MODEL KELUARGA SPLINE POLINOMIAL TRUNCATED DALAM REGRESI SEMIPARAMETRIK

Ukuran: px
Mulai penontonan dengan halaman:

Download "MODEL KELUARGA SPLINE POLINOMIAL TRUNCATED DALAM REGRESI SEMIPARAMETRIK"

Transkripsi

1 I Nyoma Budataa, Model Keluaga SPle MODEL KELUARGA SPLINE POLINOMIAL TRUNCATED DALAM REGRESI SEMIPARAMETRIK (Model of Tucated Polyomal Sle famly Semaametc Regesso) I Nyoma Budataa Juusa Statstka FMIPA-ITS Kamus ITS, Keuth, Sukollo, Suabaya ABSTRAK Dbeka data beasaga ( x t, y ) ' megkut model eges semaametk y = x m( t ) ε, t [ a b], da hubuga ataa x, t, da y dasumska β,, =,,...,. Vaabel eso y behubuga aametk dega vaabel edkto x = (x, x,...,x )' da behubuga oaametk dega vaabel edkto t. Betuk kuva eges m dasumska tdak dketahu, temuat d dalam uag Sobolev W [ a b], da β = ( β,..., β ) R aamete yag tdak dketahu. Estmas kuva eges mˆ da βˆ deoleh da memmumka Pealzed Least Suae (PLS) : b ( ( ( )) ( ) y x β m t γ m ( t )) dt, utuk seta m W [ a, b] = a, dega γ > aamete eghalus. Bebeaa metode seet Reoducg Keel Hlbet Sace (RKHS) da Gateaux seg dguaka utuk meyelesaka otmas PLS. Walauu metode RKHS da Gateaux memlk kelebha, teta metode memeluka egetahua matematka yag elatf tgg da memlk teestas Statstk khusus, yag sult daham oleh bayak eggua Statstka. Dalam tulsa, dbeka edekata keluaga sle olomal tucated utuk megestmas mˆ da βˆ. Pedekata memuya teestas Statstk yag mudah da sedehaa, dsamg tdak memeluka egetahua matematka yag tgg. Selajutya, dbeka alkas model keluaga sle olomal tucated utuk meduga ola hubuga semaametk ataa oduks Bllet ada suatu eusahaa bes baja dega vaabel oses oduks da baha baku Bllet yag beola aametk lea, seta dega lama waktu megejaka Bllet yag beola oaametk. Kata kuc: Sle, Keluaga Sle, Reges Semaametk, eges Noaametk. Abstact We ae gve data ots ( x t, y ) semaametc egesso model y ' = x β m( t ) ε, t [ a b], ad the elato betwee x, t, ad y assumed to follow,, =,,...,. Resose vaable y has aametc elato wth edcto vaable x = (x, x,...,x )' ad o-aametc elato wth edcto vaable t. Regesso cuve m s assumed ukow Sobalev sace W [ a b] = β,..., β R s the ukow aamete. Ths estmato of ad ( ) egesso cuve mˆ da βˆ s obtaed by mmzg Pealzed Least Suae (PLS) : b ( ( ( )) ( ) y x β m t γ m ( t) ) dt, fo each m W [ a, b] = a, ecso aamete. Some methods such as RKHS (Reoducg Keel Hlbet Sace) ad Gateaux ae feuetly 55

2 Bekala MIPA, 5(3), Setembe 5 used to solve the otmzato of PLS. Those methods have advatages but eed mathematcal kowledge ad secal statstcal teetato that touble commo statstcs uses. I ths atcle we use the aoxmato of famly of tucated olyomal sles to estmate mˆ ad βˆ. Ths aoach has easy ad smle statstcal teetato ad does ot eed extesve mathematcal kowledge. The model of tucated olyomal of semaametc e lato betwee Bllet oducto steel factoy wth oducto ocess vaable ad Bllet aw mateal wth lea aametc atte, ad wth eod of Bllet ocessg wth o-aametc atte. Keywods: Sle, sle famly, semaametc egesso, o-aametc egesso.. PENDAHULUAN Dalam aalss eges ola hubuga ataa dua vaabel atau lebh, tdak selalu beola aametk seet lea, kuadatk, kubk da yag laya. Tedaat bayak kasus dmaa ola hubuga ataa vaabel beola o-aametk. Bahka dalam bebeaa kasus yag la, seg hubuga ataa vaabel beola semaametk (Eubak, 988). Dalam eges aametk betuk kuva eges dasumska dketahu. Utuk daat megguaka edekata eges aametk, deluka egetahua masa lalu tetag kaaktestk data yag daat dseldk. Bebeda dega edekata aametk, dalam eges oaametk betuk kuva eges dasumska tdak dketahu. Kuva eges haya dasumska mulus (smooth) dalam at temuat d dalam suatu uag fugs tetetu. Data dhaaka meca sed betuk estmasya, taa degauh oleh fakto subyektftas da eacag eelta (Eubak, 988). Dega demka, edekata eges oaametk memlk fleksbeltas yag tgg. Reges semaametk meuaka gabuga ataa eges aametk da eges oaametk. Model eges semaametk mula bekembag esat sejak Wahba ada tahu 99 memublkaska suatu model hubuga semaametk da egguaa lstk ada egaa baga d Ameka Sekat, yag beola aametk lea dega edaata da beola oaametk dega temeatu. Saat sudah bayak aa eelt yag memfokuska eeltaya dalam eges semaametk, seet He da Sh (996), Sh da L (994), Subaa da Budataa (999; ). Msalka dbeka data beasaga (x, t, y ) da hubuga ataa x, t da y dasumska megkut model eges semaametk: ( ), t [ a, b], =, y = x β m t ε,..., () Vaabel eso y behubuga aametk dega vaabel edkto x = (x, x,...,x )' da behubuga oaametk dega vaabel edkto t. Kuva eges m dasumska temuat d dalam uag Sobolev W [ a b],, dega : ( [ ] ) = b W a, b h; ( m ( t) ) dt < a Paamete β = ( β,..., β )' R tdak dketahu. Tujua utama dalam aalss eges semaametk adalah medaatka estumas utuk kuva eges mˆ da βˆ. Estmas deoleh da memmumka Pealzed Least Suae (PLS) : = b ( ( y x β m( t )) γ ( m ) ( t) ), utuk seta m W [ a, b] a. () Jka dehatka secaa detal osedu estmas dalam eges oaametk da semaametk, seet Keel (Hadle, 99), Deet Otogoal (Eubak, 988), Foue da Wavelets (Atoads, 994), maka telhat dega jelas bahwa edekata-edekata tesebut deoleh dega memodelka (megham) kuva eges yag tdak dketahu dega suatu 56

3 Bekala MIPA, 5(3), Setembe 5 fugs tetetu (fugs keluaga) da masgmasg edekata. Selajutya dlakuka otmas Least Suae (LS) utuk memeoleh estmasya. Memehatka osedu estmas yag dlakuka oleh eelt-eelt d atas, dalam tulsa, dbeka suatu edekata keluaga sle, yatu sle olomal tucated.dega edekata dhaaka deoleh ehtuga matematk da teestas Statstk yag elatf mudah da sedehaa. Poses fees ddasaka ada olomal da otmas yag dguaka adlah LS (tdak otmas PLS). Selajutya, ada baga tulsa, dsajka suatu otmas utuk keluaga sle olomal tucated. Sedagka ada baga 3, dbeka alkas model sle olomal tucated ada data oduks Bllet da suatu eusahaa bes baja, yag beola semaametk.. OPTIMASI KELUARGA SPLINE POLINOMINAL TRUNCATED Sebelum meyajka edekata keluaga sle Polomal tucated dega megguaka otmas LS, telebh dahulu dbeka model umum utuk eges sle. Dbeka model eges semaametk (umum) : y = L m x β ε, =,,..., (3) L meuaka fugsoal lea tebatas ada suatu uag Hlbet H. Sesata adom ε bedstbus deede dega mea ol da vaas σ. Kuva eges m H da P aamete β = ( β,..., β ) R tdak dketahu. Kaea H uag Hlbet maka H daat ddekomoss mejad dect sum da dua uag, yatu uag N da M (Keyzsg, 978) : H = N M, dega uag ull da M = N. Utuk seta m H daat dyataka mejad m = u v, u N da v M. Bedasaka teoema eesetas Resz (Keyzsg, 978), tedaat dega tuggal eesete g H, sehgga : L m =< g, m >, m H, =,,..., Jka dtuls z = y x β maka model eges (3) daat dtuls mejad : z =< g, m > ε, =,,..., Estmas m deoleh bedasaka otmas (Budataa, ) : M m H dega Q = ( z < g, m) γ m = M { Q ( m) γq ( m) } m H ( m) = ( z < g m > ), Q ( m) = =, Pm (4) da P oyeks otogoal H oto M. Peyelesaa otmal (4) adalah suatu fugs yag meuaka aggota uag M. Dega sedkt ejabaa ddaat : Q ( ) ( ) m = z < g m >, = ( m) = = Q = Pm ( ) z < g, v > = Pu Pv Pv Akbatya utuk seta m H belaku : = = ( z < g, m> ) γ Pm ( z < g, v > ), v M I beat fugs aggota H yag memmumka otmas (4) meuaka aggota uag M. Bebeaa metode utuk meyelesaka otmas khusus (4) dalam eges oaametk, telah dbeka oleh bebeaa euls seet Cave da Wahba (979), Budataa, dkk., (997), dega megguaka RKHS. Metode yag sama juga telah dbeka utuk memeoleh estmato eges semaametk sle asal (Subaa da Budataa, 999; wahba, 99; Budataa, 999). Dsamg tu Eubak (988) membeka metode Gateaux utuk memeoleh estmas kuva eges oaametk sle mauu estmato eges semaametksle asal. Walauu RKHS da Gateaux memuya bebeaa kelebha, teta tdak daat dhda metode juga tedaat kelemaha-kelemaha seet memeluka egetahua matematk khusus (aalss Real 56

4 I Nyoma Budataa, Model Keluaga SPle da aalss Fugsoal) yag elatf tgg. Kaea alasa, He da Sh (996) da Sh da L (994) mecoba membeka edekata keluaga B-Sle utuk memeoleh estmas kuva eges asal. Teta hasl estmas dega B-Sle, juga memuya bebeaa kelemaha, seet kuag jelasya teetas Statstk da tdak meggambaka secaa vsual eubaha elaku kuva ada teval yag bebeda sebaga c khas da edekata sle. Bekut dbeka edekata keluaga sle la, yatu olomal sle tucated. Dega edekata dhaaka kelemaha - kelemaha d atas daat debak. Dbeka suatu betuk bass utuk uag Sle (Schumake, 98) bebetuk : {, t,..., t, ( t K ) I( t K ),...,( t K ) I( t K )}, dega I meuaka fugs dkato :, x D I D ( x) =, x D da K,K,...,K ttk-ttk kots. Ttk kots meuaka ttk eadua besama yag memelhatka tejadya eubaha elaku da fugs sle ada tevalteval yag bebeda. Utuk seta fugs m dalam uag daat dyataka sebaga kombas lea ( t) = θ θt θt θt φ( t K ) It ( K )... φ( t K ) It ( K ), m... utuk φ j, j =,,..., da φ, k =,,..., k kostata bela eal. Model eges () daay dyataka mejad : z utuk j = j t j = k = y k ( t K k ) I ( t K k ) ε θ φ z = y x β deoleh model eges : j = x β θ jt φ k k k = j = k = ( t K ) I ( t K ) ε,,,...,. Dega eyaja matks, deoleh model eges : * y = B x, t θ ε ( ), dega θ = ( β, θ, φ) * da B(x,t) matks beukua x() yag begatug β ada x da t. Estmas β = ( β ) = ( ),..., β, θ θ, θ,..., θ da φ = ( φ,..., φ ) deoleh da meyelasaka otmas LS : ( ) * * M ε ε = M ( ( ) ) ( ( ) ) y B x, t θ y B x, t θ R ; θ R ; φ R β R ; θ R ; φ R (5) Kaea B(x,t) matks ak euh maka dega sedkt ejabaa da megguaka devatf asal deoleh estmas aamete * θ : ˆ ( ˆ ) * θ = βˆ, θˆ, φ = ( B ( x, t) B( x, t) ) B ( x, t) y. Jad estmas kuva eges semaametk, dbeka oleh : ( y x, t) = B( x, t) B ( x, t) B( x, t) ( ) B ( x t)y ˆ E, = A ( x, t)y (6) dega A ( x, t) = B( x, t) ( B ( x, t) B( x, t ) B ( x, t). Matks A(x,t) memuya ea yag sagat etg dalam fees eges semaametk sle. Bedasaka uaa datas, deoleh eyataa bekut : (). Otmas yag dguaka utuk megestmas model keluaga olomal tucated adalah otmas LS (tdak PLS), sehgga secaa matematk mudah da sedehaa. (). Bass sle yag dguaka beua olomal tucated yag memuat ttkttk kots. Akbatya secaa vsual daat dgambaka secaa jelas eubaha elaku da model keluaga sle ada teval-teval yag bebeda, sebaga c khas edekata sle. ().Pedekata dega olomal memuya sfat matematk da Statstk yag bak. (v).estmato keluaga sle olomal tucated meuaka estmato lea dalam obsevas. Sfat lea sagat membatu dalam embagua fees utuk model keluaga sle olomal tucated (Budataa, ). (v). Estmato keluaga sle olomal tucated sebab : meuaka estmato bas, 57

5 Bekala MIPA, 5(3), Setembe 5 ( Eˆ ( y x, t ) = A( x t) E( y) = A ( x, t) [ xβ m( t) ] E, ( t) xβ m Walauu estmato bas, teta tdak bas asmotk (Budataa, ). 3. APLIKASI MODEL KELUARGA SPLINE POLINOMINAL TRUNCATED Pada baga dsajka alkas model semaametk da keluaga sle olomal tucated. Dbeka data oduks Bllet (dalam kg) meuaka oduk bes bataga da suatu eusahaa bes baja (y). Poduks Bllet degauh oleh bebeaa vaabel deede, dataaya HEAT (x h ) oses tetetu dalam oduks Bllet, SCRAP (x s ) bayak baha baku (dalam kg) utuk oduks Bllet POT ( x ) lama waktu (dalam detk) egejaa Bllet dega megguaka lstk. Ig destmas model ola hubuga ataa oduks Bllet dega vaabel deede HEAT, SCRAP da POT. Dambl samel adom sebayak 64 oduks Bllet selama satu mggu. Hubuga ke-emat vaabel dbeka oleh model : y = f x, x, x, =,,..., 64 ( ). h s ε ( ) ε,,,..., 64. y = β x β x m x = h s Kuva m ddekat dega model keluaga sle olomal tucated kuadatk dega dua ttk kots, yatu K da K (K = K ) : m j ( x ) ( ) ( ) ( ) ( ) = θ jx φ x K I x K φ x K I x K j = Utuk medaatka sle otmal elu dlh letak ttk-ttk kots K da K yag otmal dega megguaka geealzed Coss Valdato (GCV) (Budataa,). Fugs GCV dbeka oleh : (, K ) GK = y [ I Ax (, x, x { K, K })] [ I Ax (, x, x { K, K })] h s h s tacei Ax, x, x { K, K } ( [ ( )] ) Model sle otmal bekata dega la fugs G yag tekecl. Tabel meyajka gkasa la GCV utuk bebeaa ttk-ttk kots. Telhat da Tabel, la GCV tekecl adalah G ot (K,K ) = 5383, besesuaa dega ttk-ttk kots : K = 4369 da K = 46 Tabel. Nla GCV model keluaga sle olomal tucated da bebaga ttkttk kots h s y Plot ataa vaabel y dega x dsajka dalam Gamba (a), sedagka lot ataa vaabel y dega x h, da vaabel y dega x s, masg-masg dsajka dalam Gamba (a) da Gamba 3(a). Telhat da Gamba () da Gamba 3(a) bahwa hubuga ataa y dega x h cedeug lea. Demka ula dega hubuga ataa y dega x s juga cedeug lea. Teta lot Gamba (a) memelhatka tdak adaya kecedeuga ola hubuga yag jelas ataa y dega x, sehgga dalam hal sult utuk dmodelka secaa aametk. Bedasaka lot, dcoba model hubuga ataa vaabel eso y dega x h, da vaabel y dega x, x h, x s megguaka model semaametk, dmaa vaabel y dega x behubuga oaametk. Model eges semaametk dyataka sebaga : Ttk-ttk kots K = 4367, K = 464 K = 4368, K = 464 K = 4369, K = 464 K = 437, K = 464 K = 437, K = 464 K = 437, K = 464 K = 4373, K = 464 K = 4374, K = 464 K = 4375, K = 464 K = 4376, K = 464 K = 4377, K = 464 Nla GCV Ttk-ttk kots K =4369, K =46 * K =4369, K =46 K =4369, K =46 K =4369, K =463 K =4369, K =464 K =4369, K =465 K =4369, K =466 K =4369, K =467 K =4369, K =468 K =4369, K =469 K =4369, K =463 Nla GCV 5383 *

6 I Nyoma Budataa, Model Keluaga SPle 59

7 Bekala MIPA, 5(3), Setembe 5 Tabel. Estmas model semaametk keluaga sle olomal tucated. Paamete β β θ θ φ φ Estmas βˆ = 3,46 βˆ θˆ θˆ =.365 = 36,56 =,6948 φˆ =,8749 φˆ =,77396 Tabel meyajka gkasa eatmas aamete model semaametk da keluaga sle olomal tucated. Model estmas semaametk keluaga sle olomal tucated dbeka oleh : ( xh, xs, x ) = 3,46xh,365xs 36, 56x,6948x,8749( x 4369) I( x 4369).77396( x 46) I( x 46) Eˆ y Estmas ola hubuga oduks Bullet secaa asal dega vaabel edkto x dbeka dalam Gamba (b), beua model keluaga sle olomal tucated kuadatk dega dua ttk kots yatu K = 4369 da K = 46. Estmas ola hubuga oduks Bllet secaa asal dega vaabel edkto x h dbeka dalam Gamba (b), beola aametk lea. Sedagka, Estmas ola hubuga oduks Bllet secaa asal dega vaabel edkto x s dbeka dalam Gamba 3(b), yag juga beola aametk lea. Dafta Pustaka Atoads, A., Gegoe, G. ad Mackeagu, W., 994, Wavelets Methods fo Cuve Estmato, Joual of the Ameca Statstcal Assocato., 89, Budataa, I.N, Subaa, ad Soejoet, Z., 997, Weghted Sle Estmato, Bullet of the Iteatoal Statstcal Istute, 5, Budataa, I.N, 999, Estmato Sle Tebobot Dalam Reges Semaametk, Majalah Ilmu Pegetahua da Tekolog (IPTEKS),, 3-9. Budataa, I.N, a, Metode U, GML, CV da GCV Dalam Reges Noaametk Sle, Majalah Ilmah Hmua Matematka Idoesa (MIHMI), 6, 85-9 Budataa, I.N, b, Otmas da Poyeks Dalam Reges Noaametk Sle, Majalah Bekala Matematka da Ilmu Pegetahua Alam (BIMIPA)- Uvestas Gadjah Mada,, Budataa, I.N, a, Reges Noaametk da Semaametk Seta Pekembagaya, Makalah Pembcaa Utama ada Sema Nasoal Alum Pasca Sajaa Matematka Uve stas Gadjah Mada, Yogyakata. Budataa, I.N, b. Estmas Paametk da Noaametk Utuk edekata Kuva Reges, Makalah Pembcaa Utama ada Sema Nasoal Statstka V, Juusa Statstka, Fakultas Matematka da Ilmu Pegetahua Alam, Isttut Tekolog Seuluh Noembe (ITS), Suabaya. Budataa, I.N, 4, Sle : Hstos, Motvas, da Peaya Dalam Reges Noaametk, Makalah Pembcaa Utama ada Kofees Nasoal Matematka XII, Juusa Matematka, Fakultas Matematka da Ilmu Pegetahua Alam, Uvestas Udayaa (UNUD), Deasa. Cave, P. ad Wahba, G., 979, Smoothg Nose Data wth Sle Fuctos, Numesche Mathematcs, 3, Hadle, W., 99, Aled No-aametk Regesso, Cambdge Uvesty Pess, New Yok. He, X. ad Sh, 996, Bvaated teso Poduct B-Sle a Patly Lea Model Lea, Joual of Multvaate Aalyss, 58, 6-8. Keyszg, E., 978, Itoductoy Fuctoal Aalyss wth Alcato, Joh Wley ad Sos, New Yok. 6

8 I Nyoma Budataa, Model Keluaga SPle Subaa ad Budataa, I.N., 999, Weghted Sle Estmato a Patally Lea Models, Pocedgs of the SEAMS-GMU Iteatoal Cofeece 999 o Mathematcs ad Its Alcatos, 6-7. Wahba G., 99, Sle Models fo Obsevaso Data, SIAM Pesylvaa. 6

PEMILIHAN KNOT OPTIMAL DALAM ESTIMATOR SPLINE TERBOBOT PADA REGRESI NONPARAMETRIK HETEROSKEDASTIK DATA LONGITUDINAL

PEMILIHAN KNOT OPTIMAL DALAM ESTIMATOR SPLINE TERBOBOT PADA REGRESI NONPARAMETRIK HETEROSKEDASTIK DATA LONGITUDINAL Sema Nasoal Statsta IX Isttut Teolog Sepuluh Nopembe, 7 Novembe 009 PEMILIHAN KNOT OPTIMAL DALAM ESTIMATOR SPLINE TERBOBOT PADA REGRESI NONPARAMETRIK HETEROSKEDASTIK DATA LONGITUDINAL I Nyoma Budataa Juusa

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI TANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI PRODUKSI TANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR Bulet Ilmah Mat. Stat. da eapaa (Bmaste) Volume 0, No. (0), hal 79-86. ANALISIS FAKOR-FAKOR YANG MEMPENGARUHI PRODUKSI ANAMAN KEDELAIMENGGUNAKAN DIAGRAM JALUR Zaal Ap, Muhlasah Novtasa Maa, Neva Satahadew

Lebih terperinci

PENDUGAAN SELANG KEPERCAYAAN BOOTSTRAP PADA REGRESI NON PARAMETRIK KERNEL

PENDUGAAN SELANG KEPERCAYAAN BOOTSTRAP PADA REGRESI NON PARAMETRIK KERNEL Gust Ngua Ad Wbawa, et al//paadgma, Vol 7 No, Apl 03, lm -8 PENDUGAAN SELANG EPERCAYAAN BOOTSTRAP PADA REGRESI NON PARAMETRI ERNEL Gust Ngua Ad Wbawa, Badd Abap Sta Pegaja Juusa Matematka, FMIPA, Uvestas

Lebih terperinci

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb.

JMP : Volume 1 Nomor 2, Oktober 2009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK. Agustini Tripena Br.Sb. JMP : Volume Nomor, Oktober 009 PEMILIHAN PARAMETER PENGHALUS PADA ESTIMATOR DERET FOURIER DALAM REGRESI NONPARAMETRIK Agust Trpea Br.Sb. Fakultas Sas da Tekk, Uverstas Jederal Soedrma Purwokerto, Idoesa

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMAN 1 Terusan Nunyai. Populasi dalam penelitian

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMAN 1 Terusan Nunyai. Populasi dalam penelitian 3 III. METODE PENELITIAN A. Populas da Sampel Peelta dlaksaaka d SMAN Teusa Nuya. Populas dalam peelta adalah seluuh sswa kelas X SMAN Teusa Nuya semeste geap tahu pelajaa / yag bejumlah lma kelas. Kemampua

Lebih terperinci

Estimasi Parameter Data Tersensor Tipe I Berdistribusi Loglogistik Menggunakan Maximum Likelihood Estimate dan Iterasi Newton-Rhapson

Estimasi Parameter Data Tersensor Tipe I Berdistribusi Loglogistik Menggunakan Maximum Likelihood Estimate dan Iterasi Newton-Rhapson Estmas Paamete Data Teseso Tpe I Bedstbus Loglogstk Megguaka Maxmum Lkelhood Estmate da Iteas Newto-Rhapso Alfes Fauk Fakultas MIPA, Uvestas Swjaya; emal: alfesfauk@us.ac.d Abstact: Suvval aalyss s oe

Lebih terperinci

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD PENAKSIR PARAMETER DISTRIBUSI EKSPONENSIAL PARETO DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Mayag Novhta Sar *, Bustam, Sgt Sugarto Mahasswa Program Stud S Matematka FMIPA Uverstas Rau Dose Fakultas

Lebih terperinci

Penaksiran Parameter Model Regresi Polinomial Berkson Menggunakan Metode Minimum Distance

Penaksiran Parameter Model Regresi Polinomial Berkson Menggunakan Metode Minimum Distance Peaksra Parameter Model Regres Polomal Berkso Megguaka Metode Mmum Dstace Da Kurawat Dearteme Matematka, FMIPA UI, Kamus UI Deok 16 da61@gmal.com Abstrak Berkso Measuremet Error Model meruaka model regres

Lebih terperinci

Karakterisasi Produk Tensor l ( Δ) l. Muslim Ansori

Karakterisasi Produk Tensor l ( Δ) l. Muslim Ansori Ruag Basa Sesh ( Δ ),< < da Bebeaa Pemasaaha Kaatesas Podu Teso ( Δ) ( Δ) Musm Aso Juusa Matemata, FMIPA, Uvestas Lamug J. Soemat Bodoegoo No. Bada Lamug 3545 E-ma: asomath@ahoo.com ABSTRACT I ths ae we

Lebih terperinci

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA

Ruang Banach. Sumanang Muhtar Gozali UNIVERSITAS PENDIDIKAN INDONESIA Ruag Baach Sumaag Muhtar Gozal UNIVERSITAS PENDIDIKAN INDONESIA Satu kose etg d kulah Aalss ugsoal adalah teor ruag Baach. Pada baga aka drevu defs, cotoh-cotoh, serta sfat-sfat etg ruag Baach. Kta aka

Lebih terperinci

SIFAT-SIFAT LANJUT FUNGSI TERBATAS

SIFAT-SIFAT LANJUT FUNGSI TERBATAS Bulet Ilmah Mat. Stat. da Terapaya (Bmaster) Volume 03, No. 2(204), hal 35 42. SIFAT-SIFAT LANJUT FUNGSI TERBATAS Suhard, Helm, Yudar INTISARI Fugs terbatas merupaka fugs yag memlk batas atas da batas

Lebih terperinci

Estimasi Densitas Mulus dengan Metode Kernel. (Kernel Method in Smooth Density Estimation)

Estimasi Densitas Mulus dengan Metode Kernel. (Kernel Method in Smooth Density Estimation) Supat da Sudago Estmas Destas Mulus dega Metode Keel (Keel Metod Smoot Desty Estmato) Ole Supat 1) da Sudago ) Let X Abstact = 1,,, be depedet obsevato data fom a dstbuto wt a ukow desty fucto f. Te fucto

Lebih terperinci

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari:

( ) ( ) ( ) ( ) ( ) III MODEL. , θ Ω. 1 Pendugaan parameter dengan metode maximum lkelihood estimation dapat diperoleh dari: 5 Mamum Lkelhood Estmato Defs Fugs Lkelhood Msalka X, X,, X adalah eubah acak d dega fugs massa eluag ( ; θ, dega θ dasumska skalar da tdak dketahu, maka rosedur fugs lkelhood daat dtulska sebaga berkut

Lebih terperinci

Pemodelan Pengangguran Terbuka di Jawa Timur dengan Menggunakan Pendekatan Regresi Spline Multivariabel

Pemodelan Pengangguran Terbuka di Jawa Timur dengan Menggunakan Pendekatan Regresi Spline Multivariabel JURNAL SAINS DAN SENI ITS Vol., No., (Set. 0) ISSN: 0-98X D-6 Pemodela Pegaggua Tebua d Jawa Tmu dega Megguaa Pedeata Reges Sle Multvaabel Rul Sata Sa da I Nyoma Budataa Juusa Statsta, Faultas Matemata

Lebih terperinci

BAB III ISI. x 2. 2πσ

BAB III ISI. x 2. 2πσ BAB III ISI 4. Keadata Normal Multvarat da Sfat-sfatya Keadata ormal multvarat meruaka geeralsas dar keadata ormal uvarat utuk dmes. f ( x) [( x )/ ] / = e x π x = ( x )( ) ( x ). < < (-) (-) Betuk (-)

Lebih terperinci

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan

PENDAHULUAN Metode numerik merupakan suatu teknik atau cara untuk menganalisa dan menyelesaikan masalah masalah di dalam bidang rekayasa teknik dan Aalsa Numerk Baha Matrkulas PENDAHULUAN Metode umerk merupaka suatu tekk atau cara utuk megaalsa da meyelesaka masalah masalah d dalam bdag rekayasa tekk da sa dega megguaka operas perhtuga matematk Masalah-masalah

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMA YP Unila Bandarlampung yang berlokasi

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMA YP Unila Bandarlampung yang berlokasi III. METODE PENELITIAN A. Populas da Sampel Peelta dlaksaaka d SMA YP Ula Badalampug yag belokas d Jl. Jedal R. Supapto No.88 Tajug Kaag Badalampug. Populas yag dguaka dalam peelta adalah seluuh sswa kelas

Lebih terperinci

MODEL SPLINE DENGAN ERROR BERKORELASI. Nalim, I Nyoman Budiantara dan Kartika Fitriasari Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 60111

MODEL SPLINE DENGAN ERROR BERKORELASI. Nalim, I Nyoman Budiantara dan Kartika Fitriasari Jurusan Statistika ITS Kampus ITS Sukolilo Surabaya 60111 MODEL SPLINE DENGAN ERROR BERKORELASI Nalm I Nyoma Budatara da Kartka Ftrasar Jurusa Statstka ITS Kampus ITS Sukollo Surabaya 60 Abstract Sple smoothg s a popular method for estmatg the fucto oparametrc

Lebih terperinci

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu

Di dunia ini kita tidak dapat hidup sendiri, tetapi memerlukan hubungan dengan orang lain. Hubungan itu pada umumnya dilakukan dengan maksud tertentu KORELASI 1 D dua kta tdak dapat hdup sedr, tetap memerluka hubuga dega orag la. Hubuga tu pada umumya dlakuka dega maksud tertetu sepert medapat kergaa pajak, memperoleh kredt, memjam uag, serta mta pertologa/batua

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 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

MATEMATIKA INTEGRAL RIEMANN

MATEMATIKA INTEGRAL RIEMANN MATEMATIKA KELAS XII IPA - KURIKULUM GABUNGAN Ses NGAN INTEGRAL RIEMANN A. NOTASI SIGMA a. Defs Notas Sgma Sgma (Σ) adalah otas matematka megguaka smbol yag mewakl pejumlaha da beberapa suku yag memlk

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 III ESTIMASI MODEL PROBIT TERURUT

BAB III ESTIMASI MODEL PROBIT TERURUT BAB III ESTIMASI MODEL PROBIT TERURUT 3. Pedahulua Model eurua kods embata destmas dega model robt terurut. Estmas terhada arameter model robt terurut yatu koefse model da threshold dlakuka dega metode

Lebih terperinci

X a, TINJAUAN PUSTAKA

X a, TINJAUAN PUSTAKA PENELITIAN SEBELUMNYA Statstka Deskrptf TINJAUAN PUSTAKA TINJAUAN STATISTIKA Uj Idepedes Uj depedes dguak utuk megetahu adaya hubuga atara dua varabel (Agrest, 1990). H 0 : tdak ada hubuga atara varabel

Lebih terperinci

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD Eka Mer Krst ), Arsma Ada ), Sgt Sugarto ) ekamer_tross@ymal.com ) Mahasswa Program S Matematka FMIPA-UR

Lebih terperinci

Pemodelan Indeks Pembangunan Manusia (IPM) Provinsi Jawa Timur Dengan Menggunakan Metode Regresi Logistik Ridge

Pemodelan Indeks Pembangunan Manusia (IPM) Provinsi Jawa Timur Dengan Menggunakan Metode Regresi Logistik Ridge JURNAL SAINS DAN SENI IS Vol. 4, No., (015 337-350 (301-98X Pt D175 Pemodela Ideks Pembagua Mausa (IPM Povs Jawa mu Dega Megguaka Metode Reges Logstk Rdge Dw Maumee Puta da Vta Ratasa Juusa Statstka, Fakultas

Lebih terperinci

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2

INTERVAL KEPERCAYAAN UNTUK PERBEDAAN KOEFISIEN VARIASI DARI DISTRIBUSI LOGNORMAL I. Pebriyani 1*, Bustami 2, S. Sugiarto 2 INTERVAL KEPERCAAAN UNTUK PERBEDAAN KOEFIIEN VARIAI DARI DITRIBUI LOGNORMAL I. Pebrya * Bustam. ugarto Mahasswa Program Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu Pegetahua Alam Uverstas

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

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

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI

BAB 6 PRINSIP INKLUSI DAN EKSKLUSI BB 6 PRINSIP INKLUSI DN EKSKLUSI Pada baga aka ddskuska topk berkutya yatu eumeras yag damaka Prsp Iklus da Eksklus. Kosep dalam bab merupaka perluasa de dalam Dagram Ve beserta oepras rsa da gabuga, amu

Lebih terperinci

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat.

KALKULUS LANJUT. Pertemuan ke-4. Reny Rian Marliana, S.Si.,M.Stat. KALKULUS LANJUT Pertemua ke-4 Rey Ra Marlaa, S.S.,M.Stat. Plot Mater Notas Jumlah & Sgma Itegral Tetu Jumlah Rema Pedahulua Luas Notas Jumlah & Sgma Purcell, et all. (page 226,2003): Sebuah fugs yag daerah

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

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. 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

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION. Kismiantini

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION. Kismiantini PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 558, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area

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

BAB IV HASIL PENELITIAN DAN ANALISIS HASIL PENELITIAN. Adapun hasil penelitian akan dijelaskan sebagai berikut : TABEL 4.1

BAB IV HASIL PENELITIAN DAN ANALISIS HASIL PENELITIAN. Adapun hasil penelitian akan dijelaskan sebagai berikut : TABEL 4.1 68 BAB IV HASIL PENELITIAN DAN ANALISIS HASIL PENELITIAN A. Hasl Peelta Adapu hasl peelta aka djelaska sebaga bekut : TABEL 4. Tabel IQ, Iteleges Gada da Tes Hasl Belaja pada Pokok Bahasa Kesebagua Kelas

Lebih terperinci

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ALGORITMA MENENTUKAN HIMPUNAN TERBESAR DARI SUATU MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS LGORITM MENENTUKN HIMPUNN TERBESR DRI SUTU MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar Program Stud Matematka FMIP UNDIP JlProfSoedarto SH Semarag 575 bstract Ths research dscussed about how to obtaed

Lebih terperinci

PERBANDINGAN METODE CROSS VALIDATION DAN GENERALIZED CROSS VALIDATION DALAM REGRESI NONPARAMETRIK BIRESPON SPLINE

PERBANDINGAN METODE CROSS VALIDATION DAN GENERALIZED CROSS VALIDATION DALAM REGRESI NONPARAMETRIK BIRESPON SPLINE Perbadga Metode Cross Valdato Da Geeralzed Cross Valdato Dalam Regres Noarametrk Breso Sle Luh Putu Saftr Pratw PERBANDINGAN METODE CROSS VALIDATION DAN GENERALIZED CROSS VALIDATION DALAM REGRESI NONPARAMETRIK

Lebih terperinci

ANALISIS REGRESI SEMIPARAMETRIK PADA KASUS HILANGNYA RESPON

ANALISIS REGRESI SEMIPARAMETRIK PADA KASUS HILANGNYA RESPON ANALISIS REGRESI SEMIPARAMERIK PADA KASUS HILANGNA RESPON Irma ahya ), I Nyoma Budatara ), da Kartka Ftrasar ) ) Jurusa Matematka FMIPA, Uverstas Haluoleo Kedar ) Jurusa Statstka FMIPA, IS Sukollo Surabaya

Lebih terperinci

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode

BAB II LANDASAN TEORI. digunakan dengan mengabaikan asumsi-asumsi yang melandasi penggunaan metode BAB II ANDASAN TEORI. Regres Noparametrk Metode statstka oparametrk merupaka metode statstka ag dapat dguaka dega megabaka asums-asums ag meladas pegguaa metode statstk parametrk. Terutama ag berkata dega

Lebih terperinci

BAB III MATERI DAN METODE. non karkas kambing Jawarandu betina dilaksanakan pada bulan Juli sampai

BAB III MATERI DAN METODE. non karkas kambing Jawarandu betina dilaksanakan pada bulan Juli sampai BAB III MATERI DAN METODE Peelta tetag hubuga ataa bobot potog dega bobot kakas da o kakas kambg Jawaadu beta dlaksaaka pada bula Jul sampa dega Oktobe 2016 d tempat pemotoga hewa (TPH) Bustama d Jala

Lebih terperinci

BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE

BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE BOBOT OPTIMAL PADA REGRESI SEMIPARAMETRIK SPLINE Jerry Dw Trjoyo Puromo Jurusa Statstka Isttut Tekolog Sepuluh Nopember Surabaya Emal: jerrypuromo@yahoo.com ABSTRAK Regres semparametrk sple adalah metode

Lebih terperinci

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi.

Mean untuk Data Tunggal. Definisi. Jika suatu sampel berukuran n dengan anggota x1, x2, x3,, xn, maka mean sampel didefinisiskan : n Xi. Mea utuk Data Tuggal Des. Jka suatu sampel berukura dega aggota x1, x, x3,, x, maka mea sampel ddesska : 1... N 1 Mea utuk Data Kelompok Des Mea dar data yag dkelompoka adalah : x x 1 1 1 dega : x = ttk

Lebih terperinci

Estimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation)

Estimasi Densitas Mulus dengan Metode Wavelet. (Wavelet Method in Smooth Density Estimation) Supart da Subaar Estmas Destas Mulus dega Metode Wavelet (Wavelet Method Smooth Desty Estmato) Oleh Supart ) da Subaar ) Let X Abstract =,,, be depedet observato data from a dstrbuto wth a ukow desty fucto

Lebih terperinci

SOLUSI TUGAS I HIMPUNAN

SOLUSI TUGAS I HIMPUNAN Program Stud S1 Tekk Iformatka Fakultas Iformatka, Telkom Uversty SOLUSI TUGAS I HIMPUNAN Matematka Dskrt (MUG2A3) Halama 1 dar 6 Soal 1 Tetukalah eleme-eleme dar hmpua berkut! 2 x x adalah blaga real

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

Kontrol Tracking Fuzzy Menggunakan Sistem Servo Tipe Integral Pada Inverted Pendulum

Kontrol Tracking Fuzzy Menggunakan Sistem Servo Tipe Integral Pada Inverted Pendulum SEMINAR NASIONAL ELECTRICAL, INFORMATICS, AND IT S EDUCATIONS 9 Kotol Tackg Fuzzy Megguaka Sstem Sevo Tpe Itegal Pada Iveted Pedulum Thastut Agustah, Bahudd, Achmad Jazde Juusa Tekk Elekto FTI Isttut Tekolog

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 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

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis

STATISTIK. Ukuran Gejala Pusat Ukuran Letak Ukuran Simpangan, Dispersi dan Variasi Momen, Kemiringan, dan Kurtosis STATISTIK Ukura Gejala Pusat Ukura Letak Ukura Smpaga, Dspers da Varas Mome, Kemrga, da Kurtoss Notas Varabel dyataka dega huruf besar Nla dar varabel dyataka dega huruf kecl basaya dtuls Tmes New Roma

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

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas

TEKNIK SAMPLING. Hazmira Yozza Izzati Rahmi HG Jurusan Matematika FMIPA Universitas Andalas TEKNIK SAMPLING Hazmra Yozza Izzat Rahm HG Jurusa Matematka FMIPA Uverstas Adalas Defs Suatu cotoh gerombol adalah suatu cotoh acak sederhaa dmaa setap ut pearka cotoh adalah kelompok atau gerombol dar

Lebih terperinci

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI

MINGGU KE-10 HUBUNGAN ANTAR KONVERGENSI MINGGU KE-0 HUBUNGAN ANTAR KONVERGENSI Hubuga atar koverges Hrark atar koverges dyataka dalam teorema berkut. Teorema Msalka X da X, X, X 3,... adalah varabel radom yag ddefska pada ruag probabltas yag

Lebih terperinci

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER

TUGAS MATA KULIAH TEORI RING LANJUT MODUL NOETHER TUGAS ATA KULIAH TEORI RING LANJUT ODUL NOETHER Da Aresta Yuwagsh (/364/PPA/03489) Sebelumya, telah dketahu bahwa sebaga rg dega eleme satua memeuh sfat rata ak utuk deal-deal d. Apabla dpadag sebaga modul,

Lebih terperinci

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV

Penarikan Contoh Acak Berlapis (Stratified Random Sampling) Pertemuan IV Pearka Cotoh Acak Berlas (Stratfed Radom Samlg Pertemua IV Defs Cotoh acak berlas ddaatka dega cara membag oulas mejad beberaa kelomok ag tdak salg tumag tdh, da kemuda megambl secara acak dar seta kelomokkelomok

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

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP

TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM. Sudarno Jurusan Matematika FMIPA UNDIP JURNAL MATEMATIKA DAN KOMPUTER Vol. 7. No. 1, 11-19, Aprl 004, ISSN : 1410-8518 TAKSIRAN UMUR SISTEM DENGAN UMUR KOMPONEN BERDISTRIBUSI SERAGAM Sudaro Jurusa Matematka FMIPA UNDIP Abstrak Sstem yag dbetuk

Lebih terperinci

REPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL

REPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL REPRESENTASI BILANGAN FIBONACCI DALAM BENTUK KOMBINATORIAL Rzky Maulaa Nugraha Tekk Iformatka Isttut Tekolog Badug Blok Sumurwed I RT/RW 4/, Haurgeuls, Idramayu, 4564 e-mal: laa_cfre@yahoo.com ABSTRAK

Lebih terperinci

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan

REGRESI NONPARAMETRIK KERNEL ADJUSTED. Novita Eka Chandra Universitas Islam Darul Ulum Lamongan JMP : Volume 7 Nomor, Ju 05, hal. - 0 REGRESI NONPARAMETRIK KERNEL ADJUSTED Novta Eka Chadra Uverstas Islam Darul Ulum Lamoga ovtaekachadra@gmal.com Sr Haryatm da Zulaela Jurusa Matematka FMIPA UGM ABSTRACT.

Lebih terperinci

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real.

BAB 5 BARISAN DAN DERET KOMPLEKS. Secara esensi, pembahasan tentang barisan dan deret komlpeks sama dengan barisan dan deret real. BAB 5 BARIAN DAN DERET KOMPLEK ecara eses, pembahasa tetag barsa da deret komlpeks sama dega barsa da deret real. 5. Barsa Barsa merupaka sebuah fugs dega doma berupa hmpua blaga asl N. ebuah barsa kompleks

Lebih terperinci

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION 1. Kismiantini

PENDUGAAN BERBASIS MODEL UNTUK KASUS BINER PADA SMALL AREA ESTIMATION 1. Kismiantini PENDUGAAN BERBASIS MODEL UNUK KASUS BINER PADA SMALL AREA ESIMAION Ksmat Jurusa Peddka Matematka, Uverstas Neger Yogyakarta Karagmalag, Yogyakarta 5528, Idoesa e-mal : ksm_uy@yahoo.com ABSRAK Small Area

Lebih terperinci

JENIS BUNGA PEMAJEMUKAN KONTINYU

JENIS BUNGA PEMAJEMUKAN KONTINYU JENIS BUNGA PEMAJEMUKAN KONTINYU Suku Buga Nomal Suku Buga Efektf Hubuga ataa Suku Buga Nomal da Efektf Aus Daa Dskt da Aus Daa Kotyu SUKU BUNGA NOMINAL & SUKU BUNGA EFEKTIF Selama daggap aus daa (peemaa

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

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi.

TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Fitri Yulianti, SP. Msi. TATAP MUKA III UKURAN PEMUSATAN DATA (MEAN, MEDIAN DAN MODUS) Ftr Yulat, SP. Ms. UKURAN DATA Ukura data Ukura Pemusata data Ukura letak data Ukura peyebara data Mea Meda Jagkaua Meda Kuartl Jagkaua atar

Lebih terperinci

X, Y, yang diasumsikan mengikuti model :

X, Y, yang diasumsikan mengikuti model : PERBANDINGAN MODEL REGRESI NONPARAMETRIK DENGAN REGRESI SPLINE DAN KERNEL Lls Laome Jurusa Matematka FMIPA Uverstas Haluoleo Kedar 933 emal : ls@yaoo.com Abstrak Tulsa membaas model regres oarametrk utuk

Lebih terperinci

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL

ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA, Fakultas MIPA, Uverstas Neger Yogyakarta, 4 Me ANALISIS PEUBAH PREDIKTOR YANG MEMUAT KESALAHAN PENGUKURAN DENGAN REGRESI ORTOGONAL Ksmat Jurusa Peddka

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

Forum Statistika dan Komputasi, April 2010 p: 8-16 ISSN :

Forum Statistika dan Komputasi, April 2010 p: 8-16 ISSN : Foum Statstka da Komputas, Apl 1 p: 8-16 ISSN : 853-8115 Vol 15 No.1 PEMODELAN RESIKO PENYAKI KAKI GAJAH (FILARIASIS DI PROVINSI PAPUA DENGAN REGRESI ZERO-INFLAED POISSON (he Rsk of Flass Dsease Papua

Lebih terperinci

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data

4/1/2013. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut. Dengan: n = banyak data //203 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas Ukura

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Ceate b Smpo PDF Ceato Po (uegstee veso) http://www.smpopf.com Statstk Bss : BAB 9 IX. ANALISIS REGRESI DAN KORELASI 9. Peahulua Metoe aalss eges a koelas kembagka utuk mempelaja pola a meguku hubuga statstk

Lebih terperinci

Proses inferensi pada model logit Agus Rusgiyono. Abstracts

Proses inferensi pada model logit Agus Rusgiyono. Abstracts Proses eres ada model logt Agus Rusgoo Let dstrbuto wth Abstracts 3 rereset the resose o a omal radom varable o Beroull P P where s a arameter wth ukow value. Problems o estmatg used smallest square methods

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

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL

TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL TAKSIRAN PARAMETER DISTRIBUSI WEIBULL DENGAN MENGGUNAKAN METODE MOMEN DAN METODE KUADRAT TERKECIL Hesty ala, Arsma Ada, Bustam hestyfala@ymalcom Mahasswa Program S Matematka MIPA-UR Dose Matematka MIPA-UR

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini bertujuan mengetahui hubungan intensitas kegiatan

III. METODE PENELITIAN. Penelitian ini bertujuan mengetahui hubungan intensitas kegiatan III. METODE PENELITIAN A. Metode Peelta Peelta betujua megetahu hubuga testas kegata ekstakulkule Pamuka, da PMR pada sswa Kelas VIII SMP Nege Guug Labuha Way Kaa dega pestas belaja IPS semeste gajl tahu

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI DENGAN MENGGUNAKAN DUA VARIABEL TAMBAHAN Idah Vltr, Harso, Haposa Srat Mahassa Program S Matematka Dose Jurusa Matematka Fakultas Matematka da Ilmu

Lebih terperinci

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER

ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo Estmas Regres Deret Fourer ESTIMASI FUNGSI REGRESI MENGGUNAKAN METODE DERET FOURIER Supart da Sudargo 2 ) Jurusa Matematka, FMIPA, Udp 2) Jurusa Ped. Matematka, FPMIPA, IKIP PGRI, Semarag

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

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran

STATISTIKA: UKURAN PEMUSATAN. Tujuan Pembelajaran Kurkulum 013/006 matematka K e l a s XI STATISTIKA: UKURAN PEMUSATAN Tujua Pembelajara Setelah mempelajar mater, kamu dharapka memlk kemampua berkut. 1. Dapat meetuka rata-rata data tuggal da data berkelompok..

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

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

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS

SUM BER BELA JAR Menerap kan aturan konsep statistika dalam pemecah an masalah INDIKATOR MATERI TUGAS C. Pembelajara 3 1. Slabus N o STANDA R KOMPE TENSI KOMPE TENSI DASAR INDIKATOR MATERI TUGAS BUKTI BELAJAR KON TEN INDIKA TOR WAK TU SUM BER BELA JAR Meerap ka atura kosep statstka dalam pemecah a masalah

Lebih terperinci

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1

Integrasi 1. Metode Integral Reimann Metode Integral Trapezoida Metode Integral Simpson. Integrasi 1 Itegras Metode Itegral Rema Metode Itegral Trapezoda Metode Itegral Smpso Itegras Permasalaa Itegras Pertuga tegral adala pertuga dasar yag dguaka dalam kalkulus, dalam bayak keperlua. Itegral secara det

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

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

Weight Estimation Using Generalized Moving Average

Weight Estimation Using Generalized Moving Average IPTEK, The Joural for Techolog ad Scece, Vol. 9, No. 4, November 8 3 Weght Estmato Usg Geeralzed Movg Average Jerr Dw Trjoo Puromo, I Noma Budatara, da Kartka Ftrasar Abstract Estmato of regresso curve

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

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama.

BAB 2 LANDASAN TEORI. yang akan terjadi pada masa yang akan datang dengan waktu yang relative lama. BAB 2 LANDASAN TEORI 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatve lama. Sedagka ramala adalah

Lebih terperinci

ESTIMASI BOBOT DENGAN GENERALIZED MOVING ANERAGE DAN VISUALISASINYA

ESTIMASI BOBOT DENGAN GENERALIZED MOVING ANERAGE DAN VISUALISASINYA ESTIMASI BOBOT DENGAN GENERALIZED MOVING ANERAGE DAN VISUALISASINYA Jerr Dw Trjoo Puromo Alum Pasca Sarjaa Statstka FMIPA ITS Kampus ITS Sukollo, Surabaa I Noma Budatara Jurusa Statstka FMIPA ITS Kampus

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

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten

BAB III METODE PENELITIAN. Tempat penelitian ini dilaksanakan di SMP Negeri 4 Tilamuta Kabupaten BAB III METODE PENELITIAN 3. Tempat da Waktu Peelta 3.. Tempat Tempat peelta dlaksaaka d SMP Neger 4 Tlamuta Kabupate Boalemo pada sswa kelas VIII. 3.. Waktu Peelta dlaksaaka dalam waktu 3 bula yatu dar

Lebih terperinci

ANALISIS PERBANDINGAN MEAN VARIANCE

ANALISIS PERBANDINGAN MEAN VARIANCE Perbadga MV da MAD (Susy Arska Putr) 1 ANALISIS PERBANDINGAN MEAN VARIANCE (MV) DAN MEAN ABSOLUTE DEVIATION (MAD) DALAM PEMBENTUKAN PORTOFOLIO COMPARATIVE ANALYSIS MEAN VARIANCE (MV) AND MEAN ABSOLUTE

Lebih terperinci

PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE. Suparti 1 dan Tarno 2

PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE. Suparti 1 dan Tarno 2 Pemodela Data (Supart) PEMODELAN DATA INFLASI INDONESIA PADA SEKTOR TRANSPORTASI, KOMUNIKASI, DAN JASA KEUANGAN MENGGUNAKAN METODE KERNEL DAN SPLINE Supart 1 da Taro 2 1 Staf Jurusa Statstka FSM UNDIP,

Lebih terperinci

Notasi Sigma. Fadjar Shadiq, M.App.Sc &

Notasi Sigma. Fadjar Shadiq, M.App.Sc & Notas Sgma Fadjar Shadq, M.App.Sc (fadjar_pg@yahoo.com & www.fadjarpg.wordpress.com Notas sgma memag jarag djumpa dalam kehdupa sehar-har, tetap otas tersebut aka bayak djumpa pada baga matematka yag la,

Lebih terperinci

Volume 1, Nomor 2, Desember 2007

Volume 1, Nomor 2, Desember 2007 Volume, Nomor, Desember 007 Barekeg, Desember 007. hal.-7 Vol.. No. ESTIMASI PARAMETER DISTRIBUSI EKPONENSIAL PADA LOKASI TERBATAS (Estmatg Parameter Dstrbuto Expoetal At Fte Locato MOZART W TALAKUA, JEFRI

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

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama.

BAB 2 LANDASAN TEORITIS. yang akan terjadi pada masa yang akan datang dengan waktu yang relatif lama. BAB 2 LANDASAN TEORITIS 2.1 Pegerta Peramala Peramala ( forecastg ) adalah kegata memperkraka atau mempredkska apa yag aka terjad pada masa yag aka datag dega waktu yag relatf lama. Sedagka ramala adalah

Lebih terperinci

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut

3/19/2012. Bila X 1, X 2, X 3,,X n adalah pengamatan dari sampel, maka rata-rata hitung dirumuskan sebagai berikut 3/9/202 UKURAN GEJALA PUSAT DAN UKURAN LETAK Kaa Evta Dew, S.Pd., M.S. Ukura gejala pusat Utuk medapatka gambara yag lebh jelas tetag sekumpula data megea sesuatu hal, bak tu dar sampel ataupu populas

Lebih terperinci

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu

I adalah himpunan kotak terbatas dan tertutup yang berisi lebih dari satu METODE FUNGS QUAS-FED SATU ARAMETER UNTUK MENYEESAKAN MASAAH ROGRAM NTEGER TAK NEAR Ra Hardyat (M4) ABSTRAK Dalam kehdupa sehar-har serg djumpa masalah optmas yag membutuhka hasl teger Masalah tersebut

Lebih terperinci