II. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN

Ukuran: px
Mulai penontonan dengan halaman:

Download "II. PERANAN STATISTIK DALAM ANALISIS PERCOBAAN"

Transkripsi

1 II. PERANAN TATITIK DALAM ANALII PERCOBAAN Hal-hal yang prl dplajar. 1. baran Normal dan sbaran t- stdnt. Mmbandngan da harga rata-rata sampl. a. Prbandngan da harga rata-rata sampl tda brpasangan npard obsraton dngan arans yang sama. b. Prbandngan da harga rata-rata sampl tda brpasangan dngan arans yang tda sama. c. Prbandngan da harga rata-rata contoh yang brpasangan pard obsraton.. 1. Mngj Hpotss Ksamaan Varans Unt mngj apaah da poplas mmpnya arans yang homogn dprgnaan j yat prbandngan da bah arans dngan lbh dl mngstmas nla-nla 1 dan dar sampl da poplas trsbt. arans yang bsar arans yang cl b pada drajat bbas n b 1 dan n 1 Hasl bag dar prbadngan trsbt mngt sbaran. Kmdan dbandngan dngan daftar -tabl dngan drajat bbas n b 1 dan n 1. Bla nla -htng lbh bsar dar nla -tabl pada taraf nyata -% trtnt maa arans trsbt brasal dar da poplas yang brbda. Cara prhtngan pard comparson hanya dapat dgnaan bla banyanya prlaan ada da. bnarnya pard comparson mrpaan pmnhan prnsp dasar local control pada taraf yang sdrhana. Bagamana ala ta mmpnya lbh dar da prlaan? hars dprgnaan dsan dsgn lan. analss arans. Pranan tatst dalam Prcobaan 6

2 .. Analss Varans d Ragam ANALI O VARIANCE/ANOVA Dalam prcobaan slal dtanan nt dapat mlhat prbdaan-prbdaan yang cl salpn. Olh arna t dprlan rancangan-rancangan srta mtod prcobaan yang fsn yang dapat mngrang galat prcobaan xprrmntal rror scara ftf agar dprolh hasl yang dapat dprcaya. alah sat alat statst yang mmnh adalah Analss arans. Analss arans dprnalan olh R. A. IHER. dan mrpaan cara prhtngan pmcahan Total Jmlah Kadrat dalam omponn-omponn arablnya. Dprgnaan trtama bla trdapat lbh dar da prlaan dalam sat prcobaan. Asms-asms Tn analss arans mmrlan data yang mmnh syarat yang dprlan agar dapat dtrapan/dlasanaan trhadap data tad. Asms-asms yang dprlan adalah sbaga brt 1. Galat prcobaan Exprmntal rror hars ndpndn bbas trhadap ssamanya. Dngan ata lan data pngamatan hars mnybar scara bbas ndpndnt. Asms n dapat dpnh apabla pnmpatan prlaan tratmnt dalam satan-satan prcobaan dlaan scara aca random dasar II hars dpnh.. Galat prcobaan hars mnybar mnrt sbaran normal. Dalam tn analss arans data sampl darmana aransc rror dprolh hars brasal dar poplas yang mnybar mnrt sbaran normal. Ktdanormalan data mmpngarh fsns j -nya arna aan mngabatan trlampa banya hasl yang dnyataan sgnfcant. Ktdanormalan data dapat dbat mndat sbaran normal dngan cara yang dsbt transformas. 3. Homogntas Galat Prcobaan. lrh prlaan hars mmpnya arans yang sragam homoscdastcty. salpn harga rata-rata dar prlaan brbda. Asms n pntng arna dalam tn analss arans galat mrpaan galat gabngan poold rror yang brsmbr dar masng-masng prlaan. Unt mngj homogntas/sragaman arans prlaan dpaa j-bartltt. 4. Addttas dar Varans. Pranan tatst dalam Prcobaan 7

3 Dalam analss arans f dar prlaan dan pngarh lngngan harslah addt artnya dalam sat prcobaan f prlaan adalah sama. Dalam prcobaan Rancangan Aca Klompo maa f prlaan dar sat langan langan lan harslah sama. Dngan ala lan bahwa f prlaan dan f blo hars bbas sat trhadap yang lan tda bolh trjad salng ntras. Ata ε j NID 0 σ ε στ σ ; τ σ σ... τ τ m j µ + τ + β j + ε j τ 0 j NID µ σ ε τ NID 0 σ τ µ + Msal Prcobaan pngjan apastas prods artas pad pada sat bn prcobaan. Maa stap artas pad tad dtanam pada n pta lahan yang mmpnya ran dan bnt yang sama dman pla tngat sbrannya. Ja parmtr hasl dnyataan dalam notas j maa j V j + j j 1 j 1 n hasl dar pad artas - pada pta -j. bagan hasl yang dsbaban olh apastas prods artas - sndr. pngarh random yang trt mnntan bsarnya j. j n adalah bagan hasl yang dtmblan olh pngarh-pngarh yang sfatnya random dan brada dlar asaan pnlt yang trt mas dalam prcobaan contoh prbdaan sbran rn lm mro prtmbhan awal yang brbda. j mrpaan fngs lnr dar ν dan j yang bbas trhadap ssamanya. Pranan tatst dalam Prcobaan 8

4 Bagan hasl prcobaan dngan modl + j Pta Harga ratarata Var. 1 j n artas j 1 j j 1 n n j + n + n j j + n n j j + n n + Harga rata-rata mm + V j j ; ; n η Jad η j j + n + Jad ada 3 macam harga rata-rata shngga trdapat pla 3 harga arans yat 1 ar ans Pranan tatst dalam Prcobaan 9

5 1 1 ar ans ar ans Hbngan dar tga arans t adtf yat + n n 1 + n n In dasar tama dar tn analss shr. n n Kala 1 maa nla n 0 yang artnya n... 1 Ttap ala > 1 artnya n 0 dngan ata n lan apastas prods artas-arttas tad ta dapat dgolongan dalam sat poplas apastas prods yang sama. Pranan tatst dalam Prcobaan 10

6 Pranan tatst dalam Prcobaan 11 Uj tatst Tlah dsbtan bahwa hasl bag da arans 1 dan mngt sbaran dngan drajat bbas n 1 1 dan n 1. Rms Kra Plang adalah dngan DB dan nt >0 f Pnrmaan Ho Pnrmaan H1 d f 0 1 d f f σ σ σ

7 Apabla f d 1 0 maa dngan plang sbsar 1 hars trlta dantara 0 dan 0. nla Andaan > maa artnya bahwa pada plang sbsar da arans sampl trsbt adalah brbda. Pranan tatst dalam Prcobaan 1

8 TRANORMAI Dngan transformas dmasdan nt mnormalan sbaran data asal yang mlanya tda mnybar mnrt sbaran normal. Ada bbrapa mtod transformas tap yang mm adalah 1 transformas x transformas logartm dan 3 transformas arcs sns x 1. Transformas x Unt data yang blangannya cl dan blat yang mmnya mngt sbaran Posson. Transformas x n jga ssa nt data dalam satan prsn % yang trlta dalam saran 0-30% ata % ttap tda danya. Ja data prcobaan pada mmnya cl.g. <10 hssnya bla trdapat data 0 ata 0% maa tranformas x ban x.. Transformas arcs sns x Dgnaan nt data pcahan ata prsn. Data 0% hars dgant dngan 1/4 n dan nla 100% dgant dngan 100 1/4 n dmana n adalah jmlah nt banyanya nt dmana data prsn dambl. Tda sma data prsn prl dtransformasan. Brt n adalah atranatran yang dapat dpaa nt mmlh transformas prsn yang ssa a. Unt data prsn yang trlta pada saran 30-70% tda prl dtransformas. b. Unt data prsn pada saran 0-30% ata % ttap tda danya sbanya dgnaan transformas c. Unt data prsn yang tda mngt da saran yang dtntan datas maa sbanya dpaa transformas arcs sns 3. Transformas Logartm Log x Dgnaan nt data yang mrpaan blangan blat dan mlpt nla-nla dngan saran yang bsar ata jah. Ja dalam data trsbt mncap nla-nla cl msalnya < 10 maa dpaa transformas log x+1 ban log x. x x Pranan tatst dalam Prcobaan 13

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.. Populas dan Sampel Populas adalah eseluruhan unt atau ndvdu dalam ruang lngup yang ngn dtelt. Banyanya pengamatan atau anggota suatu populas dsebut uuran populas, sedangan suatu nla

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah

BAB 1 PENDAHULUAN. 1.1 Latar Belakang Masalah BAB PENDAHULUAN. Latar Belaang Masalah Analss regres merupaan lmu peramalan dalam statst. Analss regres dapat dataan sebaga usaha mempreds atau meramalan perubahan. Regres mengemuaan tentang engntahuan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN TEORI 1 Data Katgor Data statst yang dprhatan dalam stap analss atau pnltan pada umumnya mmuat banya varabl numr maupun varabl atgor Shngga analss data uga dapat dlauan dngan mmaa dua macam

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang 1 BAB 1 PENDAHULUAN 1.1 Latar Blakang Mnmum spannng tr (MST) mrupakan sbuah prmasalahan dalam suatu graph yang mana banyak aplkasnya bak scara langsung maupun tdak langsung yang tlah dplajar. Salah satu

Lebih terperinci

Dengan derajat bebas (pu-1) =(p-1)+(pu-p) (pu-1)=(p-1)+p(u-1) Sebagai contoh kita ambil p=4 dan u=6 maka tabulasi datanya sebagai berikut:

Dengan derajat bebas (pu-1) =(p-1)+(pu-p) (pu-1)=(p-1)+p(u-1) Sebagai contoh kita ambil p=4 dan u=6 maka tabulasi datanya sebagai berikut: X. ANALISIS RAGAM SEDERANA Jka erlakan yang ngn dj/dbandngkan lebh dar da(p>) dan ragam tdak dketah maka kta bsa melakkan j t dengan jalan mengj erlakan seasang dem seasang. Banyaknya asangan hotess yang

Lebih terperinci

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM

BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM BAB IV STUDI KASUS NILAI AVL SLJJ PT TELKOM 4.1 Pndahuluan Ktga prtdaksamaan yang tlah dbahas sblumnya akan daplkaskan dalam suatu stud kasus mngna nla AVL (avalablty ntwork) dar sambungan langsung jarak

Lebih terperinci

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS

LOGO. Analisis Sisaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS Analss Ssaan HAZMIRA YOZZA- JUR.MATEMATIKA FMIPA UNIV.ANDALAS KOMPETENSI Stlah mmplajar topk n, mahasswa dharapkan dapat : mnjlaskan dfns ssaan dan nformasnformas yang dapat dprolh dar ssaan mnghtung nla

Lebih terperinci

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini.

BAB II TINJAUAN PUSTAKA. pada suatu graf sebagai landasan teori pada penelitian ini. BAB II TINJAUAN PUSTAKA Pada bagan n akan dbrkan konsp dasar graf dan blangan kromatk lokas pada suatu graf sbaga landasan tor pada pnltan n 21 Konsp Dasar Graf Bbrapa konsp dasar yang dgunakan dalam pnltan

Lebih terperinci

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL

KAJIAN ANALISIS REGRESI DENGAN DATA PANEL Prosdng Smnar Nasonal Pnlan, Pnddan dan Pnrapan MIPA Faultas MIPA, Unvrsas Ngr ogyaarta, 16 M 009 AJIAN ANALISIS REGRESI DENGAN DATA PANEL I Gd Nyoman Mndra Jaya Nnng Sunngsh Staf Pngajar Jurusan Statsta

Lebih terperinci

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata

Probabilitas dan Statistika Distribusi Peluang Diskrit 1. Adam Hendra Brata Probabltas dan Statsta Dsrt Adam Hendra Brata Unform Bernoull Multnomal Setap perstwa aan mempunya peluangnya masng-masng, dan peluang terjadnya perstwa tu aan mempunya penyebaran yang mengut suatu pola

Lebih terperinci

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan

UJI CHI KUADRAT (χ²) 1.1. Pengertian Frekuensi Observasi dan Frekuensi Harapan UJI CHI KUADRAT (χ²) 1. Pndahuluan Uj Ch Kuadrat adalah pngujan hpotss mngna prbandngan antara : frkuns obsrvas/yg bnar-bnar trjad/aktual dngan frkuns harapan/kspktas 1.1. Pngrtan Frkuns Obsrvas dan Frkuns

Lebih terperinci

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh

BAB 2 LANDASAN TEORI. Untuk mengetahui pola perubahan nilai suatu variabel yang disebabkan oleh BAB LANDASAN TEORI. Analss Regres Untu mengetahu pla perubahan nla suatu varabel yang dsebaban leh varabel lan dperluan alat analss yang memungnan ta unut membuat perraan nla varabel tersebut pada nla

Lebih terperinci

FIXED EFFECT MODEL PADA REGRESI DATA PANEL

FIXED EFFECT MODEL PADA REGRESI DATA PANEL ta p-iss: 085-5893 -ISS: 54-0458 Vol. 3 o. opmbr 00, Hal. 34-45 ta 00 DOI: http://dx.do.org/0.044/btajtm.v9.7 FIED EFFECT MODEL PADA REGRESI DATA PAEL Alfra Mula Astut Abstrak: Pngamatan trhadap prlakuan

Lebih terperinci

EKSPEKTASI SATU PEUBAH ACAK

EKSPEKTASI SATU PEUBAH ACAK EKSPEKTASI SATU PEUBAH ACAK Dalam hal n aan dbahas beberapa macam uuran yang dhtung berdasaran espetas dar satu peubah aca, ba dsrt maupun ontnu, yatu nla espetas, rataan, varans, momen, fungs pembangt

Lebih terperinci

81 Bab 6 Ruang Hasilkali Dalam

81 Bab 6 Ruang Hasilkali Dalam 8 Bab Rang Haslkal Dalam Bab RUANG HASIL KALI DALAM Rang hasl kal dalam merpakan rang ektor yang dlengkap dengan operas hasl kal dalam. Sepert halnya rang ektor rang haslkal dalam bermanfaat dalam beberapa

Lebih terperinci

BAB III UKURAN PEMUSATAN (RATA-RATA)

BAB III UKURAN PEMUSATAN (RATA-RATA) BAB III UKUAN PEMUSATAN (ATA-ATA Salah sat ra mer yag mejelasa cr-cr data yag petg adalah ra pemsata, yat ra yag meja psat seggs data yag telah drta dar yag terecl sampa yag terbesar ata sebalya Ura pemsata

Lebih terperinci

BAB IV SIMULASI MODEL

BAB IV SIMULASI MODEL BAB IV SIMULASI MODEL Dalam Bab III tlah dilaskan sifat-sifat sistm dinamis dari modl k & t) = yˆ t) k t), =, srta modl k& t) = yˆ k t), k t)) k t) =, khssnya φ η) = 0. Skarang akan dibat simlasi modl

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB 2 LANDASAN TEORI 2.1 Pengertan Regres Regres pertama kal dpergunakan sebaga konsep statstka oleh Sr Francs Galton (1822 1911). Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang

Lebih terperinci

Analisis Variansi Multivariat

Analisis Variansi Multivariat Analss Varans Multvarat Muammad Rdwan Ram - 80909 Program Stud Sstm Tknolog Informas Skola Tknk Elktro Informatka Insttut Tknolog Bandung, Jl. Gansa 0 Bandung 403, Indonsa m.rdwan.ram@gmal.com Abstrak

Lebih terperinci

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011.

BAB IV HASIL DAN PEMBAHASAN PENELITIAN. penerapan Customer Relationship Management pada tanggal 30 Juni 2011. 44 BAB IV HASIL DAN PEMBAHASAN PENELITIAN 4.1 Penyajan Data Peneltan Untuk memperoleh data dar responden yang ada, maka dgunakan kuesoner yang telah dsebar pada para pelanggan (orang tua sswa) d Kumon

Lebih terperinci

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR)

ESTIMASI PARAMETER MODEL GEOGRAPHICALLY WEIGHTED ORDINAL LOGISTIC REGRESSION (GWOLR) ISBN : 978.60.36.00.0 ESIMASI PARAMEER MODEL GEOGRAPHICALLY WEIGHED ORDINAL LOGISIC REGRESSION (GWOLR) Sylf, Vta Ratnasar Mahasswa Jurusan Statstka Insttut knolog Spuluh Nopmbr (IS), Dosn Jurusan Statstka

Lebih terperinci

BAB 2 MODEL PREDICTIVE CONTROL

BAB 2 MODEL PREDICTIVE CONTROL ODE PREDIIVE ONRO.. Sjarah dan Konsp Dasar P Sjarah P brawal dar ploporna at Rchalt, tlr dan Ramarr 979. Sssna pngaplasan prdctv control dan sdrhanaan onsp srta torna mncptaan trtaran bana aadm/nvrstas

Lebih terperinci

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas

BAB.3 METODOLOGI PENELITIN 3.1 Lokasi dan Waktu Penelitian Penelitian ini di laksanakan di Sekolah Menengah Pertama (SMP) N. 1 Gorontalo pada kelas 9 BAB.3 METODOLOGI PENELITIN 3. Lokas dan Waktu Peneltan Peneltan n d laksanakan d Sekolah Menengah Pertama (SMP) N. Gorontalo pada kelas VIII. Waktu peneltan dlaksanakan pada semester ganjl, tahun ajaran

Lebih terperinci

Uji Homogenitas Varians

Uji Homogenitas Varians Uj Homogentas Varans I. DUA VARIANS Pengujan hpotess dua varans dlakukan untuk mengetahu varans dua populas sama (homogen atau tdak (heterogen. S dan S merupakan penduga σ dan σ Rumus varans : x ( x S

Lebih terperinci

BAB III MODEL LINEAR TERGENERALISASI. Perkembangan pemodelan stokastik, terutama model linier, dapat dikatakan

BAB III MODEL LINEAR TERGENERALISASI. Perkembangan pemodelan stokastik, terutama model linier, dapat dikatakan BAB III MODEL LINEAR TERGENERALISASI 3.1 Moel Lnear Perkembangan pemoelan stokastk, terutama moel lner, apat katakan mula paa aba ke 19 yang asar oleh teor matematka yang elaskan antaranya oleh Gauss,

Lebih terperinci

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV

EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Jurnal Matmatka Vol. 9, No.3, Dsmbr 2006:207-214 EFISIENSI SISTEM BONUS MALUS SEBAGAI MODEL RANTAI MARKOV Supand Jurusan Tknk Informatka Unvrstas AKI Jl. Pmuda 95-97 Smarang h_supand@yahoo.co.uk Abstract.

Lebih terperinci

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta

PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1. Kismiantini Jurusan Pendidikan Matematika FMIPA Universitas Negeri Yogyakarta PENDUGAAN RESIKO RELATIF PADA PENDUGAAN AREA KECIL 1 Ksmantn Jurusan Pnddkan Matmatka FMIPA Unvrstas Ngr Yogakarta Abstrak Pnduga rsko rlat mrupakan statstk ang dgunakan untuk mngtahu sbaran suatu pnakt.

Lebih terperinci

SOLUSI TUGAS MATA KULIAH STATISTIKA II

SOLUSI TUGAS MATA KULIAH STATISTIKA II SOLUSI TUGAS MATA KULIAH STATISTIKA II SOAL : Suatu Peneltan dlakukan untuk menelaah empat metode pengajaran, yatu Metode A (ceramah d kelas), Metode B (mengajak dskus langsung dengan sswa), Metode C (ceramah

Lebih terperinci

Jurnal Inovasi Pembelajaran Fisika (INPAFI)

Jurnal Inovasi Pembelajaran Fisika (INPAFI) Jurnal Inovas Pmblajaran Fska (INPAFI) Avalabl onln http://jurnal.unmd.ac.d/01/ndx.php/npaf -ssn 59-5, p-ssn 337-6 IMPLEMENTASI PEDAGOGICAL CONTENT KNOWLEDGE (PCK) DALAM PEMBELAJARAN SAINTIFIK UNTUK MENINGKATKAN

Lebih terperinci

Algoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung.

Algoritma AdaBoost. Dalam. Pengklasifikasian. Zulhanif. Staf Pengajar Jurusan Statistika FMIPA, Unpad Bandung. Algorta AdaBoost Dala Pnglasfasan Zulhanf Staf Pngajar Jurusan Statsta FMIPA, Unpad Bandung Eal : dzulhanf@yahoo.co ABSTRAK Mtod AdaBoost rupaan salah satu algorta suprvsd pada data nng yang dtrapaan scara

Lebih terperinci

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi

Kecocokan Distribusi Normal Menggunakan Plot Persentil-Persentil yang Distandarisasi Statstka, Vol. 9 No., 4 47 Me 009 Kecocokan Dstrbus Normal Menggunakan Plot Persentl-Persentl yang Dstandarsas Lsnur Wachdah Program Stud Statstka Fakultas MIPA Unsba e-mal : Lsnur_w@yahoo.co.d ABSTRAK

Lebih terperinci

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA

BAB V MODEL SEDERHANA DISTRIBUSI TEMPERATUR DAN SIMULASINYA BAB V MOEL SEERHANA ISTRIBUSI TEMPERATUR AN SIMULASINYA Model matemata yang terdapat pada bab sebelumnya merupaan model umum untu njes uap pada reservor dengan bottom water. Model tersebut merupaan model

Lebih terperinci

BAB II TEORI DASAR. Analisis Kelompok

BAB II TEORI DASAR. Analisis Kelompok BAB II TORI DASAR II.. Analss Kelompo Istlah analss elompo pertama al dperenalan oleh Tryon (939). Ia memperenalan beberapa metode untu mengelompoan obye yang meml esamaan araterst (statsoft, 004). Kesamaan

Lebih terperinci

BAB V DISTRIBUSI PROBABILITAS DISKRIT

BAB V DISTRIBUSI PROBABILITAS DISKRIT BAB V DISTRIBUSI ROBABILITAS DISKRIT 5.. Distribusi Uniform Disrit Bila variabl aca X mmilii nilai,,... dngan probabilitas yang sama, maa distribusi uniform disrit dinyataan sbagai: f (, ) ;,,... paramtr

Lebih terperinci

BAB 2 SISTEM MAKRO DAN MIKRO

BAB 2 SISTEM MAKRO DAN MIKRO BAB 2 SISTEM MAKRO DAN MIKRO Sstm yang akan d bahas dalam skrps n adalah sstm frmon yang mngkut kadah ksklus Paul, mrupakan partkl dntk dan mmlk sfat-sfat yang brbda jka d bandngkan dngan sstm boson. Olh

Lebih terperinci

BAB IV FUNGSI KOMPLEKS

BAB IV FUNGSI KOMPLEKS 47 BAB IV FUNGSI KOMPLEKS 4.. BILANGAN KOMPLEKS. 4... Notas Blangan Komplks Brmacam - macam notas dar blangan komplks pada mulanya ddfnskan sbaga pasangan blangan rl, msal (, y ), namun scara umum notas

Lebih terperinci

Oleh : Bustanul Arifin K BAB IV HASIL PENELITIAN. Nama N Mean Std. Deviation Minimum Maximum X ,97 3,

Oleh : Bustanul Arifin K BAB IV HASIL PENELITIAN. Nama N Mean Std. Deviation Minimum Maximum X ,97 3, Kpdulian trhadap sanitasi lingkungan diprdiksi dari tingkat pndidikan ibu dan pndapatan kluarga pada kluarga sjahtra I klurahan Krtn kcamatan Lawyan kota Surakarta Olh : Bustanul Arifin K.39817 BAB IV

Lebih terperinci

Created by Simpo PDF Creator Pro (unregistered version)

Created by Simpo PDF Creator Pro (unregistered version) Created by Smpo PDF Creator Pro (unregstered verson) http://www.smpopd.com Statst Bsns : BAB IV. UKURA PEMUSATA DATA. Pendahuluan Untu mendapatan gambaran yang lebh jelas tentang seumpulan data mengena

Lebih terperinci

ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA

ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA ANALISIS LOG-LOGISTIK UNTUK MENGGAMBARKAN HUBUNGAN DOSIS-RESPON HERBISIDA PADA TIGA JENIS GULMA Olh : Yanti Muliyaningsih G40026 PROGRAM STUDI STATISTIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT

Lebih terperinci

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI

IV. UKURAN SIMPANGAN, DISPERSI & VARIASI IV. UKURAN SIMPANGAN, DISPERSI & VARIASI Pendahuluan o Ukuran dspers atau ukuran varas, yang menggambarkan derajat bagamana berpencarnya data kuanttatf, dntaranya: rentang, rentang antar kuartl, smpangan

Lebih terperinci

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST)

UJI KESELARASAN FUNGSI (GOODNESS-OF-FIT TEST) UJI CHI KUADRAT PENDAHULUAN Distribusi chi kuadrat mrupakan mtod pngujian hipotsa trhadap prbdaan lbih dari proporsi. Contoh: manajr pmasaran suatu prusahaan ingin mngtahui apakah prbdaan proporsi pnjualan

Lebih terperinci

PEMBAURAN dan PERULANGAN FRAKSIONAL DALAM RANCANGAN PERCOBAAN FAKTORIAL 2 k SKRIPSI

PEMBAURAN dan PERULANGAN FRAKSIONAL DALAM RANCANGAN PERCOBAAN FAKTORIAL 2 k SKRIPSI PEMBAURAN da PERULANGAN FRAKSIONAL DALAM RANCANGAN PERCOBAAN FAKTORIAL k SKRIPSI Dajka tk Mmh Salah Sat Syarat Mmprolh Glar Sarjaa Sas (S.s) Program Std Matmatka Dss olh : C. Btart No Srya NIM : 003409

Lebih terperinci

BAB VI MODEL ELEKTRON BEBAS ( GAS FERMI )

BAB VI MODEL ELEKTRON BEBAS ( GAS FERMI ) A VI MODL LKRON AS GAS RMI MARI 6.1. ltron bbas dalam satu dimnsi. 6.1.1.tingat nrgi 6.1..distribusi rmi-dirac 6.1..nrgi rmi 6.. ltron bbas dalam tiga dimnsi. 6..1.nrgi rmi untu tiga dimnsi. 6...cpatan

Lebih terperinci

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa

BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I. Kesulitan ekonomi yang tengah terjadi akhir-akhir ini, memaksa BAB IV CONTOH PENGGUNAAN MODEL REGRESI GENERALIZED POISSON I 4. LATAR BELAKANG Kesultan ekonom yang tengah terjad akhr-akhr n, memaksa masyarakat memutar otak untuk mencar uang guna memenuh kebutuhan hdup

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Pengetan Reges dan Koelas.. Pengetan Reges Paa lmuan, eonom, psolog, dan sosolog selalu beepentngan dengan masalah peamalan. Peamalan matematyang memungnan ta meamalan nla-nla suatu

Lebih terperinci

BAB I PENDAHULUAN 1.1 Latar Belakang

BAB I PENDAHULUAN 1.1 Latar Belakang BAB I PENDAHULUAN. Latar Belakang Manova atau Multvarate of Varance merupakan pengujan dalam multvarate yang bertujuan untuk mengetahu pengaruh varabel respon dengan terhadap beberapa varabel predktor

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Latar Belaang Analss dsrmnan merupaan ten menganalss data, dmana varabel dependen merupaan data ategor ( nomnal dan ordnal ) sedangan varabel ndependen berupa data nterval atau raso.msalnya

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD

UJI NORMALITAS X 2. Z p i O i E i (p i x N) Interval SD UJI F DAN UJI T Uj F dkenal dengan Uj serentak atau uj Model/Uj Anova, yatu uj untuk melhat bagamanakah pengaruh semua varabel bebasnya secara bersama-sama terhadap varabel terkatnya. Atau untuk menguj

Lebih terperinci

INTERFERENSI DAN DIFRAKSI

INTERFERENSI DAN DIFRAKSI ITRFRSI DA DIFRAKSI Mata Kulah: Glombang & Optk Dosn: Andhy Stawan andhystawan DIFRAKSI CLAH TUGGAL DA KISI andhystawan B. Dfaks Dfaks mupan gjala pmblon (pnybaan) glombang kt mnjala mlalu clah smpt atau

Lebih terperinci

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi.

BAB 2 LANDASAN TEORI. estimasi, uji keberartian regresi, analisa korelasi dan uji koefisien regresi. BAB LANDASAN TEORI Pada bab n akan durakan beberapa metode yang dgunakan dalam penyelesaan tugas akhr n. Selan tu penuls juga mengurakan tentang pengertan regres, analss regres berganda, membentuk persamaan

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 10 BAB 2 LANDASAN TEORI 2.1 Pengertan Pengendalan Kualtas Statst Pengendalan Kualtas statst merupaan suatu metode pengumpulan dan analss data ualtas, serta penentuan dan nterpretas penguuran-penguuran

Lebih terperinci

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE

PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE PEMODELAN LUAS PANEN PADI DI KABUPATEN LAMONGAN DENGAN INDIKATOR EL NINO SOUTHERN OSCILLATION MELALUI PENDEKATAN ROBUST BOOTSTRAP LEAST TRIMMED SQUARE Bn Haryat dan Sutkno Jurusan Statstka, Fakultas Matmatka

Lebih terperinci

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda

MODEL PILIHAN KUALITATIF. Oleh Bambang Juanda MODEL PILIHAN KUALITATIF Olh Bambang Juanda Srngkal dalam suatu surv kta brhadapan dngan pubah kualtatf yang mmpunya skala pngukuran nomnal atau ordnal. Nla-nla pubah rspons kualtatf n trbatas lmtd dpndnt

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap

BAB III METODOLOGI PENELITIAN. Penelitian ini dilaksanakan di SMA Negeri I Tibawa pada semester genap 5 BAB III METODOLOGI PENELITIAN 3. Lokas Dan Waktu Peneltan Peneltan n dlaksanakan d SMA Neger I Tbawa pada semester genap tahun ajaran 0/03. Peneltan n berlangsung selama ± bulan (Me,Jun) mula dar tahap

Lebih terperinci

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi.

BAB 3 Kesamaan Matriks Kovariansi. Bagian ini akan membahas tentang pengujian hipotesis kesamaan matriks kovariansi. BAB 3 Ksamaan Matks Kovaans Bagan n akan mmahas tntang ngujan hotss ksamaan matks kovaans. 3. Uj Ksamaan Dua Matks Kovaans 3.. Ukuan Pnyaan Multvaat ( X ( ( Msalkan X suatu vkto acak d mana X dan X masngmasng

Lebih terperinci

KONSTRUKSI RUANG TOPOLOGI LENGKAP

KONSTRUKSI RUANG TOPOLOGI LENGKAP KONSTRUKSI RUANG TOPOLOGI LENGKAP Sely Msdalfah Jsan Matemata FMIPA Unestas Tadlao Absta Hmpnan A mepaan semmet-semmet dpelas tedefns atas hmpnan X yang menghaslan sat eseagaman atas X yang aan membangn

Lebih terperinci

Dasar-dasar Aliran Fluida

Dasar-dasar Aliran Fluida Dasar-dasar Alran Fluda Konsep pentng dalam alran fluda Prnsp kekealan massa, sehngga tmbul persamaan kontnutas Prnsp energ knetk, persamaan persamaan alran tertentu Prnsp momentum, persamaan-persamaan

Lebih terperinci

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK

BAB IV PEMBAHASAN HASIL PENELITIAN PENGARUH PENGGUNAAN METODE GALLERY WALK BAB IV PEMBAASAN ASIL PENELITIAN PENGARU PENGGUNAAN METODE GALLERY WALK TERADAP ASIL BELAJAR MATA PELAJARAN IPS MATERI POKOK KERAGAMAN SUKU BANGSA DAN BUDAYA DI INDONESIA A. Deskrps Data asl Peneltan.

Lebih terperinci

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya

BAB III METODE PENELITIAN. Pada penelitian ini, penulis memilih lokasi di SMA Negeri 1 Boliyohuto khususnya BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Pada peneltan n, penuls memlh lokas d SMA Neger 1 Bolyohuto khususnya pada sswa kelas X, karena penuls menganggap bahwa lokas

Lebih terperinci

Misalkan S himpunan bilangan kompleks. Fungsi kompleks f pada S adalah aturan yang

Misalkan S himpunan bilangan kompleks. Fungsi kompleks f pada S adalah aturan yang Fngs Analtk FUNGSI ANALITIK Fngs sebt analtk ttk apabla aa sema ttk paa sat lngkngan Untk mengj keanaltkan sat ngs kompleks w = = + gnakan persamaan Cach Remann Sebelm mempelejar persamaan Cach-Remann

Lebih terperinci

Neutrino Majorana dan Osilasinya

Neutrino Majorana dan Osilasinya Nrno Majorana dan Oslasnya Dosn Pmbmbng ; Ags Prwano D.S Olh ; Mahndra Sara H 8 4 Jrsan Fsa Falas Mamaa dan Ilm Pngahan Alam Ins Tnolog Slh Nombr Srabaya Fsa-FMIPA ITS Srabaya aar Blaang 9 : Nrno rama

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN

BAB IV HASIL PENELITIAN DAN PEMBAHASAN BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. Deskrps Data Hasl Peneltan Satelah melakukan peneltan, penelt melakukan stud lapangan untuk memperoleh data nla post test dar hasl tes setelah dkena perlakuan.

Lebih terperinci

FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS TEKNOLOGI YOGYAKARTA UJIAN TENGAH SEMESTER GANJIL TAHUN AKADEMIK 2017/2018 PROGRAM STUDI: TEKNIK SIPIL

FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS TEKNOLOGI YOGYAKARTA UJIAN TENGAH SEMESTER GANJIL TAHUN AKADEMIK 2017/2018 PROGRAM STUDI: TEKNIK SIPIL FAKULTAS SAINS DAN TEKNOLOGI UNIVERSITAS TEKNOLOGI YOGYAKARTA UJIAN TENGAH SEMESTER GANJIL TAHUN AKADEMIK 7/8 PROGRAM STUDI: TEKNIK SIPIL Mata Ujan : Statstka (Kelas Har, Tanggal : Rabu, 8 November 7 Dosen

Lebih terperinci

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2)

BAB 10. Menginterpretasikan Populasi Variabel Kanonik. Variabel kanonik secara umumnya artifisal. Jika variabel awal X (1) dan X (2) BB 0 Mengnterpretasan Populas arabel Kanon arabel anon secara umumnya artfsal. Ja varabel awal X ( dan X ( dgunaan oefsen anon a dan b mempunya unt propors dar hmpunan X ( dan X (. Ja varabel awal yang

Lebih terperinci

Karakterisasi Matrik Leslie Ordo Tiga

Karakterisasi Matrik Leslie Ordo Tiga Jurnal Graden Vol No Januar 006 : 34-38 Karatersas Matr Lesle Ordo Tga Mudn Smanhuru, Hartanto Jurusan Matemata, Faultas Matemata dan Ilmu Pengetahuan Alam, Unverstas Bengulu, Indonesa Dterma Desember

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA

III. METODE PENELITIAN. Penelitian ini merupakan studi eksperimen yang telah dilaksanakan di SMA III. METODE PENELITIAN A. Waktu dan Tempat Peneltan Peneltan n merupakan stud ekspermen yang telah dlaksanakan d SMA Neger 3 Bandar Lampung. Peneltan n dlaksanakan pada semester genap tahun ajaran 2012/2013.

Lebih terperinci

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda

KOLINEARITAS GANDA (MULTICOLLINEARITY) Oleh Bambang Juanda KOLINEARITAS GANDA MULTICOLLINEARIT Oleh Bambang Juanda Model: = X + X + + X + ε. Hubungan Lnear Sempurna esa, Ja C X 0 C onstanta yg td semuanya 0. Mudah detahu rn td ada dugaan parameter oef dgn OLS,

Lebih terperinci

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo.

BAB III METODE PENELITIAN. Adapun yang menjadi objek penelitian adalah siswa MAN Model Gorontalo. BAB III METODE PENELITIAN 3.1 Tempat dan Waktu Peneltan 3.1.1 Tempat Peneltan Adapun yang menjad objek peneltan adalah sswa MAN Model Gorontalo. Penetapan lokas n ddasarkan pada beberapa pertmbangan yakn,

Lebih terperinci

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika

BAB IV HASIL PENELITIAN DAN PEMBAHASAN. Data penelitian diperoleh dari siswa kelas XII Jurusan Teknik Elektronika BAB IV HASIL PENELITIAN DAN PEMBAHASAN A. DESKRIPSI DATA Data pnlitian diprolh dari siswa klas XII Jurusan Tknik Elktronika Industri SMK Ma arif 1 kbumn. Data variabl pngalaman praktik industri, kmandirian

Lebih terperinci

ANALISIS EFISIENSI TEKNIS PRODUKSI USAHATANI CABAI MERAH BESAR DAN PERILAKU PETANI DALAM MENGHADAPI RISIKO

ANALISIS EFISIENSI TEKNIS PRODUKSI USAHATANI CABAI MERAH BESAR DAN PERILAKU PETANI DALAM MENGHADAPI RISIKO ANALISIS EFISIENSI TEKNIS PRODUKSI USAHATANI CABAI MERAH BESAR DAN PERILAKU PETANI DALAM MENGHADAPI RISIKO Saptana 1, Arf Daryanto 2, Hny K. Daryanto 2, dan Kuntjoro 2 1 Pusat Analss Sosal Ekonom dan Kbjakan

Lebih terperinci

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI

EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACHING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N 2 TURI EFEKTIVITAS PEMBELAJARAN MATEMATIKA DENGAN MODEL QUANTUM TEACING (QT) DITINJAU DARI KREATIVITAS BELAJAR SISWA KELAS VIII SMP N TURI Mota Dwya ), N Wahyu Utam, M. Pd. ) Program Stud Pdda Matmata Faultas

Lebih terperinci

Hubungan antara K dengan koefisien fugasitas:

Hubungan antara K dengan koefisien fugasitas: Hubungan antara K dngan kofsn fugastas: fˆ f K Kadaan standar untuk gas adalah gas murn pada kadaan gas dal pada tkanan kadaan standar sbsar 1 bar. (1) Karna fugastas gas dal sama dngan tkanannya, f =

Lebih terperinci

BAB 1 PENDAHULUAN. Universitas Sumatera Utara

BAB 1 PENDAHULUAN. Universitas Sumatera Utara BAB 1 ENDAHULUAN 1.1 Latar Belakang Secara umum dapat dkatakan bahwa mengambl atau membuat keputusan berart memlh satu dantara sekan banyak alternatf. erumusan berbaga alternatf sesua dengan yang sedang

Lebih terperinci

PENDUGAAN RASIO, BEDA DAN REGRESI

PENDUGAAN RASIO, BEDA DAN REGRESI TEKNIK SAMPLING PENDUGAAN RASIO, BEDA DAN REGRESI PENDAHULUAN Pendugaan parameter dar peubah Y seharusnya dlakukan dengan menggunakan nformas dar nla-nla peubah Y Bla nla-nla peubah Y sult ddapat, maka

Lebih terperinci

MODEL INFERENSI BERBASIS FUZZY NEURAL NETWORK MENGGUNAKAN METODE PEMBELAJARAN DELTA RULE

MODEL INFERENSI BERBASIS FUZZY NEURAL NETWORK MENGGUNAKAN METODE PEMBELAJARAN DELTA RULE MODE INFEENSI BEBASIS FUZZY NEUA NETWOK MENGGUNAKAN METODE PEMBEAJAAN DETA UE Sr Kusumadw Sr Hartat tantyo Wardoyo Agus Harjoo Jurusan Tn Informata Unvrstas Islam Indonsa Yogyaarta, cc@ft.u.ac.d Faultas

Lebih terperinci

BAB VI METODE BELAJAR WIDROW-HOFF

BAB VI METODE BELAJAR WIDROW-HOFF BAB VI METODE BELAJAR WIDROW-HOFF - Aturan laar LMS Last Man Squars lh ftf dar aturan laar rstron. - Aturan laar LMS atau Wdro-Hoff mmnmsasan man squar rror, shngga mnggsr atasan utusan sauh yang sa dlauan

Lebih terperinci

BAB II LANDASAN TEORI

BAB II LANDASAN TEORI BAB II LANDASAN ORI. Aljabar Matrs.. Defns Matrs Matrs adalah suatu umpulan anga-anga yang juga serng dsebut elemen-elemen yang dsusun secara teratur menurut bars dan olom sehngga berbentu perseg panjang,

Lebih terperinci

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel

BAB 2 LANDASAN TEORI. persamaan penduga dibentuk untuk menerangkan pola hubungan variabel-variabel BAB LANDASAN TEORI. Analss Regres Regres merupakan suatu alat ukur yang dgunakan untuk mengukur ada atau tdaknya hubungan antar varabel. Dalam analss regres, suatu persamaan regres atau persamaan penduga

Lebih terperinci

Analisis Sensitivitas

Analisis Sensitivitas Analss Senstvtas Terdr dar aa : Analss Senstvtas, bla terad perubahan paraeter seara dsrt Progra Lnear Paraetr, bla terad perubahan paraeter seara ontnu Maa-aa perubahan pasa optu: Perubahan suu tetap,

Lebih terperinci

Perumusan Ensembel Mekanika Statistik Kuantum. Part-2

Perumusan Ensembel Mekanika Statistik Kuantum. Part-2 Perumusan Ensembel Mekanka Statstk Kuantum Part-2 Menghtung Banyak Status Keadaan Asums : partkel tak punya spn (spnless!)-> apa konsekuensnya? Karena TAK ADA INTERAKSI maka tngkat-tngkat energy yg bsa

Lebih terperinci

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah

BAB III METODOLOGI PENELITIAN. Penelitian ini mengenal dua macam variabel yaitu : 2. Variabel terikat (Y) yaitu : Hasil belajar Sejarah BAB III METODOLOGI PENELITIAN 3.1 Varans Peneltan 3.1.1 Varabel Peneltan Peneltan n mengenal dua macam varabel yatu : 1. Varabel bebas (X) yatu : Berpr formal. Varabel terat (Y) yatu : Hasl belajar Sejarah

Lebih terperinci

ANALISIS REGRESI. Catatan Freddy

ANALISIS REGRESI. Catatan Freddy ANALISIS REGRESI Regres Lner Sederhana : Contoh Perhtungan Regres Lner Sederhana Menghtung harga a dan b Menyusun Persamaan Regres Korelas Pearson (Product Moment) Koefsen Determnas (KD) Regres Ganda :

Lebih terperinci

BAB II DIMENSI PARTISI

BAB II DIMENSI PARTISI BAB II DIMENSI PARTISI. Defns dasar dan eteratannya dengan metrc dmenson Dalam pembahasan dmens parts, graf yang dbahas adalah graf terhubung sederhana dan tda meml arah. Sebelum mendefnsan graf yang dgunaan

Lebih terperinci

BAB II PERSAMAAN DIFFERENSIAL ORDO SATU

BAB II PERSAMAAN DIFFERENSIAL ORDO SATU BAB II PERSAAA DIERESIAL ORDO SATU Tjan Pmblajaran Bab. ini, mrpakan lanjtan dari pmbahasan PD bab, ait jnis-jnis prsamaan diffrnsial ordo sat dan ara-ara pnlsaianna. Diantarana adalah Prsamaan Trpisah,

Lebih terperinci

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara

BAB 2 LANDASAN TEORI. Universitas Sumatera Utara BAB 2 LANDASAN TEORI 2.1 Pengertan Analsa Regres Dalam kehdupan sehar-har, serng kta jumpa hubungan antara satu varabel terhadap satu atau lebh varabel yang lan. Sebaga contoh, besarnya pendapatan seseorang

Lebih terperinci

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi,

BAB 2 LANDASAN TEORI. diteliti. Banyaknya pengamatan atau anggota suatu populasi disebut ukuran populasi, BAB LANDASAN TEORI.1 Populas dan Sampel Populas adalah keseluruhan unt atau ndvdu dalam ruang lngkup yang ngn dtelt. Banyaknya pengamatan atau anggota suatu populas dsebut ukuran populas, sedangkan suatu

Lebih terperinci

ANALISIS KOVARIANSI bagian 2..

ANALISIS KOVARIANSI bagian 2.. ANALISIS KOVARIANSI bagan Uj Efek Perlakuan... v. H H F 1 0 5% StatstkaUj: raso : 0, : 0,, DK : RK RK H 0 P S (adj) (adj) 1,, t dtolak jka F raso F α,t1,t(r1) 1 Ingat model anakova 1 faktor 1 kovarat :

Lebih terperinci

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk

BAB I PENDAHULUAN. Analisis regresi merupakan metode statistika yang digunakan untuk BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analss regres merupakan metode statstka ang dgunakan untuk meramalkan sebuah varabel respon Y dar satu atau lebh varabel bebas X, selan tu juga dgunakan untuk

Lebih terperinci

KOMPUTASI DAN DINAMIKA FLUIDA

KOMPUTASI DAN DINAMIKA FLUIDA KOMPUTASI DAN DINAMIKA FLUIDA TUGAS Olh RIRIN SISPIYATI NIM : 006003 Program Studi Matmatia INSTITUT TEKNOLOGI BANDUNG 009 Ercis 40 Ta as initial spctrum a bloc function nonzro for ½. Animat th initial

Lebih terperinci

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di

III. METODE PENELITIAN. Penelitian ini dilaksanakan di SMP Al-Azhar 3 Bandar Lampung yang terletak di III. METODE PENELITIAN A. Populas dan Sampel Peneltan n dlaksanakan d SMP Al-Azhar 3 Bandar Lampung yang terletak d Jl. Gn. Tanggamus Raya Way Halm, kota Bandar Lampung. Populas dalam peneltan n adalah

Lebih terperinci

BAB IV PEMBAHASAN MODEL

BAB IV PEMBAHASAN MODEL BAB IV PEMBAHASAN MODEL Pada bab IV n akan dlakukan pembuatan model dengan melakukan analss perhtungan untuk permasalahan proses pengadaan model persedaan mult tem dengan baya produks cekung dan jont setup

Lebih terperinci

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL

ESTIMASI PARAMETER PADA REGRESI SEMIPARAMETRIK UNTUK DATA LONGITUDINAL Abstrak ESIMASI PARAMEER PADA REGRESI SEMIPARAMERIK UNUK DAA LONGIUDINAL Msal y merupakan varabel respon, Lls Laome Jurusan Matematka FMIPA Unverstas Haluoleo Kendar 933 e-mal : lhs@yahoo.com X adalah

Lebih terperinci

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 1-10, April 2001, ISSN :

JURNAL MATEMATIKA DAN KOMPUTER Vol. 4. No. 1, 1-10, April 2001, ISSN : JURNAL MATEMATIKA DAN KOMUTER Vol.. No., -, Aprl, ISSN : -88 ENDEKATAN RERESI OLINOMIAL ORTHOONAL ADA RANCANAN DUA FAKTOR (DENAN ALIKASI SAS DAN MINITAB) Tat Wharh Jurusan Matemata FMIA UNDI Abstra eneatan

Lebih terperinci

adalah nilai-nilai yang mungkin diambil oleh parameter jika H

adalah nilai-nilai yang mungkin diambil oleh parameter jika H Uj Nsbah Kemuga Lema Neyma-Pearso dapat dguaa utu meemua uj palg uasa bag hpotess sederhaa bla sebara dataya haya dtetua oleh satu parameter yag tda detahu. Lema tersebut juga adaalaya dapat dguaa utu

Lebih terperinci

BAB II TEORI DASAR 2.1 Pengertian Pasang Surut

BAB II TEORI DASAR 2.1 Pengertian Pasang Surut BAB II TEORI DASAR 2.1 Pngrtian Pasang Surut Pasang surut air laut (pasut) adalah pristiwa naik turunnya muka air scara priodik dngan rata-rata priodnya 12,4 jam (di bbrapa tmpat 24,8 jam) (Pond dan Pickard,

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI.1 Pengertan Regres Regres pertama kal dgunakan sebaga konsep statstka oleh Sr Francs Galton (18 1911).Belau memperkenalkan model peramalan, penaksran, atau pendugaan, yang selanjutnya

Lebih terperinci

PENELUSURAN KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK DENGAN INTERGRADIEN. Rita Rahmawati Program Studi Statistika FMIPA UNDIP

PENELUSURAN KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK DENGAN INTERGRADIEN. Rita Rahmawati Program Studi Statistika FMIPA UNDIP PENELUSURAN KERAGAMAN DALAM BLOK PADA RANCANGAN ACAK KELOMPOK DENGAN INTERGRADIEN Rta Rahmawat Program Stud Statstka FMIPA UNDIP Abstrak Dalam Rancangan Acak Kelompok Lengkap (RAKL), asums terpentng adalah

Lebih terperinci

Percobaan Faktor Tunggal (RAL, RAKL, RBSL)

Percobaan Faktor Tunggal (RAL, RAKL, RBSL) Percoaan Faktor Tunggal RAL, RAKL, RBSL Faktor Tunggal Dalam RAKL Rancangan Acak Kelompok Lengkap Karakterstk Rancangan Perlakuan yang dcoakan merupakan taraftaraf dar satu faktor tertentu Faktor-faktor

Lebih terperinci

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK:

BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA. CONTOH : HASIL ULANGAN MATEMATIKA 5 SISWA SBB: PENGERTIAN STATISTIKA DAN STATISTIK: BAB IX. STATISTIKA Contoh : hasl ulangan Matematka 5 sswa sbb: 6 8 7 6 9 Pengertan Statstka dan

Lebih terperinci