38% yag berart bahwa vara yag dapat delaa oleh model hal etma-mm yatu 8,% lebh tgg dar etma-m 67,38%, da la R hal etma-s ebear 97,73% palg tgg d atara model edua etma pembadgya yatu etma-m da etma-mm. Perbadga Metode Etma-M... (Weg Dyah Pratt) 9 SIMPULAN DAN SARAN Smpula Dar pembahaa yag telah dpapara peul, dapat dmpula bahwa berdaara etga metode etma, telah dperoleh la R- quare dar etma-m, etma-s, da etma-mm, dega la R quare S > R quare MM > R quare M yatu 97,73% > 8,% > 67,38%. Dega dema dapat dmpula bahwa regre robut dega metode etma-s merupaa pear yag membera model palg efetf dar etga etma terebut terhadap data fator-fator yag mempegaruh produ edela d Idoea pada tahu 014. Sara 1. Metode etma-m, etma-s, da etma-mm merupaa metode yag ba dalam meaga maalah pecla dega membera la oefe determa yag tgg, amu perlu dpelaar uga metode etma yag la da pegaplaaya dalam meaga pecla, epert metode LMS da LTS.. Utu peelta elautya, eraya dapat megguaa te data fluece erta ba lebh memperhata fator-fator yag mempegaruh produ edela d Idoea ehgga dapat meghala model regre yag lebh ba lag. DAFTAR PUSTAKA Alma, O. G. (011). Comparo of Robut Regreo Method Lear Regreo. It. J. Cotemp. Math. Scece, Bada Puat Statt. (014). Produ Kedela d Idoea. Dae

12 10 Jural Pedda Matemata da Sa Ed... Tahu..e pada taggal 8 Jauar 016 puul 0.00 WIB. Chatteree, S., & Had, A.S. (1986). Ifluetal Obervato, Hgh Leverage Pot, ad Outler Lear Regreo. Stattcal Scece, Vol. 1 (3), Pegaruh Outler dalam Aal Regre Ler. Srp. Uverta Neger Semarag. Motgomery, D.C. & Pec, E.A. (199). Itroducto to Lear Regreo Aaly. Toroto: Joh Wley & So. Che, C., (00). Robut Regreo ad Detecto wth The Robutreg Procedure. Sug Paper 65-7, SAS Ittute, Cary NC, Da Taama Paga da Holtultura. (016). Mugah Mewuuda Swaembada Kedela?. Dae pada taggal 7 Jauar 016 puul 0.56 WIB. Draper, N.R., & Smth, H. (1998). Appled Regreo Aaly. New Yor: Joh Wley ad o. Fox, J. (00). Robut Regreo. Apedx to A R ad S-Plu Compao to Appled Regreo. Jauary, 00. Haa Ardyat. (011). Perbadga Keefetfa Metode Regre Robut Etma-M da Etma-MM area Motgomery, D.C., Pec, E.A., & Vg, G.G. (006). Itroducto to Lear Regreo Aaly. 4th Ed. Toroto: Joh Wley & So. Roueeuw, P.J., & Leroy, A.M. (1987). Robut Regreo ad Outler Detecto. New Yor: Joh Wley & So. Rya, T.P. (1997). Moder Regreo Aaly for Scett ad Egeer. Ghaterburg: NIST. Yulaa Suat., Hah Pratw., & Sr Sultowat H. (013). Optma Model Regre Robut Utu Mempred Produ Kedela D Idoea. Prodg Semar Naoal Matemata da Pedda Matemata, Yogyaarta 9 November 013, M53-M6.

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

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

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

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

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN. Latar elaag Salah atu baga petg yag tda dapat dpaha dalam eolah tgg da uverta adalah maalah peadwala mata ulah dega edala watu yag dga (prefere doe, mahawa, da bayaya ruaga yag terbata.

Lebih terperinci

PREDIKSI CUACA MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION-NEURAL NETWORK (PSONN)

PREDIKSI CUACA MENGGUNAKAN ALGORITMA PARTICLE SWARM OPTIMIZATION-NEURAL NETWORK (PSONN) emar Naoal Matemata da Aplaa, Otober 07 urabaa, Uverta Arlagga PREDIKI CUACA MENGGUNAKAN ALGORITMA PARTICLE WARM OPTIMIZATION-NEURAL NETWORK (PONN Dta Rahmala, Teguh Herlambag Program tud Matemata, Uverta

Lebih terperinci

Koefisien Korelasi Spearman

Koefisien Korelasi Spearman Koefe Koela Speama La hala dega oefe oela poduct-momet Peao, oela Speama dapat dguaa utu data beala mmal odal utu edua vaabel ag heda dpea oelaa. Lagah petama ag dlaua utu meghtug oefe oela Speama adalah

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

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

SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS. Saniagus Munendra 1) Hery Susanto 2)

SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS. Saniagus Munendra 1) Hery Susanto 2) SIFAT-SIFAT RADIKAL DARI SUATU SUBMODUL DARI MODUL PERKALIAN BEBAS Saagu Muedra 1) Hery Suato 2) Abtra: Sfat-fat yag berlau pada radal uatu deal teryata tda emuaya berlau pada oep radal uatu ubmodul Raaee

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

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

KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH. Elen Dwi Pradewi 1, Sudarno 2

KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH. Elen Dwi Pradewi 1, Sudarno 2 Kaa Estmas-M (Ele) KAJIAN ESTIMASI-M IRLS MENGGUNAKAN FUNGSI PEMBOBOT HUBER DAN BISQUARE TUKEY PADA DATA KETAHANAN PANGAN DI JAWA TENGAH Ele Dw Pradew, Sudaro Alum Program Stud Statsta FSM Uverstas Dpoegoro

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

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

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 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

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 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

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

PENYELESAIAN PENGOPTIMUMAN PORTOFOLIO FUZZY MENGGUNAKAN PENDEKATAN FUNGSI LAGRANGE. Sugiyarto

PENYELESAIAN PENGOPTIMUMAN PORTOFOLIO FUZZY MENGGUNAKAN PENDEKATAN FUNGSI LAGRANGE. Sugiyarto Prodg ear Naoal Peelta Peddka Peerapa MIPA akulta MIPA Uverta Neger Yogyakarta 6 Me 009 M-8 PENYELEAIAN PENGOPTIMUMAN PORTOOLIO UY MENGGUNAKAN PENDEKATAN UNGI LAGRANGE ugyarto MIPA Matematka Uverta Ahmad

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

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

PENDAHULUAN. Pembagian Statistik

PENDAHULUAN. Pembagian Statistik PEDAHULUA PERAA STATISTIKA Dadar atau tda peraa tatta telah baya dguaa dalam ehdupa ehar-har. Dua peelta atau ret, dmaapu dlaua, bua aja telah medapata maaat yag ba dar tatta tetap erg haru megguaaya.

Lebih terperinci

ANALYSIS SENSITIVITAS PADA PROGRAM INTEGER CAMPURAN

ANALYSIS SENSITIVITAS PADA PROGRAM INTEGER CAMPURAN Aaly Setvta pada Program Iteger Campura Fagzduhu Bu ulolo ANAYSIS SENSIIVIAS PADA PROGRAM INEGER CAMPRAN Fagzduhu Bu ulolo Departmet Mathemat, verta Sumatera tara, Meda 2055 Idoea Abtra: Metode Smple merupaa

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

PENGUJIAN HIPOTESIS PROSEDUR UMUM PROSEDUR UMUM PROSEDUR UMUM. Langkah 1 : tentukan hipotesis 0 (H 0 ) dan anti hipotesis (H 1 )

PENGUJIAN HIPOTESIS PROSEDUR UMUM PROSEDUR UMUM PROSEDUR UMUM. Langkah 1 : tentukan hipotesis 0 (H 0 ) dan anti hipotesis (H 1 ) PENGUJIAN HIPOTESIS PROSEDUR UMUM Lagkah : tetuka hpote 0 (H 0 ) da at hpote (H ) malya: H 0 : µ 00 H : µ 00 atau H : µ > 00 atau H : µ < 00 PROSEDUR UMUM Lagkah : tetuka je dtrbu yag cocok: bla > 30 da

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN MEDIAN DAN KOEFISIEN KURTOSIS

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK SEDERHANA MENGGUNAKAN MEDIAN DAN KOEFISIEN KURTOSIS PENAKIR RAIO YANG EFIIEN UNTUK RATA-RATA POPULAI PADA AMPLING ACAK EDERHANA MENGGUNAKAN MEDIAN DAN KOEFIIEN KURTOI abarah * Haro H rat Mahawa Program Matematka Doe Jurua Matematka Fakulta Matematka da

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 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

BAB III TEOREMA GLEASON DAN t-desain

BAB III TEOREMA GLEASON DAN t-desain BAB III TEOREMA GLEASON DAN t-desain Dalam ubbab 3., kta aka mempelaar alah atu fat petg dar kode wa-dual geap. Sfat terebut dberka oleh Teorema 3.(Teorema Gleao), Teorema ecara megeaka telah meetuka betuk

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

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

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 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

ANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD

ANALISIS JUMLAH TENAGA KERJA TERHADAP JUMLAH PASIEN RSUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGRESI GULUD Jural as, Teolog da Idustr, Vol., No., Desember 04, pp. 48-57 IN 693-390 prt/in 407-0939 ole ANALII JUMLAH TENAGA KERJA TERHADAP JUMLAH PAIEN RUD ARIFIN ACHMAD PEKANBARU MENGGUNAKAN METODE REGREI GULUD

Lebih terperinci

ANALISIS MULTIVARIAT. Pengantar Analisis Multivariat Lanjutan. Irlandia Ginanjar M.Si

ANALISIS MULTIVARIAT. Pengantar Analisis Multivariat Lanjutan. Irlandia Ginanjar M.Si ANALISIS MULTIVARIAT Pegatar Aal Multvarat Lauta Irlada Gaar M.S Jurua Stattka FMIPA Uad Nota utuk varabel varabel berkala l terval atau rao k bl k Vektor varabel acak: Nla haraa vektor Nla haraa vektor

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

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

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas:

ANALISIS REGRESI. Model regresi linier sederhana merupakan sebuah model yang hanya terdiri dari satu peubah terikat dan satu peubah penjelas: ANALISIS REGRESI Pedahulua Aalss regres berkata dega stud megea ketergatuga satu peubah (peubah terkat) terhadap satu atau lebh peubah laya (peubah pejelas). Jka Y dumpamaka sebaga peubah terkat da X1,X,...,X

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 7 BAB LANDASAN TEOR. Aal Regre Salah atu tuua aal data adalah utuk memperkraka/memperhtugka beara efek kuattatf dar perubaha uatu keada terhadap keada laa. Setap kebaka (polc), bak dar pemertah maupu wata,

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

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

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

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN

HUBUNGAN MATRIKS AB DAN BA PADA STRUKTUR JORDAN NILPOTEN HUBUNGAN ARKS AB DAN BA ADA SRUKUR ORDAN NLOEN Sodag uraasar aaha (sodag@ub-ut.ac.d) UB-U eda Elva Herawaty FA ateata Uverstas Suatera Utara ABSRAC ths aer, we gve aother roof about the relatosh betwee

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

5/12/2014. Tempat Kedudukan Akar(Root Locus Analysis) ROOT LOCUS ANALYSIS

5/12/2014. Tempat Kedudukan Akar(Root Locus Analysis) ROOT LOCUS ANALYSIS 5//04 Matakulah: T EDALI Tahu : 04 Pertemuaa 45 Tempat eduduka Akar(Root Lou Aaly) Learg Outome Pada akhr pertemua, dharapka mahawa aka mampu : meerapka aal da aplka Tempat keduduka Akar dalam dea tem

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDAAN TEOR. Aal Regre alah atu tuua aal data adalah utuk memperkraka/memperhtugka beara efek kuattatf dar perubaha uatu keada terhadap keada laa. etap kebaka polc, bak dar pemertah maupu wata, elalu

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

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

Regresi Linier Sederhana Definisi Pengaruh

Regresi Linier Sederhana Definisi Pengaruh Regres Ler Sederhaa Dah Idra Baga Bostatstka da Kepeduduka Fakultas Kesehata Masyarakat Uverstas Arlagga Defs Pegaruh Jka terdapat varabel, msalka da yag data-dataya dplot sepert gambar dbawah 3 Defs Pegaruh

Lebih terperinci

KONSISTENSI KOEFISIEN DETERMINASI SEBAGAI UKURAN KESESUAIAN MODEL PADA REGRESI ROBUST

KONSISTENSI KOEFISIEN DETERMINASI SEBAGAI UKURAN KESESUAIAN MODEL PADA REGRESI ROBUST KONSISTENSI KOEFISIEN DETERINASI SEBAGAI UKURAN KESESUAIAN ODEL PADA REGRESI ROBUST Harm Sugart (harm@ut.ac.d) Ad egawar Jurusa Statstka FIPA Uverstas Terbuka ABSTRACT I statstcs, the coeffcet of determato

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 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

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah seluruh siswa kelas X SMA Negeri 1

III. METODOLOGI PENELITIAN. Populasi dalam penelitian ini adalah seluruh siswa kelas X SMA Negeri 1 8 III. MEODOLOGI PEELIIA A. Popula da Sampel Popula dalam peelta adalah eluruh wa kela X SMA eger Bagurejo Lampug egah tahu pelajara 009/00 ebayak 75 orag yag terdtrbu dalam lma kela dmaa tgkat kemampua

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

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

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON

PEMODELAN JUMLAH KEMATIAN BAYI DI PROVINSI MALUKU TAHUN 2010 DENGAN MENGGUNAKAN REGRESI POISSON Jural Bareeg Vol. 5 No. Hal. 3 7 () PEMODELAN JUMLAH KEMAIAN BAYI DI PROVINSI MALUKU AHUN DENGAN MENGGUNAKAN REGRESI POISSON SALMON N. AULELE Staf Jurusa Matemata, FMIPA, Upatt Jl. Ir. M. Putuhea, Kampus

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

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

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS = 1 + + + + k k + u PowerPot Sldes baa Rohmaa Educato Uverst of Idoesa 007 Laboratorum Ekoom & Koperas Publshg Jl. Dr. Setabud

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN 5 BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Dekrp Data Hal Peelta Setelah melakuka peelta, peelt medapatka hal tud lapaga utuk memperoleh data dega tekk te, etelah dlakuka uatu pembelajara atara kelompok

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

MEAN SQUARE ERROR TERKECIL DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA

MEAN SQUARE ERROR TERKECIL DARI KOMBINASI PENAKSIR RASIO-PRODUK UNTUK RATA-RATA POPULASI PADA SAMPLING ACAK BERSTRATA MEA QUARE ERROR TERKEIL DARI KOMBIAI PEAKIR RAIO-PRODUK UTUK RATA-RATA POPULAI PADA AMPLIG AAK BERTRATA R Kurat *, gt ugarto, Ruam Efed Maasswa Program Matemata Dose Jurusa Matemata Faultas Matemata da

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

PERLUASAN MODEL CUTTING STOCK DUA DIMENSI

PERLUASAN MODEL CUTTING STOCK DUA DIMENSI PERLUAAN MODEL CUTTING TOCK DUA DIMENI Khuul Novagh Jurua Pedda Matemata Faulta Pedda Matemata da Ilmu Pegetahua Alam Uverta Pedda Idoea emal: huul@ahoo.com Abtra Terdapat m je baha bau berbetu pereg pajag

Lebih terperinci

Perbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment

Perbandingan Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, dan Estimasi Method Of Moment PRISMA 1 (2018) https://joural.ues.ac.id/sju/idex.php/prisma/ Perbadiga Metode Regresi Robust Estimasi Least Trimmed Square, Estimasi Scale, da Estimasi Method Of Momet Muhammad Bohari Rahma, Edy Widodo

Lebih terperinci

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN

11/10/2010 REGRESI LINEAR SEDERHANA DAN KORELASI TUJUAN // REGRESI LINEAR SEDERHANA DAN KORELASI. Model Regres Lear. Peaksr Kuadrat Terkecl 3. Predks Nla Respos 4. Iferes Utuk Parameter-parameter Regres 5. Kecocoka Model Regres 6. Korelas Utrwe Mukhayar MA

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

Bab II Teori Pendukung

Bab II Teori Pendukung Bab II Teor Pedukug.. asar Statstka Utuk keperlua peaksra outstadg clams lablty, pegetahua dalam statstka mead hal yag petg. asar statstka yag dguaka dalam tess atara la :. strbus ormal Sebuah peubah acak

Lebih terperinci

100% r n. besarnya %. n. h t t p : / / m a t e m a t r i c k. b l o g s p o t. c o m =. 400

100% r n. besarnya %. n. h t t p : / / m a t e m a t r i c k. b l o g s p o t. c o m =. 400 h t t p : / / m a t e m a t r c k. b l o g p o t. c o m Meetuka uur-uur pada dagram lgkara atau batag Rgkaa Mater : Uur uur pada dagram lgkara yag pokok haya hal :. Meetuka bear baga dalam lgkara ( dapat

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB 1 PENDAHULUAN 1.1 Latar Belakag Masalah Regres merupaka suatu metode statstka yag dguaka utuk meyeldk pola hubuga atara dua atau lebh varabel.betuk atau pola hubuga varabelvarabel tersebut dapat ddetfkas

Lebih terperinci

BAB IV HASIL ANALISIS

BAB IV HASIL ANALISIS BAB IV HASIL ANALISIS. Standarda Varabel Dalam anal yang dtamplan pada daftar tabel, dar e-39 wadu yang meml fator-fator melput luaan DAS, apata awal wadu, 3 volume tahunan rerata pengendapan edmen, dan

Lebih terperinci

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai

BAB 2 LANDASAN TEORI. perkiraan (prediction). Dengan demikian, analisis regresi sering disebut sebagai BAB LANDASAN TEORI. Kosep Dasar Aalss Regres Aalss regres regressso aalyss merupaka suatu tekk utuk membagu persamaa da megguaka persamaa tersebut utuk membuat perkraa predcto. Dega demka, aalss regres

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

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 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

Regresi & Korelasi Linier Sederhana

Regresi & Korelasi Linier Sederhana Regres & Korelas Ler Sederhaa. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar la peubah

Lebih terperinci

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( )

Regresi & Korelasi Linier Sederhana. Gagasan perhitungan ditetapkan oleh Sir Francis Galton ( ) Regres & Korelas Ler Sederhaa 1. Pedahulua Gagasa perhtuga dtetapka oleh Sr Fracs Galto (18-1911) Persamaa regres :Persamaa matematk yag memugkka peramala la suatu peubah takbebas (depedet varable) dar

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

BAB III METODE PENELITIAN. Jenis penelitian ini merupakan jenis penelitian kuantitatif, karena data yang

BAB III METODE PENELITIAN. Jenis penelitian ini merupakan jenis penelitian kuantitatif, karena data yang BAB III METODE PENELITIAN A. Je Peelta Je peelta merupaka je peelta kuattatf, karea data yag dperoleh adalah data kuattatf megea hal belajar wa, yag dguaka utuk megaal data dega megguaka hpote keamaa dua

Lebih terperinci

PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP

PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP PENANGANAN MISSING DATA PADA RANCANGAN BLOK RANDOM LENGKAP Rosa Sey Yudasar Jurusa Matemata, Faultas Matemata da Ilmu Pegetahua Alam,Uverstas Neger Surabaya rosaseywah@yahoo.com Drs. Hery Tr Sutato, M.S

Lebih terperinci

Pemilihan Model Regresi Terbaik Menggunakan Akaike s Information Criterion (The Best Regression ModelSelection UsingAkaike s Information Criterion)

Pemilihan Model Regresi Terbaik Menggunakan Akaike s Information Criterion (The Best Regression ModelSelection UsingAkaike s Information Criterion) Jural EKSPONENSIALVolume Nomor September 00 ISSN 085-789 Pemlha Model Regres Terba Megguaa Aae s Iformato Crtero (The Best Regresso ModelSelecto UsgAae s Iformato Crtero) M. Fathurahma Staf Pegaar Program

Lebih terperinci

REGRESI & KORELASI LINIER SEDERHANA

REGRESI & KORELASI LINIER SEDERHANA . Pedahulua REGRESI & KORELASI LINIER SEDERHANA Gagasa perhtuga dtetapka oleh Sr Fracs Galto (8-9) Persamaa regres :Persamaa matematk ag memugkka peramala la suatu peubah takbebas (depedet varable) dar

Lebih terperinci

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline

Pemodelan Faktor-Faktor yang Mempengaruhi Angka Morbiditas di Jawa Timur Menggunakan Regresi Nonparametrik Spline JURNAL SAINS DAN SENI ITS Vol. 6, No., (7) ISSN: 337-35 (-98X Prt) D-5 Pemodela Fator-Fator yag Mempegaruh Aga Morbdtas d Jawa Tmur Megguaa Regres Noparametr Sple Krsa Wuladar, I Nyoma Budatara, da Madu

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

Pengantar. Ilustrasi 29/08/2012. LT Sarvia/ REGRESI LINEAR BERGANDA ( MULTIPLE LINEAR REGRESSION )

Pengantar. Ilustrasi 29/08/2012. LT Sarvia/ REGRESI LINEAR BERGANDA ( MULTIPLE LINEAR REGRESSION ) 9/08/0 ( MULTIPLE LINEA EGEION ) Elty arva, T., MT. Fakulta Teknk Juruan Teknk Indutr Unverta Krten Maranatha Bandung Pengantar Pada e ebelumnya kta hanya menggunakan atu buah X, dengan model Y = a + bx

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 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling

BAB 2 LANDASAN TEORI. Analisis regresi adalah suatu proses memperkirakan secara sistematis tentang apa yang paling BAB LANDASAN TEORI Kosep Dasar Aalss Regres Aalss regres adalah suatu proses memperkraka secara sstemats tetag apa yag palg mugk terjad dmasa yag aka datag berdasarka formas yag sekarag dmlk agar memperkecl

Lebih terperinci

UKURAN GEJALA PUSAT DAN UKURAN LETAK

UKURAN GEJALA PUSAT DAN UKURAN LETAK UKURAN GEJALA PUSAT DAN UKURAN LETAK MODUL 4 UKURAN GEJALA PUSAT DAN UKURAN LETAK. Pedahulua Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu persoala, bak megea sampel atau pu

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

Teknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak

Teknik Mengatasi Data Hilang pada Kasus Rancangan Blok Lengkapacak Jural Sas Matemata da Statsta, Vol. 3, No., Jul 07 ISSN 693-390 prt/issn 407-0939 ole Te Megatas Data Hlag pada Kasus Racaga Blo Legapaca Rado Yedra, Muslm, Jurusa Matemata, Faultas Sas da Teolog, UIN

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

BAB III PERSAMAAN PANAS DIMENSI SATU

BAB III PERSAMAAN PANAS DIMENSI SATU BAB III PERSAMAAN PANAS DIMENSI SAU Pada baga sebelumya, kta telah membahas peerapa metoda Ruge-Kutta orde 4 utuk meyelesaka masalah la awal dar persamaa dferesal basa orde. Pada bab, kta aka melakuka

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

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M

LEMMA HENSTOCK PADA INTEGRAL. Muslich Jurusan Matematika FMIPA UNS fine dan integral M JP : Volue 4 Noor Ju 0 hal. 4-5 LEA HENSTOCK PADA NTEGRAL uslch Jurusa ateata FPA UNS uslch_us@yahoo.co ABSTRACT. Based o the cshae e partto ad cshae tegral t ca be arraged the e partto ad tegral cocepts.

Lebih terperinci

III. METODE PENELITIAN. Populasi dalam penelitian ini adalah seluruh siswa kelas VII semester ganjil SMP

III. METODE PENELITIAN. Populasi dalam penelitian ini adalah seluruh siswa kelas VII semester ganjil SMP III. METODE PENELITIAN A. Popula da Sampel Popula dalam peelta adalah eluruh wa kela VII emeter gajl SMP Ba Mulya Badar Lampug Tahu Pelajara 0/0 dega jumlah wa ebayak 03 wa yag terbag dalam 3 kela. Sampel

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