INVESTIGASI EMPIRIS KEKUATAN UJI KPSS. Oleh MUHAMMAD FAJAR
|
|
- Έρως Αναστασιάδης
- 6 χρόνια πριν
- Προβολές:
Transcript
1 INVESTIGASI EMPIRIS KEKUATAN UJI KPSS Oleh MUHAMMAD FAJAR 2016
2 ABSTRAK Judul Penelitian : Investigasi Empirik Kekuatan Uji KPSS Kata Kunci : Uji KPSS, Data Generating Process, Persentase Keputusan Salah Tujuan dari penelitian ini untuk menghasilkan nilai kritis pada uji KPSS dan mengetahui kekuatan uji KPSS yang diindikasikan dari persentase keputusan salah yang dihasilkan uji tersebut. Simulasi monte carlo digunakan untuk mendapatkan kuantil distribusi KPSS sehingga diperoleh nilai kritis KPSS pada berbagai level signifikansi alpha dan menyelidiki kekuatan uji KPSS pada proses non stasioner, meliputi random walk murni dan random walk with drift, serta proses stasioner meliputi autoregressive ordo 1 (AR(1)), dan deterministic trend with noise. Hasil yang diperoleh dalam penelitian menyimpulkan bahwa: (1) Kecenderungan nilainilai kritis KPSS1 dan KPSS2 tersebut konvergen pada suatu nilai tertentu walaupun jumlah observasi berbeda-beda. Sehingga atas dasar tersebut, nilai kritis KPSS1 dan KPSS2 bisa diwakilkan oleh suatu nilai tanpa memperhatikan jumlah observasi yang digunakan, (2) Persentase keputusan salah pada uji KPSS menurun seiring semakin besar jumlah observasi yang digunakan dalam pengujian (demikian juga, persentase keputusan benar meningkat seiring semakin besar jumlah observasi), (3) Penentuan truncated lag mempengaruhi persentase keputusan salah pada pengujian KPSS. Untuk kasus random walk Murni, random walk with drift, dan deterministic trend with noise, uji KPSS menggunakan truncated lag l4 lebih meminimalisir persentase keputusan salah dibandingkan dengan menggunakan truncated lag l12. Sedangkan pada kasus AR(1), uji KPSS menggunakan truncated lag l12 lebih meminimalisir persentase keputusan salah dibandingkan dengan menggunakan truncated lag l4, dan (4) Kekuatan (power) uji KPSS (yang diindikasikan dengan persentase keputusan salah) sangat bervariatif tergantung jenis proses data yang diujikan. Power uji KPSS sangat kuat untuk proses data deterministic trend with noise dan random walk with drift dengan menggunakan truncated lag l4.
3 DAFTAR ISI Halaman ABSTRAK DAFTAR ISI... ii iii BAB I. PENDAHULUAN Latar Belakang Perumusan Masalah Tujuan Penelitian Manfaat Penelitian Batasan Masalah... 2 BAB II. TINJAUAN PUSTAKA Uji KPSS Penentuan Truncated Lag (Lag Optimum) Data Generating Process (DGP)... 6 BAB III. METODOLOGI PENELITIAN Simulasi Distribusi Sampling KPSS Algoritma R Untuk Uji KPSS Algoritma R Untuk Investigasi Kekuatan Uji KPSS pada DGP... 9 BAB IV. HASIL DAN PEMBAHASAN Nilai Kritis Pada Uji KPSS Hasil Simulasi Kasus Random Walk Murni Kasus Random Walk With Drift... 19
4 Kasus AR(1) Kasus Deterministic Trend With Noise BAB V. KESIMPULAN DAN SARAN Kesimpulan Saran DAFTAR PUSTAKA LAMPIRAN... 34
5 BAB I PENDAHULUAN 1.1 Latar Belakang Stasioneritas merupakan salah satu prasyarat penting dalam analisis time series untuk data runtut waktu (time series). Data stasioner adalah data yang memiliki mean, varians dan autovarians (pada variasi lag) tetap sama pada waktu kapan saja data itu dibentuk atau dipakai, artinya dengan data yang stasioner model time series dapat dikatakan lebih stabil. Apabila data yang digunakan dalam model ada yang tidak stasioner, maka data tersebut mengandung unit root karena hasil regresi yang berasal dari data yang tidak stasioner akan menyebabkan spurious regression. Spurious regression adalah regresi yang memiliki R 2 yang tinggi, namun tidak ada hubungan yang berarti dari keduanya. Unit root sebagaimana telah dijelaskan sebelumnya dapat dikatakan sebagai fitur dari proses yang berkembang melalui waktu yang dapat menyebabkan masalah dalam inferensi statistik yang melibatkan model deret waktu. Ada dua macam stasioner pada data deret waktu, yaitu difference stationary dan trend stationary. Difference stationary maksudnya adalah data yang non stasioner dapat ditransformasi dengan differencing agar menjadi stasioner, sedangkan trend stationary maksudnya adalah data yang stasioner disekitar trend deterministiknya, sehingga data yang non stasioner dapat ditransformasi dengan detrended agar menjadi stasioner. Pengujian mengenai stasioneritas data deret waktu pertama kali diperkenalkan David Dickey dan Wayne Fuller tahun 1979, dimana dalam pengujian tersebut (ADF test) hipotesis null pengecekan keberadaan unit root yang berimplikasi bahwa jika unit root terdapat pada data deret waktu maka data tersebut tidak stasioner, dan sebaliknya, jika data tidak mengandung unit root, maka data tersebut stasioner. Pada tahun 1992, Kwiatskoki, et al memperkenal suatu uji dengan hipotesis null data time series difference stasioner atau trend stasioner bukan dari unit root seperti ADF test, sehingga penulis tertarik untuk menyelidiki power dari uji KPSS tesebut (KPSS test) tetapi sebelum itu perlu diperoleh nilai kritis dari distribusi sampling pada statistic uji KPSS. 1.2 Perumusan Masalah Berdasarkan latar belakang yang telah dijelaskan, maka masalah yang dirumuskan dalam penelitian ini, yaitu: a. Bagaimana nilai kritis pada pengujian KPSS dari variasi jumlah observasi pada berbagai level signifikansi (alpha)? b. Bagaimana pengaruh jumlah observasi terhadap kekuatan uji KPSS (diindikasikan dari persentase keputusan salah uji KPSS)?
6 c. Apakah penentuan truncated lag ala Schwert (1989) mempengaruhi kekuatan uji KPSS (diindikasikan dari persentase keputusan salah uji KPSS)? d. Bagaimana power dari uji KPSS yang diindkasikan oleh persentase keputusan salah dari uji KPSS jika diterapkan pada berbagai data generating process? 1.3 Tujuan Penelitian Berdasarkan rumusan masalah, maka tujuan penelitian adalah: a. Memperoleh nilai kritis pada pengujian KPSS dari variasi jumlah observasi pada berbagai level signifikansi alpha. b. Mengetahui pengaruh jumlah observasi terhadap kekuatan uji KPSS (diindikasikan dari persentase keputusan salah uji KPSS)? c. Mengetahui pengaruh penentuan truncated lag ala Schwert (1989) mempengaruhi kekuatan uji KPSS (diindikasikan dari persentase keputusan salah uji KPSS) d. Dapat melihat kekuatan dari uji KPSS pada berbagai proses data generating. 1.4 Manfaat Penelitian Adapun manfaat yang diperoleh dari penelitian ini adalah sebagai berikut: a. Menambah kajian dalam pengujian stsioneritas dalam ranah ekonometrika. b. Menambah wawasan peneliti dalam investigasi kekuatan suatu alat uji statistik. 1.5 Batasan Masalah Dalam penelitian ini, jumlah sampel yang digunakan adalah 10 observasi sampai dengan 1000 observasi yang dibangkitkan dari proses random walk murni, random walk with drift, autoregressive ordo 1 (AR(1)), dan deterministic trend with noise. Distribusi White Noise yang dimaksud digunakan dalam model adalah distribusi normal.
7 BAB II TINJAUAN PUSTAKA 2.1 UJI KPSS Uji ADF dan PP intinya menguji keberadaan unit root pada data deret waktu, yang kemudian berimplikasi ketika data tidak mengandung unit root berarti data telah stasioner. Kwiatkowski, Phillips, Scmidt and Shin (1992) mengajukan sebuah pengujian LM (Lagrange Multiplier) untuk menguji trend data atau stasioneritas pada data level (KPPS). Dalam pengujian dengan hipotesis null adalah y t stasioner pada level (y t ~ I(0)) yang diformulasikan sebagai H 0 : σ u 2 = 0, yang berimplikasi bahwa r t adalah sebuah konstanta melawan hipotesis alternatif H 0 : σ u 2 0. Kwiatkowski et al. memulai dengan model: y t = ξt + r t + ε t (1) r t = r t 1 + u t (2) dimana data deret waktu y t, t = 1,2,, n, r t adalah random walk dan ε t adalah eror diasumsikan stasioner pada level dan u t White Noise (mean = 0, varians = σ u 2 ). Mari kita selidiki random walk r t r t = r t 1 + u t = r t 2 + u t 1 + u t = r t 3 + u t 2 + u t 1 + u t t r t = r 0 + u i i=1 E(r t ) = r 0 Nilai inisial r 0 fixed (dalam algoritma simulasi distribusi KPSS, r 0 =0) dan merupakan intersep. ξt merupakan komponen trend deterministik, jika ξ = 0, maka persamaan (1) menjadi sebuah konstanta sebagai regressor deterministic. u t telah stasioner pada level (I(0)). Dibawah H 0 ε t stasioner dan oleh karena itu, y t juga terjadi trend stationary atau jika ξ = 0, maka y t juga difference stationary. Statistik uji dikonstruksi sebagai berikut: pertama regresikan y t terhadap
8 konstan atau konstan dan trend. Kedua hitunglah jmlah residual ε t dari regresi pada langkah sebelumnya: t S t = ε i, t = 1,2,, n (3) i=1 Lalu statistik LM (Lagrange Multiplier) atau KPSS adalah: T KPSS = n 2 2 S t λ 2 (4) t=1 Dimana λ 2 adalah penaksir konsisten dari long run variance dari ε t yang menggunakan penaksirnya ε t. Para peneliti menyarankan menggunakan Bartlett window w(s, l) = 1 s/(l + 1) sebagai penimbang optimal untuk mengestimasi λ 2,yaitu: n λ 2 = s 2 (l) = n 1 ε t 2 + 2n 1 1 l + 1 t=1 l s=1 s n t=s+1 ε tε t 1 (5) l adalah parameter lag truncation (lag maksimal (optimum)). Kita pertama menganggap terjadi kasus stasioneritas pada level, maka ξ diset harus nol sehingga residual ε t berasal dari regresi y atas hanya intersep saja, ε t = y t y. S t adalah jumlah residual ε t sebagaimana persamaan (3). Dibawah hipotesis null bahwa y t stasioner pada level (I(0)), Kwiatkowski, et al menunjukkan bahwa KPSS menuju konvergensi pada fungsi dari gerak Brownian standar, yaitu: 1 KPSS d V 1 (b) db 0 (6) dimana V 1 (b) = W(b) bw(1) dan W(b) adalah gerak Brownian standar untuk b [0,1]. Jika ξ 0, maka residual ε t berasal dari regresi y atas trend deterministik, maka seperti sebelumnya, 1 KPSS d V 2 (b) db 0 (7) dimana V 2 (b) = W(b) + b(2 3b)W(1) + 6b(b 2 1 1) W(p)dp 0. Nilai kritis dari distribusi asimtotis pada (6) dan (7) ditentukan oleh metode simulasi yang akan dilakukan dalam penelitian ini. Uji stasioneritas KPSS ini merupakan pengujian satu sisi (right tailed) jadi penolakan hipotesis null pada level α terjadi jika KPSS lebih besar dari (1- α) kuantil dari aproksimasi distribusi asimtotis pada persamaan (6) atau (7). 2.2 Penentuan truncated lag (lag optimum)
9 Penentuan truncated lag l pada pengujian stasioneritas pada data deret waktu sangat krusial sekali. Jika l terlalu pendek maka korelasi serial signifikan terjadi pada eror sehingga akan terjadi bias pada uji. Jika l terlalu panjang maka power dari uji akan melemah. Salah aturan yang disarankan oleh Schwert (1989) dalam penentuan lag optimum (truncated lag) adalah: l 4 = 4 ( n 100 ) 1/4 l 12 = 12 ( n 100 ) 1/4 (8) (9) Ketika dalam simulasi pemeriksaan kekuatan uji, kita gunakan l 4 dan l 12 sehingga dapat diketahui rumusan mana yang mempengaruhi power of KPSS test. 2.3 Data Generating Process (DGP) Data Generating Process adalah suatu cara membangkitkan sejumlah data melalui sebuah model tertentu. Dalam penelitian ini data dibangkitkan melalui proses: a. Random Walk Murni Model untuk membangkitkan data dari proses random walk yang juga merupakan proses non stasioner, adalah sebagai berikut: y t = y t 1 + v t (10) Dimana {v t } mengikuti i.i.d proses dalam hal ini white noise. E(v t ) = 0, E(v t 2 ) = σ 2, dan E(v t v s ) = 0, t s Jika kita lakukan iterative backward y t = y t 1 + v t = y t 2 + v t 1 + v t = y t 3 + v t 2 + v t 1 + v t y t = y 0 + v i t i=1, t = 1,, n (11) b. Random Walk with Drift Model untuk membangkitkan data dari proses random walk with drift yang juga merupakan proses non stasioner, adalah sebagai berikut: y t = b 0 + y t 1 + ε t (12) Dimana {ε t } mengikuti i.i.d proses dalam hal ini white noise. E(ε t ) = 0, E(ε 2 t ) = σ 2, dan E(ε t ε s ) = 0, t s Jika kita lakukan iterative backward y t = b 0 + y t 1 + ε t
10 = 2b 0 + y t 2 + ε t 1 + ε t = 3b 0 + y t 3 + ε t 2 + ε t 1 + ε t y t = y 0 + b 0 t + ε i t i=1, b 0 0, t = 1,, n (13) c. AR(1) Model untuk membangkitkan data dari AR(1) yang juga merupakan proses stasioner, adalah sebagai berikut: y t = ρy t 1 + ω t, ρ < 1 (14) Dimana {ω t } mengikuti i.i.d proses dalam hal ini white noise. E(ω t ) = 0, E(ω 2 t ) = σ 2, dan E(ω t ω s ) = 0, t s d. Deterministic Trend with Noise Model untuk membangkitkan data dari proses Deterministic Trend with Noise yang juga merupakan proses trend-stasioner, adalah sebagai berikut: y t = c + ηt + φ t, η 0, t = 1,, n (15) Dimana {φ t } mengikuti i.i.d proses dalam hal ini white noise. E(φ t ) = 0, E(φ 2 t ) = σ 2, dan E(φ t φ s ) = 0, t s
11 BAB III METODOLOGI 3.1 Simulasi Distribusi Sampling KPSS Untuk mendapatkan nilai kritis dari uji KPSS dari berbagai jumlah observasi, kita akan lakukan replikasi sebanyak kali, Model pada pengujian KPSS, yaitu y t = ξt + r t + ε t r t = r t 1 + u t Asumsikan bahwa ε t dan u t mengikuti N(0,1). Kemudian kita namakan statistic KPSS: 1 KPSS1 d V 1 (b) db ; untuk hipotesis null data stasioner pada level 0 1 KPSS2 d V 2 (b) db ; untuk hipotesis null data trend stasioner pada level 0 Nilai kritis diperoleh dari kuantil distribusi KPSS1 dan KPSS2 yang dibentuk melalui simulasi atas dasar jumlah observasi yang telah ditentukan. Jumlah observasi yang ditentukan dalam penelitian ini adalah 10, 15, 20, 25, 30, 35, 40, 50, 60, 70, 80, 90, 100, 120, 130, 140, 150, 170, 190, 200, 250, 300, 350, 400, 500, 600, 700, 750, 800, 850, 900, 950, dan Algoritma R untuk mensimulasi distribusi sampling KPSS set.seed(123) wiener2 = function(nobs) { e = rnorm(nobs) # create detrended errors e1 = e - mean(e) Merujuk pada persamaan (1) dengan ξ = 0, dan E(r t ) = r 0 = 0 e2 = residuals(lm(e~seq(1,nobs))) # compute simulated Brownian Bridges y1 = cumsum(e1) y2 = cumsum(e2) intw2.1 = nobs^(-2) * sum(y1^2) Merujuk pada persamaan (4) intw2.2 = nobs^(-2) * sum(y2^2) Merujuk pada persamaan (4) ans = list(intw2.1=intw2.1,intw2.2=intw2.2) ans } # simulate KPSS distributions nobs = 10 Jumlah observasi, misal n = 10 nsim = Jumlah replikasi sebanyak kali KPSS1 = rep(0,nsim)
12 KPSS2 = rep(0,nsim) for (i in 1:nsim) { BN.moments = wiener2(nobs) KPSS1[i] = BN.moments$intW2.1 Menghasilkan barisan KPSS1 sebanyak jumlah replikasi KPSS2[i] = BN.moments$intW2.2 Menghasilkan barisan KPSS2 sebanyak jumlah replikasi } # compute quantiles of distribution # quantile(kpss1, probs=c(0.90,0.925,0.95,0.975,0.99)) ##Notrend quantile(kpss2, probs=c(0.90,0.925,0.95,0.975,0.99)) ##WithTrend 3.2 Algoritma R untuk Uji KPSS H 0 : Data stasioner (atau trend stasioner) H 1 : Data tidak stasioner Statistik uji KPSS = n 2 2 S t λ 2 Keputusan: Tolak H 0, jika KPSS titik kritis pada level signifikansi α Berikut algoritma R untuk pengujian KPSS uji.kpss<-function (y, type = c("notrend", "withtrend"), lags = c("l4", "l12", "nil"), use.lag = NULL) { y <- na.omit(as.vector(y)) n <- length(y) type <- match.arg(type) lags <- match.arg(lags) if (!(is.null(use.lag))) { lmax <- as.integer(use.lag) if (lmax < 0) { warning("\nuse.lag has to be positive and integer; lags='l4' used.") lmax <- trunc(4 * (n/100)^0.25) } } else if (lags == "l4") { lmax <- trunc(4 * (n/100)^0.25) ##Lag Maximum merujuk persamaan(8) } else if (lags == "l12") { lmax <- trunc(12 * (n/100)^0.25) ##Lag Maximum merujuk persamaan(9) } else if (lags == "nil") { lmax <- 0 } if (type == "notrend") { res <- y - mean(y) } else if (type == "withtrend") { trend <- 1:n res <- residuals(lm(y ~ trend)) } S <- cumsum(res) ##Merujuk pada persamaan(3) nominator <- sum(s^2)/n^2 ##Jumlah S kuadrat s2 <- sum(res^2)/n if (lmax == 0) { denominator <- s2 ##Long Run Variance } else { T t=1
13 index <- 1:lmax x.cov <- sapply(index, function(x) t(res[-c(1:x)]) %*% res[-c((n - x + 1):n)]) bartlett <- 1 - index/(lmax + 1) denominator <- s2 + 2/n * t(bartlett) %*% x.cov ##Long Run Variance Residuals pada persamaan(5) } LMstat <- nominator/denominator ##merujuk pada persamaan (4) } 3.3 Algoritma R Untuk Investigasi Kekuatan Power Uji KPSS pada Data Generating Process a. Random Walk Murni Kita gunakan model untuk membangkitkan random walk (proses non stasioner) sebagai berikut: y t = y 0 + v i t i=1, t = 1,, n Kita asumsikan bahwa {v t } mengikuti i.i.d N(0,1) dan y 0 = 0 sehingga: t y t = v i i=1, t = 1,, n (16) Algoritma untuk kasus random walk, sebagai berikut: 1. kita akan bangkitkan series data sebanyak n dari proses non stasioner yaitu random walk (dari distribusi N(0,1)) berdasarkan persamaan(16). 2. Dari poin (1), kita lakukan pengujian KPSS 3. Pada poin(1) dan (2) ulangi sebanyak kali 4. Dari poin (3) berapa persentase H 0 diterima, artinya kita dapat melihat bahwa berapa persen keputusan salah dari uji KPSS (terima H 0 pada padahal kondisi populasi pada H 0 salah). 5. Persentase keputusan benar = 100% - persentase keputusan salah pada poin(4) Algoritma R untuk langkah penyelidikan power dari uji KPSS kasus random walk adalah: set.seed(123) rnorm(n) ##menghasilkan bilangan acak sebanyak n yang berasal dari N(0,1) cumsum(rnorm(n)) ##menghasilkan bilangan sebanyak n yang merupakan jumlah kumulatif dari rnorm(n) n=10 ## misal jumlah observasi n=10 rw1=replicate(100000, cumsum(rnorm(n))) ##merujuk pada poin (3) t.rw1=apply(rw1,2,function(x) uji.kpss(x,"notrend","l4"))##merujuk pada poin (4) #the percentages of wrong decisions in case of non stationary process (in this case, the decision is wrong if you accept the null hypothesis) (sum(t.rw1<a)/100000*100) ##Level alpha 1%; merujuk pada poin (4) (sum(t.rw1<b)/100000*100) ##Level alpha 2.5%; merujuk pada poin (4) (sum(t.rw1<c)/100000*100) ##Level alpha 5%; merujuk pada poin (4) (sum(t.rw1<d)/100000*100) ##Level alpha 10; merujuk pada poin (4)
14 uji.kpss(x,"notrend","l4")) maksudnya uji KPSS menggunakan notrend karena pada random walk tidak mengandung unsur trend deterministic dan menggunakan lag truncation l4 atau bisa juga menggunakan l12. A, B, C, dan D adalah nilai kritis pada uji KPSS (diperoleh dari simulasi distribusi sampling KPSS1) sesuai dengan jumlah observasi data yang diuji dan level signifikansi α yang digunakan. Algoritma di atas dimaksudkan untuk mengetahui persentase keputusan salah pada uji KPSS dengan berbagai jumlah observasi yang digunakan dalam pengujian. Data yang dibangkitkan berasal dari proses non stasioner yaitu Random Walk murni, artinya sebuah set data dibangkitkan dari proses tersebut kemudian diuji KPSS sehingga diperoleh persentase menerima hipotesis null bahwa data adalah stasioner pada tingkat level (persentase keputusan salah) dengan mereplikasi percobaan tersebut sebanyak kali. b. Random Walk with Drift Model untuk membangkitkan data dari proses random walk with drift yang juga merupakan proses non stasioner, adalah sebagai berikut: y t = b 0 + y t 1 + ε t (12) Dimana {ε t } mengikuti i.i.d N(0,1). E(ε t ) = 0, E(ε 2 t ) = σ 2, dan E(ε t ε s ) = 0, t s Jika kita lakukan iterative backward y t = y 0 + b 0 t + ε i t i=1 y t = b 0 + y t 1 + ε t = 2b 0 + y t 2 + ε t 1 + ε t = 3b 0 + y t 3 + ε t 2 + ε t 1 + ε t, b 0 0, t = 1,, n (13) Dalam simulasi untuk investigasi kekuatan uji KPSS, pada persamaan (13), y 0 = 0, b 0 = 0.5, dan b 0 = 5 Algoritma: 1. kita akan bangkitkan series data sebanyak n dari proses non stasioner yaitu random walk with drift berdasarkan persamaan (13) dengan y 0 = 0, a 0 = 0.5, dan a 0 = Dari poin (1), kita lakukan pengujian KPSS 3. Pada poin (1) dan (2) ulangi sebanyak kali 4. Dari poin (3) berapa persentase H 0 diterima, artinya kita dapat melihat bahwa berapa persen keputusan salah dari uji KPSS (terima H 0 pada padahal kondisi populasi pada H 0 salah). 5. Persentase keputusan benar = 100% - persentase keputusan salah pada poin(4)
15 Algoritma R untuk langkah penyelidikan power dari uji KPSS kasus random walk with drift set.seed(123) ##Random Walk With Drift n=10 ## misal jumlah observasi n=10 e=rnorm(n) trend=1 : n rwd1=replicate(100000, 5*trend+cumsum(e)) ##merujuk poin(3) s.rwd1=apply(rwd1,2,function(x) uji.kpss(x, "withtrend","l4")) ##merujuk poin (4) #the percentages of wrong decisions in case of nonstationary process (in this case, the decision is wrong if you accept the null hypothesis) (sum(s.rwd1<e)/100000*100) ##Level alpha 1%; merujuk pada poin (4) (sum(s.rwd1<f)/100000*100) ##Level alpha 2.5%; merujuk pada poin 4) (sum(s.rwd1<g)/100000*100) ##Level alpha 5%; merujuk pada poin (4) (sum(s.rwd1<h)/100000*100) ##Level alpha 10%; merujuk pada poin (4) uji.kpss(x,"withtrend","l4")) maksudnya uji KPSS menggunakan withtrend karena pada random walk with drift mengandung unsur trend deterministic dan menggunakan lag truncation l4 atau bisa juga menggunakan l12. E, F, G, dan H adalah nilai kritis pada uji KPSS (diperoleh dari simulasi distribusi sampling KPSS2) sesuai dengan jumlah observasi data yang diuji dan level signifikansi α yang digunakan. Algoritma di atas dimaksudkan untuk mengetahui persentase keputusan salah pada uji KPSS dengan berbagai jumlah observasi yang digunakan dalam pengujian. Data yang dibangkitkan berasal dari proses non stasioner yaitu Random Walk with Drift, artinya sebuah set data dibangkitkan dari proses tersebut kemudian diuji KPSS sehingga diperoleh persentase menerima hipotesis null bahwa data adalah stasioner pada tingkat level (persentase keputusan salah) dengan mereplikasi percobaan tersebut sebanyak kali. c. Autoregressive (1) (AR(1)) Model untuk membangkitkan data dari AR(1) yang juga merupakan proses stasioner, adalah sebagai berikut: y t = ρy t 1 + ω t, ρ < 1 (14) Dimana {ω t } mengikuti i.i.d i.i.d N(0,1). E(ω t ) = 0, E(ω 2 t ) = σ 2, dan E(ω t ω s ) = 0, t s Pada simulasi pengujian power, dalam persamaan (14) kita gunakan ρ = {0.1, 0.3, 0.5, 0.7, 0.9} Algoritma: 1. kita akan bangkitkan series data sebanyak n dari proses stasioner yaitu AR(1) berdasarkan persamaan (14), kita gunakan ρ = {0.1, 0.3, 0.5, 0.7, 0.9}
16 2. Dari poin (1), kita lakukan pengujian KPSS 3. Pada poin(1) dan (2) ulangi sebanyak kali 4. Dari poin (3) berapa persentase H 0 ditolak, artinya kita dapat melihat bahwa berapa persen keputusan salah dari uji KPSS (tolak H 0 pada padahal kondisi populasi pada H 0 benar). 5. Persentase keputusan benar = 100% - persentase keputusan salah pada poin(4) Algoritma R untuk langkah penyelidikan power dari uji KPSS kasus AR(1): set.seed(123) ar1=replicate(100000, arima.sim(n=10,list(ar=0.5),innov=rnorm(10)))## merujuk poin(3) s.ar1=apply(ar1,2,function(x) uji.kpss(x, "notrend","l4"))##merujuk pada poin(4) #the percentages of wrong decisions in case of stationary process (in this case, the decision is wrong if you reject the null hypothesis) (sum(s.ar1h)/100000*100) ##Level alpha 1%; merujuk pada poin(4) (sum(s.ar1i)/100000*100) ##Level alpha 2.5%; merujuk pada poin(4) (sum(s.ar1j)/100000*100) ##Level alpha 5%; merujuk pada poin(4) (sum(s.ar1k)/100000*100) ##Level alpha 10%; merujuk pada poin(4) ar1=replicate(100000, arima.sim(n=10,list(ar=0.5),innov=rnorm(10)));maksudnya membangki tkan data sebanyak 10 observasi dari proses AR(1) uji.kpss(x,"notrend","l4")) maksudnya uji KPSS menggunakan notrend karena pada AR(1) tidak mengandung unsur trend deterministic dan menggunakan lag truncation l4 atau bisa juga menggunakan l12. H,I, J, dan K adalah nilai kritis pada uji KPSS (diperoleh dari simulasi distribusi sampling KPSS1) sesuai dengan jumlah observasi data yang diuji dan level signifikansi α yang digunakan. Algoritma di atas dimaksudkan untuk mengetahui persentase keputusan salah pada uji KPSS dengan berbagai jumlah observasi yang digunakan dalam pengujian. Data yang dibangkitkan berasal dari proses stasioner yaitu AR(1), artinya sebuah set data dibangkitkan dari proses tersebut kemudian diuji KPSS sehingga diperoleh persentase menolak hipotesis null bahwa data adalah stasioner pada tingkat level (persentase keputusan salah) dengan mereplikasi percobaan tersebut sebanyak kali. d. Deterministic Trend with Noise Model untuk membangkitkan data dari proses deterministic trend with noise yang juga merupakan proses trend stasionary, adalah sebagai berikut: y t = c + ηt + φ t, η 0, t = 1,, n (15) Dimana {φ t } mengikuti i.i.d N(0,1). E(φ t ) = 0, E(φ 2 t ) = σ 2, dan E(φ t φ s ) = 0, t s Dalam simulasi untuk investigasi kekuatan uji KPSS, pada persamaan (15), = 0, η = { 0.5, 5 }
17 Algoritma: 1. kita akan bangkitkan series data sebanyak n dari proses trend stasionary yaitu deterministic trend with noise berdasarkan persamaan (15) c = 0, η = { 0.5, 5 } 2. Dari poin (1), kita lakukan pengujian KPSS 3. Pada poin(1) dan (2) ulangi sebanyak kali 4. Dari poin (3) berapa persentase H 0 ditolak, artinya kita dapat melihat bahwa berapa persen keputusan salah dari uji KPSS (tolak H 0 pada padahal kondisi populasi pada H 0 benar). 5. Persentase keputusan benar = 100% - persentase keputusan salah pada poin(4) Algoritma R untuk langkah penyelidikan power dari uji KPSS kasus deterministic trend with noise adalah: set.seed(123) ##Deterministic Trend With Noise n1=10 ## misal jumlah observasi n=10 e1=rnorm(n1) trend1=1 : n1 rwd1=replicate(100000, 0.5*trend1+(e1)) ## c = 0 dan η = 0.5 dan merujuk poin(3) s.rwd1=apply(rwd1,2,function(x) uji.kpss(x, "withtrend","l4")) ##merujuk pada poin(4) #the percentages of wrong decisions in case of stationary process (in this case, the decision is wrong if you reject the null hypothesis) (sum(s.rwd1m)/100000*100) ##Level alpha 1%; merujuk pada poin(4) (sum(s.rwd1n)/100000*100) ##Level alpha 2.5%; merujuk pada poin(4) (sum(s.rwd1o)/100000*100) ##Level alpha 5%; merujuk pada poin(4) (sum(s.rwd1p)/100000*100) ##Level alpha 10%; merujuk pada poin(4) uji.kpss(x,"withtrend","l4")) maksudnya uji KPSS menggunakan withtrend karena pada random walk with drift mengandung unsur trend deterministic dan menggunakan lag truncation l4 atau bisa juga menggunakan l12. M, N, O, dan P adalah nilai kritis pada uji KPSS (diperoleh dari simulasi distribusi sampling KPSS2) sesuai dengan jumlah observasi data yang diuji dan level signifikansi α yang digunakan. Algoritma di atas dimaksudkan untuk mengetahui persentase keputusan salah pada uji KPSS dengan berbagai jumlah observasi yang digunakan dalam pengujian. Data yang dibangkitkan berasal dari proses trend-stasioner yaitu deterministic trend with noise, artinya sebuah set data dibangkitkan dari proses tersebut kemudian diuji KPSS sehingga diperoleh persentase menolak hipotesis null bahwa data adalah stasioner pada tingkat level (persentase keputusan salah) dengan mereplikasi percobaan tersebut sebanyak kali. 4.1 Nilai Kritis Pada Uji KPSS BAB IV HASIL DAN PEMBAHASAN
18 Berdasarkan algoritma R untuk mensimulasi distribusi sampling KPSS sehingga diperoleh nilai kritis berdasarkan kuantil distribusi sampling tersebut, yaitu: Tabel 1. Nilai Kritis KPSS1 Pada Berbagai Jumlah Observasi dan Level Signifikansi KPSS1 d V 1 (b) db n Level Signifikansi 10% 7.50% 5% 2.50% 1% Tabel 2. Nilai Kritis KPSS2 Pada Berbagai Jumlah Observasi dan Level Signifikansi KPSS2 d V 2 (b) db
19 n Level Signifikansi 10% 7.50% 5% 2.50% 1% Kita perhatikan nilai kritis pada tabel 1 dan 2, untuk berbagai jumlah observasi dan level signifikansi (alpha), nampak kecenderungan nilai-nilai kritis tersebut konvergen pada suatu nilai tertentu walaupun jumlah observasi berbeda-beda. Sehingga atas dasar tersebut, nilai kritis KPSS1 dan KPSS2 bisa diwakilkan oleh suatu nilai tanpa memperhatikan jumlah observasi yang digunakan. Jika kita anggap bahwa tabel 1 dan 2 merupakan sebuah distribusi frekuensi dari nilai kritis, maka kita dapat memperoleh rata-rata dari nilai kritis tersebut dengan alasan bahwa kecenderungan
20 nilai-nilai kritis tersebut konvergen pada suatu nilai tertentu walaupun jumlah observasi berbeda-beda sehingga titik konvergen dapat diperkirakan dari rata-rata nilai kritis. Tabel 3. Nilai Kritis KPSS1 Untuk Berbagai Level Signifikansi KPSS1 d 1 V 1 (b) db 0 Level Signifikansi 10% 7.50% 5% 2.50% 1% Tabel 4. Nilai Kritis KPSS2 Untuk Berbagai Level Signifikansi KPSS2 d 1 V 2 (b) db 0 Level Signifikansi 10% 7.50% 5% 2.50% 1% Dalam penelitian ini digunakan tabel 1 dan 2 untuk melihat seberapa persen keputusan salah dari uji KPSS pada berbagai jumlah observasi. Sedangkan tabel 3 dan 4, umumnya digunakan beberapa buku ekonometrika sebagai nilai kritis KPSS. 4.2 Hasil Simulasi Kasus Random Walk Murni Setelah diperoleh nilai kritis KPSS1 dan KPSS2 pada berbagai level signifikansi (alpha) dan Jumlah Observasi, maka nilai kritis tersebut digunakan pada algoritma R untuk melihat persentase keputusan salah dari uji KPSS, sebagai berikut: Algoritma R set.seed(123) n=10 ## misal jumlah observasi n=10 rw1=replicate(100000, cumsum(rnorm(n))) t.rw1=apply(rw1,2,function(x) uji.kpss(x,"notrend","l4")) #the percentages of wrong decisions in case of non stationary process (in this case, the decision is wrong if you accept the null hypothesis) (sum(t.rw1< )/100000*100) ##Level alpha 1% (sum(t.rw1< )/100000*100) ##Level alpha 2.5% (sum(t.rw1< )/100000*100) ##Level alpha 5% (sum(t.rw1< )/100000*100) ##Level alpha , , , dan adalah nilai kritis pada uji KPSS pada tabel 1, (diperoleh dari simulasi distribusi sampling KPSS1) untuk jumlah observasi sebanyak 10 observasi. Berikut persentase keputusan salah pada uji KPSS pada berbagai jumlah observasi dan level signifikansi (lihat tabel 5 dan 6), yaitu:
21 Tabel 5. Persentase Keputusan Salah Dari Uji KPSS dengan l4 pada persamaan (8) kasus Random Walk Murni l4 n Level Signifikansi 10% 5% 2.50% 1% Berdasarkan tabel 5, persentase keputusan salah pada uji KPSS menurun seiring semakin besar jumlah observasi yang digunakan dalam pengujian (demikian juga, persentase keputusan benar meningkat seiring semakin besar jumlah observasi). Pada level alpha sebesar 10 persen ketika jumlah observasi yang digunakan dalam pengujian sebesar lebih dari atau sama dengan 120 titik data, maka persentase keputusan salah stabil dibawah 8 persen (persentase keputusan benar stabil diatas 90 persen) dengan menggunakan truncated lag l4. Pada level alpha sebesar 5 persen ketika jumlah observasi yang digunakan dalam pengujian sebesar lebih dari atau sama dengan 150 titik data, maka persentase keputusan salah stabil dibawah 9 persen dengan menggunakan truncated lag l4. Pada level alpha sebesar 2.5 persen ketika jumlah observasi yang digunakan
22 dalam pengujian sebesar lebih dari atau sama dengan 190 titik data, maka persentase keputusan salah stabil dibawah 10 persen dengan menggunakan truncated lag l4. Pada level alpha sebesar 1 persen ketika jumlah observasi yang digunakan dalam pengujian sebesar lebih dari atau sama dengan 300 titik data, maka persentase keputusan salah stabil dibawah 10 persen dengan menggunakan truncated lag l4 Tabel 6. Persentase Keputusan Salah Dari Uji KPSS dengan l12 pada persamaan (9) kasus Random Walk Murni l12 n Level Signifikansi 10% 5% 2.50% 1% Berdasarkan tabel 6, persentase keputusan salah pada uji KPSS menurun seiring semakin besar jumlah observasi yang digunakan dalam pengujian (demikian juga, persentase keputusan benar meningkat seiring semakin besar jumlah observasi). Pada level alpha sebesar 10 persen ketika jumlah observasi yang digunakan dalam pengujian sebesar lebih dari atau sama dengan 350 titik
23 data, maka persentase keputusan salah stabil dibawah 10 persen dengan menggunakan truncated lag l12. Pada level alpha sebesar 5 persen ketika jumlah observasi yang digunakan dalam pengujian sebesar lebih dari atau sama dengan 600 titik data, maka persentase keputusan salah stabil dibawah 10 persen dengan menggunakan truncated lag l12. Pada level alpha sebesar 2.5 persen ketika jumlah observasi yang digunakan dalam pengujian sebesar lebih dari atau sama dengan 750 titik data, maka persentase keputusan salah stabil dibawah 10 persen dengan menggunakan truncated lag l12. Pada level alpha sebesar 1 persen ketika jumlah observasi yang digunakan dalam pengujian sebesar lebih dari atau sama dengan 600 titik data, maka persentase keputusan salah stabil dibawah 20 persen dengan menggunakan truncated lag l12. Dari kasus random walk murni ternyata penentuan truncated lag mempengaruhi persentase keputusan salah pada pengujian KPSS, jika uji KPSS menggunakan truncated lag l4 lebih meminimalisir persentase keputusan salah dibandingkan dengan menggunakan truncated lag l Kasus Random Walk With Drift Setelah diperoleh nilai kritis KPSS1 dan KPSS2 pada berbagai level signifikansi (alpha) dan Jumlah Observasi, maka nilai kritis tersebut digunakan pada algoritma R untuk melihat persentase keputusan salah dari uji KPSS, sebagai berikut: Algoritma R set.seed(123) ##Random Walk With Drift n=10 ## misal jumlah observasi n=10 e=rnorm(n) trend=1 : n rwd1=replicate(100000, 5*trend+cumsum(e)) s.rwd1=apply(rwd1,2,function(x) uji.kpss(x, "withtrend","l4")) #the percentages of wrong decisions in case of nonstationary process (in this case, the decision is wrong if you accept the null hypothesis) (sum(s.rwd1< )/100000*100) ##Level alpha 1% (sum(s.rwd1< )/100000*100) ##Level alpha 2.5% (sum(s.rwd1< )/100000*100) ##Level alpha 5% (sum(s.rwd1< )/100000*100) ##Level alpha 10% Algoritma di atas dimaksudkan untuk mengetahui persentase keputusan salah pada uji KPSS dengan berbagai jumlah observasi yang digunakan dalam pengujian. Data yang dibangkitkan berasal dari proses non stasioner yaitu random walk with drift, artinya sebuah set data dibangkitkan dari proses tersebut kemudian diuji KPSS sehingga diperoleh persentase menerima hipotesis null bahwa data adalah stasioner pada tingkat level (persentase keputusan salah) , , , dan adalah nilai kritis pada uji KPSS pada tabel 2, (diperoleh dari simulasi distribusi sampling KPSS2) untuk jumlah observasi sebanyak 10 observasi.
24 Tabel 7. Persentase Keputusan Salah Dari Uji KPSS dengan l4 pada persamaan (8) Kasus Random Walk With Drift level alpha 1% level alpha 2.5% level alpha 5% level alpha 10% n dengan l4 dengan l4 dengan l4 dengan l4 a 0 : a 0 : a 0 : a 0 : Berdasarkan tabel 7, di atas dapat memberikan penjelasan bahwa: Berapapun nilai koefisien pada trend asalkan tidak nol, memberikan persentase keputusan salah pada uji KPSS yang sama. Persentase keputusan salah pada uji KPSS menurun seiring semakin besar jumlah observasi yang digunakan dalam pengujian (demikian juga, persentase keputusan benar meningkat seiring semakin besar jumlah observasi). Pada level alpha sebesar 1 persen, persentase keputusan salah stabil nol persen pada jumlah observasi lebih dari atau sama dengan 250 titik data.
25 Pada level alpha sebesar 2.5 persen, persentase keputusan salah stabil nol persen pada jumlah observasi lebih dari atau sama dengan 80 titik data dengan menggunakan truncated lag l4. Pada level alpha sebesar 5 persen, persentase keputusan salah stabil nol persen pada jumlah observasi lebih dari atau sama dengan 80 titik data dengan menggunakan truncated lag l4. Pada level alpha sebesar 10 persen, persentase keputusan salah stabil nol persen pada jumlah observasi lebih dari atau sama dengan 50 titik data dengan menggunakan truncated lag l4. Tabel 8. Persentase Keputusan Salah Dari Uji KPSS dengan l12 pada persamaan (9) Kasus Random Walk With Drift level alpha 1% level alpha 2.5% level alpha 5% level alpha 10% n dengan l12 dengan l12 dengan l12 dengan l12 a 0 : a 0 : a 0 : a 0 :
26 Berdasarkan tabel 8, di atas dapat memberikan penjelasan bahwa: Berapapun nilai koefisien trend asalkan tidak nol, memberikan persentase keputusan salah pada uji KPSS yang sama. Persentase keputusan salah pada uji KPSS menurun seiring semakin besar jumlah observasi yang digunakan dalam pengujian (demikian juga, persentase keputusan benar meningkat seiring semakin besar jumlah observasi). Pada level alpha sebesar 1 persen, persentase keputusan salah stabil nol persen pada jumlah observasi lebih dari atau sama dengan 350 titik data dengan menggunakan truncated lag l12, kecuali pada a 0 = 5 dan jumlah observasi adalah 750 terlihat persentase keputusan salah mencapai 100 persen (karena penetapan set.seed123 dan proses iterasi) Pada level alpha sebesar 2.5 persen, persentase keputusan salah stabil nol persen pada jumlah observasi lebih dari atau sama dengan 350 titik data dengan menggunakan truncated lag l12. Pada level alpha sebesar 5 persen, persentase keputusan salah stabil nol persen pada jumlah observasi lebih dari atau sama dengan 350 titik data dengan menggunakan truncated lag l12. Pada level alpha sebesar 10 persen, persentase keputusan salah stabil nol persen pada jumlah observasi lebih dari atau sama dengan 250 titik data dengan menggunakan truncated lag l12. Dari kasus Random Walk with Drift, ternyata penentuan truncated lag mempengaruhi persentase keputusan salah pada pengujian KPSS, jika uji KPSS menggunakan truncated lag l4 lebih meminimalisir persentase keputusan dibandingkan dengan menggunakan truncated lag l Kasus AR(1) Setelah diperoleh nilai kritis KPSS1 dan KPSS2 pada berbagai level signifikansi (alpha) dan Jumlah Observasi, maka nilai kritis tersebut digunakan pada algoritma R untuk melihat persentase keputusan salah dari uji KPSS, sebagai berikut: Algoritma R set.seed(123) ar1=replicate(100000, arima.sim(n=10,list(ar=0.5),innov=rnorm(10))) s.ar1=apply(ar1,2,function(x) uji.kpss(x, "notrend","l4")) #the percentages of wrong decisions in case of stationary process (in this case, the decision is wrong if you reject the null hypothesis) (sum(s.ar )/100000*100) ##Level alpha 1% (sum(s.ar )/100000*100) ##Level alpha 2.5% (sum(s.ar )/100000*100) ##Level alpha 5% (sum(s.ar )/100000*100) ##Level alpha 10%
27 , , , dan adalah nilai kritis pada uji KPSS pada tabel 1, (diperoleh dari simulasi distribusi sampling KPSS1) untuk jumlah observasi sebanyak 10 observasi. Berikut tabel persentase keputusan salah pada uji KPSS dari hasil simulasi, yaitu: Tabel 9. Persentase Keputusan Salah Dari Uji KPSS dengan l4 pada persamaan (8) Kasus AR(1) dengan berbagai nilai koefisien otoregresif level alpha 1% level alpha 2.5% n dengan l4 dengan l4 ρ: ρ: Lanjutan Tabel 9.
28 level alpha 5% level alpha 10% n dengan l4 dengan l4 ρ: ρ: Berdasarkan tabel 9 di atas, memberikan penjelasan bahwa: Persentase keputusan salah pada uji KPSS menurun seiring semakin besar jumlah observasi yang digunakan dalam pengujian (demikian juga, persentase keputusan benar meningkat seiring semakin besar jumlah observasi). Nilai koefisien autoregresif yang semakin mendekati nilai 1 (atau minus 1) dan meningkatnya level signifikansi (alpha) membuat persentase keputusan salah meningkat pada berbagai jumlah observasi dengan menggunakan truncated lag l4. Pada koefisien autoregressive sama dengan 0.1 pada AR(1), range persentase keputusan salah persen pada berbagai level signifikansi dengan mengabaikan jumlah observasi.
LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR
TNR 1 space 1.15 LABORATORIUM STATISTIK DAN OPTIMASI INDUSTRI FAKULTAS TEKNIK PROGRAM STUDI TEKNIK INDUSTRI UNIVERSITAS PEMBANGUNAN NASIONAL VETERAN JAWA TIMUR LAPORAN RESMI MODUL III TNR 1 Space.0 STATISTIK
Διαβάστε περισσότεραKonvergen dalam Peluang dan Distribusi
limiting distribution Andi Kresna Jaya andikresna@yahoo.com Jurusan Matematika July 5, 2014 Outline 1 Review 2 Motivasi 3 Konvergen dalam peluang 4 Konvergen dalam distribusi Back Outline 1 Review 2 Motivasi
Διαβάστε περισσότεραartinya vektor nilai rata-rata dari kelompok ternak pertama sama dengan kelompok ternak kedua artinya kedua vektor nilai-rata berbeda
LAMPIRAN 48 Lampiran 1. Perhitungan Manual Statistik T 2 -Hotelling pada Garut Jantan dan Ekor Tipis Jantan Hipotesis: H 0 : U 1 = U 2 H 1 : U 1 U 2 Rumus T 2 -Hotelling: artinya vektor nilai rata-rata
Διαβάστε περισσότεραTEORI PELUANG* TKS 6112 Keandalan Struktur. Pendahuluan
TKS 6112 Keandalan Struktur TEORI PELUANG* * www.zacoeb.lecture.ub.ac.id Pendahuluan Sebuah bangunan dirancang melalui serangkaian perhitungan yang cermat terhadap beban-beban rencana dan bangunan tersebut
Διαβάστε περισσότεραSebaran Peluang Gabungan
Sebaran Peluang Gabungan Peubah acak dan sebaran peluangnya terbatas pada ruang sampel berdimensi satu. Dengan kata lain, hasil percobaan berasal dari peubah acak yan tunggal. Tetapi, pada banyak keadaan,
Διαβάστε περισσότεραKalkulus Multivariabel I
Limit dan Statistika FMIPA Universitas Islam Indonesia Operasi Aljabar pada Pembahasan pada limit untuk fungsi dua peubah adalah memberikan pengertian mengenai lim f (x, y) = L (x,y) (a,b) Masalahnya adalah
Διαβάστε περισσότεραPengantar Proses Stokastik
Bab 6: Rantai Markov Waktu Kontinu Statistika FMIPA Universitas Islam Indonesia Rantai Markov Waktu Kontinu Peluang Kesetimbangan Pada bab ini, kita akan belajar mengenai rantai markov waktu kontinu yang
Διαβάστε περισσότεραPERSAMAAN KUADRAT. 06. EBT-SMP Hasil dari
PERSAMAAN KUADRAT 0. EBT-SMP-00-8 Pada pola bilangan segi tiga Pascal, jumlah bilangan pada garis ke- a. 8 b. 6 c. d. 6 0. EBT-SMP-0-6 (a + b) = a + pa b + qa b + ra b + sab + b Nilai p q = 0 6 70 0. MA-77-
Διαβάστε περισσότεραKONSEP ASAS & PENGUJIAN HIPOTESIS
KONSEP ASAS & PENGUJIAN HIPOTESIS HIPOTESIS Hipotesis = Tekaan atau jangkaan terhadap penyelesaian atau jawapan kepada masalah kajian Contoh: Mengapakah suhu bilik kuliah panas? Tekaan atau Hipotesis???
Διαβάστε περισσότεραPengantar Proses Stokastik
Bab 6: Rantai Markov Waktu Kontinu Statistika FMIPA Universitas Islam Indonesia Rantai Markov Waktu Kontinu Peluang Kesetimbangan Pada bab ini, kita akan belajar mengenai rantai markov waktu kontinu yang
Διαβάστε περισσότεραANALISIS KORELASI DEBIT BANJIR RENCANA UNTUK BERBAGAI KONDISI KETERSEDIAAN DATA DI DAERAH KHUSUS IBUKOTA JAKARTA ABSTRAK
ANALISIS KORELASI DEBIT BANJIR RENCANA UNTUK BERBAGAI KONDISI KETERSEDIAAN DATA DI DAERAH KHUSUS IBUKOTA JAKARTA Agung M Alamsyah NRP : 9521037 NIRM : 41077011950298 Pembimbing : Dr. Ir. Agung Bagiawan
Διαβάστε περισσότεραSebaran Kontinu HAZMIRA YOZZA IZZATI RAHMI HG JURUSAN MATEMATIKA FMIPA UNAND LOGO
Sebaran Kontinu HAZMIRA YOZZA IZZATI RAHMI HG JURUSAN MATEMATIKA FMIPA UNAND Kompetensi menguraikan ciri-ciri suatu kurva normal menentukan luas daerah dibawah kurva normal menerapkan sebaran normal dalam
Διαβάστε περισσότεραPersamaan Diferensial Parsial
Persamaan Diferensial Parsial Turunan Parsial f (, ) Jika berubah ubah sedangkan tetap, adalah fungsi dari dan turunanna terhadap adalah f (, ) f (, ) f (, ) lim 0 disebut turunan parsialpertama dari f
Διαβάστε περισσότεραKalkulus Multivariabel I
Fungsi Dua Peubah atau Lebih dan Statistika FMIPA Universitas Islam Indonesia 2015 dengan Dua Peubah Real dengan Dua Peubah Real Pada fungsi satu peubah f : D R R D adalah daerah asal (domain) suatu fungsi
Διαβάστε περισσότεραKalkulus 1. Sistem Bilangan Real. Atina Ahdika, S.Si, M.Si. Statistika FMIPA Universitas Islam Indonesia
Kalkulus 1 Sistem Bilangan Real Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Sistem Bilangan Real Himpunan: sekumpulan obyek/unsur dengan kriteria/syarat tertentu. 1 Himpunan mahasiswa
Διαβάστε περισσότεραPumping Lemma. Semester Ganjil 2013 Jum at, Dosen pengasuh: Kurnia Saputra ST, M.Sc
Semester Ganjil 2013 Jum at, 08.11.2013 Dosen pengasuh: Kurnia Saputra ST, M.Sc Email: kurnia.saputra@gmail.com Jurusan Informatika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Syiah Kuala
Διαβάστε περισσότεραSistem Koordinat dan Fungsi. Matematika Dasar. untuk Fakultas Pertanian. Uha Isnaini. Uhaisnaini.com. Matematika Dasar
untuk Fakultas Pertanian Uhaisnaini.com Contents 1 Sistem Koordinat dan Fungsi Sistem Koordinat dan Fungsi Sistem koordinat adalah suatu cara/metode untuk menentukan letak suatu titik. Ada beberapa macam
Διαβάστε περισσότεραA. Distribusi Gabungan
HANDOUT PERKULIAHAN Mata Kuliah Pokok Bahasan : Statistika Matematika : Distibusi Dua peubah Acak URAIAN POKOK PERKULIAHAN A. Distribusi Gabungan Definisi 1: Peubah Acak Berdimensi Dua Jika S merupakan
Διαβάστε περισσότεραDAFTAR ISI HALAMAN JUDUL
DAFTAR ISI HALAMAN JUDUL i HALAMAN PENGESAHAN ii HALAMAN PERNYATAAN iii NASKAH SOAL TUGAS AKHIR iv HALAMAN PERSEMBAHAN v KATA PENGANTAR vi UCAPAN TERIMA KASIH vii INTISARI ix ABSTRACT x DAFTAR ISI xi DAFTAR
Διαβάστε περισσότεραMatematika
Sistem Bilangan Real D3 Analis Kimia FMIPA Universitas Islam Indonesia Sistem Bilangan Real Himpunan: sekumpulan obyek/unsur dengan kriteria/syarat tertentu. 1 Himpunan mahasiswa D3 Analis Kimia angkatan
Διαβάστε περισσότεραModel Mangsa Pemangsa dengan Pengaruh Musim
Model Mangsa Pemangsa dengan Pengaruh Musim Yudi Arpa #1, Muhammad Subhan #, Riry Sriningsih # #Jurusan Matematika, Universitas Negeri Padang Jl. Prof. Dr. Hamka Air Tawar Padang, 25131, Telp. (0751) 444648,
Διαβάστε περισσότεραPENGEMBANGAN INSTRUMEN
PENGEMBANGAN INSTRUMEN OLEH : IRFAN (A1CI 08 007) PEND. MATEMATIKA FAKULTAS KEGURUAN DAN ILMU PENDIDIKAN UNIVERSITAS HALUOLEO KENDARI 2012 A. Definisi Konseptual Keterampilan sosial merupakan kemampuan
Διαβάστε περισσότεραTINJAUAN PUSTAKA. Sekumpulan bilangan (rasional dan tak-rasional) yang dapat mengukur. bilangan riil (Purcell dan Varberg, 1987).
II. TINJAUAN PUSTAKA 2.1 Sistem Bilangan Riil Definisi Bilangan Riil Sekumpulan bilangan (rasional dan tak-rasional) yang dapat mengukur panjang, bersama-sama dengan negatifnya dan nol dinamakan bilangan
Διαβάστε περισσότεραTransformasi Koordinat 2 Dimensi
Transformasi Koordinat 2 Dimensi RG141227 - Sistem Koordinat dan Transformasi Semester Gasal 2016/2017 Ira M Anjasmara PhD Jurusan Teknik Geomatika Sistem Koordinat 2 Dimensi Digunakan untuk mempresentasikan
Διαβάστε περισσότεραS T A T I S T I K A OLEH : WIJAYA
S T A T I S T I K A OLEH : WIJAYA email : zeamays_hibrida@yahoo.com FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2009 II. SEBARAN PELUANG Ruang Contoh (S) adalah Himpunan semua kemungkinan
Διαβάστε περισσότεραTH3813 Realiti Maya. Transformasi kompaun. Transformasi kompaun. Transformasi kompaun. Transformasi kompaun
TH383 Realiti Maa Transformasi 3D menggunakan multiplikasi matriks untuk hasilkan kompaun transformasi menggunakan kompaun transformasi - hasilkan sebarang transformasi dan ungkapkan sebagai satu transformasi
Διαβάστε περισσότεραKalkulus 1. Sistem Koordinat. Atina Ahdika, S.Si, M.Si. Statistika FMIPA Universitas Islam Indonesia. Sistem Koordinat
Kalkulus 1 Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Sistem koordinat adalah suatu cara/metode untuk menentukan letak suatu titik. Ada beberapa macam sistem koordinat, yaitu:
Διαβάστε περισσότεραDAFTAR ISI. BAB I PENDAHULUAN Latar Belakang Rumusan Masalah Tujuan Batasan Masalah dan Ruang Lingkup...
DAFTAR ISI Halaman HALAMAN JUDUL... i LEMBAR PENGESAHAN... ii KATA PENGANTAR... iii ABSTRAK... v DAFTAR ISI... vi DAFTAR NOTASI... ix DAFTAR TABEL... x DAFTAR GAMBAR... xii DAFTAR LAMPIRAN... xiv BAB I
Διαβάστε περισσότεραPengantar Proses Stokastik
Bab 3: Diskrit Statistika FMIPA Universitas Islam Indonesia Ilustrasi 1 Perilaku bunuh diri kini kian menjadi-jadi. Hesti (nama sebenarnya) adalah sebuah contoh. Dia pernah melakukan percobaan bunuh diri,
Διαβάστε περισσότεραS T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2010 SEBARAN PELUANG II. SEBARAN PELUANG Ruang Contoh (S) adalah Himpunan semua kemungkinan hasil suatu percobaan.
Διαβάστε περισσότεραPERENCANAAN JALAN ALTERNATIF & PERKERASAN LENTUR TANJUNG SERDANG KOTABARU,KALIMANTAN SELATAN KM KM 7+000
PERENCANAAN JALAN ALTERNATIF & PERKERASAN LENTUR TANJUNG SERDANG KOTABARU,KALIMANTAN SELATAN KM 4+000 KM 7+000 LATAR BELAKANG TUJUAN DAN BATASAN MASALAH METODOLOGI PERENCANAAN HASIL Semakin meningkatnya
Διαβάστε περισσότεραBilangan Euler(e) Rukmono Budi Utomo Pengampu: Prof. Taufiq Hidayat. March 5, 2016
Bilangan Euler(e) Rukmono Budi Utomo 30115301 Pengampu: Prof. Taufiq Hidayat March 5, 2016 Asal Usul Bilangan Euler e 1 1. Bilangan Euler 2 3 4 Asal Usul Bilangan Euler e Bilangan Euler atau e = 2, 7182818284...
Διαβάστε περισσότεραDAFTAR ISI. Halaman. HALAMAN JUDUL... i LEMBAR PENGESAHAN... LEMBAR PERSETUJUAN... iii. KATA PENGANTAR... iv. ABSTRAK... vi. DAFTAR ISI...
DAFTAR ISI Halaman HALAMAN JUDUL... i LEMBAR PENGESAHAN...... ii LEMBAR PERSETUJUAN...... iii KATA PENGANTAR... iv ABSTRAK... vi DAFTAR ISI... vii DAFTAR TABEL... x DAFTAR GAMBAR... xi DAFTAR LAMPIRAN...
Διαβάστε περισσότεραHendra Gunawan. 16 April 2014
MA101 MATEMATIKA A Hendra Gunawan Semester II, 013/014 16 April 014 Kuliah yang Lalu 13.11 Integral Lipat Dua atas Persegi Panjang 13. Integral Berulang 13.3 33Integral Lipat Dua atas Daerah Bukan Persegi
Διαβάστε περισσότεραS T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON
S T A T I S T I K A OLEH : WIJAYA FAKULTAS PERTANIAN UNIVERSITAS SWADAYA GUNUNG JATI CIREBON 2011 SEBARAN PELUANG II. SEBARAN PELUANG Ruang Contoh (S) adalah Himpunan semua kemungkinan hasil suatu percobaan.
Διαβάστε περισσότεραDAFTAR ISI JUDUL HALAMAN PENGESAHAN PERNYATAAN BEBAS PLAGIASI DEDIKASI KATA PENGANTAR
DAFTAR ISI JUDUL i HALAMAN PENGESAHAN ii PERNYATAAN BEBAS PLAGIASI iii DEDIKASI iv KATA PENGANTAR v DAFTAR ISI vii DAFTAR GAMBAR x DAFTAR TABEL xiii DAFTAR LAMPIRAN xiv DAFTAR NOTASI DAN SINGKATAN xvii
Διαβάστε περισσότεραSEE 3533 PRINSIP PERHUBUNGAN Bab III Pemodulatan Sudut. Universiti Teknologi Malaysia
SEE 3533 PRINSIP PERHUBUNGAN Bab III Universiti Teknologi Malaysia 1 Pengenalan Selain daripada teknik pemodulatan amplitud, terdapat juga teknik lain yang menggunakan isyarat memodulat untuk mengubah
Διαβάστε περισσότερα2 m. Air. 5 m. Rajah S1
FAKULI KEJURUERAAN AL 1. Jika pintu A adalah segi empat tepat dan berukuran 2 m lebar (normal terhadap kertas), tentukan nilai daya hidrostatik yang bertindak pada pusat tekanan jika pintu ini tenggelam
Διαβάστε περισσότεραSTRUKTUR BAJA 2 TKS 1514 / 3 SKS PROGRAM STUDI TEKNIK SIPIL UNIVERSITAS JEMBER
STRUKTUR BAJA 2 TKS 1514 / 3 SKS PROGRAM STUDI TEKNIK SIPIL UNIVERSITAS JEMBER Winda Tri Wahyuningtyas Gati Annisa Hayu Plate Girder Plate girder adalah balok besar yang dibuat dari susunan yang disatukan
Διαβάστε περισσότεραB. Landasan Teori...25 C. Hipotesis BAB III. METODE PENELITIAN.. 26 A. Bahan dan Alat 26 B. Alur Penelitian.26 C. Analisis Hasil.. 29 BAB IV.
DAFTAR ISI HALAMAN JUDUL... i HALAMAN PENGESAHAN PEMBIMBING..ii HALAMAN PENGESAHAN PENGUJI.. iii HALAMAN PERNYATAAN...iv HALAMAN PERSEMBAHAN..v MOTTO.. vi KATA PENGANTAR...vii DAFTAR ISI...ix DAFTAR GAMBAR..xi
Διαβάστε περισσότεραBAB 3 PERENCANAAN TANGGA
BAB 3 PERENCANAAN TANGGA 3.1. Uraian Umum Semakin sedikit tersedianya luas lahan yang digunakan untuk membangun suatu bangunan menjadikan perencana lebih inovatif dalam perencanaan, maka pembangunan tidak
Διαβάστε περισσότεραDAFTAR ISI. Halaman Judul Pengesahan Persetujuan Persembahan Abstrak Abstact Kata Pengantar
DAFTAR ISI Halaman Judul i Pengesahan ii Persetujuan iii Persembahan iv Abstrak v Abstact vi Kata Pengantar vii Daftar Isi viii Daftar Tabel xi Daftar Gambar xii Daftar Lampiran xiii Notasi dan Singkatan
Διαβάστε περισσότεραBab 1 Mekanik Struktur
Bab 1 Mekanik Struktur P E N S Y A R A H : D R. Y E E M E I H E O N G M O H D. N O R H A F I D Z B I N M O H D. J I M A S ( D B 1 4 0 0 1 1 ) R E X Y N I R O AK P E T E R ( D B 1 4 0 2 5 9 ) J O H A N
Διαβάστε περισσότεραMA4181 PENGANTAR PROSES STOKASTIK Bab 2 Peluang dan Eks
MA4181 PENGANTAR PROSES STOKASTIK Bab 2 Peluang dan SMART AND STOCHASTIC MA4181 PENGANTAR PROSES STOKASTIK Bab 2 Peluang dan SMART AND STOCHASTIC Ilustrasi Fungsi Peluang Bersama Peluang Bersama - Diskrit
Διαβάστε περισσότεραBAB 4 PERENCANAAN TANGGA
BAB 4 PERENCANAAN TANGGA 4. Uraian Umum Tangga merupakan bagian dari struktur bangunan bertingkat yang penting sebagai penunjang antara struktur bangunan lantai dasar dengan struktur bangunan tingkat atasnya.
Διαβάστε περισσότεραDAFTAR ISI. ABSTRAK... i KATA PENGANTAR... iii UCAPAN TERIMAKASIH... iv DAFTAR ISI... v DAFTAR TABEL... vii DAFTAR GAMBAR... ix
DAFTAR ISI ABSTRAK... i KATA PENGANTAR... iii UCAPAN TERIMAKASIH... iv DAFTAR ISI... v DAFTAR TABEL... vii DAFTAR GAMBAR... ix BAB I PENDAHULUAN... 1 1.1. Latar Belakang... 1 1.2. Lingkup Kajian... 3 1.3.
Διαβάστε περισσότεραUkur Kejuruteraan DDPQ 1162 Ukur Tekimetri. Sakdiah Basiron
Ukur Kejuruteraan DDPQ 1162 Ukur Tekimetri Sakdiah Basiron TEKIMETRI PENGENALAN TAKIMETRI ADALAH SATU KAEDAH PENGUKURAN JARAK SECARA TIDAK LANGSUNG BAGI MENGHASILKAN JARAK UFUK DAN JARAK TEGAK KEGUNAAN
Διαβάστε περισσότεραCiri-ciri Taburan Normal
1 Taburan Normal Ciri-ciri Taburan Normal Ia adalah taburan selanjar Ia adalah taburan simetri Ia adalah asimtot kepada paksi Ia adalah uni-modal Ia adalah keluarga kepada keluk Keluasan di bawah keluk
Διαβάστε περισσότεραPengantar Proses Stokastik
Bab 3: Diskrit Statistika FMIPA Universitas Islam Indonesia Ilustrasi 1 Matriks Peluang Transisi Matriks Stokastik Chapman-Komogorov Equations Peluang Transisi Tak Bersyarat Perilaku bunuh diri kini kian
Διαβάστε περισσότεραPeta Konsep. 5.1 Sudut Positif dan Sudut Negatif Fungsi Trigonometri Bagi Sebarang Sudut FUNGSI TRIGONOMETRI
Bab 5 FUNGSI TRIGONOMETRI Peta Konsep 5.1 Sudut Positif dan Sudut Negatif 5. 6 Fungsi Trigonometri Bagi Sebarang Sudut FUNGSI TRIGONOMETRI 5. Graf Fungsi Sinus, Kosinus dan Tangen 5.4 Identiti Asas 5.5
Διαβάστε περισσότεραDETERMINATION OF CFRP PLATE SHEAR MODULUS BY ARCAN TEST METHOD SHUKUR HJ. ABU HASSAN
DETERMINATION OF CFRP PLATE SHEAR MODULUS BY ARCAN TEST METHOD SHUKUR HJ. ABU HASSAN OBJEKTIF KAJIAN Mendapatkan dan membandingkan nilai tegasan ricih, τ, dan modulus ricih, G, bagi plat CFRP yang berorientasi
Διαβάστε περισσότεραKalkulus Elementer. Nanda Arista Rizki, M.Si. Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Mulawarman 2018
Kalkulus Elementer Nanda Arista Rizki, M.Si. Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Mulawarman 2018 Nanda Arista Rizki, M.Si. Kalkulus Elementer 1/83 Referensi: 1 Dale Varberg, Edwin
Διαβάστε περισσότεραKALKULUS LANJUT. Integral Lipat. Resmawan. 7 November Universitas Negeri Gorontalo. Resmawan (Math UNG) Integral Lipat 7 November / 57
KALKULUS LANJUT Integral Lipat Resmawan Universitas Negeri Gorontalo 7 November 218 Resmawan (Math UNG) Integral Lipat 7 November 218 1 / 57 13.3. Integral Lipat Dua pada Daerah Bukan Persegipanjang 3.5
Διαβάστε περισσότεραKANDUNGAN BAB PERKARA HALAMAN PENGESAHAN STATUS TESIS PENGESAHAN PENYELIA HALAMAN JUDUL PENGAKUAN PENGHARGAAN ABSTRAK ABSTRACT
vii KANDUNGAN BAB PERKARA HALAMAN PENGESAHAN STATUS TESIS PENGESAHAN PENYELIA HALAMAN JUDUL i PENGAKUAN ii DEDIKASI iii PENGHARGAAN iv ABSTRAK v ABSTRACT vi KANDUNGAN vii SENARAI JADUAL xiv SENARAI RAJAH
Διαβάστε περισσότεραPerubahan dalam kuantiti diminta bagi barang itu bergerak disepanjang keluk permintaan itu.
BAB 3 : ISI RUMAH SEBAGAI PENGGUNA SPM2004/A/S3 (a) Rajah tersebut menunjukkan keluk permintaan yang mencerun ke bawah dari kiri ke kanan. Ia menunjukkan hubungan negatif antara harga dengan kuantiti diminta.
Διαβάστε περισσότεραBAB 4 PERENCANAAN TANGGA
BAB 4 PERENCANAAN TANGGA 4.1. Uraian Umum Tangga merupakan bagian dari struktur bangunan bertingkat yang penting sebagai penunjang antara struktur bangunan lantai dasar dengan struktur bangunan tingkat
Διαβάστε περισσότεραNama Mahasiswa: Retno Palupi Dosen Pembimbing: Prof. Dr. Ir. I Gusti Putu Raka, DEA Ir. Heppy Kristijanto, MS
Nama Mahasiswa: Retno Palupi 3110100130 Dosen Pembimbing: Prof. Dr. Ir. I Gusti Putu Raka, DEA Ir. Heppy Kristijanto, MS Pendahuluan Metodologi Preliminary Desain Perencanaan Struktur Sekunder Perencanaan
Διαβάστε περισσότεραLAPORAN KAJIAN: JUMLAH PENGAMBILAN AIR DALAM KEHIDUPAN SEHARIAN MENGIKUT JANTINA KOD KURSUS: STQS 1124 NAMA KURSUS: STATISTIK II
LAPORAN KAJIAN: JUMLAH PENGAMBILAN AIR DALAM KEHIDUPAN SEHARIAN MENGIKUT JANTINA KOD KURSUS: STQS 114 NAMA KURSUS: STATISTIK II DISEDIAKAN OLEH: (KUMPULAN 3D) 1. SORAYYA ALJAHSYI BINTI SALLEH A154391.
Διαβάστε περισσότεραEEU104 - Teknologi Elektrik - Tutorial 11; Sessi 2000/2001 Litar magnet
UNIVERSITI SAINS MALAYSIA PUSAT PENGAJIAN KEJURUTERAAN ELEKTRIK DAN ELEKTRONIK EEU104 - Teknologi Elektrik - Tutorial 11; Sessi 2000/2001 Litar magnet 1. Satu litar magnet mempunyai keengganan S = 4 x
Διαβάστε περισσότεραTabel 1 Kombinasi perlakuan kompos, unsur kelumit, dan waktu penyemprotan
Rumus kandungan gula : Bks + K - Bk ------------------ x % Bs Keterangan : Bks = kertas saring. K = Kristal. Bk = kosong. Bs = sampel. Tabel Kombinasi perlakuan kompos, unsur kelumit, dan waktu penyemprotan
Διαβάστε περισσότεραTransformasi Koordinat 3 Dimensi
Transformasi Koordinat 3 Dimensi RG141227 - Sistem Koordinat dan Transformasi Semester Gasal 2016/2017 Ira M Anjasmara PhD Jurusan Teknik Geomatika Sistem Koordinat Tiga Dimensi (3D) Digunakan untuk mendeskripsikan
Διαβάστε περισσότεραLampiran 1. Perhitungan Dasar Penentuan Kandungan Pupuk Organik Granul
LAMPIRAN Lampiran 1. Perhitungan Dasar Penentuan Kandungan Pupuk Organik Granul Asumsi: a. Pengaplikasian POG pada budidaya tebu lahan kering dengan sistem tanam Double Row b. Luas lahan = 1 ha = 10000
Διαβάστε περισσότεραANALISIS LITAR ELEKTRIK OBJEKTIF AM
ANALSS LTA ELEKTK ANALSS LTA ELEKTK OBJEKTF AM Unit Memahami konsep-konsep asas Litar Sesiri, Litar Selari, Litar Gabungan dan Hukum Kirchoff. OBJEKTF KHUSUS Di akhir unit ini anda dapat : Menerangkan
Διαβάστε περισσότεραKuliah 4 Rekabentuk untuk kekuatan statik
4-1 Kuliah 4 Rekabentuk untuk kekuatan statik 4.1 KEKUATAN STATIK Beban statik merupakan beban pegun atau momen pegun yang bertindak ke atas sesuatu objek. Sesuatu beban itu dikatakan beban statik sekiranya
Διαβάστε περισσότεραJika X ialah satu pembolehubah rawak diskret yang mewakili bilangan hari hujan dalam seminggu, senaraikan semua nilai yang mungkin bagi X.
BAB 8 : TABURAN KEBARANGKALIAN Sesi 1 Taburan Binomial A. Pembolehubah rawak diskret Contoh Jika X ialah satu pembolehubah rawak diskret yang mewakili bilangan hari hujan dalam seminggu, senaraikan semua
Διαβάστε περισσότεραKANDUNGAN BAB PERKARA MUKA SURAT JUDUL PENGAKUAN PENGHARGAAN ABSTRAK ABSTRACT
vii ISI KANDUNGAN BAB PERKARA MUKA SURAT JUDUL PENGAKUAN DEDIKASI PENGHARGAAN ABSTRAK ABSTRACT KANDUNGAN SENARAI JADUAL SENARAI RAJAH SENARAI SINGKATAN SENARAI SIMBOL SENARAI LAMPIRAN i ii iii iv v vi
Διαβάστε περισσότεραBAB V DESAIN TULANGAN STRUKTUR
BAB V DESAIN TULANGAN STRUKTUR 5.1 Output Penulangan Kolom Dari Program Etabs ( gedung A ) Setelah syarat syarat dalam pemodelan struktur sudah memenuhi syarat yang di tentukan dalam peraturan SNI, maka
Διαβάστε περισσότεραLOGIKA MATEMATIKA. MODUL 1 Himpunan. Zuhair Jurusan Teknik Informatika Universitas Mercu Buana Jakarta 2012 年 04 月 08 日 ( 日 )
LOGIKA MATEMATIKA MODUL 1 Himpunan Zuhair Jurusan Teknik Informatika Universitas Mercu Buana Jakarta 2012 年 04 月 08 日 ( 日 ) Himpunan I. Definisi dan Notasi Himpunan adalah kumpulan sesuatu yang didefinisikan
Διαβάστε περισσότεραBAB 4 HASIL KAJIAN. dengan maklumat latar belakang responden, impak modal sosial terhadap prestasi
BAB 4 HASIL KAJIAN 4.1 Pengenalan Bahagian ini menghuraikan tentang keputusan analisis kajian yang berkaitan dengan maklumat latar belakang responden, impak modal sosial terhadap prestasi pendidikan pelajar
Διαβάστε περισσότεραJika X ialah satu pembolehubah rawak diskret yang mewakili bilangan hari hujan dalam seminggu, senaraikan semua nilai yang mungkin bagi X.
BAB 8 : TABURAN KEBARANGKALIAN Sesi 1 Taburan Binomial A. Pembolehubah rawak diskret Contoh Jika X ialah satu pembolehubah rawak diskret yang mewakili bilangan hari hujan dalam seminggu, senaraikan semua
Διαβάστε περισσότεραACCEPTANCE SAMPLING BAB 5
ACCEPTANCE SAMPLING BAB 5 PENGENALAN Merupakan salah satu daripada SQC (statistical quality control) dimana sampel diambil secara rawak daripada lot dan keputusan samada untuk menerima atau menolak lot
Διαβάστε περισσότεραBABIV HASILANALISISDANPEMBAHASAN. dengan sampelresponden adalah paramanajeryang bekerjadiperusahaan
BABIV HASILANALISISDANPEMBAHASAN 4.1.GambaranUmumResponden Penelitian inidilakukan padaperusahaan manufakturdisemarang, dengan sampelresponden adalah paramanajeryang bekerjadiperusahaan manufaktursemarangskalamenengahbesar.berikutiniadalahtabelyang
Διαβάστε περισσότεραSTUDI PENGARUH BAHAN VIENISON SB TERHADAP KUAT GESER PADA STABILISASI TANAH LEMPUNG ABSTRAK
STUDI PENGARUH BAHAN VIENISON SB TERHADAP KUAT GESER PADA STABILISASI TANAH LEMPUNG Annisaa Dwiretnani NRP: 0721001 Pembimbing: Ir. Asriwiyanti Desiani, MT. ABSTRAK Dalam beberapa situasi, stabilisasi
Διαβάστε περισσότεραRUMUS AM LINGKARAN KUBIK BEZIER SATAHAN
Jurnal Teknologi, 38(C) Jun 003: 5 8 Universiti Teknologi Malaysia RUMUS AM LINGKARAN KUBIK BEZIER SATAHAN 5 RUMUS AM LINGKARAN KUBIK BEZIER SATAHAN YEOH WENG KANG & JAMALUDIN MD. ALI Abstrak. Rumus untuk
Διαβάστε περισσότεραHairunnizam Wahid Jaffary Awang Kamaruddin Salleh Rozmi Ismail Universiti Kebangsaan Malaysia
Hairunnizam Wahid Jaffary Awang Kamaruddin Salleh Rozmi Ismail Universiti Kebangsaan Malaysia Jadual 1: Sekolah yang dijadikan Sampel kajian Bil Nama Sekolah 1 SAM Sg. Merab Luar, Sepang 2 SAM Hulu Langat
Διαβάστε περισσότερα( 2 ( 1 2 )2 3 3 ) MODEL PT3 MATEMATIK A PUSAT TUISYEN IHSAN JAYA = + ( 3) ( 4 9 ) 2 (4 3 4 ) 3 ( 8 3 ) ( 3.25 )
(1) Tentukan nilai bagi P, Q, dan R MODEL PT MATEMATIK A PUSAT TUISYEN IHSAN JAYA 1 P 0 Q 1 R 2 (4) Lengkapkan operasi di bawah dengan mengisi petak petak kosong berikut dengan nombor yang sesuai. ( 1
Διαβάστε περισσότεραUNTUK EDARAN DI DALAM JABATAN FARMASI SAHAJA
UNTUK EDARAN DI DALAM JABATAN FARMASI SAHAJA KEPUTUSAN MESYUARAT KALI KE 63 JAWATANKUASA FARMASI DAN TERAPEUTIK HOSPITAL USM PADA 24 SEPTEMBER 2007 (BAHAGIAN 1) DAN 30 OKTOBER 2007 (BAHAGIAN 2) A. Ubat
Διαβάστε περισσότεραFAKULTI KEJURUTERAAN ELEKTRIK UNIVERSITI TEKNOLOGI MALAYSIA MAKMAL ELEKTROTEKNIK : LENGKUK KEMAGNETAN ATAU CIRI B - H
FAKULTI KEJURUTERAAN ELEKTRIK UNIVERSITI TEKNOLOGI MALAYSIA MAKMAL ELEKTROTEKNIK UJIKAJI TAJUK : E : LENGKUK KEMAGNETAN ATAU CIRI B - H 1. Tujuan : 2. Teori : i. Mendapatkan lengkuk kemagnetan untuk satu
Διαβάστε περισσότεραSTQS1124 STATISTIK II PERBANDINGAN KUALITI SOLAT DALAM KALANGAN PELAJAR KOLEJ IBRAHIM YAAKOB(KIY) DAN KOLEJ TUN HUSSEIN ONN(KTHO).
STQS114 STATISTIK II PERBANDINGAN KUALITI SOLAT DALAM KALANGAN PELAJAR KOLEJ IBRAHIM YAAKOB(KIY) DAN KOLEJ TUN HUSSEIN ONN(KTHO). DISEDIAKAN OLEH: AINUR JALALIA BINTI ABDUL RAHIM NUR DINAH BINTI ABDUL
Διαβάστε περισσότεραKeterusan dan Keabadian Jisim
Pelajaran 8 Keterusan dan Keabadian Jisim OBJEKTIF Setelah selesai mempelajari Pelajaran ini anda sepatutnya dapat Mentakrifkan konsep kadar aliran jisim Mentakrifkan konsep kadar aliran Menerangkan konsep
Διαβάστε περισσότεραTegangan Permukaan. Kerja
Tegangan Permukaan Kerja Cecair lebih cenderung menyesuaikan bentuknya ke arah yang luas permukaan yang minimum. Titisan cecair berbentuk sfera kerana nisbah luas permukaan terhadap isipadu adalah kecil.
Διαβάστε περισσότεραBAB III METODOLOGI PERENCANAAN. Bagan alir (flow chart) adalah urutan proses penyelesaian masalah.
BAB III METODOLOGI PERENCANAAN 3.1 Bagan Alir Perencanaan Ulang Bagan alir (flow chart) adalah urutan proses penyelesaian masalah. MULAI Data struktur atas perencanaan awal, As Plan Drawing Penentuan beban
Διαβάστε περισσότεραBAB 4 PERENCANAAN TANGGA
BAB 4 PERENCANAAN TANGGA 4.1. Dasar Perencanaan 4.1.1. Gambaran Umum Gambar 4.1. Tampak Atas Rencana Tangga Gambar 4.. Detail Rencana Tangga 8 9 4.1.. Identifikasi Data dari perencanaan tangga yakni :
Διαβάστε περισσότεραInstitut Pendidikan Guru, Kampus Tuanku Bainun, Bukit Mertajam, Pulau Pinang. Diterima untuk diterbitkan pada: 1 April 2012
41 PERBANDINGAN KAEDAH MENGGUNAKAN KAD PERMAINAN DAN BUKU BESAR BAGI MENINGKATKAN PENCAPAIAN MURID TAHUN 4 DALAM TOPIK PENYESUAIAN TUMBUHAN TERHADAP CUACA MELAMPAU 1 Lim Carol Amir Hamzah Sharaai 1 Institut
Διαβάστε περισσότεραMENGENALI FOTON DAN PENGQUANTUMAN TENAGA
MENGENALI FOTON DAN PENGQUANTUMAN TENAGA Oleh Mohd Hafizudin Kamal Sebelum wujudnya teori gelombang membujur oleh Huygens pada tahun 1678, cahaya dianggap sebagai satu aliran zarah-zarah atau disebut juga
Διαβάστε περισσότεραLampiran 1. Hasil identifikasi sampel
Lampiran 1. Hasil identifikasi sampel 55 Lampiran 1. (lanjutan) 56 Lampiran 2. Gambar tumbuhan pinang (Areca catechu L.) (a) Keterangan: a. Pohon pinang b. Pelepah pinang (b) 57 Lampiran 3. Gambar tumbuhan
Διαβάστε περισσότεραSMJ minyak seperti yang dilakarkan dalam Rajah S2. Minyak tersebut mempunyai. bahagian hujung cakera. Dengan data dan anggapan yang dibuat:
SOALAN 1 Cakera dengan garis pusat d berputar pada halaju sudut ω di dalam bekas mengandungi minyak seperti yang dilakarkan dalam Rajah S2. Minyak tersebut mempunyai kelikatan µ. Anggap bahawa susuk halaju
Διαβάστε περισσότεραPembinaan Homeomorfisma dari Sfera ke Elipsoid
Matematika, 003, Jilid 19, bil., hlm. 11 138 c Jabatan Matematik, UTM. Pembinaan Homeomorfisma dari Sfera ke Elipsoid Liau Lin Yun & Tahir Ahmad Jabatan Matematik, Fakulti Sains Universiti Teknologi Malasia
Διαβάστε περισσότεραLatihan PT3 Matematik Nama:.. Masa: 2 jam. 1 a) i) Buktikan bahawa 53 adalah nombor perdana. [1 markah]
Latihan PT3 Matematik Nama:.. Masa: 2 jam a) i) Buktikan bahawa 53 adalah nombor perdana. [ markah] ii) Berikut adalah tiga kad nombor. 30 20 24 Lakukan operasi darab dan bahagi antara nombor-nombor tersebut
Διαβάστε περισσότερα1. DATA PERANCANGAN : a. Daya Lintas Lalu lintas kereta api setiap hari yang direncanakan untuk melalui trase jalan adalah :
JAWABAN UJIAN TENGAH SEMESTER GENAP 011-01 MATA KULIAH PRASARANA TRANSPORTASI (3 SKS) JURUSAN TEKNIK SIPIL FAKULTAS TEKNIK UNIVERSITAS MUHAMMADIYAH YOGYAKARTA FINAL MANUSCRIPT Kelas : Kelas A Dosen : Sri
Διαβάστε περισσότεραSTQS1124 STATISTIK II LAPORAN KAJIAN TENTANG GAJI BULANAN PENSYARAH DAN STAF SOKONGAN DI PUSAT PENGAJIAN SAINS MATEMATIK (PPSM), FST, UKM.
STQS114 STATISTIK II LAPORAN KAJIAN TENTANG GAJI BULANAN PENSYARAH DAN STAF SOKONGAN DI PUSAT PENGAJIAN SAINS MATEMATIK (PPSM), FST, UKM. Dihantar kepada : Puan Rofizah Binti Mohammad @ Mohammad Noor Disediakan
Διαβάστε περισσότερα(a) Nyatakan julat hubungan itu (b) Dengan menggunakan tatatanda fungsi, tulis satu hubungan antara set A dan set B. [2 markah] Jawapan:
MODUL 3 [Kertas 1]: MATEMATIK TAMBAHAN JPNK 015 Muka Surat: 1 Jawab SEMUA soalan. 1 Rajah 1 menunjukkan hubungan antara set A dan set B. 6 1 Set A Rajah 1 4 5 Set B (a) Nyatakan julat hubungan itu (b)
Διαβάστε περισσότεραUnit PENGENALAN KEPADA LITAR ELEKTRIK OBJEKTIF AM OBJEKTIF KHUSUS
PENGENALAN KEPADA LITAR ELEKTRIK OBJEKTIF AM Memahami konsep-konsep asas litar elektrik, arus, voltan, rintangan, kuasa dan tenaga elektrik. Unit OBJEKTIF KHUSUS Di akhir unit ini anda dapat : Mentakrifkan
Διαβάστε περισσότεραLAMPIRAN. Fixed-effects (within) regression Number of obs = 364 Group variable (i): kode Number of groups = 26
LAMPIRAN Lampiran 1 Uji Chow Test Model Pertama Hipotesis: Ho: Pooled Least Square Ha: Fixed Effect Method Decision Rule: Tolak Ho apabila P-value < α Fixed-effects (within) regression Number of obs =
Διαβάστε περισσότεραDAFTAR NOTASI. adalah jarak antara dua pengaku vertikal, mm. adalah luas efektif penampang, mm2. adalah luas efektif pelat sayap, mm2
DAFTAR NOTASI SNI 03-1729-2002 A a A e A f a r A s A w b b f b cf b s C b C r C v D d d b d c adalah luas penampang, mm2 adalah jarak antara dua pengaku vertikal, mm adalah luas efektif penampang, mm2
Διαβάστε περισσότεραRajah S1 menunjukkan talisawat dari jenis rata dengan dua sistem pacuan, digunakan untuk
SOALAN 1 Rajah S1 menunjukkan talisawat dari jenis rata dengan dua sistem pacuan, digunakan untuk menyambungkan dua takal yang terpasang kepada dua aci selari. Garispusat takal pemacu, pada motor adalah
Διαβάστε περισσότεραAnalisis Sidik Ragam Tinggi Tanaman Wortel pada Umur 30 HST. Tabel Tinggi Tanaman (cm) Wortel pada Umur 30 HST Ulangan Jumlah Purata
LAMPIRAN 24 Lampiran 1 Analisis Sidik Ragam Tinggi Tanaman Wortel pada Umur 30 HST Tabel Tinggi Tanaman (cm) Wortel pada Umur 30 HST 0 7,4 8,0 9,0 24,40 8,13 2,5 8,8 8,2 9,0 26,00 8,67 5 9,2 9,0 9,0 27,20
Διαβάστε περισσότεραKEKUATAN KELULI KARBON SEDERHANA
Makmal Mekanik Pepejal KEKUATAN KELULI KARBON SEDERHANA 1.0 PENGENALAN Dalam rekabentuk sesuatu anggota struktur yang akan mengalami tegasan, pertimbangan utama ialah supaya anggota tersebut selamat dari
Διαβάστε περισσότεραTabel 4.1. Jumlah Publikasi Badan Litbang Kehutanan tahun
Sebagai upaya menyebarluaskan hasil-hasil penelitian dan pengembangan yang telah dilakukan, Badan Litbang Kehutanan menerbitkan berbagai media resmi publikasi yang ditujukan kepada para pengguna antara
Διαβάστε περισσότεραBAB 4 ANALISIS DAN PENEMUAN KAJIAN. borang soal selidik yang telah diedarkan kepada responden dan hasil temu bual responden
BAB 4 ANALISIS DAN PENEMUAN KAJIAN Bab ini akan menerangkan hasil keputusan kajian yang diperolehi oleh pengkaji melalui borang soal selidik yang telah diedarkan kepada responden dan hasil temu bual responden
Διαβάστε περισσότερα