TUGAS I RANCANGAN PERCOBAAN BAB I
|
|
- Ivan Darmadi
- 6 tahun lalu
- Tontonan:
Transkripsi
1 TUGAS I RANCANGAN PERCOBAAN Nama : Dwi Shinta Marselina A. Pengertian Desain Esperimen BAB I Desain Esperimen Merupaan langah-langah lengap yang perlu di ambil jauh sebelum esperimen dilauan supaya data yang seharusnya diperluan dapat diperoleh sehingga aan menghasilan analisis obyetif dan esimpulan yang berlau untu persoalan yang sedang dibahas. Contoh bahwa suatu desain esperimen perlu dibuat selengap mungin : a. Bagaimana pengaruh perlauan ini harus diuur? b. Karateristi apa yang harus diuur? c. Fator fator apa yang mempengaruhi arateristi yang dianalisis? d. Fator-fator apa yang penting dianalisis? e. Berapa ali esperimen harus dilauan? f. Metode analisis mana yang harus digunaan? g. Berapa ali esperimen harus dilauan? h. Perluah esperimen control diambil untu dijadian perbandingan? i. Bagaimana esperimen harus dilauan? B. Tujuan Desain Esperimen Untu memperoleh atau mengumpulan informasi sebanya-banyanya yang diperluan dan berguna dalam melauan penelitian persoalan yang aan dibahas. Untu memperoleh informasi yang masimum dengan biaya yang minimum 1
2 C. Prinsip Dasar dalam Desain Esperimen Prinsip dasar dalam desain esperimen meliputi Replia, Pengacaan, dan Kontrol Loal. 1. Perlauan Seumpulan ondisi esperimen yang aan digunaan terhadap unit esperimen dalam ruang lingup desain yang dipilih. Perlauan bisa berbentu tunggal dan bentu ombinasi. Contohnya etia melauan percobaan meneliti efe maanan terhadap sapi, misalan perlauan tunggalnya adalah a) Jenis sapi, b) Jenis elamin sapi, c) umur sapi, d) Jenis maanannya, yang dimana tiap perlauan tunggal memberian efe sendiri-sendiri terhadap variabel respon (contohnya : berat badan sapi). Efe perlauan terhadap variabel respon terjadi dalam bentu gabungan, yang mungin saja terjadi secara bersamaan, misalan efe gabungan daripada jenis elamin sapi dan uuran maanan yang diperian terhadap berat badan sapi.. Unit Esperimen Yang dimasud unit disini adalah unit yang dienai perlauan tunggal dalam sebuah repliasi esperimen dasar. Contohnya : seeor sapi merupaan unit esperimen dalam percobaan penelitian efe maanan terhadap sapi. 3. Keeliruan Esperimen Menyataan egagalan dari dua unit esperimen identi yang dienai perlauan untu memberian hasil yang sama. Tentunyan eeliruan esperimen hendanya diusahaan supaya terjadi seecil-ecilnya. Cara yang lazim ditempuh adalah : Menggunaan bahan esperimen yang homogen. Menggunaan informasi yang sebai-bainya tentang variabel yang telah ditentuan denagn tepat. Melauan esperimen seteliti-telitinya. Menggunaan desain esperimen yang lebih efisien.
3 Tiga prinsip dasar dalam desain esperimen : Yaitu merupaan pengulangan esperimen dasar 1) Repliasi Repliasi dibutuhan arena : Memberian tasiran eeliruan esperimen yang dapat dipaai untu menentuan panjang interval onfidensi (selang epercayaan) atau dapat digunaan sebagai satuan dasar penguuran untu penetapan taraf signifian dari perbedaan-perbedaan yang diamati. Menghasilan tasiran yang lebih aurat untu eeliruan esperimen. Memunginan ita untu memperoleh tasiran yang lebih bai mengenai efe rata-rata suatu fator. ) Pengacaan Pengacaan menyebaban pengujian menjadi berlau yang memunginan data analisis di anggapan seolah-olah asumsi tentang independen dipenuhi. Pengacaan memunginan untu melanjutan langah-langah beriutnya dengan anggapan soal independen sebagai suatu enyataan. Pengacaan tida menjamin terjadinya independen, melainan hanyalah memperecil adanya orelasi antar pengamatan (bisa jadi antar eeliruan) Pengacaan merupaan suatu cara untu menghilangan bias. Jia pengacaan tida digunaan, maa setiap esimpulan yang dibuat bersifat bias dan tida dapat diduung oleh pengertian peluang sebagaimana mestinya. 3
4 Merupaan langah-langah atau usaha yang berbentu penyeimbangan, pembloan, dan pengelompoan unit-unit esperimen yang digunaan dalam desain. 3) Kontrol loal Jia repliasi dan pengacaan pada dasarnya aan memunginan berlaunya uji eberatian, maa ontrol loal menyebaban desain lebih efisien, yaitu menghasilan prosedur pengujian dengan uasa yang lebih tinggi. Pengelompoan diartian sebagai penempatan seumpulan unit esperimen yang homogen edalam elompo-elompo agar elompo yang berbeda memunginan untu mendapatan perlauan yang berbeda pula. Pembloan : Pengaloasian unit-unit esperimen e dalam blo sehingga unit-unit dalam blo secara relatif bersifat homogen, sedangan sebagaian besar dari variasi yang dapat diperiraan diantara unitunit telah baur dengan blo. Berarti, berdasaran pengetahuan peneliti mengenai sifat atau elauan unit-unit esperimen dapat dibuat desain esperimen sedemiian rupa sehingga bagian terbesar variasi yang dapat diduga tida menjadi bagian dari eeliruan esperimen. Dengan jalan demiian dapat diperoleh desai yang lebih efisien. Penyeimbangan : Usaha memperoleh unit-unit esperimen, usaha pengelompoan, pembloan dan penggunaan perlauan terhadap unit-unit esperimen sedemiian rupa sehingga dihasilan suatu onfigurasi atau formasi yang seimbang. 4
5 D. Efe dan Interasi Untu eperluan desain, variabel bebas dinamaan fator, dan nilai-nilai atau lasifiasilasifiasi daripada sebuah fator dinamaan taraf fator. Fator-fator biasanya dinyataan dengan huruf ecil a, b, c, d, dan seterusnya. Sedangan taraf fator dinyataan dengan anga 1,, 3, dan seterusnya yang ditulisan sebagai indes untu fator yang bersangutan. Contohnya : a = jenis elamin ada dua jenis elamin yaitu pria dan wanita, yang merupaan taraf bagi fator a. Jia 1 menyataan pria, dan menyataan wanita, maa untu fator a dengan tarafnya masing-masing dapat ditulis sebagai (a1, a). Artinya fator a terdiri dari taraf. Antara fator-fator yang memberian efe pada variabel respon, bisa bebas atau independen satu sama yang lain atau bisa interdependen sehingga aan terjadi interasi diantara fator-fator. Dalam analisis desain esperimen, hal demiian mengaibatan perlunya untu menentuan efe utama daripada fator-fator dan pula efe interasi antara fator-fator. E. Langah-langah Membuat Desain Esperimen Menurut Kempthorne ada 9 poo langah-langah desain, yaitu: 1. Pernyataan mengenai masalah atau persoalan yang dibahas.. Perumusan hipotesis. 3. Penentuan teni dan desain esperimen yang diperluan. 4. Pemerisaan semua hasil yang mungin dan latar belaang atau alasan supaya esperimen setepat mungin memberian informasi yang diperluan. 5. Mempertimbangan semua hasil yang mungin ditinjau dari prosedur statisti yang diharapan berlau untu itu, dalam ranga menjamin dipenuhinya syarat-syarat yang diperlauan dalam prosedur. 5
6 6. Melauan esperimen 7. Penggunaan teni statistia terhadap data hasil esperimen. 8. Mengambil esimpulan dengan jalan menggunaan atau memperhitungan derajat epercayaan yang wajar mngenai satuan-satuan yang dinilai. 9. Penilaian seluruh penelitian, dibandingan dengan penelitianpenelitian lain mengenai masalah yang sama. Terdapat langah-langah usaha mempermudah erja perencanaan menurut Bicing, yaitu : 1. Dapatan pernyataan yang jelas mengenai persoalan a. Kenali ruang lingup persoalan termasu hal-hal yang baru dan penting. b. Berian garis besar tentang persoalan husus dalam batas-batas yang berlau masa itu. c. Definisian ruang lingup yang tepat mengenai program pengujian. d. Tentuan hubungan antara persoalan tertentu dengan seluruh penelitian atau pengembangan program.. Kumpulan latar belaang informasi yang tersedia a. Teliti semua sumber yang tersedia b. Sajian atau susun data yang tepat atau benar untu merencanaan program baru. 3. Desain program pengujian a. Adaah disusi dengan semua piha yang bersangutan. Jelasan persoalan atau aidah yang aan dibutian. Ambil esepaatan mengenai perbedaan-perbedaan yang terjadi. Garisan hasil-hasil alternative yang mungin timbul Tentuan daerah gera fator-fator dan juga taraf fator yang aan diuji. Tentuan penguuran ahir yang aan dibuat. Pertimbangan pengaruh variabilitas sampling dan sisi metoda pengujian. 6
7 Pertimbangan bai-bai adanya interasi antara fator-fator. Tentuan batas watu, biaya, bahan, tenaga, peralatan, dan fasilitas-fasilitas lain serta ondisi-ondisi yang mungin terjadi. Perhatian bai-bai masalah hubungan emanusiaan yang terlibat. b. Buat desain dalam bentu pendahuluan. - Siapan daftar egiatan yang sistemati dan bersifat inlusif. - Lauan peerjaan selangah demi selangah, jia perlu adaan penyesuaian terhadap daftar egiatan. - Hilangan efe variabel-variabel yang tida sedang dipelajari dengan jalan melauan control, penyeimbangan atau pengacaan. - Minimalan banyanya rangaian esperimen. - Tentuan metoda analisis statistia yang diperluan. - Lauan pengumpulan data secara teratur. c. Bahas desain dengan semua piha yang bersangutan. Lauan penyesuaian terhadap program disertai omentar-omentar. Rumusan langah-langah yang harus dilauan dengan menggunaan istilah-istilah yang benar. 4. Rencanaan dan lasanaan peerjaan esperimen. a. Kembangan metoda, bahan dan peralatan. b. Gunaan metoda-metoda atau teni-teni yang tepat. c. Perisa rincian, lauan penyesuaian metoda jia diperluan. d. Catat setiap penyesuaian yang terjadi terhadap desain. e. Ambil langah yang hati-hati dalam usaha pengumpulan data. f. Catat pengajuan mengenai program. 5. Analisis data a. Sederhanaan data yang telah dicatat, jia perlu ubah e dalam bentu bilangan. b. Gunaan teni-teni statistia yang seharusnya. 6. Tafsiran hasil-hasil a. Pertimbangan semua data yang diamati. b. Batasi esimpulan-esimpulan epada dedusi yang tepat berdasaran enyataanenyataan yang tersedia. 7
8 c. Uji pertanyaan-pertanyaan berdasaran data yang tersedia menggunaan esperimen yang independen. d. Ambil esimpulan berdasaran pengertian teni statistia dan juga jelasan eberatian statistisnya. e. Tunjuan impliasi penemuan untu pemaaian dan erja lebih lanjut. f. Terangan setiap pembatasan yang disebaban oleh metoda yang digunaan. g. Nyataan hasilnya dalam bentu pengertian peluang yang dapat diperisa benar atau tidanya. 7. Siapan laporan a. Luisan hasil erja dengan jelas disertai latar belaang, etepatan persoalan dan arti daripada hasil yang diperoleh. b. Gunaan metoda penyajian data dalam bentu gambar dan daftar/tabel yang bai dan jelas. c. Lengapi informasi secuupnya agar pembaca dapat mence hasil-hasilnya dan mengambil esimpulan sendiri yang diperluan. d. Batasi esimpulan-esimpulan pada perumusan enyataan yang objetif sehingga hasil erja itu dengan sendirinya aan menjadi dasar untu pertimbanganpertimbangan yang tepat dan tindaan-tindaan yang sifatnya menentuan. Buan saja etelitian, eahlian, dan euletan yang dieprluan tetapi juga esabaran dari semua piha yang bersangutan. 8
9 A. Pendahuluan BAB II DESAIN ACAK SEMPURNA Esperimen fator tunggal merupaan esperimen dimana hanya mempunyai sebuah fator yang nilainya berubah-ubah. merupaan desain dimana perlauan dienaan sepenuhnya secara aca epada unit-unit esperimen, atau sebalinya Desain aca sempurna (DAS) Tida terdapat batasan terhadap pengacaan seperti misalnya dengan adanya pembloan dan pengaloasian perlauan terhadap unit-unit esperimen. Desain ini hanya dapat digunaan apabila persoalan yang dibahas mempunyai unit-unit esperimen yang bersifat homogen. Jia hal ini tida terjadi, maa pembloan harus diadaan agar efisien desain menjadi meningat. B. Analisis Varians untu Desain Aca Sempurna Untu analsis data yang diperoleh berdasaran desain esperimen, hususnya desain aca sempurna, aan ditinjau desain dengan sebuah observasi tiap unit esperimen.maa, untu eperluan analisisnya,data tersebut disusun seperti daftar II.1 yang emudian dihitung besaran-besaran yang diperluan ialah : n Jumlah nilai pengamatan untu tiap perlauan J i = i j=1 Y ij Jumlah seluruh nilai pengamatan J = J i Rata-rata pengamatan untu tiap perlauan Y i = J i ni Rata-rata seluruh nilai pengamatan Y = J n i 9
10 Harga-harga ini dapat dilihat dalam daftar II.1 beriut ini : DAFTAR II.1 DATA PENGAMATAN UNTUK DESAIN ACAK SEMPURNA (TIAP PERLAKUAN BERISI n i PENGAMATAN) Perlauan Jumlah 1 Data Pengamatan Y 11 Y 1 Y Y 1 Y n Y 1 Y Y 1n1 Y n Jumble J 1 J J Banya pengamatan n 1 n n J = J i n i Rata-rata Y 1 Y Y Y = J n 1 Selanjutnya diperluan : Y = Jumlah uadrat-uadrat (JK) semua nilai pengamatan R y n i j=1 = Y ij = Jumlah uadrat-uadrat (JK) untu rata-rata. Py = J n i = Jumble uadrat-uadrat (JK) antar perlauan = n i (Y i Y ) = ( J i n i ) R y 10
11 Ey = Jumlah uadrat-uadrat (JK) eeliruan esperimen. n = (Y ij Y i) i j=1 = Y R y P y Maa disusunlah sebuah daftar Analisis Varian (ANAVA). Seperti daftar II. dibawah ini : DAFTAR II. DAFTAR ANAVA UNTUK DATA DALAM DAFTAR II.1 Sumber Variasi Derajat Kebebasan Jumlah Kuadratuadrat (JK) Kuadrat Tengah (d) (KT) Rata-rata 1 Ry R = Ry Antar perlauan -1 Py P = P y ( 1) Keeliruan Esperimen (Dalam perlauan) (n i 1) Ey E = E y (ni 1) (S c = E) Jumlah/Total n i Y - Apabila banya pengamatan untu tiap perlauan sama, yani n 1 = n = = n = n, maa tentulah: Y = J n Ry = J n Py = ( J i ) n R y Ey = Y R y P y n Y = Y ij j=1 11
12 Daftar ANAVA yang diperluan untu ini masih seperti dalam daftar II. hanya bedanya dengan mengganti : n i oleh n dan (n i 1) oleh (n 1) Sebelum mendapatan esimpulan hususnya mengenai efe efe perlauan, maa perlu asumsi yang biasa diambil dalam ANAVA ialah sifat aditif dan linieritas model, normalitas, independen dan homogenitas varians. Model yang diandaian ialah model linier bersifat aditif dengan persamaan II.1 Y ij = μ + τ i + ε ij ; (i = 1,,, ; j = 1,,, n ) Dengan Yij = variabel yang aan dianalisis, dimisalan berdistribusi normal μ = rata-rata umum atau rata-rata sebenarnya τ i = efe perlauan e i ε ij = eeliruan, berupa efe aca yang berasal dari unit esperimen e j arena perlauan e i. μ berharga tetap dan efe ε ij berdistribusi normal dan identi dengan rata-rata 0 dan varians σ ε yang aan ditulis sebagai ε ij ~ DNI (0, σ ϵ ). Mengenai τ i nya sendiri ada dua pilihan yang dapat diambil, ialah : 1) τ i = 0, yang menggambaran bahwa ita hanya berurusan dengan semuanya buah perlauan dalam esperimen. ) τ i ~ DNI (0, σ τ ), yang menggambaran bahwa ita berurusan dengan sebuah populasi perlauan sedangan sebuah sampel aca perlauan sebanya buah diambil sebagai esperimen. Penentuan salah satu modal diatas sangat penting arena aan menentuan berlaunya uji eberatian berdasaran adanya KT yang diharapan atau espetasi KT, disingat EKT. 1
13 Daftar ANAVA disertai EKT untu model diberian dalam Daftar II.3 beriut ini : DAFTAR II.3 DAFTAR ANALISIS MODEL TETAP UNTUK DESAIN ACAK SEMPURNA (SATU PENGAMATAN TIAP PERLAKUAN) Sumber Variasi d JK KT EKT Rata-rata 1 Ry R Antar Pelauan -1 Py P σ ε + n iτ i ( 1) Keeliruan (n i 1) Ey E=s ε σ ε Jumlah(Total) n i Y - - Apabila model yang terjadi merupaan model aca, maa daftar ANAVA dan EKT dapat dilihat seperti Daftar II.4 beriut ini : DAFTAR II.4 DAFTAR ANAVA MODEL ACAK UNTUK DESAIN ACAK SEMPURNA (SATU PENGAMATAN TIAP PERLAKUAN) Sumber Variasi d JK KT EKT Rata-rata 1 Ry R Antar Pelauan -1 Py P σ ε + n 0 σ τ Keeliruan (n i 1) Ey E=s ε σ ε Jumlah(Total) n i Y - - Setelah EKT untu sumber-sumber variasi antar perlauan dan eeliruan ditentuan, esimpulan statistis searang dapat dilauan. Kesimpulan ini, tepatnya pengujian statistis yang membawa epada esimpulan, aan bergantung pada model yang diambil. Beriut modelnya : 13
14 Model I (Model Tetap) Hipotesis nol tida terdapat perbedaan diantara efe-efe buah perlauan yang terdapat didalam esperimen. Hipotesis nol ini biasanya dirumusan sebagai : H0 : τ i = 0 untu i = 1,,,. Jia H0 benar, maa KT yang berasal dari eeliruan esperimen dan KT yang berasal dari antar perlauan, masing-masing merupaan tasiran σ ε. Karena juga ε ij ~ DNI (0, σ ϵ ), maa perpandingan yang ditentuan oleh II. F = P E = KT (antar perlauan) KT (eeliruan esperimen) aan berdistribusi F dengan d pembilang v 1 = ( 1) dan d penyebut v = (n i 1). Jia harga F diatas lebih besar dari F α(v1,v ) dengan α merupaan taraf signifian, maa hipotesis H0 aan ditola. Kesimpulannya ialah bahwa terdapat perbedaan diantara efe buah perlauan. Model II (Model Aca) Hipotesis nol nya berbunyi : tida terdapat perbedaan diantara efe-efe semua perlauan di dalam populasi dari mana sebuah sampel telah diambil sebanya perlauan. Perumusan hipotesis nol untu model ini biasa ditulis sebagai : H0 : σ τ = 0 Cara pengujian untu model ini sama dengan pengujian untu model tetap. Jadi ditentuan perbandingan F = P/E dengan distribusi dan daerah penolaan hipotesis nol seperti dalam model tetap. Perbedaan terleta pada esimpulan yang dibuat. Yang pertama hanya berlau untu buah perlauan yang terdapat dalam esperimen, sedangan yang terahir ini berlau 14
15 untu populasi perlauan berdasaran sebuah sampel terdiri dari buah perlauan yang diambil dari populasi. C. Uji Rata-rata Sesudah Anava 1. Kontras Ortogonal Jia perbandingan atau ontras mengenai rata-rata perlauan telah direncanaan terlebih dahulu sebelum esperimen dilauan, maa dengan hati-hati ontras dapat dipilih dimana banya ontras tida boleh melebihi banya derajat bebas (d) untu rata-rata perlauan. Metoda yang biasa digunaan dalam hal ini disebut metoda ontras orthogonal. Definisi : Kontras Cp untu ombinasi linier beberapa jumlah perlauan Ji, i = 1,,, (pengamatan untu tiap perlauan sama banya ialah sama dengan (n) di definisian sebagai : C P = c 1p J 1 + c p J + + c p J Dengan c 1p + c p + + c p = 0 Atau c ip = 0 Bila untu menyelidii apaah rata-rata perlauan esatu dan edua pengaruhnya sebesar dua ali rata-rata perlauan maa : Dua ontras Cp dan Cq diataan ontras orthogonal jia : C P = c 1p J 1 + c p J + + c p J dan C q = c 1q J 1 + c q J + + c q J Memenuhi syarat C ip C iq = 0 Jia untu membandingan antara pengaruh perlauan yang satu dengan yang lainnya, maa perlu ditentuan jumlah uadrat-uadrat ontras disingat JK (Cp), dengan rumus : II.3. JK (CP) = C p n C ip Selanjutnya, tentuan uadrat tengah ontras KT (Cp) dengan membagi JK (Cp) oleh d ontras yang besarnya satu. Kemudian bandingan KT (Cp) 15
16 dengan KT (eeliruan) yang mempunyai d = (n-1) untu memperoleh statisti. II.4 F (C P ) = KT(C P ) KT(eeliruan) Statisti ini digunaan untu menguji hipotesis nol. H 0 C P = 0 Dan tola H0 jia F(Cp) > F, untu α = taraf signifian yang dipilih dengan d pembilang 1 dan d penyebut (n-1) Jia tiap perlauan beruuran berlainan, yani perlauan e I berisian pengamatan sebanya ni, i = 1,,,, maa ontras Cp didefinisian sebagai : C P = c 1p J 1 + c p J + + c p J dengan n 1 c 1p + n c p + + n c p = 0 Dua ontras Cp dan Cq ortogonal apabila n i C ip C iq = 0 Untu pengujian ontras ini digunaan jumlah uadrat-uadrat ontras JK (Cp) dengan rumus II.5 : JK (CP) = C p n i C ip. Pengujian Rata-rata Sesudah Esperimen Jia penyelidian perbandingan antara perlauan ditentuan sesudah data diperisa, jadi setelah pengujian atas ANAVA dilauan, maa α aan berubah. Diarenaan bahwa penentuan yang diambil tida secara aca melainan berdasaran haisl yang telah dicapai. Metoda metoda husus, diantaranya : a) Uji Rentang Newman Keuls Langah langah utama untu melauan uji Newman Keuls : i) Susun buah rata-rata perlauan menurut urutan nilainya, dari yang paling ecil sampai e yang terbesar. 16
17 ii) Dari daftar ANAVA, ambil KT (eeliruan) disertai d nya. iii) Hitung eeliruan bau rata-rata untu tiap perlauan dengan rumus KT (Keeliruan) II. 6. S Y i = n i iv) Tentuan taraf signifian α, lalu gunaan daftar Rentang Student yang tercantum dalam Apendis, Daftar E. Daftar ini mengandung d = v dalam olom iri dan p dalam baris atas. Ambil v = d untu KT (eeliruan) dan p =, 3,,. Harga-harga yang didapat untu v dan p dari badan daftar sebanya (-1) buah, supaya dicatat. v) Kalian harga-harga yang didapat di titi iv) itu masing masing dengan S Y i. Dengan jalan demiian diperoleh apa yang dinamaan rentang signifian terecil (RST). vi) Bandingan selisih rata-rata terbesar dan rata-rata terecil dengan RST untu p =, selisih rata-rata terbesar dan rata-rata terecil edua dengan RST untu p = ( 1), dan seterusnya. Demiian pula bandingan selisih rata-rata terbesar edua dan rata-rata terecil dengan RST untu p = ( 1), selisisih rata-rata terbesar edua dan rata-rata terecil edua dengan RST untu p = ( ), dan seterusnya. Dengan jalan begini, semuanya aa nada 1 ( 1) pasangan yang harus dibandingan. Jia selisih selisih yang didapat lebih besar daripada RST-nya masing-masing, maa disimpulan bahwa terdapat perbedaan yang berarti diantara rata-rata perlauan. b) Uji Scheffé c) Digunaan untu membandingan pasangan rata-rata perlauan, jadi dengan cara ini yang dibandingan setiap dua hasil perlauan. Sering diehendai untu mengadaan perbandingan tida saja berbentu berpasangan, melainan merupaan ombinasi linier dari perlauan, hususnya berbentu ontras. Uji Scheffé memunginan untu melauan hal ini, mesipun ontrasnya tida orthogonal. Karena ontras lebih umum daripada perbandingan berpasangan, maa aibatnya Uji Scheffé lebih umum dripada uji Newman Keuls. 17
18 Langah langah menggunaan Uji Scheffé adalah sebagai beriut : a. Susunlah ontras CP yang diinginan lalu hitung harganya. b. Dengan mengambil traf signifian α, derajat ebebasan pembilang v1 = ( 1) dan penyebut v F α(v1,v) = n i ), untu ANAVA supaya dihitung nilai risis c. Hitung besaran A = ( 1)F dengan F yang didapat dari langah b diatas. d. Hitung eeliruan bau tiap ontras yang aan diuji, dengan rumus s(c P ) = KT (eeliruan) n i C ip e. Jia harga ontras Cp lebih besar daripada A x s(cp), maa hasil pengujian dinyataan signifian. Atau, jia C P > A s(c p ) maa tola hipotesis nol bahwa ontras antara rata-rata sama dengan nol. D. Batas-batas Konfiden untu Rata-rata Untu menentuan interval tasiran parameter μi diperluan eeliruan bau rata-rata perlauan e I yang dihitung dengan Rumus II.6, untu E = KT (eeliruan) dapat ditulis pula : II.7. S Y i = E n i Interval onfiden ( 1 α ) 100% untu μi dihitung dengan menggunaan II.8. Y i t 1 1 E α ni < μ i < Y i + t 1 1 α E n i Dengan t 1 1 α didapat dari daftar distribusi Student(Daftar B, dalam Apendis) dengan d = d untu sumber variasi eeliruan. E. Komponen Varians Untu mode aca atau Model II, biasanya peneliti tida tertari pada pengujian seperti dimua, melainan pada tasiran omponen varians.untu menasir varians σ ε dan σ τ digunaan tasiran tabiasnya masing-masing. Tasiran tabias untu σ ε ialah S ε = E. Selanjutnya, apabila tasiran tabias untu σ τ ialah S τ, maa ternyata bahwa tasiran tabias untu (σ ε + n 0 σ τ ) adalah (S ε + n 0 S τ ) Dari daftar ANAVA, daftar II.4 harga S τ dapat dihitung apabila diambil 18
19 ( n i ni S ε + n 0 S n ) τ ) = P dengan S ε = E dan n 0 = i ( 1) Dalam desain yang lebih rumit, penentuan harga-harga omponen varians sangat penting untu menentuan efisiensi desain. Definisi efisiensi sebuah desain berdasaran varians rata-rata perlauan S Y, yaitu - Desain pertama lebih efisien daripada desain edua apabila S Y i desain pertama lebih ecil daripada S Y i desain edua. - Jia varians rata-rata perlauan dari edua desain dibandingan dan dinyataan dalam persen, maa diperoleh efisien relative, disingat ER. Jadi II.9 ER (desain I terhadap desain II ) = S (desain II) Y i 100% S (desain I) Y i F. Subsampling dalam Desain Aca Sempurna Jia pengamatan tida dilauan terhadap setiap unit esperimen secara eseluruhan melainan hanya terhadap sebagaian tertentu saja dari unit esperimen, maa prosesnya dinamaan subsampling dan yang diperoleh adalah dalam esperimen. Modelnya adalah sebagai beriut : II.10 Y ijh = μ + τ i + ε ij + η ijh Dengan i = 1,,, Y ijh μ τ i ε ij η ijh j = 1,,, n = 1,,, m = variabel respon yang sedang diuur. = rata-rata umum = efe perlauan e i = efe unit esperimen e j arena perlauan e i = efe sampel e h yang diambil dari unit esperimen e j yang dienai perlauan e i. Untu perlauan analisis desain dengan model seperti dalam Persamaan II.10, maa harus dihitung jumlah uadrat-uadrat (JK) 19
20 m Y = j=1 h=1 Y ijh n, dengan d = nm R y = J nm, dengan d = 1 P y = J i nm R y, dengan d = ( 1) E y = E ij j=1 m R y P y, dengan d = (n 1) S y = Y R y P y E y, dengan d = n(m 1) m Dengan E ij = h=1 Y ijh J i = n j=1 E ij J = J i 3 macam rata-rata ialah : Y ij = E ij m Y i = Ji nm Y = J nm Daftar ANAVA untu desain ini, dengan model tetap tercantum dalam daftar II.1 beriut ini : 0
21 DAFTAR II.1 DAFTAR ANAVA UNTUK DESAIN ACAK SEMPURNA DENGAN SUBSAMPLING (MODEL TETAP) Sumber Variansi d JK KT EKT Rata - rata 1 Ry R Perlauan - 1 Py P σ η + mσ ϵ + nm τ i ( 1) Keeliruan Esperimen (n 1) Ey E σ η + mσ ϵ Keeliruan Sampling n( m 1) Sy S σ η Jumlah nm Y - - Untu menguji hipotesis nol H0 : τ i = 0 dengan i = 1,,, Yang menyataan tida ada perbedaan pengaruh diantara perlauan, statisti F = P/E harus dihitung dan selanjutnya dibandingan dengan harga F dari daftar distribusi F dengan d v1 = 1, v = (n 1) dan taraf signifiansi α yang dipilih. Tola H0 jia F = P/E > F dari daftar. Untu ini eeliruan bau rata-rata perlauan dihitung dengan rumus : S y i = E nm G. Asumsi tentang Model Asumsi asumsi yang dimasud, ialah sifat aditif daripada model, normalitas, homogenitas varians dan sifat independen eeliruan, sudahlah seharusnya diperisa terlebih dahulu sebelum ANAVA ditempuh. Penyimpangan yang moderat dari syaratsyarat yang telah digarisan dalam asumsi-asumsi tidalah terlalu bahaya. Misalnya apabila terdapat sediit penyimpangan dari asumsi normalitas dan atau homogenitas varians maa ternyata hanya aan berpengaruh ecil seali terhadap pengujian dan 1
22 esimpulan yang dihasilan. Jia hal demiian terjadi, maa biasanya diataan pengujian bersifat ajeg. Teni ANAVA bersifat ajeg, hususnya terhadap asumsi normalitas dan homogenitas varians. Sebelum ANAVA dilauan, maa perlu pemerisaan terlebih dahulu mengenai asumsi-asumsi yang telah diambil, meliputi : 1. Normalitas atau Kenormalan Untu memerisa apaah populasi berdistribusi normal atau tida. Dapat ditempuh uji normalitas dengan menggunaan ertas peluang normal dan atau chi-uadrat.. Homogenitas Varians Uji Bartlett untu hipotesis nol : H0 : σ 1 = σ = = σ Ditempuh berdasaran sampel aca beruuran ni yang masing masing telah diambil dari populasi e i ( i = 1,,, ) yang berdistribusi normal. 3. Independen Asumsi mengenai fator eeliruan ε ij, bahwa ε ij ~ DNI (0, σ ϵ ). Ini berarti ε ij, mempunyai rata-rata sama, varians yang homogen juga berdistribusi normal dan tida berorelasi, jadi bersifat independen. 4. Aditivitas Gagalnya suatu model untu mempunyai sifat aditif umumnya diarenaan ; Model bersifat multipliatif. Penyebabnya adalah apabila model multipliatif, pad umumnya dapat diubah menjadi aditif dengan jalan mengambil logaritmanya atau transformasi bentu lain. Adanya interasi yang belum dimasuan e dalam model. Terdapatnya observasi eeliruan. Mudah dihilangan dengan jalan melauan observasi yang tepat dan cara yang benar. Jia model multipliatif berbentu Y = μτ i ε ij,maa dengan transformasi logaritma aan berubah menjadi bentu aditif : log Y = log μ+ logτ i + log ε ij
23 Beriut ini beberapa transformasi yang sering digunaan untu eadaan tertentu : a. Logaritma Y = log Y Digunaan apabila efe-efe bersifat multipliatif atau proporsional atau pula apabila simpangan bau berbanding lurus dengan rata-rata. b. Aar uadrat Y = Y atau Y = Y + 1 Digunaan apabila varians berbanding lurus dengan rata-rata (misalnya jia data asli Y merupaan sampel dari populasi berdistribusi Poisson) c. Arc sinus Y = arc sin Y Jia μ = rata-rata populasi dan varians berbanding lurus dengan μ ( 1 μ ) (misalnya jia data asli merupaan sampel dari populasi berdistribusi binom), maa menggunaan transformasi ini. d. Kebalian Y = 1/Y Transformasi ini digunaan jia simpangan bau berbanding lurus dengan pangat dua rata-rata. 3
BAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Model Loglinier adalah salah satu asus husus dari general linier model untu data yang berdistribusi poisson. Model loglinier juga disebut sebagai suatu model statisti
Lebih terperinciBAB III METODE SCHNABEL
BAB III METODE SCHNABEL Uuran populasi tertutup dapat diperiraan dengan teni Capture Mar Release Recapture (CMRR) yaitu menangap dan menandai individu yang diambil pada pengambilan sampel pertama, melepasan
Lebih terperinciII. TINJAUAN PUSTAKA. sebuah teknik yang baru yang disebut analisis ragam. Anara adalah suatu metode
3 II. TINJAUAN PUSTAKA 2.1 Analisis Ragam (Anara) Untu menguji esamaan dari beberapa nilai tengah secara sealigus diperluan sebuah teni yang baru yang disebut analisis ragam. Anara adalah suatu metode
Lebih terperinciUsulan Level Faktor Variasi Bahan untuk Mencapai Kuat Tekan Beton 50 Mpa dengan Metode Perancangan Eksperimen *
Rea Integra ISSN: 338-508 Teni Industri Itenas No. Vol. 0 Jurnal Online Institut Tenologi Nasional Otober 03 Usulan Level Fator Variasi Bahan untu Mencapai Kuat Tean Beton 50 Mpa dengan Metode Perancangan
Lebih terperinciPENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR
PENINGKATAN EFISIENSI & EFEKTIFITAS PENGOLAHAN DATA PERCOBAAN PETAK BERJALUR Ngarap Im Mani 1) dan Lim Widya Sanjaya ), 1) & ) Jurs. Matematia Binus University PENGANTAR Perancangan percobaan adalah suatu
Lebih terperinciOptimasi Non-Linier. Metode Numeris
Optimasi Non-inier Metode Numeris Pendahuluan Pembahasan optimasi non-linier sebelumnya analitis: Pertama-tama mencari titi-titi nilai optimal Kemudian, mencari nilai optimal dari fungsi tujuan berdasaran
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar belakang
BAB PENDAHULUAN. Latar belaang Metode analisis yang telah dibicaraan hingga searang adalah analisis terhadap data mengenai sebuah arateristi atau atribut (jia data itu ualitatif) dan mengenai sebuah variabel,
Lebih terperinciANALISIS VARIANSI (ANOVA)
ANALISIS VARIANSI (ANOVA) ANOVA = Analisis Varians (Anava) = Analisis Ragam = Sidi Ragam Diperenalan oleh R.A. Fisher (195) disebut uji F pengembangan dari uji t dua sampel bebas (independent samples t
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Statisti Inferensia Tujuan statisti pada dasarnya adalah melauan desripsi terhadap data sampel, emudian melauan inferensi terhadap data populasi berdasaran pada informasi yang
Lebih terperinciBAB 1 PENDAHULUAN. Universitas Sumatera Utara
BAB 1 PENDAHULUAN 1.1 Latar Belaang Keadaan dunia usaha yang selalu berubah membutuhan langah-langah untu mengendalian egiatan usaha di suatu perusahaan. Perencanaan adalah salah satu langah yang diperluan
Lebih terperinciRancangan Petak Terbagi
Rancangan Peta Terbagi Ade Setiawan 009 Percobaan Split-plot merupaan superimpose dari dua jenis satuan percobaan dimana rancangan lingungan untu eduanya bisa sama ataupun berbeda. Satuan percobaan untu
Lebih terperinciBAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK
BAB 3 PATTERN MATCHING BERBASIS JARAK EUCLID, PATTERN MATCHING BERBASIS JARAK MAHALANOBIS, DAN JARINGAN SYARAF TIRUAN BERBASIS PROPAGASI BALIK Proses pengenalan dilauan dengan beberapa metode. Pertama
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belaang Masalah untu mencari jalur terpende di dalam graf merupaan salah satu masalah optimisasi. Graf yang digunaan dalam pencarian jalur terpende adalah graf yang setiap sisinya
Lebih terperinciUJI BARTLETT. Elty Sarvia, ST., MT. Fakultas Teknik Jurusan Teknik Industri Universitas Kristen Maranatha Bandung. Scheffe Multiple Contrast Procedure
8/9/01 UJI TUKEY UJI DUNCAN UJI BARTLETT UJI COCHRAN UJI DUNNET Elty Sarvia, ST., MT. Faultas Teni Jurusan Teni Industri Universitas Kristen Maranatha Bandung Macam Metode Post Hoc Analysis The Fisher
Lebih terperinciBAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA
BAB III PENENTUAN HARGA PREMI, FUNGSI PERMINTAAN, DAN TITIK KESETIMBANGANNYA Pada penelitian ini, suatu portfolio memilii seumlah elas risio. Tiap elas terdiri dari n, =,, peserta dengan umlah besar, dan
Lebih terperinciBAB IV APLIKASI PADA MATRIKS STOKASTIK
BAB IV : ALIKASI ADA MARIKS SOKASIK 56 BAB IV ALIKASI ADA MARIKS SOKASIK Salah satu apliasi dari eori erron-frobenius yang paling terenal adalah penurunan secara alabar untu beberapa sifat yang dimilii
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI Pada bagian landasan teori ini aan dibahas materi-materi aa saja yang menunjang materi yang dibahas ada bab selanjutnya. Adaun materi-materi tersebut adalah analisis variansi, metode
Lebih terperinciBAB 5 RUANG VEKTOR UMUM. Dr. Ir. Abdul Wahid Surhim, MT.
BAB 5 RUANG VEKTOR UMUM Dr. Ir. Abdul Wahid Surhim, MT. KERANGKA PEMBAHASAN. Ruang Vetor Nyata. Subruang. Kebebasan Linier 4. Basis dan Dimensi 5. Ruang Baris, Ruang Kolom dan Ruang Nul 6. Ran dan Nulitas
Lebih terperinciBAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING
Bab III Desain Dan Apliasi Metode Filtering Dalam Sistem Multi Radar Tracing BAB III DESAIN DAN APLIKASI METODE FILTERING DALAM SISTEM MULTI RADAR TRACKING Bagian pertama dari bab ini aan memberian pemaparan
Lebih terperinciAplikasi diagonalisasi matriks pada rantai Markov
J. Sains Dasar 2014 3(1) 20-24 Apliasi diagonalisasi matris pada rantai Marov (Application of matrix diagonalization on Marov chain) Bidayatul hidayah, Rahayu Budhiyati V., dan Putriaji Hendiawati Jurusan
Lebih terperinci( s) PENDAHULUAN tersebut, fungsi intensitas (lokal) LANDASAN TEORI Ruang Contoh, Kejadian dan Peluang
Latar Belaang Terdapat banya permasalahan atau ejadian dalam ehidupan sehari hari yang dapat dimodelan dengan suatu proses stoasti Proses stoasti merupaan permasalahan yang beraitan dengan suatu aturan-aturan
Lebih terperinci3. Sebaran Peluang Diskrit
3. Sebaran Peluang Disrit EL2002-Probabilitas dan Statisti Dosen: Andriyan B. Susmono Isi 1. Sebaran seragam (uniform) 2. Sebaran binomial dan multinomial 3. Sebaran hipergeometri 4. Sebaran Poisson 5.
Lebih terperinciANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI DENGAN VARIASI JUMLAH TINGKAT
Jurnal Sipil Stati Vol. No. Agustus (-) ISSN: - ANALISA STATIK DAN DINAMIK GEDUNG BERTINGKAT BANYAK AKIBAT GEMPA BERDASARKAN SNI - DENGAN VARIASI JUMLAH TINGKAT Revie Orchidentus Francies Wantalangie Jorry
Lebih terperinciBAB 3 METODE PENELITIAN
36 BAB 3 METODE PENELITIAN 3.1 Disain Penelitian Jenis penelitian yang digunaan adalah penelitian desriptif, yaitu penelitian terhadap fenomena atau populasi tertentu yang diperoleh peneliti dari subye
Lebih terperinciBAB 3 PRINSIP SANGKAR BURUNG MERPATI
BAB 3 PRINSIP SANGKAR BURUNG MERPATI 3. Pengertian Prinsip Sangar Burung Merpati Sebagai ilustrasi ita misalan terdapat 3 eor burung merpati dan 2 sangar burung merpati. Terdapat beberapa emunginan bagaimana
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Variabel Variabel ialah sesuatu yang nilainya berubah-ubah menurut watu atau berbeda menurut elemen/tempat. Umumnya nilai arateristi merupaan variabel dan diberi simbol huruf X.
Lebih terperinciSah Tidaknya Sidik Ragam. Data Bermasalah. Data Bermasalah PERANCANGAN PERCOBAAN (DATA BERMASALAH)
Sah Tidanya Sidi Ragam PERANCANGAN PERCOBAAN (DATA BERMASALAH) Oleh: Dr. Ir. Dirvamena Boer, M.Sc.Agr. HP: 081 385 065 359 Universitas Haluoleo, Kendari dirvamenaboer@yahoo.com http://dirvamenaboer.tripod.com/
Lebih terperinciOSN 2014 Matematika SMA/MA
Soal 5. Suatu barisan bilangan asli a 1, a 2, a 3,... memenuhi a + a l = a m + a n untu setiap bilangan asli, l, m, n dengan l = mn. Jia m membagi n, butian bahwa a m a n. Solusi. Andaian terdapat bilangan
Lebih terperinciBAB III ANALISIS DISKRIMINAN. analisis multivariat dengan metode dependensi (dimana hubungan antar variabel
BAB III ANALISIS DISKRIMINAN 3.1 Pengertian Analisis Disriminan Analisis disriminan merupaan sala satu metode yang digunaan dalam analisis multivariat dengan metode dependensi (dimana ubungan antar variabel
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Teori Fuzzy 2.1.1 Dasar-Dasar Teori Fuzzy Secara prinsip, di dalam teori fuzzy set dapat dianggap sebagai estension dari teori onvensional atau crisp set. Di dalam teori crisp
Lebih terperinciPENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT
Seminar Nasional Apliasi Tenologi Informasi 2007 (SNATI 2007) ISSN: 1907-5022 Yogyaarta, 16 Juni 2007 PENCARIAN JALUR TERPENDEK MENGGUNAKAN ALGORITMA SEMUT I ing Mutahiroh, Indrato, Taufiq Hidayat Laboratorium
Lebih terperinciBAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN
BAB IV PERHITUNGAN HARGA PREMI BERDASARKAN FUNGSI PERMINTAAN PADA TITIK KESETIMBANGAN Berdasaran asumsi batasan interval pada bab III, untu simulasi perhitungan harga premi pada titi esetimbangan, maa
Lebih terperinciADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoko Sumaryono ABSTRACT
Jurnal Teni Eletro Vol. 3 No.1 Januari - Juni 1 6 ADAPTIVE NOISE CANCELING MENGGUNAKAN ALGORITMA LEAST MEAN SQUARE (LMS) Anita Nardiana, SariSujoo Sumaryono ABSTRACT Noise is inevitable in communication
Lebih terperinciINTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON. Makalah. Disusun guna memenuhi tugas Mata Kuliah Metode Numerik. yang dibimbing oleh
INTEGRAL NUMERIK KUADRATUR ADAPTIF DENGAN KAIDAH SIMPSON Maalah Disusun guna memenuhi tugas Mata Kuliah Metode Numeri yang dibimbing oleh Dr. Nur Shofianah Disusun oleh: M. Adib Jauhari Dwi Putra 146090400111001
Lebih terperinciANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE)
Seminar Nasional Matematia dan Apliasinya, 1 Otober 17 ANALISIS PETA KENDALI DEWMA (DOUBLE EXPONENTIALLY WEIGHTED MOVING AVERAGE) DALAM PENGENDALIAN KUALITAS PRODUKSI FJLB (FINGER JOINT LAMINATING BOARD)
Lebih terperinciRINGKASAN SKRIPSI MODUL PERKALIAN
RINGKASAN SKRIPSI MODUL PERKALIAN SAMSUL ARIFIN 04/177414/PA/09899 DEPARTEMEN PENDIDIKAN NASIONAL UNIVERSITAS GADJAH MADA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM YOGYAKARTA 2008 HALAMAN PENGESAHAN
Lebih terperinciDeret Pangkat. Ayundyah Kesumawati. June 23, Prodi Statistika FMIPA-UII
Keonvergenan Kesumawati Prodi Statistia FMIPA-UII June 23, 2015 Keonvergenan Pendahuluan Kalau sebelumnya, suu suu pada deret ta berujung berupa bilangan real maa ali ini ita embangan suu suunya dalam
Lebih terperinciPEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA
PEBANDINGAN METODE ROBUST MCD-LMS, MCD-LTS, MVE-LMS, DAN MVE-LTS DALAM ANALISIS REGRESI KOMPONEN UTAMA Sear Wulandari, Nur Salam, dan Dewi Anggraini Program Studi Matematia Universitas Lambung Mangurat
Lebih terperinci( x) LANDASAN TEORI. ω Ω ke satu dan hanya satu bilangan real X( ω ) disebut peubah acak. Ρ = Ρ. Ruang Contoh, Kejadian dan Peluang
LANDASAN TEORI Ruang Contoh Kejadian dan Peluang Suatu percobaan yang dapat diulang dalam ondisi yang sama yang hasilnya tida dapat dipredisi secara tepat tetapi ita dapat mengetahui semua emunginan hasil
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL SUTRIANI HIDRI Jurusan Matematia, FMIPA, Universitas Negeri Maassar Email: nanni.cliq@gmail.com Abstra. Pada artiel ini dibahas
Lebih terperinciPENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursakti ( )
PENERAPAN DYNAMIC PROGRAMMING DALAM WORD WRAP Wafdan Musa Nursati (13507065) Program Studi Teni Informatia, Seolah Teni Eletro dan Informatia, Institut Tenologi Bandung Jalan Ganesha No. 10 Bandung, 40132
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1 Penelitian Terdahulu Penelitian yang aan dilauan meruju epada beberapa penelitian terdahulu yang sudah pernah dilauan sebelumnya, diantaranya: 1. I Gst. Bgs. Wisuana (2009)
Lebih terperinciPenggunaan Induksi Matematika untuk Mengubah Deterministic Finite Automata Menjadi Ekspresi Reguler
Penggunaan Indusi Matematia untu Mengubah Deterministic Finite Automata Menjadi Espresi Reguler Husni Munaya - 353022 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung,
Lebih terperinciBAB 2 TEORI PENUNJANG
BAB EORI PENUNJANG.1 Konsep Dasar odel Predictive ontrol odel Predictive ontrol P atau sistem endali preditif termasu dalam onsep perancangan pengendali berbasis model proses, dimana model proses digunaan
Lebih terperinciPEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA
PEMANFAATAN METODE HEURISTIK DALAM PENCARIAN JALUR TERPENDEK DENGAN ALGORITMA SEMUT DAN ALGORITMA GENETIKA Iing Mutahiroh, Fajar Saptono, Nur Hasanah, Romi Wiryadinata Laboratorium Pemrograman dan Informatia
Lebih terperinciBAB 3 LANGKAH PEMECAHAN MASALAH
BAB 3 LANGKAH PEMECAHAN MASALAH 3.1 Penetapan Kriteria Optimasi Gambar 3.1 Bagan Penetapan Kriteria Optimasi Sumber: Peneliti Determinasi Kinerja Operasional BLU Transjaarta Busway Di tahap ini, peneliti
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1. Sistem Kendali Lup [1] Sistem endali dapat diataan sebagai hubungan antara omponen yang membentu sebuah onfigurasi sistem, yang aan menghasilan tanggapan sistem yang diharapan.
Lebih terperinciANALISA RASIO PEMAMPATAN TEBAL GERAM DAN GAYA POTONG SPESIFIK DENGAN DAN TANPA PENDINGIN TERHADAP PROSES TURNING
ANALISA RASIO PEMAMPATAN TEBAL GERAM DAN GAYA POTONG SPESIFIK DENGAN DAN TANPA PENDINGIN TERHADAP PROSES TURNING Disusun oleh : Isnan Harijanto Dosen Jurusan Te Mesin,FTI, ITATS Jalan Arief Rahman Haim
Lebih terperinciPENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL. Sutriani Hidri. Ja faruddin. Syafruddin Side, ABSTRAK
PENYELESAIAN PERSAMAAN LOTKA-VOLTERRA DENGAN METODE TRANSFORMASI DIFERENSIAL Syafruddin Side, Jurusan Matematia, FMIPA, Universitas Negeri Maassar email:syafruddinside@yahoo.com Info: Jurnal MSA Vol. 3
Lebih terperinciIII. METODOLOGI PENELITIAN
III. METODOLOGI PENELITIAN 3.1 Keranga Pemiiran Pemerintah ahir-ahir ini sering dihadapan pada masalah persediaan pupu bersubsidi yang daya serapnya rendah dan asus elangaan di berbagai loasi di Indonesia.
Lebih terperinciBAB III METODE PENELITIAN
BAB III METODE PENELITIAN 3.1 ObjePenelitian Obje penelitian merupaan hal yang tida dapat dipisahan dari suatu penelitian. Obje penelitian merupaan sumber diperolehnya data dari penelitian yang dilauan.
Lebih terperinciMateri. Menggambar Garis. Menggambar Garis 9/26/2008. Menggambar garis Algoritma DDA Algoritma Bressenham
Materi IF37325P - Grafia Komputer Geometri Primitive Menggambar garis Irfan Malii Jurusan Teni Informatia FTIK - UNIKOM IF27325P Grafia Komputer 2008 IF27325P Grafia Komputer 2008 Halaman 2 Garis adalah
Lebih terperinciAplikasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingkungan Kerja
Apliasi Analisis Korelasi Somers d pada Kepemimpinan dan Kondisi Lingungan Kerja terhadap Kinerja Pegawai BKKBN Provinsi Kalimantan Timur The Application of Somers d Correlation Analysis at Leadership
Lebih terperinciAnalisis Varians = Analysis of Variance = ANOVA
. Pendahuluan. Distribusi F Analisis Varians Analysis of Variance ANOVA χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A.
Lebih terperinciJARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA
JARINGAN SARAF TIRUAN PROPAGASI BALIK UNTUK KLASIFIKASI DATA Giri Dhaneswara 1) dan Veronica S. Moertini 2) Jurusan Ilmu Komputer, Universitas Katoli Parahyangan, Bandung Email: 1) rebirth_82@yahoo.com,
Lebih terperinciAPLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID
APLIKASI PREDIKSI HARGA SAHAM MENGGUNAKAN JARINGAN SYARAF RADIAL BASIS FUNCTION DENGAN METODE PEMBELAJARAN HYBRID Ferry Tan, Giovani Gracianti, Susanti, Steven, Samuel Luas Jurusan Teni Informatia, Faultas
Lebih terperinciPenentuan Nilai Ekivalensi Mobil Penumpang Pada Ruas Jalan Perkotaan Menggunakan Metode Time Headway
Rea Racana Jurnal Online Institut Tenologi Nasional Teni Sipil Itenas No.x Vol. Xx Agustus 2015 Penentuan Nilai Eivalensi Mobil Penumpang Pada Ruas Jalan Perotaan Menggunaan Metode Time Headway ENDI WIRYANA
Lebih terperinciBAB III MENYELESAIKAN MASALAH REGRESI YANG TIDAK LINIER DENGAN ANALISIS REGRESI FOURIER
BAB III MENYELESAIKAN MASALAH REGRESI YANG TIAK LINIER ENGAN ANALISIS REGRESI FOURIER 3.1 Pengantar Model ARIMA digunaan untu analisis data deret watu pada ategori data berala tunggal, atau sering diategorian
Lebih terperinciPerhitungan Kehilangan Pratekan Total dengan Memakai Teori Kemungkinan ABSTRAK
Jurnal APLIKASI Volume 5, Nomor 1, Agustus 2008 Perhitungan Kehilangan Pratean Total dengan Memaai Teori Kemunginan M. Sigit Darmawan Dosen Jurusan Diploma Teni Sipil, FTSP - ITS Email: msdarmawan@ce.its.ac.id
Lebih terperinciAnalisis Pengaruh Kualitas Pelayanan Terhadap Loyalitas Pelanggan Jasa Pengiriman Pos Kilat Khusus
Jurnal Teni Industri, Vol.1, No., Juni 013, pp.96-101 ISSN 30-495X Analisis Pengaruh Kualitas Pelayanan Terhadap Loyalitas Pelanggan Jasa Pengiriman Pos Kilat Khusus Apriyani 1, Shanti Kirana Anggaraeni,
Lebih terperinciBAB ELASTISITAS. Pertambahan panjang pegas
BAB ELASTISITAS 4. Elastisitas Zat Padat Dibandingan dengan zat cair, zat padat lebih eras dan lebih berat. sifat zat padat yang seperti ini telah anda pelajari di elas SLTP. enapa Zat pada lebih eras?
Lebih terperinciBAB IV Solusi Numerik
BAB IV Solusi Numeri 4. Algoritma Genetia Algoritma Genetia (AG) [2] merupaan teni pencarian stoasti yang berdasaran pada meanisme selesi alam dan prinsip penurunan genetia. Algoritma genetia ditemuan
Lebih terperinciPERHITUNGAN KEHILANGAN PRATEKAN (LOSS OF PRESTRESS) AKIBAT SUSUT DAN RANGKAK PADA BETON DENGAN MEMPERHITUNGKAN VARIABILITAS SIFAT-SIFAT BETON
PERHITUNGAN KEHILANGAN PRATEKAN (LOSS OF PRESTRESS) AKIBAT SUSUT DAN RANGKAK PADA BETON DENGAN MEMPERHITUNGKAN VARIABILITAS SIFAT-SIFAT BETON M. Sigit Darmawan Dosen Diploma Teni Sipil ITS Email: msdarmawan@ce.its.ac.id
Lebih terperinciIII. METODOLOGI PENELITIAN. Penelitian ini menggunakan data sekunder bersifat runtun waktu (time series)
III. METODOLOGI PENELITIAN A. Jenis dan Sumber Data Penelitian ini menggunaan data seunder bersifat runtun watu (time series) dalam periode tahunan dan data antar ruang (cross section). Data seunder tersebut
Lebih terperinciKata Kunci : Multipath, LOS, N-LOS, Network Analyzer, IFFT, PDP. 1. Pendahuluan
Statisti Respon Kanal Radio Dalam Ruang Pada Freuensi,6 GHz Christophorus Triaji I, Gamantyo Hendrantoro, Puji Handayani Institut Tenologi Sepuluh opember, Faultas Tenologi Industri, Jurusan Teni Eletro
Lebih terperincimungkin muncul adalah GA, GG, AG atau AA dengan peluang masing-masing
. DISTRIUSI INOMIL pabila sebuah oin mata uang yang memilii dua sisi bertulisan ambar () dan nga () dilempar satu ali, maa peluang untu mendapatan sisi ambar adalah,5 atau. pabila oin tersebut dilempar
Lebih terperinciPEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER
PEMODELAN OPTIMALISASI PRODUKSI UNTUK MEMAKSIMALKAN KEUNTUNGAN DENGAN MENGGUNAKAN METODE PEMROGRAMAN LINIER Tantri Windarti Program Studi Sistem Informasi STMIK Surabaya Jl Raya Kedung Baru 98, Surabaya
Lebih terperinci4. 1 Spesifikasi Keadaan dari Sebuah Sistem
Dalam pembahasan terdahulu ita telah mempelajari penerapan onsep dasar probabilitas untu menggambaran sistem dengan jumlah partiel ang cuup besar (N). Pada bab ini, ita aan menggabungan antara statisti
Lebih terperinciVariasi Spline Kubik untuk Animasi Model Wajah 3D
Variasi Spline Kubi untu Animasi Model Wajah 3D Rachmansyah Budi Setiawan (13507014 1 Program Studi Teni Informatia Seolah Teni Eletro dan Informatia Institut Tenologi Bandung, Jl. Ganesha 10 Bandung 40132,
Lebih terperinciKumpulan soal-soal level seleksi Kabupaten: Solusi: a a k
Kumpulan soal-soal level selesi Kabupaten: 1. Sebuah heliopter berusaha menolong seorang orban banjir. Dari suatu etinggian L, heliopter ini menurunan tangga tali bagi sang orban banjir. Karena etautan,
Lebih terperinciSATUAN ACARA PERKULIAHAN ( SAP )
SATUAN ACARA PERKULIAHAN ( SAP ) Mata Kuliah : Pengolahan Citra Digital Kode : IES 6323 Semester : VI Watu : 1x 3x 50 Menit Pertemuan : 7 A. Kompetensi 1. Utama Mahasiswa dapat memahami tentang sistem
Lebih terperinciPenempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming
JURAL TEKIK POMITS Vol. 2, o. 2, (2013) ISS: 2337-3539 (2301-9271 Print) B-137 Penempatan Optimal Phasor Measurement Unit (PMU) dengan Integer Programming Yunan Helmy Amrulloh, Rony Seto Wibowo, dan Sjamsjul
Lebih terperinciUji Alternatif Data Terurut Perbandingan antara Uji Jonckheere Terpstra dan Modifikasinya Ridha Ferdhiana 1 Statistics Peer Group
Uji Alternatif Data Terurut Perbandingan antara Uji Joncheere Terpstra dan Modifiasinya Ridha Ferdhiana Statistics Peer Group Jurusan Matematia FMIPA Universitas Syiah Kuala Banda Aceh, Aceh, 23 email:
Lebih terperinciPENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB
PENGENALAN POLA DENGAN MENGGUNAKAN METODE BACKPROPAGATION MENGGUNAKAN MATLAB Wirda Ayu Utari Universitas Gunadarma utari.hiaru@gmail.com ABSTRAK Program pengenalan pola ini merupaan program yang dibuat
Lebih terperinciModel Pembelajaran Off-Line Menggunakan Jaringan Syaraf Tiruan Untuk Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teknik Elektronika PENS 2009
Model Pembelaaran Off-Line Menggunaan Jaringan Syaraf Tiruan Untu Pengemudian Otomatis pada Kendaraan Beroda Jurusan Teni Eletronia PENS 2009 Arie Setya Wulandari#, Eru Puspita S.T., M.Kom#2 # Jurusan
Lebih terperinciAnalisis Varians = Analysis of Variance = ANOVA
Analisis Varians Analysis of Variance ANOVA. Pendahuluan. Distribusi F χ² pengujian beberapa (>) proporsi ANOVA pengujian beberapa (>) nilai rata-rata Dasar perhitungan ANOVA ditetapan oleh Ronald A. Fisher.
Lebih terperinciMetode Penggerombolan Berhirarki
4 TINJAUAN PUSTAKA Analisis gerombol dalam bidang riset pemasaran sering diistilahan sebagai analisis segmentasi, merupaan alat statistia peubah ganda yang bertujuan untu mengelompoan n indiidu data e
Lebih terperinciBAB II LANDASAN TEORI. Graf adalah kumpulan simpul (nodes) yang dihubungkan satu sama lain
8 BAB II LANDASAN TEORI 2.1 Teori Graf 2.1.1 Definisi Graf Graf adalah umpulan simpul (nodes) yang dihubungan satu sama lain melalui sisi/busur (edges) (Zaaria, 2006). Suatu Graf G terdiri dari dua himpunan
Lebih terperinciKORELASI ANTARA DUA KELOMPOK VARIABEL KUANTITATIF DALAM ANALISIS KANONIK
Jurnal Pengaaran MIPA, Vol. 0 No. Desember 007 ISSN: -097 KORELASI ANARA DUA KELOMPOK VARIABEL KUANIAIF DALAM ANALISIS KANONIK Oleh : Dewi Rachmatin, S.Si., M.Si. Jurusan Pendidian Matematia FPMIPA Universitas
Lebih terperinciPengaruh Masuknya Penambahan Pembangkit Baru kedalam Jaringan 150 kv pada Kapasitas Circuit Breaker
Pengaruh Masunya Penambahan Pembangit Baru edalam Jaringan 150 V pada Kapasitas Circuit Breaer Emelia, Dian Yayan Suma Jurusan Teni Eletro Faultas Teni Universitas Riau Kampus Binawidya Km 12,5 Simpang
Lebih terperinciStudi dan Analisis mengenai Hill Cipher, Teknik Kriptanalisis dan Upaya Penanggulangannya
Studi dan Analisis mengenai Hill ipher, Teni Kriptanalisis dan Upaya enanggulangannya Arya Widyanaro rogram Studi Teni Informatia, Institut Tenologi Bandung, Jl. Ganesha 10 Bandung Email: if14030@students.if.itb.ac.id
Lebih terperinciImplementasi Algoritma Pencarian k Jalur Sederhana Terpendek dalam Graf
JURNAL TEKNIK POMITS Vol. 2, No., (203) ISSN: 2337-3539 (230-927 Print) Implementasi Algoritma Pencarian Jalur Sederhana Terpende dalam Graf Anggaara Hendra N., Yudhi Purwananto, dan Rully Soelaiman Jurusan
Lebih terperinciMETODE TAGUCHI UNTUK OPTIMALISASI PRODUK PADA RANCANGAN FAKTORIAL. Staf Pengajar Program Studi Statistika FMIPA UNDIP
Optimalisasi Produ (Triastuti Wuryandari) METODE TAGUCHI UNTUK OPTIMALISASI PRODUK PADA RANCANGAN FAKTORIAL Triastuti Wuryandari 1, Tati Widiharih 2, Sayeti Dewi Anggraini 3 1,2 Staf Pengajar Program Studi
Lebih terperinciMATA KULIAH MATEMATIKA TEKNIK 2 [KODE/SKS : KD / 2 SKS] Ruang Vektor
MATA KULIAH MATEMATIKA TEKNIK [KODE/SKS : KD4 / SKS] Ruang Vetor FIELD: Ruang vetor V atas field salar K adalah himpunan ta osong dengan operasi penjumlahan vetor dan peralian salar. Himpunan ta osong
Lebih terperinciIDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR. Gumgum Darmawan Statistika FMIPA UNPAD
JMP : Vol. 9 No. 1, Juni 17, hal. 13-11 ISSN 85-1456 IDENTIFIKASI PERUBAHAN POLA CURAH HUJAN MELALUI PERIODOGRAM STANDAR Gumgum Darmawan Statistia FMIPA UNPAD gumgum@unpad.ac.id Budhi Handoo Statistia
Lebih terperinciALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER
ALGORITMA PENYELESAIAN PERSAMAAN DINAMIKA LIQUID CRYSTAL ELASTOMER Oleh: Supardi SEKOLAH PASCA SARJANA JURUSAN ILMU FISIKA UNIVERSITAS NEGERI YOGYAKARTA 2012 1 PENDAHULUAN Liquid Crystal elastomer (LCE
Lebih terperinciBAB 4 HASIL DAN PEMBAHASAN
BAB 4 HASIL DAN PEMBAHASAN 4.1 Hasil Pengolahan Data Data yang telah berhasil diumpulan oleh penulis di BB BIOGEN diperoleh hasil bobot biji edelai dengan jumlah varietas yang aan diuji terdiri dari 15
Lebih terperinciKORELASI ANTARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISTEM ADAPTIF. Sri Arttini Dwi Prasetyawati 1. Abstrak
KORELASI ANARA DUA SINYAL SAMA BERBEDA JARAK PEREKAMAN DALAM SISEM ADAPIF Sri Arttini Dwi Prasetyawati 1 Abstra Masud pembahasan tentang orelasi dua sinyal adalah orelasi dua sinyal yang sama aan tetapi
Lebih terperinciKegiatan Belajar 4. Fungsi Trigonometri
Page o Kegiatan Belajar A. Tujuan Pembelajaran Setelah mempelajari egiatan belajar, diharapan siswa dapat a. Menentuan nilai ungsi trigonometri b. Menentuan persamaan grai ungsi trigonometri c. Menggambar
Lebih terperinciBEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE. Triyani dan Irham Taufiq Universitas Jenderal Soedirman
JMP : Volume 4 Nomor 2, Desember 2012, hal. 271-278 BEBERAPA SIFAT HIMPUNAN KRITIS PADA PELABELAN AJAIB GRAF BANANA TREE Triyani dan Irham Taufiq Universitas Jenderal Soedirman trianisr@yahoo.com.au ABSTRACT.
Lebih terperinciFISIKA. Kelas X GETARAN HARMONIS K-13. A. Getaran Harmonis Sederhana
K-13 Kelas X FISIKA GETARAN HARMONIS TUJUAN PEMBELAJARAN Setelah mempelajari materi ini, amu diharapan memilii emampuan sebagai beriut. 1. Memahami onsep getaran harmonis sederhana pada bandul dan pegas
Lebih terperinciDISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1. Distribusi Seragam Diskrit
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 1 TI2131 TEORI PROBABILITAS MINGGU KE-9 Distribusi Seragam Disrit Jia sebuah variabel random X mengambil nilai x 1, x 2,, x dengan probabilitas yang sama, maa distribusi
Lebih terperinci2.1 Bilangan prima dan faktorisasi prima
BAB 2 BILANGAN PRIMA 2.1 Bilangan prima dan fatorisasi prima Definisi 2.1.1. Bilangan bulat p > 1 diataan prima jia ia hanya mempunyai pembagi p dan 1. Dengan ata lain bilangan prima tida mempunyai pembagi
Lebih terperinciMAT. 12. Barisan dan Deret
MAT.. Barisan dan Deret i Kode MAT. Barisan dan Deret U, U, U3,..., Un,... Un a + (n-)b U + U +..., Un +... n?? Sn? BAGIAN PROYEK PENGEMBANGAN KURIKULUM DIREKTORAT PENDIDIKAN MENENGAH KEJURUAN DIREKTORAT
Lebih terperinciPENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU
PENENTUAN FAKTOR KALIBRASI ACCELEROMETER MMA7260Q PADA KETIGA SUMBU Wahyudi 1, Adhi Susanto 2, Sasongo P. Hadi 2, Wahyu Widada 3 1 Jurusan Teni Eletro, Faultas Teni, Universitas Diponegoro, Tembalang,
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER. Abstrak
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Oleh : Pandapotan Siagia, ST, M.Eng (Dosen tetap STIKOM Dinamia Bangsa Jambi) Abstra Sistem pengenal pola suara atau yang lebih dienal dengan
Lebih terperinciSISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER
SISTEM ADAPTIF PREDIKSI PENGENALAN ISYARAT VOKAL SUARA KARAKTER Pandapotan Siagian, ST, M.Eng Dosen Tetap STIKOM Dinamia Bangsa - Jambi Jalan Sudirman Theoo Jambi Abstra Sistem pengenal pola suara atau
Lebih terperinciModifikasi ACO untuk Penentuan Rute Terpendek ke Kabupaten/Kota di Jawa
187 Modifiasi ACO untu Penentuan Rute Terpende e Kabupaten/Kota di Jawa Ahmad Jufri, Sunaryo, dan Purnomo Budi Santoso Abstract This research focused on modification ACO algorithm. The purpose of this
Lebih terperinciKENNETH CHRISTIAN NATHANAEL
KENNETH CHRISTIAN NATHANAEL. Sistem Bilang Real. Fungsi dan Grafi. Limit dan Keontinuan 4. Limit Ta Hingga 5. Turunan Fungsi 6. Turunan Fungsi Trigonometri 7. Teorema Rantai 8. Turunan Tingat Tinggi 9.
Lebih terperinciDESAIN BLOK LENGKAP ACAK 5
DESAIN BLOK LENGKAP ACAK 5 Outline D e s a i n B l o k Lengkap A c a k Pendahuluan Desain Blok Lengkap Acak Daftar ANAVA After ANAVA Pendahuluan (1) 3 Seorang teknisi bermaksud menentukan mana dari 5 mesin
Lebih terperinci