PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE BOOTSTRAP (STUDI KASUS DI KOTA SEMARANG)

Ukuran: px
Mulai penontonan dengan halaman:

Download "PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE BOOTSTRAP (STUDI KASUS DI KOTA SEMARANG)"

Transkripsi

1 Prosdg SPMIPA ISBN : PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE BOOTSTRAP (STUDI KASUS DI KOTA SEMARANG) Taro Progra Stud Statstka FMIPA UNDIP Searag Jl Prof Soedarto, Kaus UNDIP Tebalag Abstrak: Dala tulsa dbahas tetag eetua faktor utaa yag beregaruh secara sgfka terhada eadaa lstrk d Searag dega egguaka etode bootstra Pada awalya faktor-faktor yag dduga beregaruh terhada eadaa lstrk d kota Searag adalah: kerusaka jarga trass, kerusaka trafo da kerusaka fuse (sekerg) Dega elbatka 3 faktor tersebut dbetuk odel regres yag eyataka hubuga atara kerusaka jarga, trafo da fuse(sekerg) terhada eadaa lstrk d kota Searag Prosedur elha odel regres yag terbak dlakuka dega eetuka estas sesata redks atas seua odel yag ugk yatu sebayak -1 = 7 odel, dega : bayakya redktor Model yag terlh adalah odel yag elk rata-rata sesata redks terkecl da elbatka varabel redktor sesedkt ugk Prosedur elha odel terbakya dlakuka dega egguaka etode bootstra resdual (RB) da bootstra data berasaga (PB) Prosedur elha odel dega bootstra kosste utuk ukura sael dega relkas bootstra sebayak B ( B ) Pelha varabel dega etode bootstra utuk ukura sael bootstra dega 0 da, berdasarka bootstra resdual (RB) da bootstra data berasaga (PB) juga kosste Berdasarka sulas yag dlakuka dega software R, deroleh odel regres terbak dega elbatka varabel yatu kerusaka jarga da kerusaka sekerg Dega deka faktor utaa eyebab eadaa lstrk d kota Searag adalah kerusaka jarga da kerusaka sekerg Kata Kuc: elha varabel, sesata redks, bootstra PENDAHULUAN PT PLN (Persero) eruaka Bada Usaha yag eberka jasa elayaa lstrk keada asyarakat Keberhasla PT PLN dala eyedaka jasa elayaa lstrk sagat tergatug ada alat-alat yag dguaka sebaga saraa eyaaa jasa lstrk tersebut Gaggua-gaggua ada eralata sagat eugkka terjadya eadaa lstrk d suatu wlayah tertetu Kerusaka eralata yag daat eyebabka gaggua atau eadaa lstrk sergkal terjad d kota Searag Secara geografs kota Searag terletak d daerah erbukta, daa wlayahya daat dbedaka ejad dua baga yatu Searag atas da Searag bawah Terkat dega kods geografs tersebut Searag atas serg terjad gaggua cuaca seert: ag kecag da etr, sedagka d Searag bawah serg terjad bajr Faktorfaktor ala tersebut daat eyebabka kerusaka ada jarga trass PLN, sedagka kerusaka trafo, fuse/sekerg sergkal dsebabka oleh eakaa lstrk yag berlebha Berdasarka kods d atas, dala tulsa dlakuka egkaja terhada data gaggua lstrk d kota Searag yag dduga dsebabka oleh kerusaka eralata atara la: kerusaka trafo, sekerg da jarga trass Dduga julah kerusaka eralata tersebut beregaruh secara sgfka terhada julah eadaa lstrk, sehgga hubuga fugsoal atara julah kerusaka eralata dega julah gaggua lstrk daat dyataka dala suatu odel ateatka Adau odel ateatka yag dduga sesua dega keyataa tersebut adalah odel regres ler: y x β ε, 1,,, (1) 177

2 dega y : reso ke- (julah eadaa ada kuru waktu ke-), x : 3-vektor varabel redktor (julah kerusaka trafo, sekerg da jarga trass) yag berkata dega y, β : 3-vektor araeter yag tdak dketahu da ~ N(0, ) Utuk egestas araeter dala odel regres tersebut basaya dguaka etode kuadrat terkecl Jka estas araeter telah deroleh berart telah deroleh estas odel utuk reso y yag daat dguaka utuk elakuka redks utuk la y berdasarka redktor x Beberaa kooe dar x ugk tdak eghaslka redks yag akurat karea tdak beregaruh secara sgfka terhada reso y, oleh karea tu erlu dlakuka elha odel terbak Meurut Shao da Tu (1995, 1996), elha varabel dala odel regres ler daat dlakuka dega beberaa etode atara la : Akake Iforato Crtero (AIC), C (Mallows), Bayesa Iforato Crtero (BIC) serta etode Valdas-Slag da bootstra Meurut referes [1], krtera AIC secara eksak atau edekata eruaka estator tak bas utuk odel dega seua araeterya tak ol, teta jka dguaka utuk elh odel dega kooe araeterya ada yag saa dega ol, krtera kadag-kadag tdak kosste (bas) Sedagka utuk krtera BIC secara astots tdak kosste utuk data egaata berukura besar, da lebh bak aabla dteraka ada odel rutu waktu Sedagka eurut referes [], [3] da [4] elha odel ler dega bootstra elk sfat kosste utuk ukura sael yag cuku besar Berdasarka argue-argue tersebut, erlu dkaj lebh dala tetag faktor utaa eyebab gaggua lstrk sekalgus eetuka odel terbak yag eyataka hubuga atara julah kerusaka eralata (trafo, fuse da jarga) terhada eadaa lstrk d kota Searag Dar odel yag ugk dlakuka elha odel regres terbak dega egguaka etode bootstra, yatu etode ebagkta data egaata berbass kouter utuk edaatka sael berukura besar, sehgga asus-asus yag dsyaratka dala odel regres daat tereuh Dsag tu sael yag dkuulka d laaga tdak erlu berukura besar, sehgga eelt daat elakuka efses waktu da baya utuk eguula data d laaga Utuk edaatka sael berukura besar, cuku dlakuka ebagkta data dega sulas kouter d laboratoru PEMILIHAN VARIABEL DAN SESATAN PREDIKSI Predks la reso dega egguaka redktor x, ugk tdak tergatug ada seua kooe x, artya egguaa seua kooe dar x belu tetu eghaslka redks yag akurat Dbawah odel (1): y x, 1,,,,dega y : varabel reso, x : -vektor redktor, : -vektor 178 araeter yag tak dketahu da : sesata rado dega ea 0 da varas Karea beberaa kooe dar ugk saa dega 0 aka odel yag lebh akurat adalah berbetuk : Jka y x x,, 1,,,, dega {1,,,} () da sebaga subvektor yag euat kooe-kooe dar da x berada dala, aka terdaat ( -1) odel berbeda yag ugk yag berbetuk (), asg-asg terkat dega suatu hua baga da dotaska dega ˆ Des (ukura) dar ˆ adalah bayakya redktor dala ˆ Jka A eyataka seua hua baga dar {1,,,}, da dketahu asg-asg kooe dar adalah 0 atau tdak, aka odel-odel ˆ daat dklasfkaska ejad dua kategor : Kategor I (correct odel) : Mal satu kooe dar yag tdak ol tdak berada dala Kategor II (correct odel) : euat seua kooe dar yag tdak ol Melh odel dar kategor I berart eghlagka al satu redktor yag etg, sedagka elh odel dar kategor II berart egelas seua varabel yag tak terkat dega varabel reso Dega deka odel otalya adalah odel () dega 0 sedeka hgga euat seua kooe dar yag seuaya tdak ol, yatu odel dala kategor II dega des terkecl Model otal tersebut erlu dlh dar odel () berdasarka data (y 1,x 1 ), (y,x ),, (y,x ) yag eeuh (1) Jka dasuska,,, ) deede da berdstrbus detk dega ea 0 da ( 1 varas, aka dega Metode Kuadrat Terkecl deroleh : ˆ 1 ( ) y dega y=(y 1,y,,y ) da (x1, x,,x ) Jka y f : la reso yag aka datag aka: ŷ x ˆ utuk suatu la redktor x f Hal berakbat bahwa ea dar sesata redks kuadrat se(x f, ) adalah : f f

3 se(x, ) E(y f f f ŷ f f f dega (x, ) [x x ) ( x f 1 ) ( ] 1 ) x f (x f, ), Jka dala kategor II aka, xf x f da ( x f, ) 0 Sehgga odel otalya adalah odel dega ukura terkecl Dega deka jka se(x f, ) dketahu, aka odel otal daat dlh dega ealka se(x f, ) atas seua A Model otal daat juga dtetuka dega ealka rata-rata dar sesata redks kuadrat se(x f, ) atas ={x 1,x,,x }: 1 se se x 1 ( ) (, ) ( ), dega ( ) ( I H 1 ), H ( ) 1 da I atrks dettas x Nau, se(x f, ) da se( ) kedua-duaya tdak dketahu Sehgga egestas se( ) lebh udah dar ada egestas se(x f, ) dega egguaka se ˆ ( ), keuda elh odel dega ealka se ˆ ( ) atas A Utuk edaatka odel terbak, lebh lajut dlakuka elha odel dega etode bootstra ESTIMASI PARAMETER DENGAN BOOTSTRAP Jka araeter β eruaka araeter regres yag aka destas dega βˆ, aka d lgkuga boostra βˆ daat destas dega ˆβ Utuk egestas araeter regres daat dlakuka dega beberaa rosedur bootstra, atara la: bootstra berdasarka resdual, bootstra asaga data egaata Bootstra Resdual Bootstra berdasarka resdual (RB), dusulka oleh Efro (1979) Jka dketahu odel regres (1) : y x β, 1,,,, dega y adalah reso ke-, x : -vektor varabel redktor yag berkata dega y, β : -vektor araeter yag tdak dketahu, dega asus bahwa d dega ea 0 da varas, aka utuk eeroleh estas araeter daat dlakuka rosedur bootstra : a Paraeter β destas dega βˆ da F destas dega fugs dstrbus ers Fˆ dega egabl assa eluag -1 terhada r, 1,,, dega r y x β ˆ eruaka resdual ke- da 1 1 r r r b Bagktka data deede da berdstrbus detk 1,,, dar Fˆ da ddefska y ˆ x β c Dtetuka ˆβ berdasarka data (y1,x1),(y,x ),(y,x ) 1, yatu : ˆ β ( ) y d Ulag lagkah datas sebayak B kal dega B, sebaga relkas bootstra 1 Karea E ( ) 0, utukseta, aka E (ˆ β ) ( ) E ( y ) βˆ, (3) da juga var (ˆ β ) ( ) var ( y ) ( ) ˆ ( ), (4) dega ˆ var( ) 1 1 estator varas da estator tak bas dar βˆ yag kosste (r r) Dar ersaaa (3) da (4), rosedur bootstra eghaslka Bootstra Data Berasaga Bootstra berasaga (PB), aakya eruaka suatu rosedur yag sagat ala aabla x rado da (y,x ), 1,,,, deede da berdstrbus detk (d) Dala kasus, utuk egestas araeter regres daat dlakuka rosedur sebaga berkut : 179

4 a Dbagktka data bootstra dar fugs dstrbus ers (y,x ), 1,,, dega assa eluag -1, 1 1 yatu : (y,x ),(y,x ),(y,x ) b 1 Dtetuka estas araeter regres : ˆ β ( ) y c Ulag lagkah datas sebayak B sebaga relkas bootstra PEMILIHAN VARIABEL DENGAN BOOTSTRAP Prosedur elha odel dega bootstra daat dturuka dar estator utuk se ( ) Padag estator bootstra berbetuk : 1 ( ) ( ˆ se BOOT y xβ ) eˆ( ) (5) 1 dega ê( ) : estator bootstra dar sesata ekses haraa : 1 ˆ 1 ˆ e( ) E (yf, x β ) (y x β ) 1 1 dega y f, reso yag aka datag ada x yag deede dega y Jka βˆ estator dar βˆ d lgkuga bootstra aka deroleh : ˆ 1 β ( ) y utuk bootstra berasaga, da ˆ 1 β ( ) y utuk bootstra resdual, dega y (y1, y,,y ), ˆ y xβ da deede da berdstrbus detk dar Fˆ yatu fugs dstrbus ers dar ε dega assa eluag 1/ Sehgga deroleh estator dar e( ) utuk bootstra berasaga adalah : 1 1 ê( ) E (y x β ˆ ) (y x ˆ β ) (6) 1 1 da utuk bootstra resdual : 1 1 ê( ) E (y x β ˆ ) (y x ˆ β ) (7) 1 1 Estator bootstra utuk se ( ) dberka oleh ersaaa (5) dega ê( ) yag bersesuaa Perlu dketahu bahwa e( ) e ( ) tergatug ada ukura sael Utuk bootstra resdual erhtuga secara ˆ lagsug eghaslka ê( ) (8) yag eruaka estator tak bas astots da kosste utuk e( ) Da ê( ) dega egguaka bootstra asaga aka edekat ruas kaa ada ersaaa (8) teta euruaya cuku rut Lebh lajut utuk edaatka rosedur elha odel bootstra yag kosste, daat juga dlh ukura sael sedeka hgga e ( ) daat destas dega ê ( ) dega / 0 da keuda ealka : 1 se BOOT ( ) (y x βˆ ) ê ( ) atas A (9) 1 Utuk egestas e ( ) ada bootstra asaga, terlebh dahulu dbagktka sael berasaga (y1,x1 ),(y,x ),,(y,x ) da egguaka : 1 1 ê ( ) E (y x β ˆ, ) (y x ˆ β, ) (10) 1 1 dega ˆ, ddefska seert ada ˆ yag ddasarka ada asaga data bootstra Jka dlh ˆ 1 sedeka hgga / 0 da aka : ê ( ) o( ) 180

5 Pada bootstra resdual, dguaka secara lagsug ˆ ê ˆ ( ) da egestas e ( ) dega KONSISTENSI BOOTSTRAP Teorea 1 [] da [3] Jka dasuska bahwa h x α 1 ) ( x d da ax h 0 utuk seua A, dega () Padag suatu estator bootstra seboot ( ) dala ersaaa (5) dega ê( ) seert yag dbera ada ersaaa (6) utuk PB da (7) utuk RB Maka, aabla dala kategor I, se BOOT ( ) se( ) o (1); H 1 sedagka aabla dala kategor II, seboot ( ) o ( ) () Jka se ( ) BOOT (10) utuk PB da 0, ax yag ddefska dala ersaaa (9) dega ( ) seert dala ersaaa ˆ h (11) utuk RB Lebh lajut ukura sael bootstra dlh sedeka hgga 0 utuk seua ê A (1) Maka aabla dala kategor I, se ( ) se( ) o (1); BOOT 1 sedagka aabla dala kategor II, se BOOT ( ) o ( ) () Lebh lajut dasuska bahwa l f f ( ) 0 dlkategor I Maka l P{ˆ BOOT dala kategor I} 0, da l P{ˆ BOOT 0} 1 kecual bla {1,,,} dala kategor II (a correct odel); da ˆ BOOT l P{ˆ 0} 1 berlaku utuk ˆ BOOT, dega BOOT dega asg-asg ealka seboot ( ) da se ( ) kosste, yatu ˆ da ˆ BOOT adalah odel-odel terlh BOOT SIMULASI Utuk eberka gabara yag jelas tetag rosedur eetua factor utaa eyebab eadaa lstrk d kota Searag, ada baga dberka hasl sulas terhada data yag telah dcatat ada kator PLN Searag selaa 4 tahu belakaga Adau varabel-varabel yag terlbat dala eodela adalah: Julah eadaa lstrk sebaga varabel reso y, da varabel redktorya adalah: julah kerusaka jarga (x1), julah kerusaka trafo (x) serta julah kerusaka sekerg (x3) Nau utuk egatas eyaga asus regres ler yag ugk terjad, varabel-avarabel tersebut dabl trasforas logarta Hasl sulas utuk eetuka estas rata-rata sesata redks dega egguaka software R dsajka dala Tabel 1 berkut 181

6 No Varabel-varabel dala Model Tabel1: Estas se utuk 7 odel yag ugk dega Bootstra Resdual (RB) da Bootstra Data Berasaga (PB) EstMseR B-16 (B-00) EstMse RB-16 (B-500) EstMse PB-16 (B-00) EstMseP B-16 (B-500) EstMse PB-10 (B-00) EstMse PB-10 (B-500) x1 x x3 1 x x x x1 x x1 x x x x1 x x Berdasarka hasl erhtuga estas se ada Tabel 1 serta dega eertbagka rs arsous, deroleh estas odel regres terbak sebaga berkut l(y) = 1, ,394 l(x1) + 0,555 l(x3) KESIMPULAN Prosedur elha odel dega egguaka etode Bootstra kosste utuk ukura sael bootstra (1<<) dega 0 da Berdasarka la estas se yag u serta dega eertbagka rs arsous, aka dtetaka odel regres terbak dega elbatka varabel redktor, adalah: l(y) = 1, ,394 l(x1) + 0,555 l(x3) dega y: julah gaggua lstrk, x1: julah kerusaka jarga da x3: julah kerusaka sekerg Dega deka faktor utaa eyebab gaggua lstrk d kota Searag adalah kerusaka jarga da kerusaka sekerg DAFTAR PUSTAKA [1] Hjorth, Urba, Couter Itesve Statstcal Methods, Valdato Model Selecto ad Bootstra, Chaa ad Hall, New York, 1994 [] Shao ad Tu, The Jackkfe ad Bootstra, Srger-Verlag, New York, 1995 [3] Shao, Bootstra Model Selecto, Joural Aerca Statstcs Assosato, Vol 91, No 434, , 1996 [4] Shao, A Asytotc Theory for Lear Model Selecto, Statstca Sca, Vol 7, 1-64, 1997 [5] Taro da Subaar, Pelha Model Regres Ler Terbak dega Bootstra, Jural Mateatka da Kouter, FMIPA UNDIP,

7 LAMPIRAN Data tetag julah gaggua lstrk (y), julah kerusaka jarga (x1), julah kerusaka trafo (x) serta julah kerusaka sekerg (x3) ada PT PLN (Persero) kota Searag selaa 4 tahu belakaga x1 x x3 y l(y) l(x1) l(x) l(x3) x1 x x3 y l(y) l(x1) l(x) l(x3) Lara : Lstg Progra dega Software R VSde<-fucto(d, M) { x1 <- c(463,461,399,449,411,376,36,49,46,561,593,638,444,551,574,595) x <- c(381,369,333,414,381,48,77,83,364,314,416,330,497,605,645,664) x3 <- c(484,488,448,537,465,413,433,461,369,448,476,404,567,654,698,7) y <- c(60,68,586,653,66,536,533,601,579,69,658,665,674,755,79,81) b1 <- atrx(0, 16, row = ) b <- atrx(0, 16, row = ) b3 <- atrx(0, 16, row = ) b1 <- atrx(0, 3 16, row = 3) b13 <- atrx(0, 3 16, row = 3) b3 <- atrx(0, 3 16, row = 3) b13 <- atrx(0, 4 16, row = 4) s1 <- re(0, M) s <- re(0, M) s3 <- re(0, M) s1 <- re(0, M) s13 <- re(0, M) s3 <- re(0, M) s13 <- re(0, M) I <- c(1:16) Is <- atrx(0, d M, row = d) Ic <- atrx(0, (16 - d) M, row = 16 - d) for(j 1:M) { Is[, j] <- sale(i, relace = F, sze = d) Ic[, j] <- I[ - c(is[, j])] yy <- y[ic[, j]] xx1 <- x1[ic[, j]] xx <- x[ic[, j]] xx3 <- x3[ic[, j]] xxx1 <- x1[is[, j]] xxx <- x[is[, j]] xxx3 <- x3[is[, j]] C <- re(1, d) y1 <- y[is[, j]] b1[, j] <- gl(yy ~ xx1)$coef 1 <- cbd(c, xxx1) s1[j] <- 1/(d) su((y1 - (1 %% b1[, j]))^) b[, j] <- gl(yy ~ xx)$coef <- cbd(c, xxx) s[j] <- 1/(d) su((y1 - ( %% b[, j]))^) b3[, j] <- gl(yy ~ xx3)$coef 3 <- cbd(c, xxx3) 183

8 s3[j] <- 1/(d) su((y1 - (3 %% b3[, j]))^) b1[, j] <- gl(yy ~ xx1 + xx)$coef 1 <- cbd(c, xxx1, xxx) s1[j] <- 1/(d) su((y1 - (1 %% b1[, j]))^) b13[, j] <- gl(yy ~ xx1 + xx3)$coef 13 <- cbd(c, xxx1, xxx3) s13[j] <- 1/(d) su((y1 - (13 %% b13[, j]))^) b3[, j] <- gl(yy ~ xx + xx3)$coef 3 <- cbd(c, xxx, xxx3) s3[j] <- 1/(d) su((y1 - (3 %% b3[, j]))^) b13[, j] <- gl(yy ~ xx1 + xx + xx3)$coef 13 <- cbd(c, xxx1, xxx, xxx3) s13[j] <- 1/(d) su((y1 - (13 %% b13[, j]))^) } cat( "MSE1 =", 1/M su(s1), "MSE =",1/M su(s), "MSE3 =",1/M su(s3), "\", "MSE1 =",1/Msu(s1),"MSE13 =",1/Msu(s13),"\","MSE3 =",1/Msu(s3), "\", "MSE13 =", 1/M su(s13), "\")] 184

PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP. Tarno Jurusan Matematika FMIPA UNDIP Semarang. Subanar Jurusan Matematika FMIPA UGM Yogyakarta

PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP. Tarno Jurusan Matematika FMIPA UNDIP Semarang. Subanar Jurusan Matematika FMIPA UGM Yogyakarta Vol 4 No, 46-58, Arl 00, ISSN : 40-858 PEMILIHAN MODEL REGRESI LINIER DENGAN STRAP Taro Jurusa Mateatka FMIPA UNDIP Searag Subaar Jurusa Mateatka FMIPA UGM Yogyakarta Abstrak Tulsa ebcaraka tetag eeraa

Lebih terperinci

PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG)

PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG) Prosdg SPMIPA pp 185-191 006 ISBN : 979704470 PENENTUAN FAKTOR UTAMA PENYEBAB GANGGUAN LISTRIK DENGAN METODE VALIDASI-SILANG (STUDI KASUS DI KOTA SEMARANG) Taro Program Stud Statstka FMIPA UNDIP Semarag

Lebih terperinci

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teorema-teorema II. LANDASAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teorea-teorea ag edukug utuk pebahasa pada bab IV. Pegerta (defs) da teorea tersebut dtulska sebaga berkut... Teorea Proeks Teorea proeks

Lebih terperinci

PROGRAM LINIEAR DENGAN METODE SIMPLEX

PROGRAM LINIEAR DENGAN METODE SIMPLEX POGAM LINIEA DENGAN METODE SIMPLEX A. TEKNIK PENYELESAIAN Betuk Soal Progra Lear Kedala utaa asalah rogra lear daat eretuk a atau a atau a. Kedala yag eretuk ertdaksaaa daoat duah ead ersaaa seaga erkut

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

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 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

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

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 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

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

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 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

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

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

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

ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE.

ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE. Prosdg Semar Nasoal Alkas Sas & Tekolog (SNAST) Yogakarta, 6 November 6 ISSN : 979 9X eissn : 54 58X ESTIMASI PARAMETER REGRESI GANDA MENGGUNAKAN BOOTSTRAP DAN JACKNIFE Noerat, Rka Herda,, Jurusa Statstka,

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 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

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan

BAB II LANDASAN TEORI. Pada bab ini akan dibahas mengenai dasar-dasar teori yang akan BAB II LANDASAN TEORI Pada bab aka dbahas megea dasar-dasar teor ag aka dguaka dalam eulsa skrs, atu megea data hrark, model regres -level, model logstk, estmas arameter model logstk, uj sgfkas arameter

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

BAB 5. ANALISIS REGRESI DAN KORELASI

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

Lebih terperinci

ANALISIS MASALAH GENERATOR DARI POSSIBLE DAN UNIVERSAL EIGENVECTOR PADA MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS

ANALISIS MASALAH GENERATOR DARI POSSIBLE DAN UNIVERSAL EIGENVECTOR PADA MATRIKS INTERVAL DALAM ALJABAR MAX-PLUS Sear Nasoal Mateatka IV (SeNasMat) Isttut Tekolog Sepuluh Nopeber, Surabaya, 3 Deseber NLISIS MSLH GENERTOR DRI POSSIBLE DN UNIVERSL EIGENVECTOR PD MTRIKS INTERVL DLM LJBR MX-PLUS Rata Novtasar, Suboo,

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

Volume 9 Nomor 2 Desember 2015

Volume 9 Nomor 2 Desember 2015 Volue 9 Noor Deseber 05 Jural Ilu Mateatka da Teraa Deseber 05 Volue 9 Noor Hal. 47 54 EFEKTIVITAS KINERJA DIAGRAM KONTROL G Marlo Stvo Noya Va Delse Jurusa Mateatka FMIPA Uverstas Pattura Jl. Ir. M. Putuhea,

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

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

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

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

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 II TINJAUAN PUSTAKA. Untuk mengetahui lebih jelas mengenai uji Modifikasi Baumgartner Weiβ

BAB II TINJAUAN PUSTAKA. Untuk mengetahui lebih jelas mengenai uji Modifikasi Baumgartner Weiβ 5 BAB II TINJAUAN PUSTAKA. Pedahulua Utuk egetahu lebh elas egea u Modfkas Baugarter Weβ Schdler (MBWS) dperluka teor-teor yag edukug. Utuk tu, bab eelaska egea statstk oparaetrk u beda dua rata-rata dega

Lebih terperinci

PERTEMUAN III PERSAMAAN REGRESI TUJUAN PRAKTIKUM

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

Lebih terperinci

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu

BAB 2 TINJAUAN TEORITIS. regresi berkenaan dengan studi ketergantungan antara dua atau lebih variabel yaitu BAB TINJAUAN TEORITIS. Pegerta Aalsa Regres Istlah regres pertama kal dperkealka oleh Fracs Galto. Meurutya, aalss regres berkeaa dega stud ketergatuga atara dua atau lebh varabel yatu varabel yag meeragka

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

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan

III BAHAN/OBJEK DAN METODE PENELITIAN. Objek yang digunakan dalam penelitian ini adalah 50 ekor sapi Pasundan III BAHAN/OBJEK DAN METODE PENELITIAN 3.1. Baha da Alat Peelta 3.1.1. Baha Peelta Objek yag dguaka dalam peelta adalah 50 ekor sap Pasuda jata da beta dewasa dega umur -3 tahu da tdak butg utuk meghdar

Lebih terperinci

PEMBAHASAN. Pada model indeks tunggal, imbal hasil dari sekuritasnya dapat juga dinyatakan dalam bentuk nilai harapan imbal hasil.

PEMBAHASAN. Pada model indeks tunggal, imbal hasil dari sekuritasnya dapat juga dinyatakan dalam bentuk nilai harapan imbal hasil. aggaa bahwa harga sekurtas berubah searah dega harga deks asar Model deks tuggal adalah odel yag eyataka bahwa bal hasl seta sekurtas euya hubuga dega bal hasl ortofolo asar Portofolo asar adalah ortofolo

Lebih terperinci

PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R 2, Cp MALLOW, dan S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL

PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R 2, Cp MALLOW, dan S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL Majalah Ekoom ISSN 4-950 : Vol. VII No. Des 03 PEMILIHAN MODEL REGRESI TERBAIK MENGGUNAKAN R, C MALLOW, da S PADA KASUS INDEKS HARGA SAHAM BURSA GLOBAL Oleh : Wara Pramest, Martha Suhardyah Fakultas Matematka

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

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

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

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

* 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 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

PERBANDINGAN ESTIMATOR KERNEL DAN ESTIMATOR SPLINE DALAM MODEL REGRESI NONPARAMETRIK

PERBANDINGAN ESTIMATOR KERNEL DAN ESTIMATOR SPLINE DALAM MODEL REGRESI NONPARAMETRIK NM VI 3-6 Jul 0 UNPAD, Jatagor PERBANDINGAN ESTIMATOR ERNEL DAN ESTIMATOR SPLINE DALAM MODEL REGRESI NONPARAMETRI I OMANG GDE SUARSA, I GUSTI AYU MADE SRINADI, NI LUH AYU PUSPA LESTARI 3 Jurusa Mateata

Lebih terperinci

ANALISIS REGRESI LINIER BERGANDA : PERSOALAN ESTIMASI DAN PENGUJIAN HIPOTESIS

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

Lebih terperinci

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

MODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN SPLINE TRUNCATED

MODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN SPLINE TRUNCATED Prosdg Sear Nasoal Volue 03, Noor ISSN 443-09 MODEL REGRESI NONPARAMETRIK DENGAN PENDEKATAN SPLINE TRUNCATED Rahat Hdaat, Yula, Marwa Sa 3 Isttut Tekolog Sepuluh Nopeber, Uverstas Cokroaoto Palopo,3 daatath@gal.co

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

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK

RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA. Haposan Sirait 1, Usman Malik 2 ABSTRAK Relatf Efses Peaksr Mome Terhada Peaksr Maksmum Lkelhood RELATIF EFISIENSI PENAKSIR MOMEN TERHADAP PENAKSIR MAKSIMUM LIKELIHOOD UNTUK PARAMATER BERDISTRIBUSI SEGITIGA Haosa Srat, Usma Malk ABSTRAK Makalah

Lebih terperinci

Uji Statistika yangb digunakan dikaitan dengan jenis data

Uji Statistika yangb digunakan dikaitan dengan jenis data Uj Statstka yagb dguaka dkata dega jes data Jes Data omal Ordal Iterval da Raso Uj Statstka Koefse Kotges Rak Spearma Kedall Tau Korelas Parsal Kedall Tau Koefse Kokordas Kedall W Pearso Korelas Gada Korelas

Lebih terperinci

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET

ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Prosdg Semar Nasoal Peelta, Peddka da Peerapa MIPA Fakultas MIPA, Uverstas Neger Yogyakarta, 6 Me 9 ANALISIS INDEKS DISTURBANCES STORM TIME DENGAN KOMPONEN H GEOMAGNET Sty Rachyay Pusat Pemafaata Sas Atarksa,

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 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

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan,

BAB II TINJAUAN TEORITIS. Statistik merupakan cara cara tertentu yang digunakan dalam mengumpulkan, BAB II TINJAUAN TEORITIS.1 Kosep Dasar Statstka Statstk merupaka cara cara tertetu yag dguaka dalam megumpulka, meyusu atau megatur, meyajka, megaalsa da member terpretas terhadap sekumpula data, sehgga

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

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

I. PENDAHULUAN II. LANDASAN TEORI

I. PENDAHULUAN II. LANDASAN TEORI I PENDAHULUAN Latar Belakag Dala teor ekoo, setap perusahaa dasuska bertujua eperoleh bala yag aksu Ibala yag ddapat bergatug pada strateg yag dabl perusahaa Kuattas erupaka salah satu strateg perusahaa

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

PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP. Tarno. Jurusan Matematika FMIPA UNDIP Semarang. Subanar Jurusan Matematika FMIPA UGM Yogyakarta

PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP. Tarno. Jurusan Matematika FMIPA UNDIP Semarang. Subanar Jurusan Matematika FMIPA UGM Yogyakarta PEMILIHAN MODEL REGRESI LINIER DENGAN BOOTSTRAP Tarno Jurusan Matematika FMIPA UNDIP Semarang Subanar Jurusan Matematika FMIPA UGM Yogyakarta Abstrak Tulisan ini membicarakan tentang penerapan bootstrap

Lebih terperinci

MENAKSIR PROPORSI CALON PEMIMPIN DARI KELOMPOK MINORITAS. Anneke Iswani A **

MENAKSIR PROPORSI CALON PEMIMPIN DARI KELOMPOK MINORITAS. Anneke Iswani A ** MENAKSIR PROPORSI CALON PEMIMPIN DARI KELOMPOK MINORITAS Aeke Iswa A ** Abstrak Apaba berhadapa dega data has meghtug yag berupa frekues, kemuda dtetuka varabe bebas da tak bebas yag berupa propors, maka

Lebih terperinci

CADANGAN PROSEKTIF ASURANSI JIWA DWIGUNA BERDASARKAN ASUMSI CONSTANT FORCE

CADANGAN PROSEKTIF ASURANSI JIWA DWIGUNA BERDASARKAN ASUMSI CONSTANT FORCE CADANGAN ROSEKTIF ASURANSI JIWA DWIGUNA BERDASARKAN ASUMSI CONSTANT FORCE Tara Mustka 1, Johaes Kho 2, Azskha 2 1 Mahasswa rogra S1 Mateatka 2 Dose Jurusa Mateatka Fakultas Mateatka da Ilu egetahua Ala

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

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

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

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

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema

II. LANDASAN TEORI. Pada bab II ini, akan dibahas pengertian-pengertian (definisi) dan teoremateorema II. LANDAAN TEORI Pada bab II aka dbahas pegerta-pegerta (defs) da teoremateorema ag medukug utuk pembahasa pada bab IV. Pegerta (defs) da teorema tersebut dtulska sebaga berkut.. Teorema Proeks Teorema

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

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri

III. METODE PENELITIAN. yang hidup dan berguna bagi masyarakat, maupun bagi peneliti sendiri III. METODE PEELITIA A. Metodolog Peelta Metodolog peelta adalah cara yag dlakuka secara sstemats megkut atura-atura, recaaka oleh para peeltutuk memecahka permasalaha yag hdup da bergua bag masyarakat,

Lebih terperinci

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB

Penarikan Contoh Gerombol (Cluster Sampling) Departemen Statistika FMIPA IPB Pearka Cotoh Gerombol (Cluster Samplg) Departeme Statstka FMIPA IPB Radom samplg (Revew) Smple radom samplg Stratfed radom samplg Rato, regresso, ad dfferece estmato Systematc radom samplg Cluster radom

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

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

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

Lebih terperinci

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc

STUDI KELAYAKAN: ASPEK FINANSIAL. F.Hafiz Saragih SP, MSc STUDI KELAYAKAN: ASPEK FINANSIAL F.Hafz Saragh SP, MSc Pajak Baya bag perusahaa/ usahata, sehgga merupaka peguraga dar beeft Subsd FINANSIAL Peguraga baya bag perusahaa/ usahata, sehgga merupaka tambaha

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

PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE

PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE PROSEDUR ESTIMASI PARAMETER MODEL REGRESI MENGGUNAKAN RESAMPLING BOOTSTRAP DAN JACKKNIFE ESTIMATION OF PARAMETER REGRESION MODEL USING BOOTSTRAP AND JACKKNIFE Hed (Staf Pegajar UP MKU Poltekk Neger Badug)

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

On A Generalized Köthe-Toeplitz Duals

On A Generalized Köthe-Toeplitz Duals JMP : Volume 4 Nomor, Ju 202, hal. 3-39 O A Geeralzed Köthe-Toepltz Duals Sumardoo, Supama 2, da Soepara Darmawaa 3 PPPPTK Matematka, smrd2007@gmal.com 2 Mathematcs Departmet, Gadah Mada Uverst, supama@ugm.ac.d

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

Extra 4 Pengantar Teori Modul

Extra 4 Pengantar Teori Modul Extra 4 Pegatar Teor odul Apabla selama dkealka suatu kosep aljabar megea ruag vektor, maka modul merupaka perumuma dar ruag vektor. Pada modul, syarat skalar dperumum mejad eleme pada suatu rg da buka

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

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

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 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

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

Lebih terperinci

BAB 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

3.1 Biaya Investasi Pipa

3.1 Biaya Investasi Pipa BAB III Model Baya Pada model baya [8] d tugas akhr, baya tahua total utuk megoperaska jarga ppa terdr dar dua kompoe, yatu baya operasoal da baya vestas. Baya operasoal terdr dar baya operasoal ppa da

Lebih terperinci

Metode Perbaikan ASM pada Masalah Transportasi Tak Seimbang

Metode Perbaikan ASM pada Masalah Transportasi Tak Seimbang SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 27 Metode Perbaka ASM pada Masalah Trasportas Tak Sebag T - 35 Solkh Departee Mateatka FSM Uverstas Dpoegoro sol_erf@yahooco Abstrak Masalah trasportas

Lebih terperinci

XI. ANALISIS REGRESI KORELASI

XI. ANALISIS REGRESI KORELASI I ANALISIS REGRESI KORELASI Aalss regres mempelajar betuk hubuga atara satu atau lebh peubah bebas dega satu peubah tak bebas dalam peelta peubah bebas basaya peubah yag dtetuka oelh peelt secara bebas

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

Penelitian Operasional II Teori Permainan TEORI PERMAINAN

Penelitian Operasional II Teori Permainan TEORI PERMAINAN Peelta Operasoal II Teor Permaa 7 2 TEORI PERMAINAN 2 Pegatar 2 Krtera Tekk Permaa : () Terdapat persaga kepetga datara pelaku (2) Setap pema memlk stateg, bak terbatas maupu tak terbatas (3) Far Game

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

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

Metode Statistika Pertemuan XII. Analisis Korelasi dan Regresi

Metode Statistika Pertemuan XII. Analisis Korelasi dan Regresi Metode Statstka Pertemua XII Aalss Korelas da Regres Aalss Hubuga Jes/tpe hubuga Ukura Keterkata Skala pegukura varabel Pemodela Keterkata Relatoshp vs Causal Relatoshp Tdak semua hubuga (relatoshp) berupa

Lebih terperinci

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel

BAB 2 LANDASAN TEORI. disebut dengan bermacam-macam istilah: variabel penjelas, variabel BAB LANDASAN TEORI.1 Pegerta Regres Regres dalam statstka adalah salah satu metode utuk meetuka tgkat pegaruh suatu varabel terhadap varabel yag la. Varabel yag pertama dsebut dega bermacam-macam stlah:

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

REGRESI SEDERHANA Regresi

REGRESI SEDERHANA Regresi P a g e REGRESI SEDERHANA.. Regres Istlah regres dkemukaka utuk pertama kal oleh seorag atropolog da ahl meteorology Fracs Galto dalam artkelya Famly Lkeess Stature pada tahu 886. Ada juga sumber la yag

Lebih terperinci

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2

Jawablah pertanyaan berikut dengan ringkas dan jelas menggunakan bolpoin. Total nilai 100. A. ISIAN SINGKAT (Poin 20) 2 M 81 STTISTIK DSR SEMESTER II 11/1 KK STTISTIK, FMIP IT SOLUSI UJIN TENGH SEMESTER (UTS) Sabtu, 1 Me 1, Pukul 9. 1.4 WI (1 met) Kelas 1. Pegajar: Udjaa S. Pasarbu/Rr. Kura Novta Sar, Kelas. Pegajar: Utrwe

Lebih terperinci

MODEL PERENCANAAN SAFETY STOCK TERINTEGRASI UNTUK SISTEM MANUFAKTUR DENGAN FREKUENSI PENGIRIMAN TINGGI

MODEL PERENCANAAN SAFETY STOCK TERINTEGRASI UNTUK SISTEM MANUFAKTUR DENGAN FREKUENSI PENGIRIMAN TINGGI Semar Nasoal Logstk II : Streamlg Itegrated Suly Cha Maagemet as the New Froter of Comettve Advatage MODEL PERENCANAAN SAFETY STOCK TERINTEGRASI UNTUK SISTEM MANUFAKTUR DENGAN FREKUENSI PENGIRIMAN TINGGI

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

Analisis Regresi Logistik Ordinal pada Prestasi Belajar Lulusan Mahasiswa di ITS Berbasis SKEM

Analisis Regresi Logistik Ordinal pada Prestasi Belajar Lulusan Mahasiswa di ITS Berbasis SKEM D- JURNAL SAINS DAN SENI ITS Vol. 4, No., (05) 337-350 (30-98X Prt) Aalss Regres Logstk Ordal ada Prestas Belajar Lulusa Mahasswa d ITS Berbass SKEM Zakaryah da Isma Za Jurusa Statstka, FMIPA, Isttut Tekolog

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

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