Rabu, 30 Mei 2018

GAME EDUKASI

Posted on 08.48by with No comments


FMS (Finite State Machine)

Assalamualaikum Warahmatullahi Wabarakatuh

Pada kali ini saya sebagai penulis akan memberi contoh tentang FMS 
semoga bermanfaat 





enum State
{
  STATE_BERDIRI,
  STATE_MELOMPAT,
  STATE_JONGKOK,
  STATE_JONGKOK,
  STATE_BERENANG,
  STATE_MENYELAM,
  STATE_JALAN_KE_DEPAN,
  STATE_JALAN_MUNDUR,
  STATE_BERLARI,
  STATE_TENGOK_KANAN,
  STATE_JALAN_MUNDUR,
  STATE_TENGOK_KIRI
};
UNTUK PERINTAHNYA PERHATIKAN DI BAWAH INI

void Heroine::handleInput(Input input)
{
  switch (state_)
  {
    case STATE_BERDIRI:
      if (input == PRESS_B)
      {
        state_ = STATE_MELOMPAT;
        yVelocity_ = BERDIRI_VELOCITY;
        setGraphics(IMAGE_BERDIRI);
      }
      else if (input == PRESS_DOWN)
      {
        state_ = STATE_JONGKOK;
        setGraphics(IMAGE_JONGKOK);
      }
      else if (input == PRESS_R)
      {
        state_ = STATE_LARI;
        setGraphics(IMAGE_LARI);
      }
    else if (input == PRESS_W)
      {
        state_ = STATE_JALAN_KE_DEPAN;
        setGraphics(IMAGE_JALANKEDEPAN);
      }
    else if (input == PRESS_S)
      {
        state_ = STATE_JALAN_MUNDUR;
        setGraphics(IMAGE_JALANMUNDUR);
      }
    else if (input == PRESS_E)
      {
        state_ = STATE_TENGOK_KANAN;
        setGraphics(IMAGE_TENGOKKANAN);
      }
    else if (input == PRESS_Q)
      {
        state_ = STATE_TENGOK_KIRI;
        setGraphics(IMAGE_TENGOKKIRI);
      }
   else if (input == PRESS_X)
      {
        state_ = STATE_TIARAP;
        setGraphics(IMAGE_TIARAP);
      }

      break;

    case STATE_JUMPING:
      if (input == PRESS_DOWN)
      {
        state_ = STATE_MENYELAM;
        setGraphics(IMAGE_MENYELAM);
      }
      break;

    case STATE_JONGKOK:
      if (input == RELEASE_DOWN)
      {
        state_ = STATE_BERDIRI;
        setGraphics(IMAGE_BERDIRI);
      }
      break;
    case STATE_LARI:
      if (input == PRESS_W)
      {
        state_ = STATE_JALAN_KE_DEPAN;
        setGraphics(IMAGE_JALNKEDEPAN);
   else if (input == RELEASE_W)
      {
        state_ = STATE_BERDIRI;
        setGraphics(IMAGE_BERDIRI);
      }

      }
      break;

   case STATE_JALAN_KE_DEPAN:
      if (input == RELEASE_W)
      {
        state_ = STATE_BERDIRI;
        setGraphics(IMAGE_BERDIRI);
      }
      break;
   case STATE_JALAN_MUNDUR:
      if (input == RELEASE_S)
      {
        state_ = STATE_BERDIRI;
        setGraphics(IMAGE_BERDIRI);
      }
      break;
    case STATE_TENGOK_KANAN:
      if (input == RELEASE_E)
      {
        state_ = STATE_BERDIRI;
        setGraphics(IMAGE_BERDIRI);
      }
      break;
    case STATE_TENGOK_KIRI:
      if (input == RELEASE_Q)
      {
        state_ = STATE_BERDIRI;
        setGraphics(IMAGE_BERDIRI);
      }
      break;
     case STATE_TIARAP:
      if (input == RELEASE_X)
      {
        state_ = STATE_BERDIRI;
        setGraphics(IMAGE_BERDIRI);
      }
      break;
     case STATE_MENYELAM:
      if (input == RELEASE_DOWN)
      {
        state_ = STATE_BERDIRI;
        setGraphics(IMAGE_BERDIRI);
      }
      break;

  }
}

Selasa, 13 Desember 2016

KORELASI

Posted on 02.45by with No comments
PENGERTIAN KORELASI
Secara sederhana, korelasi dapat diartikan sebagai hubungan. Namun ketika dikembangkan lebih jauh, korelasi tidak hanya dapat dipahami sebatas pengertian tersebut. Korelasi merupakan salah satu teknik analisis dalam statistik yang digunakan untuk mencari hubungan antara dua variabel yang bersifat kuantitatif. Hubungan dua variabel tersebut dapat terjadi karena adanya hubungan sebab akibat atau dapat pula terjadi karena kebetulan saja. Dua variabel dikatakan berkolerasi apabila perubahan pada variabel yang satu akan diikuti perubahan pada variabel yang lain secara teratur dengan arah yang sama (korelasi positif) atau berlawanan (korelasi negatif). 
 CONTOH KORELASI
 kita bisa menggunakan tinggi badan dan usia siswa SD sebagai variabel dalam korelasi positif. Semakin tua usia siswa SD, maka tinggi badannya pun menjadi semakin tinggi. Hubungan ini disebut korelasi positif karena kedua variabel mengalami perubahan ke arah yang sama, yakni dengan meningkatnya usia, maka tinggi badan pun ikut meningkat. 
MACAM-MACAM KORELASI
Korelasi sebagai sebuah analisis memiliki berbagai jenis menurut tingkatannya. Beberapa tingkatan korelasi yang telah dikenal selama ini antara lain adalah korelasi sederhana, korelasi parsial, dan korelasi ganda. Berikut ini adalah penjelasan dari masing-masing korelasi dan bagaimana cara menghitung hubungan dari masing-masing korelasi tersebut. 
1. Korelasi Sederhana
Korelasi Sederhana merupakan suatu teknik statistik yang dipergunakan untuk mengukur kekuatan hubungan antara 2 variabel dan juga untuk dapat mengetahui bentuk hubungan keduanya dengan hasil yang bersifat kuantitatif. Kekuatan hubungan antara 2 variabel yang dimaksud adalah apakah hubungan tersebut erat, lemah,  ataupun tidak erat. Sedangkan bentuk hubungannya adalah apakah bentuk korelasinya linear positifataupun linear negatif. 
Di antara sekian banyak teknik-teknik pengukuran asosiasi, terdapat dua teknik korelasi yang sangat populer sampai sekarang, yaitu Korelasi Pearson Product Moment dan Korelasi Rank Spearman. Lalu apa perbedaan di antara keduanya? 
Korelasi Pearson Product Moment adalah korelasi yang digunakan untuk data kontinu dan data diskrit. Korelasi pearson cocok digunakan untuk statistik parametrik. Ketika data berjumlah besar dan memiliki ukuran parameter seperti mean dan standar deviasi populasi.
Korelasi Pearson menghitung korelasi dengan menggunakan variasi data. Keragaman data tersebut dapat menunjukkan korelasinya. Korelasi ini menghitung data apa adanya, tidak membuat ranking atas data yang digunakan seperti pada korelasi Rank Spearman. Ketika kita memiliki data numerik seperti nilai tukar rupiah, data rasio keuangan, tingkat pertumbuhan ekonomi, data berat badan dan contoh data numerik lainnya, maka Korelasi Pearson Product Moment cocok digunakan. 
Sebaliknya, Koefisien Korelasi Rank Spearman digunakan untuk data diskrit dan kontinu namun untuk statistik nonparametrik. Koefisien korelasi Rank Spearman lebih cocok untuk digunakan pada statistik nonparametrik. Statistik nonparametrik adalah statistik yang digunakan ketika data tidak memiliki informasi parameter, data tidak berdistribusi normal atau data diukur dalam bentuk ranking. Berbeda dengan Korelasi Pearson, korelasi ini tidak memerlukan asumsi normalitas, maka korelasi Rank Spearman cocok juga digunakan untuk data dengan sampel kecil. 
Korelasi Rank Spearman menghitung korelasi dengan menghitung ranking data terlebih dahulu. Artinya korelasi dihitung berdasarkan orde data. Ketika peneliti berhadapan dengan data kategorik seperti kategori pekerjaan, tingkat pendidikan, kelompok usia, dan contoh data ketegorik lainnya, maka Korelasi Rank Spearman cocok digunakan. Korelasi Rank Spearman pun cocok digunakan pada kondisi dimana peneliti dihadapkan pada data numerik (kurs rupiah, rasio keuangan, pertumbuhan ekonomi), namun peneliti tidak memiliki cukup banyak data (data kurang dari 30). 
2. Korelasi Parsial
Korelasi parsial adalah suatu metode pengukuran keeratan hubungan (korelasi) antara variabel bebas dan variabel tak bebas dengan mengontrol salah satu variabel bebas untuk melihat korelasi natural antara variabel yang tidak terkontrol. Analisis korelasi parsial (partial correlation) melibatkan dua variabel. Satu buah variabel yang dianggap berpengaruh akan dikendalikan atau dibuat tetap (sebagai variabel kontrol). 
Sebagai contoh misalnya kita akan meneliti hubungan variabel X2 dan variabel bebas Y, denganX1 dikontrol (korelasi parsial). Disini variabel yang dikontrol (X1) dikeluarkan atau dibuat konstan. Sehingga X2’ = X2 – (b2X1 + a2 ) dan Y’ = Y – (b1 X1 +a1 ), tetapi nilai a dan b didapatkan dengan menggunakan regresi linear. Setelah hasilnya diperoleh, kemudian dicari regresi X2‘ dengan Y’ dimana : Y’ = b3X2’ +a3. Korelasi yang didapatkan dan sejalan dengan model-model di atas dinamakan korelasi parsial X2 dan Y sedangkan X1 dibuat konstan.
Nilai korelasi berkisar antara 1 sampai -1, nilai semakin mendekati 1 atau -1 berarti hubungan antara dua variabel semakin kuat. Sebaliknya, jika nilai mendekati 0 berarti hubungan antara dua variabel semakin lemah. Nilai positif menunjukkan hubungan searah (X naik, maka Y naik) sementara nilai negatif menunjukkan hubungan terbalik (X naik, maka Y turun). 
Data yang digunakan dalam korelasi parsial biasanya memiliki skala interval atau rasio. Berikut adalah pedoman untuk memberikan interpretasi serta analisis bagi koefisien korelasi menurut Sugiyono:
0.00 - 0,199 = sangat rendah
0,20 - 0,3999 = rendah
0,40 - 0,5999 = sedang
0,60 - 0,799 = kuat
0,80 - 1,000 = sangat kuat
3. Korelasi Ganda
Korelasi ganda adalah bentuk korelasi yang digunakan untuk melihat hubungan antara tiga atau lebih variabel (dua atau lebih variabel independen dan satu variabel dependent. Korelasi ganda berkaitan dengan interkorelasi variabel-variabel independen sebagaimana korelasi mereka dengan variabel dependen. 
Korelasi ganda adalah suatu nilai yang memberikan kuatnya pengaruh atau hubungan dua variabel atau lebih secara bersama-sama dengan variabel lain. Korelasi ganda merupakan korelasi yang terdiri dari dua atau lebih variabel bebas (X1,X2,…..Xn) serta satu variabel terikat (Y). Apabila perumusan masalahnya terdiri dari tiga masalah, maka hubungan antara masing-masing variabel dilakukan dengan cara perhitungan korelasi sederhana. 
Korelasi ganda memiliki koefisien korelasi, yakni besar kecilnya hubungan antara dua variabel yang dinyatakan dalam bilangan. Koefisien Korelasi disimbolkan dengan huruf R. Besarnya Koefisien Korelasi adalah antara -1; 0; dan +1. 
Besarnya korelasi -1 adalah negatif sempurna yakni terdapat hubungan di antara dua variabel atau lebih namun arahnya terbalik, +1 adalah korelasi yang positif sempurna (sangat kuat) yakni adanya sebuah hubungan di antara dua variabel atau lebih tersebut, sedangkan koefisien korelasi 0 dianggap tidak terdapat hubungan antara dua variabel atau lebih yang diuji sehingga dapat dikatakan tidak ada hubungan sama sekali.
Rumus Korelasi
r =               nΣxy – (Σx) (Σy)                   
.         √{nΣx² – (Σx)²} {nΣy2 – (Σy)2}

Dimana :
n    = Banyaknya Pasangan data X dan Y
Σx = Total Jumlah dari Variabel X
Σy = Total Jumlah dari Variabel Y
Σx2= Kuadrat dari Total Jumlah Variabel X
Σy2= Kuadrat dari Total Jumlah Variabel Y
Σxy= Hasil Perkalian dari Total Jumlah Variabel X dan Variabel Y


Contoh Soal
1.Ingin diketahui seberapa kuat hubungan antara besarnya pendapatan seseorang dengan pengeluarran (konsumsi) per bulan. Data dari 6 orang yang akan diwawancarari diperoleh data sebagai berikut:
X (Pendapatan) : 8 7 9 6 7 8 (jutaan)
Y (Konsumsi) : 2 2 2 1 3 3 (jutaan)
Untuk menghitung koefisien korelasi maka disusun tabel bantu sebagai berikut:

Tabel . Tabel Bantu Analisis Korelasi Product Moment
 n
X
Y
X2
Y2
XY
1
8
2
64
4
16
2
7
2
49
4
14
3
9
2
81
4
18
4
6
1
36
1
6
5
7
3
49
9
21
6
8
3
64
9
24
∑
45
13
343
31
99

Berdasarkan tabel bantu tersebut diperoleh nilai-nilai:
∑X =45
∑Y =13
∑X2 = 343
∑Y2 = 31
∑XY = 99
n = 6
Untuk menghitung koefisien korelasi, maka nilai-nilai tersebut dimasukkan dalam
Rumus koefisien korelasi sebagai berikut.
r =               6(99) – (45) (13)                   
.         √{6.343– (45)²} {6.31 – (13)2}
=               594 – 585                   
.         √{2058– 2025} {186 – 169}
=               9                   
.         √{33} {17}
=               9                   
.         23,68
=     0,380
.        

Jadi diperoleh nilai koefisien korelasi ( r ) sebesar 0,380 karena nilainya positif danmendekati 1 berarti hubungan konsumsi dan pendapatan kuat dan searah (positif), artinya peningkatan pendapatan seseorang akan diikuti dengan peningkatan pengeluaran (konsumsi).


 

Senin, 26 September 2016

Diskusi 2 Statistik dan Probabilitas

Posted on 09.07by with No comments
Assalamu ‘alaikum wa rahmatullahi wa barakatuh
Statistik dan Probabilitas
Saya akan mengulas sedikt tentang Statistik dan Probabilitas. Dalam pembelajaran di Sekolah atau di perkuliahan, sebagian dari anda pasti akan berjumpa dengan statistik dan probabilitas dan masih bingung dalam mengerjakan soal yang diberikan guru ataupun dosen.
Mungkin sebagian dari anda ada yang masih belum mengetahui bagaimana langkah yang benar untuk membuat tabel frekuensi dan masih bingung dalam mengerjakan soal, tentunya yang berkaitan dengan tabel distribusi frekuensi. Disini saya akan mengulas sedikit tentang bagaimana cara membuat tabel distribusi frekuensi serta cara mengimplementasikan kedalam lembar jawab soal.


link klik disini download presentasi dalam bentuk PPT 
       
download

Teknik pembuatan Tabel Distribusi Frekuensi (TDF)
Distribusi frekuensi dibuat dengan alasan berikut:
  • kumpulan data yang besar dapat diringkas
  • kita dapat memperoleh beberapa gambaran mengenai karakteristik data, dan
  • merupakan dasar dalam pembuatan grafik penting (seperti histogram).
Banyak software (teknologi komputasi ) yang bisa digunakan untuk membuat tabel distribusi frekuensi secara otomatis. Meskipun demikian, di sini tetap akan diuraikan mengenai prosedur dasar dalam membuat tabel distribusi frekuensi.
Langkah-langkah dalam menyusun tabel distribusi frekuensi:
  • Urutkan data, biasanya diurutkan dari nilai yang paling kecil
    • Tujuannya agar range data diketahui dan mempermudah penghitungan frekuensi tiap kelas!
  • Tentukan range (rentang atau jangkauan)
    • Range = nilai maksimum – nilai minimum
  • Tentukan banyak kelas yang diinginkan. Jangan terlalu banyak/sedikit, berkisar antara 5 dan 20, tergantung dari banyak dan sebaran datanya.
    • Aturan Sturges:
    • Banyak kelas = 1 + 3.3 log n, dimana n = banyaknya data
  • Tentukan panjang/lebar kelas interval (p)
    • Panjang kelas (p) = [rentang]/[banyak kelas]
  • Tentukan nilai ujung bawah kelas interval pertama
Pada saat menyusun TDF, pastikan bahwa kelas tidak tumpang tindih sehingga setiap nilai-nilai pengamatan harus masuk tepat ke dalam satu kelas. Pastikan juga bahwa tidak akan ada data pengamatan yang tertinggal (tidak dapat dimasukkan ke dalam kelas tertentu). Cobalah untuk menggunakan lebar yang sama untuk semua kelas, meskipun kadang-kadang tidak mungkin untuk menghindari interval terbuka, seperti ” ≥ 91 ” (91 atau lebih). Mungkin juga ada kelas tertentu dengan frekuensi nol.

Contoh soal:
1.      Diperoleh data pengunjung Edupark UMS selama 80 hari terakhir sebagai berikut :
79
80
70
68
90
92
80
70
63
76
49
84
71
72
35
93
91
74
60
63
48
90
92
85
83
75
61
99
83
88
74
70
38
51
73
71
72
95
82
70
81
91
56
65
74
90
97
80
60
66
98
93
81
93
43
72
91
59
67
88
87
82
74
83
86
87
88
71
89
79
81
85
73
86
68
75
81
77
63
75














a.       Buatlah tabel distribusi frekuensi data bergolong dari data tersebut dengan aturan sturges. Buatlah tabek distribusi relatf dan tabel distibusi kumulatif (kurang dari dan lebih dari ).

b.      Gamarlah histrogram, polygon dan ogif dari data tersebut.

2.      Dengan data pada soal no 1, buatlanh tabel distribusi bergolong dengan kelas-kelas : 31-40, 41-50, 51-60, dan seterusnya.

Jawab:

1.           Langkah pertama yang perlu kita lakukan dengan mengurutkan data terlebih dahulu

 35  38  43  48  49  51  56  59  60  60
 61  63  63  63  65  66  67  68  68  70
 70  70  70  71  71  71  72  72  72  73
 73  74  74  74  74  75  75  75  76  77
 79  79  80  80  80  81  81  81  81  82
 82  83  83  83  84  85  85  86  86  87
 87  88  88  88  89  90  90  90  91  91
 91  92  92  93  93  93  95  97  98  99


2.      Setelah mengurutkan dan mengetahui nilai tertinggi dan nilai terendah langkah selanjutnya mencari Range dengan menggunakan rumus
Range:[nilai tertinggi – nilai terendah] = 99 – 35 = 64

3.      Langkah yang selanjutnya menentukan banyak Banyak Kelas.
    Apabila kita lihat nilai Range = 64, mungkin banyak kelas
    sekitar 6 atau 7.
    untuk latihan, kita bisa menggunakan aturan Sturges.
    banyak kelas = 1 + 3.3 x log(n)
                 = 1 + 3.3 x log(80)
                 = 7.28 ≈ 7

4.      Setelah mengetahui banyak kelas. Langkah ke empat yaitu menentukan  Panjang Kelas.
Panjang Kelas = [range]/[banyak kelas]
                  = 64/7
                  = 9.14 ≈ 10
                    (untuk memudahkan dalam penyusunan TDF)

5.      Langkah yang ke lima dengan menentukan nilai batas bawah kelas pada kelas pertama. Jumlah pengunjung Edupark UMS terkecil = 35 untuk menentuan nilai batas bawah kelas bebas sesuai dengan keinginan, asalkan nilai terkecil masih masuk ke dalam kelas tersebut. Misalkan: nili terkecil adalah 25 dan panjang kelas 10 apabila nilai batas bawah yang kita pilih adalah 21, maka interval kelas pertama: 21 – 30 (selisih panjang kelas sesuai dengan nilai yang telah dihitung ataupun sesuai dengan keinginan), asalkan data terkecil tetap masuk dalam kelas tersebut sebagaaimana dengan nilai 25 tetap ada di kelas ke-1. Namun apabila kita pilih nilai batas bawah kelas 10 atau 11, yang kita gunakan 11 maka diperoleh kelas 11 - 20 jelas nilai terkecil,25,tidak akan masuk ke dalam kelas tersebut. Namun apabila sudah ditentukan pangjang kelas sesuai dengan soal diatas 41 -50, 51 – 60 kita sesuaikan saja dengan apa yang diperintahkan soalnya dan pada soal diatas dikaranakan nilai terkecil adalah 35 maka kita gunakan batas bawah 31 - 40. 

Dari prosedur di atas, kita mendapatkan info sebagai berikut:
Banyak kelas       : 7
Panjang kelas      : 10
Batas bawah kelas  : 31

6.      Selanjutnya kita susun TDF (Tabel Distribusi Frekuensi):
Form TDF:
Kelas ke-
Nilai Ujian
Frekuensi (fi)
1
31 – 40
2
2
41 – 50
3
3
51 – 60
5
4
61 – 70
13
5
71 – 80
22
6
81 – 90
23
7
91 – 100
12
Jumlah
80















Tabel berikut merupakan tabel yang sudah dilengkapi

Langganan: Komentar (Atom)