ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES. Abstract

Ukuran: px
Mulai penontonan dengan halaman:

Download "ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES. Abstract"

Transkripsi

1 Esmas Paamee (Ida sa) ESIMASI PARAMEER DISRIBUSI WEIBULL DUA PARAMEER MENGGUNAKAN MEODE BAYES Ida sa Hazhah, Sugo, Ra Rahmawa Mahasswa Juusa Saska FSM Uvesas Dpoegoo Sa Pegaja Juusa Saska FSM UNDIP Absa Ieval esmao o a paamee s oe pa o sasal eee. Oe o he mehods ha used s he Bayes mehod. A Bayesa mehod s ombe po dsbuo ad dsbuo o samples, so ha he poseo dsbuo a be obaed. Ieval esmao usg a mehod Bayes alled edbel eval esmao. I hs hess, he dsbuo o he sample s used a wo-paamee Webull dsbuo sale-shape-veso o suvval dsbuo (elably). Daa ha used ae daa ha s o esoed daa ype ad daa ype II esoed po dsbuo usg oomave whh o he podue dsbuo he esulg poseo dsbuo s gamma dsbuo. Paamees o he sample dsbuo ha o d ou s a paamee ha by he paamee (shape paamee) kow whle he paamee b (sale paamee) had ukow. Keywods: Bayes Mehod, wo-paamees Webull Dsbuo, Gamma Dsbuo, he Esmaed Cedble Ieval. b. Pedahulua Iees saska dapa dbedaka mejad dua yau esmas paamee da uj hpoess. Esmas paamee sed dapa beupa esmas paamee k da esmas paamee eval. Esmas paamee eval dapa megguaka dua meode yau meode klask da meode Bayes [7]. Pada meode Bayes paamee yag dguaka meupaka vaabel adom yag mempuya dsbus po. Dsbus po adalah dsbus subyek bedasaka pada keyaka seseoag da dumuska sebelum daa sampel dambl [7]. Dsbus sampel yag dgabug dega dsbus po aka meghaslka dsbus poseo [3]. Dsbus poseo meyaaka deaja keyaka seseoag megea suau paamee seelah sampel dama [7]. Meode Bayes meggabugka dsbus sampel da dsbus po sehgga mejad dsbus poseo yag aka dguaka dalam meeuka ees eag suau paamee yag mash dpadag sebaga vaabel adom. Salah sau dsbus la yag bayak juga dguaka akh-akh dalam meaga masalah esebu adalah dsbus Webull yag dpekealka oleh skawa Sweda yau Waloddo Webull pada ahu 939 [6]. Dsbus Webull selama beahuahu mejad salah sau model daa sask yag memlk jagkaua luas da aplkas dalam uj hdup da eo elablas dega kelebha uamaya adalah meyajka keakuaa kegagala dega sampel yag saga kel [4]. Meode Bayes yag deapka pada Dsbus Webull dapa membau uuk mempemudah peela yag dlakuka dega memadag bayakya baya da waku yag dbuuhka apabla haus memeuh daa ukup, sehgga dapa megaka baya da waku yag ela lebh sedk dega megadalka omas da peela sebelumya. 7

2 Meda Saska, Vol. 5, No., Ju 0 : 7-35 Dalam ulsa, pemasalaha yag dbahas yau meeuka beuk esmao (peduga) Bayes uuk dsbus Webull dua paamee dega sampel legkap da sampel eseso pe II. Dalam ulsa, pembahasa masalah aka dbaas megea:. Dsbus sampel yag dguaka adalah sampel legkap da sampel eseso pe II dsbus Webull. Megguaka po o-oma sebaga dsbus po 3. Meeuka esmao Bayesa paamee b dega paamee (shape) dkeahu. ujua da ulsa adalah megguaka meode Bayesa uuk megeahu esmao paamee skala pada dsbus Webull dua paamee dega esmao paamee beuk yag dkeahu.. jaua Pusaka.. Dsbus Gamma Dsbus Gamma medapa amaya da ugs Gamma yag sudah dkeal luas, da dpelaja dalam bayak bdag maemaka. Dsbus Gamma yag dasomas aka meghaslka dsbus ves Gamma. Sebelum membahas dsbus Gamma da ves Gamma, elebh dahulu aka djau ugs Gamma da bebeapa saya yag peg. Fugs Gamma dapa dyaaka sebaga : 0 x e x dx, 0 Fugs dsbus kumula uuk dsbus Gamma dyaaka dalam beuk: x k x F( x k ) x dx k 0 k Jka X bedsbus Gamma dega paamee k = da θ = [] maka. M X. E X 3. Va X () ().. Dsbus Webull Dsbus Webull peama kal dpekealka oleh Webull pada ahu 936 dega 3 paamee, yag kemuda edapa dsbus Webull dega dua da sau paamee, dega masg-masg dsbusya [3] :. ga paamee x a x a x a, b,, b b b x a (3). Dua paamee a) x x x 0, b,, b b b (4) Dsbus dsebu ves skala beuk x a x a,, x a, (5) b) Dsbus dsebu ves lokas beuk 8

3 Esmas Paamee (Ida sa) x a ) x a, b,, (6) b b Dsbus dsebu ves pegesea skala 3. Sau paamee x x 0,, x a) b) x 0, b, b x b x a,, x a ) dega a = paamee lokas, b = paamee skala da = paamee beuk.3. Dsbus Webull Dua Paamee Dsbus Webull adalah salah sau dsbus kou yag peama kal dpekealka oleh skawa Sweda beama Walodd Webull pada ahu 939. Sebuah peubah aak kou X bedsbus Webull, dega paamee λ da, jka ugs desasya yau [7] : x 0,, x x, x 0, ol yag (7) laya dega λ > 0 da > eo Bayesa P( Aj ) P( B Aj ) P( Aj B) k P( A ) P( B A ) eoema Bayes membeka aua sedehaa uuk meghug peluag besyaa peswa A jka B ejad, jka masg-masg peluag ak besyaa A da peluag besyaa B jka A ejad dkeahu..5. Dsbus Po Meode Jeey s Meuu [], meode Jeey s meyaaka bahwa dsbus po aka da omas Fshe yag dyaaka dalam: g dmaa omas Fshe dyaaka l E g, meupaka.6. Dsbus Poseo Pada [5], dsbus poseo adalah ugs desas besyaa jka dkeahu la obsevas x. I dapa dulska sebaga:, x x x 9

4 Meda Saska, Vol. 5, No., Ju 0 : 7-35 Fugs kepadaa besama da magal yag dpeluka dapa duls dalam beuk dsbus po da ugs lkelhood,, x x. (8) x,xd g x d Sehgga ugs desas poseo uuk vaabel adom kou dapa duls sebaga: g x x g x d (9) 3. Meodolog 3.. Jes da Sumbe Daa Daa yag aka dguaka sebaga sud leaue pada ulsa beupa bagka daa da sowae R yag bedsbus Webull dega paamee shape da sale. 3.. ekk Pegolaha Daa Pegolaha daa dlakuka seaa maual dega dbau sowae Exel sebaga ala bau pehuga daa da sowae R yag dguaka dalam pembagka daa Meode Aalss ahapa aalss yag dlakuka sebaga beku: ahap I : Megguaka sampel daa legkap da sampel daa eseso pe II yag bedsbus Webull dua paamee ahap II : Dsbus Webull dua paamee dasomaska ke beuk dsbus Ekspoesal dega megubah mejad Y megguaka asomas jakoba yau y y x d g y g y ahap III : Meeuka ugs lkelhoodya a. Sampel daa legkap megguaka umus L dy y, y b. Sampel daa eseso pe II megguaka umus L y,, y. Sy j ahap IV: Meeuka dsbus po a. Meeuka omas she dega umus l E b. Meeuka dsbus po dega umus: g 30

5 Esmas Paamee (Ida sa) ahap V : Meeuka dsbus poseo dega megguaka umus : g x x g x d ahap VI: Meeuka esmas paamee Λ, ekspekas, vaa, da eval kedbelas. 4. Esmas Paamee Megguaka Meode Bayes 4. Dsbus Webull sebaga Dsbus Sampel Dsbus Webull dua paamee ves skala beuk sesua pada pesamaa (7) sebaga beku,, 0 0,, 0,uuk laya pada pesamaa (9) dasomaska ke beuk dsbus Ekspoesal dega megubah mejad Y maka pesamaa esebu mejad: y d y g y. g y y y x dy y y (0) 4. Sampel Daa Legkap Fugs lkelhood dsbus sampel uuk daa legkap adalah sebaga beku : L y, y y () 4.. Dsbus Po No-oma Sebelum omas Fshe da yag dlajuka mea dsbus po megguaka meode Jeeys, elebh dahulu yag haus da adalah ugs log aual lkelhood da pesamaa (0) yau l L I g y, l l L E I y 3

6 Meda Saska, Vol. 5, No., Ju 0 : Dsbus Poseo da Dsbus Webull dega Dsbus Po No- Ioma d.. () Dsbus poseo da sampel daa legkap uuk dsbus Webull dua paamee adalah Gamma (, ) 4..3 Esmas Paamee da Dsbus Poseo uuk Daa Legkap Ekspekas Gamma (, ) sepe ekspekas pada pesamaa () yau M, E, Va B M M. (3) Pesamaa meupaka ugs mome da kh-kuada dega deaja bebas yag bea ~ Q Ieval kedblas (-α)00% uuk λ adalah (4)

7 Esmas Paamee (Ida sa) 4.3 Sampel Daa eseso pe II Pebedaa sampel daa eseso pe II dega sampel daa legkap yau edapaya jumlah daa eseso sebesa da obyek yag dobsevas pada sampel daa eseso pe II sehgga. L y,, y. Sy j y. y j (5) 4.3. Dsbus Po No-oma Sebelum da omas Fshe yag dlajuka mea dsbus po megguaka meode Jeeys, elebh dahulu yag haus da adalah ugs log aual lkelhood da pesamaa (5) l L y,, l L I E g I Dsbus Poseo da Dsbus Webull dega Dsbus Po No- Ioma g x x (8) g x d dega Dsbus poseo da sampel daa legkap uuk dsbus Webull dua paamee adalah Gamma (, ) (6) (7) 33

8 Meda Saska, Vol. 5, No., Ju 0 : Esmas Paamee da Dsbus Poseo uuk Daa eseso pe II Ekspekas Gamma (, ) sepe ekspekas pada pesamaa () yau M E,, Va B (9) Dmsalka Q M M... (0) Pesamaa meupaka ugs mome da kh-kuada dega deaja bebas yag bea ~ Q Ieval kedblas (-α)00% uuk λ adalah Q P Q () dega adalah Kh-kuada dega deaja bebas 5. Kesmpula Bedasaka pembahasa yag elah dlakuka, dapa dsmpulka bahwa:. Esmas paamee λ pada sampel legkap B sedagka sampel eseso pe II B ) (.. Esmas edbel paamee λ dsbus Webull dua paamee dega paamee shape () pada sampel legkap yau sedagka sampel eseso pe II yau, sedagka ) (.

9 Esmas Paamee (Ida sa) DAFAR PUSAKA. Al Kuub H.S da Al, Maxmum Lkelhood Esmaos wh Complee ad Cesoed DaaI, College o Nusg, Kua Uvesy, Iaq, 0.. Dudewz, J. Edwad da Msha, N. Saya, Saska Maemaka Mode, IB, Badug, Hos, R., he Webull Dsbuo A Hadbook, Jusua-Lebg-Uvesy Gesse, Jema, Hossa, A.M. da W.J Zmme, Compaso O Esmao Mehods Fo Webull Paamees: Complee Ad Cesoed Samples, Joual Sa. Compu, Soejoe, Z da Soebaa, Iees Bayesa, Kauka Uvesas ebuka, Jakaa, Walpole, R. E., Pegaa Saska Eds ke-3, P Gameda Pusaka Uama, Jakaa, Walpole, R. E da Myes, R. H. Ilmu Peluag da Saska uuk Isyu da Ilmuwa, eba Kedua, IB, Badug,

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES

ESTIMASI PARAMETER DISTRIBUSI WEIBULL DUA PARAMETER MENGGUNAKAN METODE BAYES JURNA GAUSSIAN Volume Nomo ahu 0 Halama 03- Ole d: hp://ejoual-sudpad/dephp/aussa ESIMASI PARAMEER DISRIBUSI WEIBU DUA PARAMEER MENGGUNAKAN MEODE BAYES Ida sa Hazhah Suo Ra Rahmawa 3 Mahasswa Juusa Saska

Lebih terperinci

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2

INFERENSI DATA UJI HIDUP TERSENSOR TIPE II BERDISTRIBUSI RAYLEIGH. Oleh : Tatik Widiharih 1 Wiwin Mardjiyati 2 INFERENSI DAA UJI HIDUP ERSENSOR IPE II BERDISRIBUSI RAYLEIGH Oleh : ak Wdhah Ww Madjya Saf Pogam Sud Saska FMIPA UNDIP Alum Pogam Sud Saska FMIPA UNDIP Absac Aalyss of lfe me s oe of sascal aalyss whch

Lebih terperinci

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA

BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL. MESIN OKK Gill BCG1-P2 PADA BAGIAN DRAWING PT VONEX INDONESIA BAB III MENENTUKAN JADWAL OPTIMUM PERAWATAN OVERHAUL MESIN OKK Gll BCG1-P PADA BAGIAN DRAWING PT VONEX INDONESIA 3.1 Pedahulua Pada Bab II elah djelaska megea eor eor yag dbuuhka uuk meeuka jadwal opmum

Lebih terperinci

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF

ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Bule Ilmah Mah. Sa. da Terapaya Bmaser Volume 5, No. 3 26, hal 23 22. ESTIMASI PARAMETER MODEL SURVIVAL DISTRIBUSI EKSPONENSIAL DATA TERSENSOR DENGAN METODE MAKSIMUM LIKELIHOOD DAN BAYESIAN SELF Syarah

Lebih terperinci

Kredibilitas dengan Pendekatan Bühlmann

Kredibilitas dengan Pendekatan Bühlmann Kedblas dega Pedekaa Bühlma Isada Slame da Ksa Naala Juusa Maemaka FMIPA UNS Absak Teo kedblas meupaka poses pembuaa a oleh akuas uuk melakuka peyesuaa pem d masa depa meuu pegalama masa lampau. Pada eo

Lebih terperinci

Hidraulika Komputasi

Hidraulika Komputasi Hdraulka Kompuas Meoda Beda Hgga Ir. Djoko Lukao, M.Sc., Ph.D. Jurusa Tekk Spl Fakulas Tekk Uversas Gadjah Mada Peyelesaa Pedekaa Karea dak dperoleh peyelesaa aals, maka dguaka peyelesaa pedekaa umers.

Lebih terperinci

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV

BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV BAB 4 ENTROPI PADA PROSES STOKASTIK RANTAI MARKOV 4. Proses Sokask Dalam kehdupa yaa, sergkal orag g megama keerkaa sau kejada dega kejada la dalam suau erval waku ereu, yag merupaka suau barsa kejada.

Lebih terperinci

BAB II LANDASAN TEORI. pembahasan bab-bab berikutnya antara lain tentang model pergerakan harga

BAB II LANDASAN TEORI. pembahasan bab-bab berikutnya antara lain tentang model pergerakan harga BAB II LANDASAN TEORI Pada bab aka dbahas bebeapa eo dasa yag dpeluka pada pembahasa bab-bab bekuya aaa la eag model pegeaka haga saham, model kesembaga, meode maxmum lkelhood esmao, ops pu Ameka, smulas

Lebih terperinci

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma.

DISTRIBUSI GAMMA. Ada beberapa distribusi penting dalam distribusi uji hidup, salah satunya adalah distribusi gamma. DITRIBUI GAMMA Ada beberaa dsrbus eg dalam dsrbus uj hdu, salah sauya adalah dsrbus gamma. A. Fugs keadaa eluag (fk) Fugs keadaa eluag (fk) dar dsrbus gamma dega dua arameer yau da adalah sebaga berku:

Lebih terperinci

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik

III. METODE PENELITIAN. instansi pemerintah, diantaranya adalah publikasi data dari Badan Pusat Statistik III. METODE PENELITIAN A. Jes da Sumber Daa Daa yag dguaka adalah daa sekuder dar publkas das aau sas pemerah, daaraya adalah publkas daa dar Bada Pusa Sask megea PDRB Koa Badar Lampug da PDRB Props Lampug.

Lebih terperinci

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc.

Oleh : Azzahrowani Furqon Dosen Pembimbing Dr. Purhadi, M.Sc. Aalss Regres Webull uuk Megeahu Fakor-Fakor yag Mempegaruh Laju Perbaka Kods Kls Pedera Sroke Sud kasus RSU Haj Surabaya Oleh : Azzahrowa Furqo 3090004 Dose Pembmbg Dr. Purhad, M.Sc. AGENDA OUTLINE PENDAHULUAN

Lebih terperinci

BAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel

BAB III PENAKSIR DERET FOURIER. Dalam statistika, penaksir adalah sebuah statistik (fungsi dari data sampel BAB III PENAKSIR DERET FOURIER 3. Peaksi Dalam saisika, peaksi adalah sebuah saisik (fugsi dai daa sampel obsevasi) yag diguaka uuk meaksi paamee populasi yag idak dikeahui (esimad) aau fugsi yag memeaka

Lebih terperinci

Pendeskripsian Kontur Dan Image Suatu Kawasan Eksplorasi Menggunakan Monte Carlo Markov Chain

Pendeskripsian Kontur Dan Image Suatu Kawasan Eksplorasi Menggunakan Monte Carlo Markov Chain Jual Gade Vol.4 No. Jaua 28 : 328-332 edeskpsa Kou Da Image Suau Kawasa Eksploas egguaka oe Calo akov Cha Jose Rzal, Ulfasa Rafflesa Juusa aemaka, Fakulas aemaka da Ilmu egeahua Alam, Uvesas Begkulu, Idoesa

Lebih terperinci

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF

STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF STUDI SIMULASI DALAM ESTIMASI BAYESIAN OBYEKTIF A Seawa Program Su Maemaka Iusr a Saska Fakulas Sas a Maemaka Uversas Krse Saya Wacaa Jl Dpoegoro 52-6 Salaga 57 Ioesa e-mal: a_sea_3@yahoocom Absrak Dega

Lebih terperinci

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2

PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI 1D DENGAN SKEMA FTCS, LAASONEN DAN CRANK-NICOLSON. Eko Prasetya Budiana 1 Syamsul Hadi 2 PENYELESAIAN NUMERIK PERSAMAAN KONDUKSI D DENGAN SKEMA FCS, LAASONEN DAN CRANK-NICOLSON Eko Praseya Budaa Syamsul Had Absrac, Fe dfferece mehod ( FCS, Laasoe ad Crak-Ncholso scheme) have bee develop for

Lebih terperinci

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section

Estimasi Parameter dan Dalam Pemulusan Eksponensial Ganda Dua Parameter Dengan Metode Modifikasi Golden Section JURNAL SAINS DAN SENI ITS Vol., No., (Sep. 0) ISSN: 0- A- Esmas Parameer a Dalam Pemulusa Ekspoesal Gaa Dua Parameer Dega Meoe Mofkas Gole Seco Nla Yuwa, Lukma Haaf, Nur Wahyugsh Jurusa Maemaka, Fakulas

Lebih terperinci

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX

ANALISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCULOSIS DENGAN MODEL REGRESI COX ANAISIS FAKTOR-FAKTOR YANG MEMPENGARUHI KETAHANAN HIDUP PASIEN TUBERCUOSIS DENGAN MODE REGRESI COX Es Okava Sr Seyagsh da A Adrya Program Sud Maemaka Fakulas Maemaka da Ilmu Pegeahua Alam Uversas Pakua

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA 5 BAB II TINJAUAN PUSTAKA Pada bab aka dbahas eag posedu peguja hpoess uuk daa yag beasal da dua sampel salg behubuga aau slah la dua sampel bepasaga. Salah sau cooh adalah ekspeme yag pegukuaya dlakuka

Lebih terperinci

LOGO ANALISIS REGRESI LINIER

LOGO ANALISIS REGRESI LINIER LOGO ANALISIS REGRESI LINIER BERGANDA Hazmra Yozza Jur. Maemaka FMIPA Uv. Adalas KOMPETENSI megdefkaska model regres ler bergada dalam oas aljabar basa maupu oas marks da asumsya medapaka model regres

Lebih terperinci

BAB 1 PENDAHULUAN. bahkan tidak sedikit orang yang frustasi akibat dari krisis global.

BAB 1 PENDAHULUAN. bahkan tidak sedikit orang yang frustasi akibat dari krisis global. BAB 1 PENDAHULUAN 1.1 Laar Belakag Telah dkeahu bahwa saa sedag megalam krss global, dak haya erjad pada Negara yag sedag berkembag, bahka Negara maju juga megalamya, seper Amerka. Akbaya bayak orag yag

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

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA

MODEL KOREKSI KESALAHAN DENGAN METODE BAYESIAN PADA DATA RUNTUN WAKTU INDEKS HARGA KONSUMEN KOTA - KOTA DI PAPUA Prosdg Semar Nasoal Sas da Peddka Sas IX, Fakulas Sas da Maemaka, UKSW Salaga, Ju 4, Vol 5, No., ISSN :87-9 MODEL KOREKSI KESALAHAN DENGAN MEODE BAYESIAN PADA DAA RUNUN WAKU INDEKS HARGA KONSUMEN KOA -

Lebih terperinci

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL

RISK ANALYSIS RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL RISK ANALYSIS Dr. Mohammad Abdul Mukhy,, SE., MM RESIKO DAN KETIDAKPASTIAN DALAM MEMBUAT KEPUTUSAN MANAJERIAL kepuusa maageral dbua d bawah kods-kods kepasa, kedak-pasa aau resko. Kepasa megacu pada suas

Lebih terperinci

BILANGAN BAB V BARISAN BILANGAN DAN DERET

BILANGAN BAB V BARISAN BILANGAN DAN DERET Maemaika Kelas IX emese Baisa Bilaga da Dee BILANGAN BAB V BARIAN BILANGAN DAN DERET A. Baisa Bilaga. Pegeia Baisa Bilaga Jika bilaga-bilaga diuuka dega aua eeu maka aka dipeoleh suau baisa bilaga. Cooh

Lebih terperinci

BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA

BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA Jural Maemaka, Vol., No., 2, 6 2 BEBERAPA SIFAT IDEAL GELANGGANG POLINOM MIRING: SUATU KAJIAN PUSTAKA AMIR KAMAL AMIR Jurusa Maemaka, FMIPA, Uversas Hasaudd 9245 Emal : amrkamalamr@yahoo.com INTISARI Msalka

Lebih terperinci

Analisis Survival dengan Model Regresi Cox Weibull pada Penderita Demam Berdarah Dengue (DBD) di Rumah Sakit Haji Sukolilo Surabaya

Analisis Survival dengan Model Regresi Cox Weibull pada Penderita Demam Berdarah Dengue (DBD) di Rumah Sakit Haji Sukolilo Surabaya JURNAL SAINS DAN SENI POMITS Vol., No., (13) 337-35 (31-98X Pr) D-165 Aalss Survval dega Model Regres Cox Webull pada Pedera Demam Berdarah Degue (DBD) d Rumah Sak Haj Sukollo Surabaya Edhy Basya, da I

Lebih terperinci

Model Probit pada Respons Biner Multivariat Menggunakan Simulated Maximum Likelihood Estimator

Model Probit pada Respons Biner Multivariat Menggunakan Simulated Maximum Likelihood Estimator 70 Mode Pob... (Jaka Nugaha dkk) Mode Pob pada Respos Be Muvaa Megguaka Smuaed Maxmum Lkehood Esmao Pob Mode o Muvaae Bay Respose Usg Smuaed Maxmum Lkehood Esmao Jaka Nugaha ), Suyo Guo ), S Hayam ) Juusa

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

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik

Metode Bayes Dan Ketidaksamaan Cramer-Rao Dalam Penaksiran Titik Jural Jural Maemaka, Saska, & Kompuas Vol. 4 No. Jauar 08 Vol. 3 No Jul 006 p-issn: 858-38 53 e-issn: 64-88 Vol. 4, No., 54-59, Jauar 08 Vol. 4, No., 54-58, Jauar 08 Meode Bayes Da Kedaksamaa Cramer-Rao

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 5 BAB 2 LANDASAN TEORI 2. Tjaua Pusaka 2.. Defs Pemelharaa Pegera pemelharaa aau perawaa ( maeace ) adalah suau kombas dar berbaga daka yag dlakuka uuk mejaga suau barag aau memperbakya, sampa pada suau

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

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

VALIDITAS DAN RELIABILITAS TES YANG MEMUAT BUTIR DIKOTOMI DAN POLITOMI *)

VALIDITAS DAN RELIABILITAS TES YANG MEMUAT BUTIR DIKOTOMI DAN POLITOMI *) VALIDITAS DAN RELIABILITAS TES YANG MEMUAT BUTIR DIKOTOMI DAN POLITOMI Baso Iag Sappale * Absac To measue a vaable eeded by vald sume ad elabel. Resul of measueme a vaable vey flueced by qualy of sume,

Lebih terperinci

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur

Declustering Peaks Over Threshold Pada Data Curah Hujan Ekstrim Dependen di Sentra Produksi Padi Jawa Timur Decluserg Peaks Over Threshold Pada Daa Curah Huja Eksrm Depede d Sera Produks Pad Jawa Tmur Rosa Malka () da Suko () ()() Jurusa Saska, FMIPA, ITS, Isu Tekolog Sepuluh Nopember (ITS) Jl. Aref Rahma Hakm,

Lebih terperinci

Rangkaian Listrik 2. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh

Rangkaian Listrik 2. Fakultas Program Studi Tatap Muka Kode MK Disusun Oleh MODU PERKUIAHA Ragkaa srk Idukas da Kapasas Fakulas Program Sud Taap Muka Kode MK Dsusu Oleh FAKUTAS TEKIK TEKIK EEKTRO 0 4009 Yulza ST,MT Absrac Tak ada egaga melas sebuah dukor jka arus ag melalu dukor

Lebih terperinci

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU

PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU PERAMALAN LAJU PRODUKSI MINYAK DENGAN ARPS DECLINE CURVE DAN ANALISIS DERET WAKTU Dyah Rosa STEM Akamgas, Jl. Gajah Mada No. 38 Cepu E-mal: a_dyah@yahoo.com ABSTRAK Peramala produks d masa medaag saga

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pegera Peramala Meuru Assaur peramala adalah kegaa uuk memperkraka apa yag aka erjad d masa yag aka daag. Sedagka ramala adalah suau suas aau kods yag dperkraka aka erjad pada

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 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Defs Pemelharaa Pemelharaa aau perawaa (maeace) merupaka kegaa uuk mejaga aau memelhara faslas-faslas da peralaa pabrk, sera megadaka perbaka, peyesuaa aau peggaa yag dperluka uuk medapaka

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 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

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113

PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 PERENCANAAN & PENGENDALIAN PRODUKSI TIN 4113 Peremua 3 Oule: Meode Peramala: Expoeal Smoohg (Sgle) Double Expoeal Smoohg Wer s Mehod for Seasoal Problems Error Forecas MAD, MSE, MAPE, MFE aau Bas Referes:

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. melakukan smash sebelum dan sesudah latihan power otot lengan adalah sebagai BAB IV HASIL PENELITIAN DAN PEMBAHASAN 4. Deskrps Peelta Berdasarka hasl peelta, d peroleh data megea kemempua sswa melakuka smash sebelum da sesudah latha power otot lega adalah sebaga berkut : Tabel.

Lebih terperinci

PERBANDINGAN METODE BUNGA MAJEMUK DAN ATURAN 78 DALAM MENENTUKAN SISA PINJAMAN SETIAP PERIODE PADA ANUITAS DUE TUGAS AKHIR

PERBANDINGAN METODE BUNGA MAJEMUK DAN ATURAN 78 DALAM MENENTUKAN SISA PINJAMAN SETIAP PERIODE PADA ANUITAS DUE TUGAS AKHIR PERBNDINGN METODE BUNG MJEMUK DN TURN 78 DLM MENENTUKN SIS PINJMN SETIP PERIODE PD NUITS DUE ( Sudi Kasus: Kopeasi Uiesias Islam Negei Sula Syaif Kasim Riau ) TUGS KHIR Diajuka Sebagai Salah Sau Syaa Uuk

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

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD

Penggunaan Uji Kointegrasi pada Data Kurs IDR terhadap AUD Vol. 7, No., 3-33, Jul Pegguaa Uj Koegras pada Daa Kurs IDR erhadap AUD Asa Absrak Peela megkaj peerapa Saska pada daa ruu waku yag megkaj uj koegras pada daa ersebu. Koegras adalah suau uj yag dguaka

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

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

3 Departemen Statistika FMIPA IPB

3 Departemen Statistika FMIPA IPB Supleme Respos Pertemua ANALISIS DATA KATEGORIK (STK51) Departeme Statstka FMIPA IPB Pokok Bahasa Sub Pokok Bahasa Referes Waktu U potess Tga Cotoh atau Lebh U Kruskal-Walls (aalss ragam satu-arah berdasarka

Lebih terperinci

ESTIMASI PARAMETER UNTUK DATA WAKTU HIDUP YANG BERDISTRIBUSI RAYLEIGH PADA DATA TERSENSOR TIPE II BESERTA SIMULASINYA

ESTIMASI PARAMETER UNTUK DATA WAKTU HIDUP YANG BERDISTRIBUSI RAYLEIGH PADA DATA TERSENSOR TIPE II BESERTA SIMULASINYA ESTIMASI PARAMETER UNTUK DATA WAKTU HIDUP YANG BERDISTRIBUSI RAYLEIGH PADA DATA TERSENSOR TIPE II BESERTA SIMULASINYA SKRIPSI Dajukan dalam Rangka Penyelesaan Sud Saa unuk Mencapa Gela Sajana Sans Oleh

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

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

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi

STATISTIKA A. Definisi Umum B. Tabel Distribusi Frekuensi STATISTIKA A. Des Umum. Pegerta statstk Statstk adalah kumpula akta yag berbetuk agka da dsusu dalam datar atau tabel yag meggambarka suatu persoala. Cotoh: statstk kurs dolar Amerka, statstk pertumbuha

Lebih terperinci

COMPLETELY RANDOMIZED DESIGN (CRD)

COMPLETELY RANDOMIZED DESIGN (CRD) COMPLETELY RANDOMIZED DESIGN (CRD) CRD Tdak ada kea pengelompokan: Lngkungan homogen Bahan homogen (pebedaan danaa expemenal un yang mempeoleh pelakuan yang ama dalam CRD debu ebaga expemenal eo) Ala homogen

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

Estimasi Parameter Model Logit pada Respons Biner Multivariat Menggunakan Metode Mle dan Gee

Estimasi Parameter Model Logit pada Respons Biner Multivariat Menggunakan Metode Mle dan Gee Jural ILMU DASAR Vol. 0 No.. 009 : 85 9 85 Esmas Parameer Model Log pada Respos Ber Mulvara Megguaka Meode Mle da Gee Esmag Parameers of Log Model o Mulvarae Bary Respose Usg Mle ad Gee Jaka Nugraha, Suryo

Lebih terperinci

Rancangan Acak Kelompok

Rancangan Acak Kelompok Racaga Acak Kelompok Saua percoaa dak seragam dlakuka pegelompoka egacaka dlakuka per kelompok Model : Y j μ + β + τ + ε dega : Y j respos pada perlakua ke -, ulaga ke - j μ raaa umum j τ pegaruh perlakuake

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN 11 Latar Belakag Peelta yag dlakuka oleh Va der Pol pada sebuah tabug trode tertutup, yatu sebuah alat yag dguaka utuk megedalka arus lstrk dalam suatu srkut pada trasmtter da recever meghaslka

Lebih terperinci

BAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu

BAB 2 TINJAUAN TEORI. Ramalan pada dasarnya merupakan dugaan atau perkiraan mengenai terjadinya suatu BAB 2 TINJAUAN TEORI 2.1 Pegeria Peramala Ramala pada dasarya merupaka dugaa aau perkiraa megeai erjadiya suau kejadia aau perisiwa di waku yag aka daag. Peramala merupaka sebuah ala bau yag peig dalam

Lebih terperinci

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK

BAB II PEMODELAN STRUKTUR DAN ANALISIS DINAMIK BAB II PEMODELAN SRUKUR DAN ANALISIS DINAMIK II Pedaulua Aalss da saga dperlua uu bagua-bagua berlaa baya aau yag el egga leb dar eer Respo da sruur dabaa ole beba beba da yag basaya erupaa fugs dar wau

Lebih terperinci

ANALISIS INVESTASI PENAMBANGAN PASIR DAN BATU DITINJAU DARI SEGI TEKNIS DAN BIAYA

ANALISIS INVESTASI PENAMBANGAN PASIR DAN BATU DITINJAU DARI SEGI TEKNIS DAN BIAYA ANALISIS INVESTASI PENAMBANGAN PASIR DAN BATU DITINJAU DARI SEGI TEKNIS DAN BIAYA Laar Belakag Masalah Semaki berambah pesaya pembagua dibidag kosruksi maka meyebabka meigka pula kebuuha aka meerial-maerial

Lebih terperinci

PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY

PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY PENGENDALIAN STOCK CUTTING TOOL DENGAN METODE MATERIAL REQUIREMENT PLANNING (MRP) DI WORKSHOP UNITED CAN COMPANY Ajeg Ye Seagrum 1, da Muhammad Kholl Jurusa Tekk Idusr, Fakulas Tekk Uversas Mercu Buaa

Lebih terperinci

UJI HIDUP DIPERCEPAT PADA DISTRIBUSI EKSPONENSIAL TERSENSOR TYPE II DENGAN TEGANGAN KONSTAN. Staf Kementerian Tenaga Kerja Pusat

UJI HIDUP DIPERCEPAT PADA DISTRIBUSI EKSPONENSIAL TERSENSOR TYPE II DENGAN TEGANGAN KONSTAN. Staf Kementerian Tenaga Kerja Pusat Uj Hdup Dpecepa Okavaa UJI HIDUP DIPERCEPAT PADA DISTRIBUSI EKSPONENSIAL TERSENSOR TYPE II DENGAN TEGANGAN KONSTAN Okavaa Paudha,Tau Wuada Sa Kemeea Teaga Keja Pua Sa Pegaja Pd Saka MIPA UNDIP Abac Acceleaed

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

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER

JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS JEMBER STATISTIK CUKUP Oleh: Ramayai Rizka M (11810101003), Dey Ardiao (1181010101), Ikfi Ulyawai (1181010103), Falviaa Yulia Dewi (1181010106), Ricki Dio Rosada (11810101034), Nurma Yuia D (11810101035), Wula

Lebih terperinci

V. PENGUJIAN HIPOTESIS

V. PENGUJIAN HIPOTESIS V. PENGUJIAN IPOTEI A. IPOTEI TATITIK Defiisi uau hipoesa saisik adalah suau peryaaa aau dugaa megeai sau aau lebih variabel populasi. ipoesis digologka mejadi. ipoesis ol adalah hipoesis yag dirumuska

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI. Pemelharaa aau Maeace.. Pegera Pemelharaa Pemelharaa aau dalam slah asgya dsebu maeace adalah kegaa uuk memelhara aau mejaga faslas / eralaa abrk da megadaka erbaka aau eyesuaa /

Lebih terperinci

BAB III STATISTIK INFERENSI PADA RANTAI MARKOV

BAB III STATISTIK INFERENSI PADA RANTAI MARKOV BAB III STATISTIK INFERENSI PADA RANTAI MARKOV 3. Pedahulua Pada Bab II elah dibahas megeai aai Makov beode- aau Ō() da maiks peluag asisiya. Pada bagia ii, aka dibahas bagaimaa meeuka ode aai Makov dai

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

Pemodelan Regresi untuk Rancangan Percobaan Faktor Tunggal

Pemodelan Regresi untuk Rancangan Percobaan Faktor Tunggal Jural Sas & Maemaka JSM) ISSN Kaa 854-675 Pusaka Volume 5, Nomor, Aprl 7 Arkel Peela 6-67 Pemodela Regres uuk Racaga Percobaa Fakor Tuggal Dw Ispra Saf Pegaar urusa Maemaka Fakulas MIPA UNDIP Semarag ABSTRAK---Meode

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

Universitas Sumatera Utara

Universitas Sumatera Utara 50.7 4.3770 6.7547 6.7547 4.4 48.6965 R4.7 36.3 N8 TOL 0..70 35.9497 36.3.99 50.7 94.338 6.89 3.5 6.75 7.567 36.0 6.4837 57.396 8.783 66.0384 5.337 37.006 3.568 PISAU POTONG AISI D SEPUH No Qy NAME MATERIAL

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

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES

* MEMBUAT DAFTAR DISTRIBUSI FREKUENSI MENGGUNAKAN ATURAN STURGES * PENYAJIAN DATA Secara umum, ada dua cara peyaja data, yatu : 1. Tabel atau daftar. Grafk atau dagram Macam-macam daftar yag dkeal : a. Daftar bars kolom b. Daftar kotges c. Daftar dstrbus frekues Sedagka

Lebih terperinci

BAB II TINJAUAN PUSTAKA

BAB II TINJAUAN PUSTAKA BAB II TINJAUAN PUSTAKA.1 Pedahulua Sebelum membahas megea prosedur peguja hpotess, terlebh dahulu aka djelaska beberapa teor da metode yag meujag utuk mempermudah pembahasa. Adapu teor da metode tersebut

Lebih terperinci

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati

REFLEKTANSI DAN TRANSMITANSI CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM. Christina Dwi Ratnawati REFLEKTANS DAN TRANSMTANS CAHAYA PADA LARUTAN GULA DAN LARUTAN GARAM Chrsa Dw Raawa Jurusa Fska Fakulas Maemaka da lmu Pegeahua Alam Uversas Dpoegoro sar : Telah dlakuka kaja erhadap larua gula da larua

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

III. METODE KAJIAN A.

III. METODE KAJIAN A. 25 III. METODE KAJIAN A. Lokas da Waku Kaja Lokas kaja d dusr sapu PT. XYZ yag berlokas d Dusu III R.3/05 Desa Kalbuaya, Kecamaa Telagasar, Kabupae Karawag. Pemlha lokas dlakuka secara segaja (purposve),

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

PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV

PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV Jural Wahaa Maemaka da Sas, Volume 8 Nomor, Aprl 4 77 PENENTUAN CADANGAN ASURANSI JIWA MULTILIFE DENGAN ASUMSI SEMI MARKOV I Gus Nyoma Yud Harawa Jurusa Peddka Maemaka, Fakulas Maemaka da Ilmu Pegeahua

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

PENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi.

PENGUJIAN HIPOTESIS. Hipotesis Statistik : pernyataan atau dugaan mengenai satu atau lebih populasi. . Pedahulua PENGUJIAN HIPOTESIS Hipoesis Saisik : peryaaa aau dugaa megeai sau aau lebih populasi. Pegujia hipoesis berhubuga dega peerimaa aau peolaka suau hipoesis. Kebeara (bear aau salahya) suau hipoesis

Lebih terperinci

Beberapa Definisi Ruang Contoh Kejadian dan Peluang Definisi L.1 (Ruang contoh dan kejadian) . Definisi L.2 (Kejadian lepas )

Beberapa Definisi Ruang Contoh Kejadian dan Peluang Definisi L.1 (Ruang contoh dan kejadian) .   Definisi L.2 (Kejadian lepas ) 33 LAMPIRAN 34 35 Beberapa Defiisi Ruag Cooh Kejadia da Peluag Suau percobaa yag dapa diulag dalam kodisi yag sama, yag hasilya idak dapa diprediksi dega epa eapi kia bisa megeahui semua kemugkia hasil

Lebih terperinci

b) Untuk data berfrekuensi fixi Data (Xi)

b) Untuk data berfrekuensi fixi Data (Xi) B. Meghtug ukura pemusata, ukura letak da ukura peyebara data serta peafsraya A. Ukura Pemusata Data Msalka kumpula data berkut meujukka hasl pegukura tgg bada dar orag sswa. 0 cm 30 cm 5 cm 5 cm 35 cm

Lebih terperinci

8. MENGANALISIS HASIL EVALUASI

8. MENGANALISIS HASIL EVALUASI 8. MENGANALISIS HASIL EVALUASI Tujua : Mampu megaalsa tgkat kesukara hasl evaluas utuk megkatka hasl proses pembelajara Kegata megaals hasl evaluas merupaka upaya utuk memperbak programprogram pembelajara

Lebih terperinci

BAB 3 METODE PENELITIAN

BAB 3 METODE PENELITIAN BAB 3 METODE PENELITIAN 3 Meode Pegumpula Daa 3 Jeis Daa Pada peeliia ii aka megguaka jeis daa yag bersifa kuaiaif Daa kuaiaif adalah daa yag berbeuk agka / omial Dalam peeliia ii aka megguaka daa pejuala

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

Analisis Terhadap Protokol Harn Dan Lin

Analisis Terhadap Protokol Harn Dan Lin SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 016 Aalss Terhadap Prookol Har Da L A-10 I Made Muska Kera Asawa Lembaga Sad Negara Kadek19_kapaboy@yahoo.com Absrak Prookol Har da L merupaka

Lebih terperinci

Penerapan Analisis Survival untuk Menaksir Waktu Bertahan Hidup bagi Penderita Penyakit Jantung

Penerapan Analisis Survival untuk Menaksir Waktu Bertahan Hidup bagi Penderita Penyakit Jantung Peerapa Aalss Survval utuk Meaksr Waktu Bertaha Hdup bag Pederta Peyakt Jatug Oleh : Ya Hedrajaya (me_ye2@yahoo.co.d), Ad Setawa da Haa A. Parhusp Program Stud Matematka, Fakultas Sas da Matematka Uverstas

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

Bab 7 NILAI DAN VEKTOR EIGEN

Bab 7 NILAI DAN VEKTOR EIGEN Bab 7 NILAI DAN VEKTOR EIGEN 7 Movas Dmovas bab dega medskuska persamaa a hy by c, dega dak semua dar a, b, da c adalah ol Peryaaa a hy by dsebu beuk kuadrak dalam da y, sera erdapa deas a hy by a h [

Lebih terperinci

PERBANDINGAN PENAKSIR REGRESI LINIER SEDERHANA PADA SAMPLING BERPERINGKAT, SAMPLING EKSTRIM BERPERINGKAT DAN SAMPLING MEDIAN BERPERINGKAT

PERBANDINGAN PENAKSIR REGRESI LINIER SEDERHANA PADA SAMPLING BERPERINGKAT, SAMPLING EKSTRIM BERPERINGKAT DAN SAMPLING MEDIAN BERPERINGKAT PBANDINGAN PENAKSIR REGRESI LINI SEDHANA PADA SAMPLING BPINGKAT, SAMPLING EKSTRIM BPINGKAT DAN SAMPLING MEDIAN BPINGKAT E. W. Aitoag *, Haiso, R. Efedi Mahasiswi Pogam S Matematika Dose Juusa Matematika

Lebih terperinci

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam

BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL. Masalah regresi invers dengan bentuk linear dapat dijumpai dalam BAB III MENYELESAIKAN MASALAH REGRESI INVERS DENGAN METODE GRAYBILL 3. Pegerta Masalah regres vers dega betuk lear dapat djumpa dalam berbaga bdag kehdupa, dataraya dalam bdag ekoom, kesehata, fska, kma

Lebih terperinci

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP

BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP BAB IV BATAS ATAS BAGI JARAK MINIMUM KODE SWA- DUAL GENAP Msal dguaka kode ler C[, k, d] dega matrks pembagu G da matrks cek partas H. Sebuah blok formas x = x 1 x 2 x k, x = 0 atau 1, yag aka dkrm terlebh

Lebih terperinci

BAB 1 STATISTIKA RINGKASAN MATERI

BAB 1 STATISTIKA RINGKASAN MATERI BAB STATISTIKA A RINGKASAN MATERI. Pegerta Data adalah kumpula keteraga-keteraga atau catata-catata megea suatu kejada, dapat berupa blaga, smbol, sat atau kategor. Masg-masg keteraga dar data dsebut datum.

Lebih terperinci

Pengukuran Bunga. Modul 1

Pengukuran Bunga. Modul 1 Moul 1 Pegukura Buga Drs. Pramoo S, M. S. M oul membcaraka eag pegukura buga, fugs akumulas a fugs jumlah, gka buga efekf, buga seerhaa, buga majemuk, la sekarag, gka skoo efekf, gka buga ar skoo omal,

Lebih terperinci

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU

PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU PENGGUNAAN METODE DURBIN WATSON DALAM MENYELESAIKAN MODEL REGRESI YANG MENGANDUNG AUTOKORELASI SKRIPSI SITI RAHAYU 8345 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM UNIVERSITAS SUMATERA

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

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

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