Jumat, 11 Januari 2019

NAMA            : LA ODE AWAL RAMADHAN
NPM               : 17 630 067
TUGAS 12     : STATISTIK/PROBABILITAS
METODE NEWTON


Jika Anda pernah mencoba untuk menemukan akar fungsi rumit aljabar, Anda mungkin memiliki beberapa kesulitan. Menggunakan beberapa konsep dasar kalkulus, kita memiliki cara numerik mengevaluasi akar fungsi rumit. Umumnya, kita menggunakan metode Newton-Raphson. Ini proses berulang-ulang mengikuti pedoman yang ditetapkan untuk mendekati satu akar, mengingat fungsi, turunan, dan nilai x-awal.
Anda mungkin ingat dari aljabar bahwa akar dari sebuah fungsi adalah nol dari fungsi. Ini berarti bahwa pada "akar" fungsi sama dengan nol. Kita dapat menemukan akar dari fungsi sederhana seperti: f (x) = x 2 -4 hanya dengan menetapkan fungsi ke nol, dan memecahkan:
f (x) = x 2 -4 = 0
(X +2) (x-2) = 0
x = 2 atau x = -2
Metode Newton-Raphson menggunakan proses berulang-ulang untuk mendekati salah satu akar fungsi. Akar khusus yang menempatkan proses tergantung pada, nilai x-awal sewenang-wenang dipilih.
Di sini, x n adalah dikenal saat ini x-nilai, f (x n) merupakan nilai fungsi pada x n, dan f '(x n) adalah turunan (slope) pada x n. x n +1 merupakan berikutnya x-nilai yang Anda mencoba untuk menemukan. Pada dasarnya, f '(x), derivatif merupakan f (x) / dx (dx = delta-x). Oleh karena itu, istilah f (x) / f '(x) merupakan nilai dx.
Iterasi lebih yang dijalankan, dx dekat akan menjadi nol (0). Untuk melihat bagaimana ini bekerja, kita akan melakukan metode Newton-Raphson pada fungsi yang kita diselidiki sebelumnya, f (x) = x 2 -4. Dibawah ini adalah beberapa nilai-nilai yang kita perlu tahu untuk menyelesaikan proses.
Secara teoritis, kita bisa mengeksekusi jumlah tak terbatas iterasi untuk menemukan representasi yang sempurna untuk akar fungsi kita. Namun, ini adalah metode numerik yang kita gunakan untuk mengurangi beban menemukan akar, jadi kami tidak ingin melakukan ini. Oleh karena itu kita akan mengasumsikan bahwa proses telah bekerja secara akurat saat kami delta-x menjadi kurang dari 0,1. Ini nilai presisi harus spesifik untuk setiap situasi. A jauh lebih, atau nilai, apalagi tepat mungkin tepat bila menggunakan metode Newton-Raphson di kelas. Tabel di bawah ini menunjukkan pelaksanaan proses.
n
x n
f (x n)
f '(x n)
x n +1
dx
0
x = 0 6
f (x 0 = 32)
f '(x 0 = 12)
x 1 = 3,33

1
x 1 = 3,33
f (x 1) = 7.09
f '(x 1) = 6.66
x 2 = 2,27
dx = 1,06
2
x 2 = 2,27
f (x 2) = 1,15
f '(x 2) = 4,54
x 3 = 2,01
dx = .26
3
x 3 = 2,01
f (x 3) = 0,04
f '(x 3) = 4,02
x 4 = 2,00
dx = 0,01
 
Dengan demikian, menggunakan nilai x-awal enam (6) kita menemukan satu akar persamaan f (x) = x 2 -4 adalah x = 2. Jika kita memilih nilai x-berbeda inital, kita dapat menemukan akar yang sama, atau kita dapat menemukan yang lain, x = -2.
Sebuah representasi grafis juga dapat sangat membantu. Di bawah ini, Anda lihat fungsi yang sama f (x) = x 2 -4 (ditampilkan dalam warna biru). Proses di sini adalah sama seperti di atas. Dalam putaran pertama, garis merah bersinggungan dengan kurva pada x 0. Kemiringan garis singgung adalah derivatif pada titik singgung, dan untuk iterasi pertama adalah sama dengan 12. Membagi nilai fungsi pada x awal (f (6) = 32) dengan kemiringan tangen (12), kita menemukan bahwa delta-x adalah sama dengan 2,67. Pengurangan ini dari enam (6) kita menemukan bahwa baru x-nilai sama dengan 3,33. Cara lain dari mengingat ini adalah untuk menemukan akar dari garis singgung. Baru x-nilai (x n +1) akan sama dengan akar bersinggungan dengan fungsi pada saat x-nilai (x n).
 
 
Metode Newton-Raphson tidak selalu bekerja, namun. Ini berjalan ke masalah di beberapa tempat. Pertama, perhatikan contoh di atas. Apa yang akan terjadi jika kita memilih sebuah x nilai awal x = 0? Kami akan memiliki "pembagian dengan nol" kesalahan, dan tidak akan mampu untuk melanjutkan. Anda juga dapat mempertimbangkan operasi proses pada fungsi f (x) = x 1/3, menggunakan nilai x-inital dari x = 1. Apakah x-nilai konvergen? Apakah penurunan delta-x menuju nol (0)?
Jadi, bagaimana hal ini berhubungan dengan kimia? Pertimbangkan van der Waals persamaan ditemukan di bagian Gas Hukum teks ini. Dengan asumsi bahwa kita memiliki sejumlah set mol gas set, tidak di bawah kondisi ideal, kita dapat menggunakan metode Newton-Raphson untuk memecahkan salah satu dari tiga variabel (suhu, tekanan, atau volume), berdasarkan pada dua lainnya. Untuk melakukan hal ini, kita perlu menggunakan van der Waals persamaan, dan turunan dari persamaan ini, keduanya terlihat di bawah.
Seperti yang Anda lihat, Van der Waals persamaan cukup kompleks. Hal ini tidak mungkin untuk menyelesaikannya aljabar, sehingga metode numerik harus digunakan. Metode Newton-Raphson adalah cara termudah dan paling dapat diandalkan untuk memecahkan persamaan seperti ini, meskipun persamaan dan turunannya tampaknya cukup menakutkan.
Tergantung pada kondisi di mana Anda mencoba untuk memecahkan persamaan ini, beberapa variabel dapat berubah. Jadi, mungkin perlu untuk menggunakan derivatif parsial. Untuk keperluan contoh ini, kita mengasumsikan bahwa tekanan, temperatur, dan volume adalah satu-satunya hal berubah, dan bahwa nilai-nilai ini semua fungsi waktu. Hal ini untuk menghindari penggunaan turunan parsial, kita hanya membedakan semua variabel terhadap waktu, seperti yang ditunjukkan di atas. Beberapa manipulasi aljabar dan persamaan / atau turunannya mungkin diperlukan tergantung pada masalah tertentu yang harus dipecahkan. Diasumsikan bahwa semua variabel tapi satu yang ditetapkan, variabel yang digunakan dalam ekspresi untuk "x n +1" bahwa metode Newton menggunakan. Melakukan metode Newton pada persamaan ini berhasil akan memberikan nilai dari variabel yang memberikan solusi ketika variabel lainnya tetap konstan pada nilai-nilai yang Anda tentukan.
 
Contoh:  Mari kita menemukan pendekatan untuk          sampai sepuluh tempat desimal.
Perhatikan bahwa        adalah bilangan irasional. Oleh karena itu urutan desimal yang mendefinisikan         tidak akan berhenti. Jelas                adalah nol-satunya f (x) = x 2 - 5 pada interval [1,3]. Lihat Gambar tersebut.

JIka          menjadi perkiraan berturut-turut diperoleh melalui metode Newton. Kami memiliki

Mari kita mulai proses ini dengan mengambil x 1 = 2.
 
Hal ini sangat luar biasa bahwa hasil stabil selama lebih dari sepuluh tempat desimal setelah hanya 5 iterasi!
 
Contoh. Mari kita perkiraan satunya solusi untuk persamaan
Bahkan, melihat grafik kita dapat melihat bahwa persamaan ini memiliki satu solusi.
 
Solusi ini juga merupakan nol-satunya fungsi. Jadi sekarang kita melihat bagaimana metode Newton dapat digunakan untuk r perkiraan. Karena r adalah antara 0 dan Kami menetapkan x 1 = 1. Sisa dari urutan dihasilkan melalui rumus
  

Latihan
 
Tentukan salah satu  akar persamaan nonlinier f(x)= X2 – 5x+6  dengan metode  Newton Rapshon. Jika diketahui nilai awal x=0, toleransi galat relatif x adalah 0,002 serta ketelitian hingga 3 desimal.
Tentukan nilai 
            dengan menggunakan metode Newton Rapshon jika diketahui nilai awal x=3  dan ketelitian hingga 3 desimal.
NAMA               : LA ODE AWAL RAMADHAN
NPM                  : 17 630 067
TUGAS 11        : STATISTIK/PROBABILITAS
KORELASI SEDERHANA
Analisis korelasi sederhana (Bivariate Correlation) digunakan untuk mengetahui keeratan hubungan antara dua variabel dan untuk mengetahui arah hubungan yang terjadi. Koefisien korelasi sederhana menunjukkan seberapa besar hubungan yang terjadi antara dua variabel. Dalam SPSS ada tiga metode korelasi sederhana (bivariate correlation) diantaranya Pearson Correlation, Kendall’s tau-b, dan Spearman CorrelationPearson Correlationdigunakan untuk data berskala interval atau rasio, sedangkan Kendall’s tau-b,dan Spearman Correlation lebih cocok untuk data berskala ordinal.
Pada bab ini akan dibahas analisis korelasi sederhana dengan metode Pearson atau sering disebut Product Moment Pearson. Nilai korelasi (r) berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1 berarti hubungan antara dua variabel semakin kuat, sebaliknya nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif menunjukkan hubungan searah (X naik maka Y naik) dan nilai negatif menunjukkan hubungan terbalik (X naik maka Y turun).
Menurut Sugiyono (2007) pedoman untuk memberikan interpretasi koefisien korelasi sebagai berikut:
0,00    -   0,199    = sangat rendah
0,20    -   0,399    = rendah
0,40    -   0,599    = sedang
0,60    -   0,799    = kuat
0,80    -   1,000    = sangat kuat
Contoh kasus:
Seorang mahasiswa bernama Andi melakukan penelitian dengan menggunakan alat ukur skala. Andi ingin mengetahui apakah ada hubungan antara kecerdasan dengan prestasi belajar pada siswa SMU Negeri 1 Yogyakarta, dengan ini Andi membuat 2 variabel yaitu kecerdasan dan prestasi belajar. Tiap-tiap variabel dibuat beberapa butir pertanyaan dengan menggunakan skala Likert, yaitu angka 1 = Sangat tidak setuju, 2 = Tidak setuju, 3 = Setuju dan 4 = Sangat Setuju. Setelah membagikan skala kepada 12 responden didapatlah skor total item-item yaitu sebagai berikut:
                 Tabel. Tabulasi Data (Data Fiktif)
Subjek
Kecerdasan
Prestasi Belajar
1
33
58
2
32
52
3
21
48
4
34
49
5
34
52
6
35
57
7
32
55
8
21
50
9
21
48
10
35
54
11
36
56
12
21
47
                                          
Langkah-langkah pada program SPSS
Ø  Masuk program SPSS
Ø  Klik variable view pada SPSS data editor
Ø  Pada kolom Name ketik x, kolom Name pada baris kedua ketik y.
Ø  Pada kolom Decimals ganti menjadi 0 untuk variabel x dan y
Ø  Pada kolom Label, untuk kolom pada baris pertama ketik Kecerdasan, untuk kolom pada baris kedua ketik Prestasi Belajar.
Ø  Untuk kolom-kolom lainnya boleh dihiraukan (isian default)
Ø  Buka data view pada SPSS data editor, maka didapat kolom variabel x dan y.
Ø  Ketikkan data sesuai dengan variabelnya
Ø  Klik Analyze - Correlate - Bivariate
Ø  Klik variabel Kecerdasan dan masukkan ke kotak Variables, kemudian klik variabel Prestasi Belajar dan masukkan ke kotak yang sama (Variables).
Ø  Klik OK, maka hasil output yang didapat adalah sebagai berikut:
                  Tabel. Hasil Analisis Korelasi Bivariate Pearson
https://blogger.googleusercontent.com/img/b/R29vZ2xl/AVvXsEgyAmo3Ou7pTAI-IW-dbvH1RsRwo8utcet1cO8MRzY4PkK-GuAxHu1e1QwrXmMwaJUhA7vw2a0kqaT6GhMW5CrJOsUMQel6w6aE__jTbZBSw53Nwaw-nQrkPCroQhN_tjf5cW7QXISMaDw/s1600/tbl1.JPG
Dari hasil analisis korelasi sederhana (r) didapat korelasi antara kecerdasan dengan prestasi belajar (r) adalah 0,766. Hal ini menunjukkan bahwa terjadi hubungan yang kuat antara kecerdasan dengan prestasi belajar. Sedangkan arah hubungan adalah positif karena nilai r positif, berarti semakin tinggi kecerdasan maka semakin meningkatkan prestasi belajar.
-     Uji Signifikansi Koefisien Korelasi Sederhana (Uji t)
Uji signifikansi koefisien korelasi digunakan untuk menguji apakah hubungan yang terjadi itu berlaku untuk populasi (dapat digeneralisasi). Misalnya dari kasus di atas populasinya adalah siswa SMU Negeri 1 Yogyakarta dan sampel yang diambil dari kasus di atas adalah 12 siswa SMU Negeri 1 Yogyakarta, jadi apakah hubungan yang terjadi atau kesimpulan yang diambil dapat berlaku untuk populasi yaitu seluruh siswa SMU Negeri 1 Yogyakarta.
Langkah-langkah pengujian sebagai berikut:
1.   Menentukan Hipotesis
Ho : Tidak ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar
Ha : Ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar
2.   Menentukan tingkat signifikansi
            Pengujian menggunakan uji dua sisi dengan tingkat signifikansi a = 5%. (uji dilakukan 2 sisi karena untuk mengetahui ada atau tidaknya hubungan yang signifikan, jika 1 sisi digunakan untuk mengetahui hubungan lebih kecil atau lebih besar).
Tingkat signifikansi dalam hal ini berarti kita mengambil risiko salah dalam mengambil keputusan untuk menolak hipotesa yang benar sebanyak-banyaknya 5% (signifikansi 5% atau 0,05 adalah ukuran standar yang sering digunakan dalam penelitian)
3.   Kriteria Pengujian
Ho diterima jika Signifikansi > 0,05
            Ho ditolak jika Signifikansi < 0,05
4.   Membandingkan signifikansi
Nilai signifikansi 0,004 < 0,05, maka Ho ditolak.
 5.  Kesimpulan
Oleh karena nilai Signifikansi (0,004 < 0,05) maka Ho ditolak, artinya bahwa ada hubungan secara signifikan antara kecerdasan dengan prestasi belajar. Karena koefisien korelasi nilainya positif, maka berarti kecerdasan berhubungan positif dan signifikan terhadap pretasi belajar. Jadi dalam kasus ini dapat disimpulkan bahwa kecerdasan berhubungan positif terhadap prestasi belajar pada siswa SMU Negeri 1 Yogyakarta.