ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK
|
|
- Budi Makmur
- 6 tahun lalu
- Tontonan:
Transkripsi
1 ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK Adri Arisena 1, Anna Chadidjah 2, Achmad Zanbar Soleh 3 Departemen Statistika Universitas Padjadjaran 1 Departemen Statistika Universitas Padjadjaran 2 Departemen Statistika Universitas Padjadjaran 3 adriarisena@gmail.com ABSTRAK PT. PLN (Persero) bertugas mengelola pendistribusian, penjualan tenaga listrik, dan memberikan pelayanan yang optimal kepada pelanggan yang menunggak. Pembayaran tagihan listrik yang terlambat membuat PLN tidak dapat membeli energi untuk mendistribusikan daya kepada pelanggan yang menunggak sehingga pelayanan perusahaan terhadap pelanggan yang menunggak belum optimal. Oleh sebab itu hilangnya total daya listrik pada perusahaan sangatlah besar sehingga perusahaan perlu mengevaluasi target yang telah ditetapkan. Sebagai usaha untuk mengevaluasi masalah tersebut, diperlukan analisis untuk menentukan estimasi total daya listrik yang hilang setiap bulan dan selama satu tahun pada pelanggan yang menunggak kelompok tarif golongan 0 melalui proses poisson terpancung majemuk. Adapun hasil dari penelitian ini diperoleh rata-rata total daya listrik yang hilang per bulan pada tahun 2012 dan 2013 adalah sebesar kwh dan kwh. Rata-rata total daya listrik yang hilang selama satu tahun pada tahun 2012 dan 2013 adalah sebesar kwh dan kwh. Kata kunci: poisson, poisson terpancung, distribusi poisson terpancung, distribusi gamma, proses poisson terpancung majemuk 1. PENDAHULUAN PT. PLN (Persero) bertugas mengelola pendistribusian tenaga listrik, dan memberikan pelayanan kepada pelanggan. Dalam menjalankan tugas tersebut ada hubungan timbal balik dengan pelanggan diantaranya penghematan energi dan membayar tagihan listrik sesuai dengan kebutuhan dan waktu yang telah ditetapkan. Pembayaran tagihan listrik yang terlambat membuat PLN tidak dapat membeli energi untuk mendistribusikan daya kepada pelanggan. Hal tersebut salah satunya membuat pelayanan perusahaan terhadap pelanggan belum optimal. Dalam 10 tahun terakhir perusahaan menerima konsekuensi berupa hilangnya daya yang digunakan untuk mendistribusikan listrik. Oleh sebab itu dalam mengoptimalkan pelayanan, maka PLN meningkatkan kinerja untuk menekan tunggakan sebagai salah satunya dengan membuat target penekanan tunggakan. Target ini harus dicapai oleh semua unit pelayanan dan bisnis PLN dengan cara meraih angka angka yang telah ditetapkan untuk mengurangi hilangnya pendapatan perusahaan dari segi tagihan listrik pelanggan yang menunggak. 105
2 Jumlah pelanggan yang menunggak selama tahun 2012 adalah sebanyak pelanggan dan untuk tahun 2013 adalah sebanyak pelanggan. Target yang ditetapkan oleh perusahaan rata-rata untuk setiap bulannya yaitu Rp ,00 untuk tahun 2012 dan Rp ,00 untuk tahun Target tersebut jika dikonversikan ke dalam daya maka pada tahun 2012 daya yang harus dicapai adalah sebesar kwh sedangkan untuk tahun 2013 adalah sebesar kwh. Pencapaian target tersebut terlihat belum optimal karena pada bulan tertentu kinerja perusahaan belum mencapai target. Dengan melihat kondisi yang ada saat ini, hilangnya total daya listrik pada perusahaan sangatlah besar. Ada baiknya perusahaan mengevaluasi target yang telah ditetapkan setiap bulan agar hilangnya total daya listrik menjadi kecil dan agar lebih mudah diidentifikasi untuk melakukan penanggulangannya agar total tunggakan tidak besar kembali. Untuk menanggulangi masalah tersebut peneliti akan mendiagnosa untuk rata-rata bulanan dan ratarata tahunan dari data yang diamati. Perhitungan estimasi yang telah dihitung dapat digunakan untuk menetapkan rata-rata besarnya daya listrik yang hilang per bulan dan selama satu tahun di tahun berikutnya karena angka tersebut akan dibandingkan dengan daya yang hilang yang telah ditentukan perusahaan sehingga penentuan kehilangan total daya listrik akan lebih objektif. Dalam penelitian ini, peniliti akan mencoba mengatasi masalah tersebut dimana total daya listrik yang hilang selanjutnya merupakan penjumlahan dari daya listrik yang hilang per bulan. Secara statistik distribusi dari total daya listrik yang hilang dapat didekati dengan proses poisson majemuk. Selanjutnya estimasi ratarata total daya listrik yang hilang akan bergantung dari daya listrik yang hilang per bulan yang diasumsikan berdistribusi gamma dan banyaknya pelanggan yang menunggak merupakan proses poisson terpancung. 2. METODE PENELITIAN 2.1 Simbol dan Definisi Variabel Penelitian Variabel-variabel yang digunakan dalam penelitian ini adalah sebagai berikut : N(t) : banyaknya (frekuensi) pelanggan yang menunggak selama periode ke-t X i : daya listrik yang hilang selama bulan ke-i (kwh) i : 1, 2, 3,, N(t) S(t) : total daya listrik yang hilang selama periode ke-t t : periode waktu (bulan) 2.2 Estimasi Daya Listrik yang Hilang Berdasarkan fenomena distribusi kehilangan maka peneliti perlu eksplorasi terhadap distribusidistribusi yang direkomendasikan dikaitkan dengan data eksisting. Berdasarkan data daya listrik yang hilang distribusi yang mungkin diantaranya distribusi Log Normal, distribusi Gamma, distribusi Transformed Gamma, distribusi Log Gamma, dan distribusi Weibull (V.Hogg & A.Klugman, 1984) Estimasi Rata-rata dan Simpangan Baku Daya Listrik yang Hilang Per Bulan Pendekatan distribusi yang akan digunakan peneliti untuk estimasi daya listrik yang hilang menggunakan distribusi Gamma 2 parameter karena berdasarkan fenomena yang diharapkan daya listrik yang hilang kecil dan peluangnya besar kemudian didukung oleh data penelitian. Dimana akan mencari nilai distribusi gamma yang mempunyai parameter α dan β yang belum diketahui dengan peubah acak bebas X yang berukuran i. Misalkan X suatu peubah acak kontinu yang menyatakan daya yang hilang per bulan (kwh). X di asumsikan berdistribusi gamma dengan parameter α dan β dengan fungsi densitasnya sebagai berikut 106
3 f(x) = { X 1 Γ(α) Xα 1 e β, x > 0 0, untuk x lainnya (1) dengan α > 0 dan β > 0. Dengan menggunakan pendekatan momen nilai taksiran parameter distribusi gamma akan di estimasi dengan Persamaan 2 dan 3 berikut ini α = x i n β (2) β = 1 t (x i x ) 2 x i n Selanjutnya estimasi nilai ekspektasi, varians, dan simpangan baku dari peubah acak X akan diperoleh dari Persamaan 4 sampai 6 berikut ini: sehingga ˆ ˆ ˆ x (4) (3) ˆ 2 Var X E X ˆ 2 ˆ 2 2 E X (5) maka ˆ X Var X (6) oleh karena itu diperoleh rumus untuk selang interval daya listrik yang hilang untuk koefisien konfidensi 95% yaitu ˆ ˆ (7) 2 X 2.3 Estimasi Rata-rata dan Simpangan Baku Banyaknya Pelanggan yang Menunggak Berdasarkan fenomena banyaknya pelanggan yang menunggak, terdapat dua kelompok pelanggan yaitu pelanggan yang menunggak dan pelanggan yang tidak menunggak, dalam penelitian ini kelompok yang diambil yaitu pelanggan yang menunggak dimana peluang pelanggan yang menunggak kecil, tidak bisa diduga, bersifat acak, dan mempunyai sampel yang besar maka dapat dilakukan pendekatan distribusi yang digunakan yaitu distribusi poisson. Variabel acak jumlah pelanggan yang menunggak dinotasikan dengan N(t). Proses stokastik dari pelanggan yang menunggak merupakan proses poisson yang berdistribusi poisson. Fungsi kepadatan peluang dari N(t) adalah P(X = x) = P(N(t) = n) = e λ(t) (λ(t)) n, n = 0,1,2,... (8) n! 107
4 Jumlah pelanggan yang menunggak tidak bisa sama dengan nol karena di setiap bulannya selalu ada pelanggan yang menunggak, oleh karena itu distribusi yang akan digunakan dalam penelitian ini adalah distribusi Poisson Terpancung Estimasi Rata-rata dan Simpangan Baku Banyaknya Pelanggan yang Menunggak Per Bulan Distribusi poisson terpancung yang sering digunakan sebagai distribusi yang mendasari untuk model penghitungan dapat ditulis sebagai : λ(t) n P[N(t) = n] = { n! 1 (e λ(t) 1) jika n = 1,2,3 N(t) 0 lainnya dengan parameter λ(t) dimana taksiran parameternya adalah (9) λ(t) = Median (10) maka Median = X ( 1 2 (n+1)) (11) Berdasarkan Persamaan (7) maka menurut (Tate, 1958 ) didapatkan nilai ekspektasi dan varians sebagai berikut : E[N(t)] = Var[N(t)] = maka simpangan bakunya adalah λ(t) ) (1 e λ(t) λ(t) (1 e λ(t) (12) )2 (13) ˆ Var Nt () (14) N sehingga diperoleh rumus untuk selang interval banyaknya pelanggan yang menunggak dengan interval konfidensi 95% yaitu E[ N( t)] ˆ (15) 2 N 2.4 Estimasi Rata-rata dan Simpangan Baku Total Daya Listrik yang Hilang Per Bulan Berdasarkan fenomena, total daya listrik yang hilang merupakan penjumlahan dari banyaknya pelanggan yang menunggak dan daya listrik yang hilang sehingga pendekatan distribusi yang digunakan adalah proses poisson majemuk. Setelah didapat banyaknya pelanggan yang menunggak dan daya listrik yang hilang perbulan, kemudian dapat dihitung nilai ekspektasi dan varians sebagai berikut : E[S(t)] = E[N(t)]. E[X] = λ(t). α β (16) (1 e λ(t) ) Var[S(t)] = Var[X]. E[N(t)] + (E[X]) 2 λ(t). Var[N(t)] λ(t) = (α β 2. ) + ((α β ) 2 ). (17) (1 e λ(t) ) (1 e λ(t) ) 2 (Putranti, 2007) 108
5 sehingga simpangan bakunya adalah (Putranti, 2007) ˆ S Var S( t) (18) untuk interval konfidensi 95% maka diperoleh rumus untuk selang interval yaitu E[S( t)] ˆ (19) 2 S Estimasi total daya listrik yang hilang didasari pada penetapan target yang telah ditetapkan oleh perusahaan yaitu pada tahun 2012 dan 2013 adalah sebesar kwh dan kwh dimana peneliti dapat menentukan diagnosa untuk menilai apakah kinerja perusahaan tergolong baik atau buruk berdasarkan pencapaian target yang telah diperoleh. 3. HASIL DAN PEMBAHASAN 3.1 Estimasi Rata-rata Daya Listrik yang Hilang Per Bulan Berdasarkan perhitungan, daya yang hilang mengikuti distribusi Gamma, maka didapat nilai taksiran parameter berdasarkan Persamaan (2) untuk beta dan (3) untuk alfa ditampilkan pada tabel berikut: Taksiran Parameter Dari Daya Listrik yang Hilang Per Bulan Taksiran Parameter β 1,446 1,720 α 121, ,880 Setelah mendapatkan penaksiran parameter kemudian mencari nilai ekspektasi berdasarkan Persamaan (4), variansi berdasarkan Persamaan (5) dengan simpangan baku berdasarkan Persamaan (6) maka hasilnya ditampilkan pada tabel berikut : Ekspektasi dan Dua Simpangan Baku Daya Listrik yang Hilang Per Bulan Ukuran Statistik μ 176,249 kwh 192,541 kwh 2σ X 31,934 kwh 36,406 kwh Berdasarkan tabel tersebut maka dapat disimpulkan bahwa rata-rata daya listrik yang hilang per bulannya pada tahun 2012 adalah sebesar 176,249 kwh per bulan dan pada tahun 2013 adalah sebesar 192,541 kwh per bulan. Untuk nilai simpangan baku dihitung agar dapat mengetahui pola penyimpangan data sehingga didapatkan selang interval berdasarkan Persamaan (7) untuk dua kali simpangan baku atau dengan kata lain interval kepercayaan 95% dari daya listrik yang hilang per bulan pada tahun 2012 adalah 144,315 ; 208,183 dan pada tahun 2013 adalah 156,135 ; 228,947. Dengan kata lain rata-rata dari daya listrik yang hilang per bulannya pada tahun 2012 berada di dalam interval antara 144,315 kwh dan 208,183 kwh. Sedangkan untuk tahun 2013 berada di dalam interval antara 156,135 kwh dan 228,947 kwh. 109
6 3.2 Estimasi Rata-rata Banyaknya Pelanggan yang Menunggak Per Bulan Seminar Statistika FMIPA UNPAD 2017 (SNS VI) Untuk mencari nilai ekspektasi, varians, dan simpangan baku terlebih dahulu harus mencari nilai taksiran parameter oleh karena itu didapat nilai taksiran parameter pada Persamaan (11) adalah ditampilkan pada tabel berikut: Taksiran Parameter Poisson Terpancung Taksiran Parameter λ pelanggan yang menunggak pelanggan yang menunggak Berdasarkan tabel tersebut maka dapat disimpulkan bahwa nilai harapan banyaknya pelanggan yang menunggak per bulan pada tahun 2012 adalah sebanyak pelanggan yang menunggak, sedangkan pada tahun 2013 adalah pelanggan yang menunggak. Setelah mendapat nilai taksiran kemudian mencari nilai ekspektasi berdasarkan Persamaan (12), variansi berdasarkan Persamaan (13) dengan simpangan baku berdasarkan Persamaan (14) maka hasil perhitungan ditampilkan pada tabel berikut: Ekspektasi dan Dua Simpangan Baku Banyaknya Pelanggan yang Menunggak Per Bulan Pada Tahun 2012 dan 2013 Ukuran Statistik E[N(1)] pelanggan yang menunggak pelanggan yang menunggak 2σ N 106 pelanggan yang menunggak 100 pelanggan yang menunggak Berdasarkan tabel tersebut maka dapat disimpulkan bahwa rata-rata banyaknya pelanggan yang menunggak per bulan pada tahun 2012 adalah sebanyak pelanggan yang menunggak per bulan dan pada tahun 2013 adalah sebanyak pelanggan yang menunggak per bulan. Sehingga didapatkan selang interval berdasarkan Persamaan (15) agar dapat mengetahui rata-rata jarak penyimpangan untuk dua kali simpangan baku atau dengan kata lain interval kepercayaan 95% dari banyaknya pelanggan yang menunggak per bulan pada tahun 2012 adalah antara pelanggan yang menunggak dan pelanggan yang menunggak. Sedangkan untuk tahun 2013 adalah antara 2439 pelanggan yang menunggak dan pelanggan yang menunggak. 3.3 Estimasi Rata-rata Total Daya Listrik yang Hilang Per Bulan Berdasarkan perhitungan dari estimasi rata-rata daya listrik yang hilang dan estimasi rata-rata banyaknya pelanggan yang menunggak maka akan didapat perhitungan estimasi total daya listrik yang hilang per bulan pada tahun 2012 dan Berdasarkan Persamaan (16) dan (17) maka di dapat nilai ekspektasi dan varians. Untuk simpangan baku berdasarkan Persamaan (18) maka hasil perhitungan ditampilkan pada tabel berikut: Ekspektasi dan Dua Simpangan Baku Total Daya Listrik yang Hilang Per Bulan Ukuran Statistik E[S(1)] kwh kwh 2σ S kwh kwh Berdasarkan tabel tersebut maka dapat disimpulkan bahwa rata-rata total daya listrik yang hilang per bulan pada tahun 2012 adalah sebesar kwh. Sedangkan untuk tahun 2013 adalah sebesar kwh. 110
7 Oleh karena itu di dapat selang interval berdasarkan Persamaan (19) agar dapat mengetahui rata-rata jarak penyimpangan untuk dua kali simpangan baku atau dengan kata lain interval kepercayaan 95% maka rata-rata penyimpangan total daya listrik yang hilang per bulan pada tahun 2012 adalah antara kwh dan kwh. Sedangkan untuk tahun 2013 adalah antara kwh dan kwh. Jika rata-rata jarak penyimpangan tertinggi dibandingkan dengan data eksisting yaitu target daya yang hilang per bulan maka ditampilkan pada tabel berikut Perbandingan Target Daya Listrik yang Hilang Per Bulan Tahun 2012 dan 2013 Terhadap Model Ukuran Statistik Target Model Target Model E[S(1)] kwh kwh kwh kwh Berdasarkan tabel tersebut dapat dilihat bahwa berdasarkan model statistik, kinerja perusahaan dalam menanggulangi total daya listrik yang hilang pada tahun 2012 dengan menggunakan taraf signifikan 95% berada dibawah dari target yang telah ditentukan dengan kata lain pada tahun 2012 kinerja perusahaan belum optimal, sedangkan untuk tahun 2013 kinerja perusahaan berada di atas target yang telah ditentukan dengan kata lain kinerja perusahaan sudah dianggap optimal. Analisis lebih lanjut berdasarkan rata-rata selisih antara target dengan daya yang hilang per bulan dan rata-rata selisih model dengan daya yang hilang per bulan sebagai penyimpangan dari total daya listrik yang hilang per bulan maka diperoleh hasil yang ditampilkan pada tabel berikut : Perbandingan Penyimpangan Daya Listrik yang Hilang Per Bulan Antara Target dan Model Tahun 2012 dan Penyimpangan Realita - Target Model - Realita Realita - Target Model Realita Rata-rata kwh kwh kwh kwh Berdasarkan tabel tersebut dapat diketahui bahwa rata-rata penyimpangan dari daya listrik yang hilang per bulan untuk tahun 2012 terlihat bahwa perhitungan selisih antara model dan realita sudah sesuai karena nilai dari rata-rata penyimpangan lebih kecil dibandingkan dengan selisih antara target dan realita, sedangkan untuk tahun 2013 perhitungan selisih antara model dan realita belum sesuai karena nilai rata-rata penyimpangan lebih besar dibandingkan dengan selisih antara realita dan target. 3.4 Estimasi Rata-rata Total Daya Listrik yang Hilang Selama Satu Tahun Setelah mendapat perhitungan dari estimasi total daya listrik yang hilang per bulan kemudian menghitung estimasi total daya listrik yang hilang selama satu tahun pada tahun 2012 dan Perhitungan estimasi total daya listrik yang hilang selama satu tahun dilakukan untuk mengevaluasi kinerja PLN dalam menekan jumlah pelanggan yang menunggak dan daya listrik yang hilang selama satu tahun. Berdasarkan perhitungan maka rata-rata jumlah pelanggan yang menunggak pada tahun 2012 dan 2013 akan dibandingkan dengan data eksisting (pelanggan yang menunggak) yang ditampilkan pada tabel berikut Perbandingan Jumlah Pelanggan yang Menunggak Terhadap Model Tahun 2012 dan 2013 Ukuran Statistik Pelanggan yang menunggak Model Pelanggan yang menunggak Model μ
8 Berdasarkan tabel tersebut dapat dilihat bahwa pencapaian PLN dalam menekan jumlah pelanggan yang menunggak dalam satu tahun untuk tahun 2012 dan 2013 dianggap berhasil karena jumlah pelanggan yang menunggak berada dibawah model statistik yang telah dihitung oleh peneliti. Setelah menghitung jumlah pelanggan yang menunggak maka akan dihitung total daya listrik yang hilang selama satu tahun yaitu tahun 2012 dan Perhitungan nilai ekspektasi dari total daya listrik yang hilang selama satu tahun berdasarkan Persamaan (16), varians berdasarkan Persamaan (17), dan simpangan baku berdasarkan Persamaan (18), yang ditampilkan pada tabel berikut: Ekspektasi dan Dua Simpangan Baku Total Daya Listrik yang Hilang Selama Satu Tahun Pada Tahun 2012 dan 2013 Ukuran Statistika E[S(12)] kwh kwh kwh kwh 2σ St Berdasarkan tabel tersebut maka dapat disimpulkan bahwa rata-rata total daya listrik yang hilang selama satu tahun pada tahun 2012 adalah sebesar kwh. Sedangkan untuk tahun 2013 adalah sebesar kwh. Oleh karena itu di dapat selang interval berdasarkan Persamaan (19) agar dapat mengetahui rata-rata jarak penyimpangan untuk dua kali simpangan baku atau dengan kata lain dengan taraf signifikan 95% maka rata-rata penyimpangan total daya listrik yang hilang selama satu tahun pada tahun 2012 adalah antara kwh dan kwh sedangkan pada tahun 2013 adalah antara kwh dan kwh. Jika rata-rata jarak penyimpangan tertinggi dibandingkan nilai yang telah didapat berdasarkan model terhadap data eksisting rata-rata daya listrik yang hilang selama satu tahun yang ditampilkan pada tabel berikut Perbandingan Daya Listrik yang Hilang Selama Satu Tahun Terhadap Model Pada Tahun 2012 dan 2013 Ukuran Statistik Daya Model Daya Model E[S(12)] kwh kwh kwh kwh Berdasarkan tabel tersebut maka dapat disimpulkan dengan taraf signifikansi 95% bahwa pencapaian PLN dalam menekan total daya listrik yang hilang selama satu tahun masih dalam batas kendali perusahaan karena nilai dari data eksisting lebih kecil dari model yang telah dihitung oleh peneliti 4. KESIMPULAN Berdasarkan hasil pembahasan dan analisis data pada bab sebelumnya, maka dapat disimpulkan beberapa hal sebagai berikut : 1. Rata-rata total daya yang hilang per bulan E[S(1)] pada tahun 2012 adalah sebesar kwh. Sedangkan untuk tahun 2013 rata-rata total daya yang hilang per bulan pada tahun 2013 adalah sebesar kwh. 2. Rata-rata total daya yang hilang selama satu tahun E[S(12)] pada tahun 2012 adalah sebesar kwh. Sedangkan untuk tahun 2013 rata-rata total daya yang hilang selama satu tahun pada tahun 2013 adalah sebesar kwh. 112
9 5. DAFTAR PUSTAKA Seminar Statistika FMIPA UNPAD 2017 (SNS VI) [1] Kaas, R. (2008). Modern Actuarial Risk Theory. London: Springer. [2] Kurniasari, D. (2007). Sifat Asimtotik Normalitas dan Ketakbiasan Penduga Kemungkinan Parameter Distribusi Generalized Gamma, [3] Mahmuddin, F. (2013). Studi densitas Energi Dengan Distribusi Weibull. Jurnal Riset dan Teknologi kelautan, [4] Misbahussurur, A. (2009). Estimasi Parameter Distribusi Gamma Dengan Metode Maksimum Likelihood. Malang: Jurusan Matematika Fakultas Sains dan Teknologi Universitas Islam Negeri Maulana Malik Ibrahim. [5] Putranti, A. E. (2007). Probabilitas Ruin Pada Proses surplus. Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Departemen Matematika Universitas Indonesia. [6] Rahman, A. (2012). Simulasi Sistem Persediaan Spare Part Dengan Pendekatan Proses poisson terpancung majemuk, [7] Springael, J. (2006). On The Sum of Independent Zero Truncated Poisson Random Variables. Belgium: Faculty of Applied Economics, University of Antwerp Prinsstraat. [8] Sugito. (2011). Distribusi Poisson dan Distribusi Eksponensial Dalam Proses Stokastik, [9] Syafik, A. (t.thn.). Aplikasi Distribusi Lognormal Dalam Statistika. Purwerejo: Jurusan Pendidikan Matematika FKIP Universitas Muhammadiyah Purworejo. [9] Tate, R. F. ( 1958 ). Minimum variance unbiased estimation for the truncated poisson distribution. The Annals of Mathematical Statistics 29, , 17. [10] Ulhusna, M. (2010). Keterbagian Tak Hingga Distribusi Log-Gamma dan Aplikasinya Dalam pembuktian Rumus Perkalian Gauss dan Rumus Legendae, [11] V.Hogg, R., & A.Klugman, S. (1984). Loss Distribution. Lowa: Department of Statistics and Actuarial Science The University of Lowa. [12] Walpole, R. E., Myers, R. H., Myers, S. L., & Ye, K. (2007). Probability & Statistics for Engineers & Scientists. London: Pearson Education International. [13] Wikipedia. (2013, August). Zero Truncated Distribution. Diambil kembali dari Wikipedia: 113
(ESTIMASI/ PENAKSIRAN)
ESTIMASI PENDAHULUAN Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik tenaga, waktu, maupun
Lebih terperinciPemodelan Data Curah Hujan Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process
Prosiding Statistika ISSN: 2460-6456 Pemodelan Data Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process 1 Novi Tri Wahyuni, 2 Sutawatir Darwis, 3 Teti Sofia Yanti 1,2,3 Prodi
Lebih terperinciDISTRIBUSI ERLANG DAN PENERAPANNYA. Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS
DISTRIBUSI ERLANG DAN PENERAPANNYA Rini Kurniasih 1, Getut Pramesti 2 Mahasiswi Pendidikan Matematika FKIP UNS, Dosen Pendidikan Matematika FKIP UNS nia.rini.purita2316@gmail.com, getut.uns@gmail.com ABSTRAK
Lebih terperinciESTIMASI. Arna Fariza PENDAHULUAN
ESTIMASI Arna Fariza PENDAHULUAN MATERI LALU Karena adanya berbagai alasan seperti banyaknya individu dalam populasi amatan, maka penelitian keseluruhan terhadap populasi tersebut tidaklah ekonomis, baik
Lebih terperinciBAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer
BAB I PENDAHULUAN A. Latar Belakang Statistika merupakan salah satu ilmu matematika yang terus berkembang dari waktu ke waktu. Di dalamnya mencakup berbagai sub pokok-sub pokok materi yang sangat bermanfaat
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI.1 Peubah Acak dan Distribusinya.1.1 Peubah Acak Definisi.1: Peubah acak adalah suatu fungsi yang menghubungkan sebuah bilangan real dengan setiap unsur di dalam ruang contoh, (Walpole
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciMedan, Juli Penulis
9. Seluruh teman-teman seperjuangan di Ekstensi Matematika Statistika, dan semua pihak yang turut membantu menyelesaikan skripsi ini. Sepenuhnya penulis menyadari bahwa dalam penulisan skripsi ini masih
Lebih terperinciDistribusi Probabilitas : Gamma & Eksponensial
Distribusi Probabilitas : Gamma & Eksponensial 11 Debrina Puspita Andriani E-mail : debrina.ub@gmail.com / debrina@ub.ac.id 2 Outline Distribusi Gamma Distribusi Eksponensial 3 Distribusi Gamma Tidak selamanya
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciPENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 23 28 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENDUGAAN PARAMETER DISTRIBUSI BETA DENGAN METODE MOMEN DAN METODE MAKSIMUM LIKELIHOOD FEBY RIDIANI Program
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Distribusi eksponensial tergenaralisir (Generalized Eponential Distribution) pertama kali diperkenalkan oleh Gupta dan Kundu pada tahun 1999. Distribusi ini diambil
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Risk: Quantify and Control. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Risk: Quantify and Control Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang MA4183 Model Risiko
Lebih terperinciDistribusi Peluang Kontinyu STATISTIK INDUSTRI 1. Distribusi Peluang Kontinyu. Distribusi Diskrit Uniform. Distribusi Diskrit Uniform 13/11/2013
3//203 STATISTIK INDUSTRI Agustina Eunike, ST., MT., MBA Rata-rata dan Variansi Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu UNIFORM Distribusi Diskrit Uniform Distribusi Diskrit Uniform Contoh:
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciMODUL TEORI ESTIMASI ATAU MENAKSIR TEORI ESTIMASI ATAU MENAKSIR
TEORI ESTIMASI ATAU MENAKSIR MODUL 9 TEORI ESTIMASI ATAU MENAKSIR. Pendahuluan Untuk menginginkan mengumpulkan populasi kita lakukan dengan statistik berdasarkan data yang diambil secara sampling yang
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Seiring dengan berjalannya waktu, ilmu pengetahuan dan teknologi (sains dan teknologi) telah berkembang dengan cepat. Salah satunya adalah ilmu matematika yang
Lebih terperinciEstimasi Titik. (Point Estimation) Minggu ke 1-3. Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada
Estimasi Titik (Point Estimation) Minggu ke 1-3 Prof. Dr. Sri Haryatmi, M. Sc. Universitas Gadjah Mada 2014 Prof. Dr. Sri Haryatmi, M. Sc. (UGM) Daftar Isi 2014 1 / 33 DAFTAR ISI 1 Minggu 1 Pertemuan 1
Lebih terperinciPENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL
PENERAPAN MODEL REGRESI LINIER BAYESIAN UNTUK MENGESTIMASI PARAMETER DAN INTERVAL KREDIBEL Vania Mutiarani 1, Adi Setiawan, Hanna Arini Parhusip 3 1 Mahasiswa Program Studi Matematika FSM UKSW, 3 Dosen
Lebih terperinciDISTRIBUSI PELUANG KONTINYU DISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS Berbeda dengan variabel random diskrit, sebuah variabel random kontinyu adalah variabel yang dapat mencakup nilai pecahan maupun mencakup range/ rentang nilai tertentu. Karena terdapat
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko
Catatan Kuliah MA4183 Model Risiko Forecast and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang MA4183 Model Risiko
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciLANDASAN TEORI. Generalized Lambda Distribution (GLD) awalnya diusulkan oleh Ramberg dan
4 II. LANDASAN TEORI Generalized Lambda Distribution (GLD) awalnya diusulkan oleh Ramberg dan Schmeiser (1974), yang memiliki empat parameter dari pengembangan distribusi Lambda Tukey. Keluarga distribusi
Lebih terperinciPengantar Statistika Matematika II
Pengantar Statistika Matematika II Distribusi Sampling Atina Ahdika, S.Si., M.Si. Prodi Statistika FMIPA Universitas Islam Indonesia March 20, 2017 atinaahdika.com Bila sampling berasal dari populasi yang
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD
ESTIMASI PARAMETER MODEL REGRESI POISSON TERGENERALISASI TERBATAS DENGAN METODE MAKSIMUM LIKELIHOOD Fitra1, Saleh2, La Podje3 Mahasiswa Program Studi Statistika, FMIPA Unhas 2,3 Dosen Program Studi Statistika,
Lebih terperinciCatatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2018
Lebih terperinciPERBANDINGAN KUASA WILCOXON RANK SUM TEST DAN PERMUTATION TEST DALAM BERBAGAI DISTRIBUSI TIDAK NORMAL
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 139 146 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PERBANDINGAN KUASA WILCOXON RANK SUM TEST DAN PERMUTATION TEST DALAM BERBAGAI DISTRIBUSI TIDAK NORMAL
Lebih terperinciDISTRIBUSI KONTINU. Uniform Normal Gamma & Eksponensial. MA3181 Teori Peluang 3 November 2014 Utriweni Mukhaiyar
DISTRIBUSI KONTINU Uniform Normal Gamma & Eksponensial MA3181 Teori Peluang 3 November 2014 Utriweni Mukhaiyar Distribusi Uniform 2 Distribusi kontinu yang paling sederhana Notasi: X ~ U (a,b) f.k.p: f(x)
Lebih terperinciPengantar Statistika Matematika II
Bab 4: Metode Evaluasi Estimator Statistika FMIPA Universitas Islam Indonesia Penggunaan metode estimasi yang berbeda dapat menghasilkan estimator yang sama maupun berbeda Dari hasil estimator yang berbeda,
Lebih terperinciSTATISTICS. WEEK 5 Hanung N. Prasetyo TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 5 Hanung N. Prasetyo Kompetensi 1. Mahasiswa memahamikonsep dasar distribusi peluang kontinu khusus seperti uniform dan eksponensial 2. Mahasiswamampumelakukanoperasi hitungyang berkaitan
Lebih terperinciGeneralized Linear Model
5 Generalized Linear Model Estimasi Loss Reserve Incurred But Not Reported (IBNR) dengan General Linear Model Menggunakan Gauss Markov Elsa Emeliana 1,a), Lienda Noviyanti 2, b), Achmad Zanbar Soleh 1
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia 2015 Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu. Ruang
Lebih terperinciMA4183 MODEL RISIKO Control your Risk!
Catatan Kuliah MA4183 MODEL RISIKO Control your Risk! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4183 Model Risiko A. Jadwal
Lebih terperinciMA4181 MODEL RISIKO Risk is managed, not avoided
Catatan Kuliah MA4181 MODEL RISIKO Risk is managed, not avoided disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA4181 Model Risiko
Lebih terperinciESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER
ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER 1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN
Lebih terperinciDistribusi Peluang Kontinyu STATISTIK INDUSTRI 1. Distribusi Peluang Kontinyu. Distribusi Diskrit Uniform. Distribusi Diskrit Uniform 17/12/2014
STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Rata-rata dan Variansi Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu UNIFORM Distribusi Diskrit Uniform Distribusi Diskrit Uniform Contoh: Suatu
Lebih terperinciPengantar Statistika Matematika II
Bab 2: Sifat-Sifat Estimator Statistika FMIPA Universitas Islam Indonesia Statistik Cukup Dalam kondisi real, kita tidak mengetahui parameter dari populasi data yang akan kita teliti Informasi dalam sampel
Lebih terperinciEstimasi Loss Reserve Menggunakan Metode Double Chain Ladder
Estimasi Loss Reserve Menggunakan Metode Double Chain Ladder Annisa Lestari 1, Lienda Noviyanti 2, Achmad Zanbar Soleh 3 Mahasiswa Prodi Magister Statistika, Departemen Statistika, FMIPA Universitas Padjadjaran
Lebih terperinciPROSES PERCABANGAN PADA DISTRIBUSI POISSON
PROSES PERCABANGAN PADA DISTRIBUSI POISSON Nur Alfiani Santoso, Respatiwulan, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak. Proses percabangan merupakan suatu proses stokastik
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Pada bab ini akan diuraikan mengenai beberapa teori dan metode yang mendukung serta mempermudah dalam melakukan perhitungan dan dapat membantu di dalam pembahasan
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciBAB 1 PENDAHULUAN. ii Bagaimana rata-rata atau nilai tengah dibuat oleh Stimulan eksternal.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Perkembangan ilmu pengetahuan matematika dan penerapannya dalam berbagai bidang keilmuan selalu mencari metode baru untuk memudahkan dalam memprediksi dan menaksir
Lebih terperinciPenentuan Momen ke-5 dari Distribusi Gamma
Jurnal Penelitian Sains Volume 6 Nomor (A) April 0 Penentuan Momen ke-5 dari Distribusi Gamma Robinson Sitepu, Putra B.J. Bangun, dan Heriyanto Jurusan Matematika Fakultas MIPA Universitas Sriwijaya, Indonesia
Lebih terperinciESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER
1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER A. Musdalifa, Raupong, Anna Islamiyati Abstrak Estimasi parameter adalah merupakan hal
Lebih terperinciPertemuan 8 STATISTIKA INDUSTRI 2 08/11/2013. Introduction to Linier Regression. Introduction to Linier Regression. Introduction to Linier Regression
Pertemuan 8 STATISTIKA INDUSTRI 2 TIN 4004 Outline: Regresi Linier Sederhana dan Korelasi (Simple Linier Regression and Correlation) Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and Probability
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Percobaan adalah kegiatan
Lebih terperinciI. PENDAHULUAN. Perkembangan teori statistika telah mempengaruhi hampir semua aspek. Dalam teori statistika dan peluang, distribusi gamma (
I. PENDAHULUAN 1.1. Latar Belakang dan Masalah Perkembangan teori statistika telah mempengaruhi hampir semua aspek kehidupan. Hal ini disebabkan statistika merupakan salah satu disiplin ilmu yang berperan
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teori statistika telah mempengaruhi hampir semua aspek kehidupan. Hal ini disebabkan statistika merupakan salah satu disiplin ilmu yang berperan
Lebih terperinciPROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN Tbk
PROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN Tbk oleh RIRIN DWI UTAMI M0113041 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciPenduga : x p s r b. Pertemuan Ke 9. BAB V PENDUGAAN PARAMETER
Pertemuan Ke 9. BAB V PENDUGAAN PARAMETER 5.1 Pengertian Pendugaan Parameter. Pendugaan merupakan suatu bagian dari statistik inferensia yaitu suatu pernyataan mengenai parameter populasi yang tidak diketahui
Lebih terperinciPENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG. Agustinus Simanjuntak ABSTRACT
PENAKSIR RATA-RATA DISTRIBUSI EKSPONENSIAL TERPOTONG Agustinus Simanjuntak Mahasiswa Program Studi S1 Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Riau Kampus Bina Widya Pekanbaru
Lebih terperinciBEBERAPA DISTRIBUSI KHUSUS DKINTINU DIKENAL
BEBERAPA DISTRIBUSI KHUSUS DKINTINU DIKENAL Dalam hal ini akan dibahas beberapa distribusi yang mempunyai bentuk fungsi densitas dan nama tertentu dari peubah acak kontinu, yaitu: distribusi seragam, distribusi
Lebih terperinciDistribusi Probabilitas Kontinyu Teoritis
Distribusi Probabilitas Kontinyu Teoritis Suprayogi Dist. Prob. Teoritis Kontinyu () Distribusi seragam kontinyu (continuous uniform distribution) Distribusi segitiga (triangular distribution) Distribusi
Lebih terperinciUKURAN SAMPEL DAN DISTRIBUSI SAMPLING DARI BEBERAPA VARIABEL RANDOM KONTINU
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 3, o.1 (14), hal 1-6. UKURA SAMPEL DA DISTRIBUSI SAMPLIG DARI BEBERAPA VARIABEL RADOM KOTIU Muhammad urudin, Muhlasah ovitasari Mara, Dadan Kusnandar
Lebih terperinciPengantar Statistika Matematika II
Bab 3: Statistika FMIPA Universitas Islam Indonesia Bila sampling berasal dari populasi yang digambarkan melalui fungsi peluang f X (x θ), pengetahuan tentang θ menghasilkan karakteristik mengenai keseluruhan
Lebih terperinciPENDUGAAN PARAMETER STATISTIK INDUSTRI 1
PENDUGAAN PARAMETER STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Mengetahui populasi dan membuat pernyataan peluang mengenai elemen yang diambil dari populasi tersebut Tidak mengetahui distribusi
Lebih terperinciRENCANA MUTU PEMBELAJARAN
RENCANA MUTU PEMBELAJARAN Nama Dosen : N. Setyaningsih, MSi. Program Studi : Pendidikan Matematika Kode Mata Kuliah : 504203 Nama Mata Kuliah : Statistika Matematika Jumlah sks : 3 sks Semester : V Alokasi
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 2 Outline: Uji Hipotesis: Directional & Nondirectional test Langkah-langkah Uji Hipotesis Error dalam Uji hipotesis (Error Type I) Jenis Uji Hipotesis satu populasi
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciSIMULASI INTENSITAS SENSOR DALAM PENDUGAAN PARAMATER DISTRIBUSI WEIBULL TERSENSOR KIRI. Abstract
ISBN: 978-602-71798-1-3 SIMULASI INTENSITAS SENSOR DALAM PENDUGAAN PARAMATER DISTRIBUSI WEIBULL TERSENSOR KIRI Widiarti 1), Ayu Maidiyanti 2), Warsono 3) 1 FMIPA Universitas Lampung widiarti08@gmail.com
Lebih terperinciOLEH : Riana Ekawati ( ) Dosen Pembimbing : Dra. Farida Agustini W, M.S
OLEH : Riana Ekawati (1205 100 014) Dosen Pembimbing : Dra. Farida Agustini W, M.S Salah satu bagian penting dari statistika inferensia adalah estimasi titik. Estimasi titik mendasari terbentuknya inferensi
Lebih terperinciKAJIAN AVAILABILITAS PADA SISTEM PARALEL
KAJIAN AVAILABILITAS PADA SISTEM PARALEL Riana Ayu Andam P. 1, Sudarno 2, Suparti 3 1 Mahasiswa Jurusan Statistika FSM UNDIP 2,3 Staff Pengajar Jurusan Statistika FSM UNDIP Abstract Availabilitas merupakan
Lebih terperinciBagian 2. Probabilitas. Struktur Probabilitas. Probabilitas Subyektif. Metode Frekuensi Relatif Kejadian untuk Menentukan Probabilitas
Probabilitas Bagian Probabilitas A) = peluang (probabilitas) bahwa kejadian A terjadi 0 < A) < 1 A) = 0 artinya A pasti terjadi A) = 1 artinya A tidak mungkin terjadi Penentuan nilai probabilitas: Metode
Lebih terperinciKontrak Kuliah Metode Statistika 2
Kontrak Kuliah Metode Statistika 2 Ayundyah K., M.Si. PROGRAM STUDI STATISTIKA UNIVERSITAS ISLAM INDONESIA 2015 Deskripsi Mata Kuliah Nama Mata Kuliah : Metode Statistika 2 Semester/SKS : I / 3 SKS Kompetensi
Lebih terperinciSTATISTIKA UNIPA SURABAYA
MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi
Lebih terperinciUkuran Statistik Bagi Data
Ukuran Statistik Bagi Data Ahmad Zakaria, Ph.D. September 19, 2013 1 Ahmad Zakaria, Ph.D. Ukuran Statistik Bagi Data Definisi Parameter 2 Ahmad Zakaria, Ph.D. Ukuran Statistik Bagi Data Definisi Parameter
Lebih terperinciSetiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi
ESTIMASI TITIK Setiap karakteristik dari distribusi populasi disebut dengan parameter. Statistik adalah variabel random yang hanya tergantung pada harga observasi sampel. Statistik merupakan bentuk dari
Lebih terperinciRetensi Optimal Untuk Reasuransi Stop-Loss Dengan Pendekatan Buhlmann-Straub Triana Sucova Sibarani 1*, Achmad Zanbar Soleh 2, Lienda Noviyanti 3
Retensi Optimal Untuk Reasuransi Stop-Loss Dengan Pendekatan Buhlmann-Straub Triana Sucova Sibarani 1*, Achmad Zanbar Soleh 2, Lienda Noviyanti 3 Departemen Statistika, Universitas Padjadjaran, Bandung
Lebih terperinciProsiding Statistika ISSN:
Prosiding Statistika ISSN: 2460-6456 Penaksiran Besar Klaim Optimal Menggunakan Metode Linear Empirical Bayesian yang Diaplikasikan untuk Perhitungan Premi Asuransi Kendaraan Bermotor di Indonesia 1 Hilda
Lebih terperinciPROSES POISSON MAJEMUK. 1. Pendahuluan
PROSES POISSON MAJEMUK Chris Risen, Respatiwulan, Pangadi Program Studi Matematika FMIPA UNS Abstrak. Proses Poisson merupakan proses menghitung {; t 0} yang digunakan untuk menentukan jumlah kejadian
Lebih terperinciPENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA BERDASARKAN FAKTOR SOSIODEMOGRAFI
Jurnal Matematika UNAND Vol. 3 No. 4 Hal. 58 65 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENERAPAN REGRESI POISSON DAN BINOMIAL NEGATIF DALAM MEMODELKAN JUMLAH KASUS PENDERITA AIDS DI INDONESIA
Lebih terperinciALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL
ALGORITMA PENENTUAN UKURAN SAMPEL EKSAK UNTUK DISTRIBUSI NORMAL, DISTRIBUSI POISSON DAN DUA DISTRIBUSI BINOMIAL DALAM MODEL KELUARGA EKSPONENSIAL 1) Program Studi Matematika Universitas Ahmad Dahlan dian@math.uad.ac.id
Lebih terperinciTINJAUAN PUSTAKA. Analisis regresi adalah suatu metode analisis data yang menggambarkan
II. TINJAUAN PUSTAKA 2.1 Analisis Regresi Analisis regresi adalah suatu metode analisis data yang menggambarkan hubungan fungsional antara variabel respon dengan satu atau beberapa variabel prediktor.
Lebih terperinciPERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA
Saintia Matematika Vol. 1, No. 3 (2013), pp. 299 312. PERBANDINGAN DISTRIBUSI BINOMIAL DAN DISTRIBUSI POISSON DENGAN PARAMETER YANG BERBEDA Raini Manurung, Suwarno Ariswoyo, Pasukat Sembiring Abstrak.
Lebih terperinciMODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI
MODEL DISTRIBUSI TOTAL KERUGIAN AGGREGAT MANFAAT RAWAT JALAN BERDASARKAN SIMULASI Puspitaningrum Rahmawati, Bambang Susanto, Leopoldus Ricky Sasongko Program Studi Matematika (Fakultas Sains dan Matematika,
Lebih terperinciCatatan Kuliah. MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4283 Teori Risiko dan Kredibilitas Forecasting Risk: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2018
Lebih terperinciSTATISTIKA INDUSTRI 2 TIN 4004
STATISTIKA INDUSTRI 2 TIN 4004 Pertemuan 8 Outline: Simple Linear Regression and Correlation Multiple Linear Regression and Correlation Referensi: Montgomery, D.C., Runger, G.C., Applied Statistic and
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Regresi Linier Sederhana Dalam beberapa masalah terdapat dua atau lebih variabel yang hubungannya tidak dapat dipisahkan karena perubahan nilai suatu variabel tidak selalu terjadi
Lebih terperinciBAB III MODEL REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON
BAB III MODEL REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON 3.1 Regresi Poisson Regresi Poisson merupakan salah satu model regresi dengan variabel responnya tidak berasal
Lebih terperinciPROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN TBK
PROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN TBK Ririn Dwi Utami, Respatiwulan, dan Siswanto Program Studi Matematika FMIPA UNS Abstrak.
Lebih terperinciPROSES POISSON MAJEMUK
PROSES POISSON MAJEMUK oleh CHRIS RISEN M0113010 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciPr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.
6.. Proses Kelahiran Murni Dalam bab ini, akan dibahas beberapa contoh penting dari waktu kontinu, state diskrit, proses Markov. Khususnya, dengan kumpulan dari variabel acak {;0 } di mana nilai yang mungkin
Lebih terperinciMata Kuliah Pemodelan & Simulasi. Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia
Mata Kuliah Pemodelan & Simulasi Riani Lubis Program Studi Teknik Informatika Universitas Komputer Indonesia Pokok Bahasan Variabel Acak Pola Distribusi Masukan Pendugaan Pola Distribusi Uji Distribusi
Lebih terperinciANALISIS RELIABILITAS PADA MESIN MEISA KHUSUSNYA KOMPONEN PISAU PAPER BAG UNTUK MEMPEROLEH JADUAL PERAWATAN PREVENTIF
Prosiding Seminar Nasional Matematika dan Pendidikan Matematika (SESIOMADIKA) 2017 ISBN: 978-602-60550-1-9 Statistika, hal. 42-51 ANALISIS RELIABILITAS PADA MESIN MEISA KHUSUSNYA KOMPONEN PISAU PAPER BAG
Lebih terperinciPEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON
PEMODELAN REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSION PADA REGRESI POISSON Rena Muntafiah 1, Rochdi Wasono 2, Moh. Yamin Darsyah 3 1,2,3 Program Studi Statistika, Fakultas Matematika dan Ilmu
Lebih terperinciESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI
ESTIMASI PARAMETER µ DAN σ 2 PADA DISTRIBUSI EKSPONENSIAL TERGENERALISIR DUA VARIABEL MENGGUNAKAN FUNGSI PEMBANGKIT MOMEN SKRIPSI GHAZALI WARDHONO 090823040 DEPARTEMEN MATEMATIKA FAKULTAS MATEMATIKA DAN
Lebih terperinciUJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah, ST., MT
UJI STATISTIK NON PARAMETRIK Widha Kusumaningdyah, ST., MT SIGN TEST Sign Test Digunakan untuk menguji hipotesa tentang MEDIAN dan DISTRIBUSI KONTINYU. Pengamatan dilakukan pada median dari sebuah distribusi
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH : ANALISIS DATA UJI HIDUP KODE MATA KULIAH : MAA SKS
SATUAN ACARA PERKULIAHAN MATA KULIAH : ANALISIS DATA UJI HIDUP KODE MATA KULIAH : MAA 516 3 SKS MINGGU 1 Pendahuluan dan - Pengertian Dasar soal-soal 2 Konsep-Konsep Dasar untuk Hidup Model Kontinu 1.
Lebih terperinciMODEL ANTREAN DENGAN DISTRIBUSI PELAYANAN NORMAL, ERLANG, WEIBULL STUDI KASUS TOL BANYUMANIK
SEMINAR MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2017 MODEL ANTREAN DENGAN DISTRIBUSI PELAYANAN NORMAL, ERLANG, WEIBULL STUDI KASUS TOL BANYUMANIK Sugito 1, Tarno 2, Agus Rusgiono 3, Jenesia Kusuma Wardhani
Lebih terperinciPengantar Statistika Matematika II
Pengantar a Matematika II - Estimator Atina Ahdika, S.Si., M.Si. Prodi a FMIPA Universitas Islam Indonesia April 17, 2017 atinaahdika.com Dalam kondisi real, kita tidak mengetahui parameter dari populasi
Lebih terperinciII. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E
5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah
Lebih terperinciKULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output:
KULIAH ANALISIS STATISTIK DATA SIMULASI Tipe-tipe simulasi berdasarkan analisis output: 1. Terminating simulation 2. Nonterminating simulation: a. Steady-state parameters b. Steady-state cycle parameters
Lebih terperinciPENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF. Adi Setiawan
PENGUJIAN HIPOTESIS DENGAN METODE BAYESIAN OBYEKTIF Adi Setiawan Program Studi Matematika Industri dan Statistika, Fakultas Sains dan Matematika Universitas Kristen Satya Wacana Jl Diponegoro 5-6 Salatiga
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2. Pengertian Distribusi Eksponensial Distribusi eksponensial adalah distribusi yang paling penting dan paling sederhana kegagalan mesin penghitung otomatis dan kegagalan komponen
Lebih terperinci