Hasil Pencarian  ::  Simpan CSV :: Kembali

"Asumsi kestasioneran merupakan asumsi yang harus dipenuhi pada sebagian besar teori ekonometri. Pada kenyataannya, hal ini hampir tidak terpenuhi untuk variabel-variabel ekonomi. Granger dan Newbold (1974) menunjukkan bahwa regresi yang dibentuk oleh variabel-variabel nonstasioner yang tidak berkorelasi akan menciptakan spurious regression (regresi palsu). Pada tahun 1987, Engle dan Granger merumuskan suatu ide untuk membuat kombinasi linier yang stasioner dari variabel-variabel nonstasioner yang disebut kointegrasi. Dalam ekonometrika, variabel-variabel yang terkointegrasi dikatakan berada dalam kondisi keseimbangan jangka panjang (long run equilibrium). Pengujian kointegrasi untuk kasus bivariat dapat dilakukan dengan menggunakan metode Engle - Granger, sedangkan penaksiran parameternya dapat dilakukan dengan metode Engle - Granger two step procedurre. Walaupun metode Engle - Granger mudah diterapkan, akan tetapi mempunyai beberapa kelemahan apabila diterapkan pada kasus kointegrasi mutivariat. Johansen (1988) merumuskan suatu metode pengujian kointegrasi untuk kasus multivariat yang disebut sebagai Johansen Cointegration Test. Pengujian kointegrasi Johansen mampu mendeteksi secara langsung ada berapa hubungan kointegrasi yang terbentuk dari n variabel yang diuji,. Sedangkan untuk penaksiran parameternya digunakan metode Johansen Maximum Likelihood. Dalam tugas akhir ini, hubungan kointegrasi multivariat diterapkan pada nilai Produk Domestik Bruto (PDB), ekspor dan Investasi di Indonesia pada tahun 1970-2007."

"Data panel merupakan gabungan dari dua jenis data, yaitu data cross section dan data longitudinal. Model regresi linier yang melibatkan data panel disebut dengan model regresi data panel. Pada saat melakukan observasi, sering ditemui bahwa nilai observasi di suatu lokasi bergantung pada nilai observasi di lokasi sekitarnya, yang dikenal dengan spasial dependen. Model regresi data panel yang turut melibatkan aspek ketergantungan lokasi (spasial dependen) dikenal dengan model spasial data panel. Model spasial lag data panel menunjukkan adanya ketergantungan antara variabel dependen di suatu lokasi dengan variabel dependen di lokasi sekitarnya. Pada tugas akhir ini akan dibahas penaksiran parameter pada Random Effects Spatial Lag Panel Data Model dengan komponen error satu arah menggunakan metode maksimum likelihood."

"Tugas akhir ini membahas mengenai penggunaan metode Maksimum Likelihood (ML) dan Bayes dalam penaksiran parameter shape 𝛽 pada distribusi Kumaraswamy. Kedua metode tersebut akan dibandingkan berdasarkan Mean Square Error (MSE) yang diperoleh dari masing-masing taksiran. Pada metode Bayes digunakan dua fungsi Loss yaitu Square Error Loss Function (SELF) dan Precautionary Loss Function (PLF). Selanjutnya, akan dibandingkan Resiko Posterior yang diperoleh dari kedua fungsi loss tersebut. Hasil yang diperoleh dari perbandingan tersebut diterapkan pada data hidrologi sebagai rekomendasi metode terbaik yang dapat menggambarkan data tersebut.

---

This paper disscusses about Maximum Likelihood (ML) and Bayes method in estimating the shape β parameter in Kumaraswamy distribution. Both of the methods will be compared according to Mean Square Error (MSE) obtained from each estimator. At Bayes method, it will be used two Loss functions, those are Square Error Loss Function (SELF) and Precautionary Loss Function (PLF). Then, Posterior Risk obtained from both of loss functions will be compared. The comparison will be applied to hydrological data as a recommendation for the best method in representating the data."

"ABSTRAKItem response theory atau yang sering disingkat sebagai IRT memberikan estimasi kemampuan peserta yang lebih tepat jika dibandingkan dengan classical test theory. Estimasi yang dihasilkan pada IRT bergantung pada ketepatan model yang digunakan. Pemilihan model IRT dapat dilakukan setelah didapatkan hasil confirmatory factor analysis dengan melihat nilai model fit. Model dengan nilai good fit yang lebih baik akan menjadi model yangterpilih. Pemilihan model fit dengan langkah ini disebut sebagai pemilihan model melalui data empirik. Pemilihan model dan struktur dapat dibantu dengan melihat nature dari sebuah tes. Seperti pada tes seleksi dengan bentuk pilihan maka model IRT yang tepat digunakan untuk mengestimasi adalah model 3 parameter logistik. Kesalahan dalam memilih struktur dan model IRT terkadang tidak dapat dihindari karena ketidaktahuan peneliti. Diantara estimator yang ada dalam IRT terdapat satu estimator yang dikenal memiliki robust standar error atau dapat menghasilkan standar eror yang kecil jikadigunakan pada model IRT yang tidak tepat. Estimator ini dinamakan maximum likelihood with robust standard errors. Memperkecil standar eror berarti memperkecil ketidakakuratan estimasi yang disebabkan oleh kesalahan pemilihan model. Keakuratan MLR akan disandingkan dengan maximum likelihood estimator dalam mengestimasi. MLE dikenal dengan propertinya yang asimptotik jika digunakan pada sampel besar. Hasil yang didapatmemperlihatkan bahwa MLR dapat menghasilkan akurasi yang lebih baik pada model dengan sampel kecil sedangkan pada sampel besar MLE dan MLR memberikan hasil yang tidak berbeda.

---

ABSTRACTItem response theory gives more acurrate estimates of latent trait compared to classical test theory. These estimates are independent to any sample and test. But the result of estimates are depend on which model is used. That is why the selection of model in IRT is very important. The wrong model will cause the estimates inflate or underrated. Before a data can be calculated with IRT model we need to check the appropriate model and structure first. To know what structure will be used we first check the data using confirmatory factor analysis. The result will show which structure fits the data more, is it first order or second order data. To select the IRT model we do a fit of model testing. This is a trial and error step. Usually in fit model testing we propose more than one model to be tested. As not all models can be included for being tested, there are the chance for using a wrong model. Using a wrong structure and model sometimes can not be helped. In IRT there are estimator named maximum likelihood with robust standard error which is specialized to estimateparameters when the model is wrong. This can be done because of MLR is using Huber Sandwich method as estimator. In this research MLR is being compared to MLE to estimate a second order data which is treated as first order data. The error is being accompanied with IRT model variations (1-PL, 2-PL, and 3-PL) and three samples variations (350, 500, and 2000). As 2 x 3 x 3 combination models, we will have 18 models in result. The results showing that MLR produces smaller standard. But MLE is quite good too when the samplebeing used is as big as 2000"

"Tugas akhir ini membahas tentang distribusi Kumaraswamy-geometrik yang merupakan distribusi probabilitas dari peubah acak diskrit yang dibangun dengan menggunakan metode Transformed-Transformer. Distribusi Kumaraswamy dapat membuat distribusi geometrik menjadi lebih fleksibel. Pembahasan meliputi fungsi distribusi, fungsi kepadatan probabilitas, perilaku limit, serta kasus khusus dari distribusi Kumaraswamy-geometrik. Karakteristik-karakteristik dari distribusi Kumaraswamy-geometrik yang meliputi modus, persentil, momen, fungsi pembangkit momen, dan fungsi pembangkit probabilitas juga akan dibahas pada tugas akhir ini. Selanjutnya, Metode Maksimum Likelihood digunakan dalam tugas akhir ini untuk mencari penaksir parameter dari distribusi Kumaraswamy-geometrik. Pada bagian akhir, akan digunakan data tentang jumlah klaim suatu asuransi kendaraan bermotor sebagai ilustrasi penggunaan distribusi Kumaraswamy-geometrik.

---

This paper discusses about Kumaraswamy geometric distribution, a distribution of discrete random variable which formed by Transformed Transformer method. Kumaraswamy distribution can cause geometric distribution to be more flexible. This paper studies about distribution function, probability density function, limiting behavior, and special cases of Kumaraswamy geometric distribution.

Some properties of Kumaraswamy geometric distribution such as mode, percentile, moments, moment generating function, and probability generating function are studied. Then, Maximum Likelihood method is used to estimate the parameters of Kumaraswamy geometric distribution. Finally, data about number of claims on a motor insurance is used to illustrate the use of Kumaraswamy geometric distribution."

"Penelitian ini mengajukan sebuah model adopsi teknologi chatbot dengan pendekatan teori elaboration likelihood model. Konstruk peripheral yang diuji antara lain visual attractiveness, language mastery, dan reputation. Sementara konstruk central yang diuji adalah information quality. Teori technology acceptance model (TAM) dijadikan referensi untuk pengembangan model yang tidak hanya mengevaluasi model secara fungsional seperti perceived ease-of-use dan perceived usefulness tetapi juga secara social seperti perceived sociability. Instrumen penelitian dikembangkan dalam bentuk survei yang disebarkan secara daring dimana responden akan diberikan waktu untuk berinteraksi dengan chatbot dan kemudian mengevaluasi pengalaman yang dirasakan. Uji hipotesis dilakukan dengan analisis data responden sejumlah 392 data dengan menggunakan metode CB-SEM. Ditemukan bahwa teori ELM dapat diterapkan dalam konteks adopsi teknologi chatbot. Rute peripheral (visual attractiveness, language mastery, dan reputation) memiliki korelasi positif terhadap perceived sociability. Rute central memiliki korelasi positif yang kuat terhadap perceived usefulness dan korelasi positif yang moderat terhadap perceived ease-of-use. Perceived sociability dan perceived usefulness ditemukan dapat memprediksi intensi pengguna untuk berinteraksi secara kuat. Sementara perceived ease-of-use tidak memiliki efek yang signifikan terhadap intensi pengguna untuk interaksi berkelanjutan. Penelitian ini menguatkan penelitian-penelitian sebelumnya yang menemukan bahwa chatbot tidak hanya butuh penerimaan secara fungsional, namun juga sosial. Dengan hasil ini, pengembang dapat mengetahui bagaimana prioritas yang harus disusun dalam pengembangan chatbot yang digunakan secara berkelanjutan oleh penggunanya.

---

This study proposes a model for the adoption of chatbot technology using the Elaboration Likelihood Model (ELM) theory. Peripheral constructs that are tested in this study include visual attractiveness, language mastery, and reputation, while the central construct includes information quality. Technology Acceptance Model (TAM) is used as a reference for the development of this research model that discusses not only functional acceptance, such as perceived ease of use and perceived usefulness but also social acceptance (perceived sociability). Research instrument developed in the form of a survey distributed to respondents and will be given time to interact with the chatbot and then evaluate their experience. Hypothesis testing is done by analyzing the data of respondents amounting to 392 data using the CB-SEM method. It was found that ELM theory can be applied in the context of the adoption of chatbot technology. Peripheral route (visual attractiveness, language mastery, and reputation) have positive interactions with perceived sociability. The central route, information quality, has a strong positive correlation on perceived ease of use and perceived usefulness. Perceived sociability and perceived usefulness are found to be a predicting factor for intention to use, while perceived ease of use does not have a correlation with the intention to use. This research support previous studies that found that for a chatbot to be adopted needs not only functional acceptance but also social acceptance. With this result, chatbots developers can understand how to design a chatbot that will be used by its users."

"Suatu runtun waktu yang memiliki variabel respon biner disebut runtun waktu biner. Runtun waktu biner dapat dimodelkan menggunakan model umum Autoregressive dengan pendekatan regresi non-linier. Kedem Fokianos 2000 mengenalkan model runtun waktu biner melalui pendekatan Autoregressive dan regresi logistik. Metode yang digunakan untuk penaksiran parameter yaitu metode Partial Likelihood. Metode Partial Likelihood ini dilakukan dengan menentukan fungsi Partial Likelihood yang dibentuk dari probability density function pdf marginal distribusi Bernoulli. Namun, dalam proses penaksiran parameter menggunakan metode Partial Likelihood ditemukan kesulitan untuk mendapatkan solusi secara langsung dikarenakan persamaan yang tidak linier closed form. Oleh karena itu, untuk mengatasi hal tersebut dilakukan iterasi menggunakan metode Fisher Scoring. Aplikasi data pada penaksiran parameter untuk model runtun waktu biner dalam tugas akhir ini menggunakan data kompetisi balap perahu antara Universitas Cambridge dan Universitas Oxford yang dicatat pada tahun 1946 sampai 2011 dengan jumlah data berbeda yaitu 22, 44, dan 66 data. Berdasarkan aplikasi data yang dilakukan, diperoleh hasil bahwa penaksiran parameter untuk model runtun waktu biner menggunakan Partial Likelihood dengan jumlah data yang berbeda menghasilkan penaksir parameter yang relatif sama atau tidak memiliki perbedaan yang signifikan.

---

A time series that has binary respon variable is called a binary time series. Binary time series can be modeled using the Autoregressive general model and nonlinear regression approach. Kedem Fokianos 2000 introduced a binary time series model through the Autoregressive and logistic regression approach. The parameters of binary time series are estimated using the Partial Likelihood method. The Partial Likelihood method is performed by determining the Partial Likelihood function derived from the marginal probability density function pdf of Bernoulli distribution. However, in the process of parameter estimation using this method, the form of final function to obtain parameters is not in the closed form equation. To face this problem, Fisher scoring iterations are perfomed.

The application of parameter estimation of the model uses the data about boat racing competition between the University of Cambridge and Oxford University from 1946 to 2011. Based on the data application, parameter estimation of the binary time series model using partial likelihood with different amounts of data resulting in a relatively same or no significant parameter estimator."

"Distribusi Poisson seringkali digunakan untuk menganalisis data count. Distribusi Poisson memiliki asumsi ekuidispersi, yaitu nilai mean sama dengan nilai variansinya. Namun, yang sering terjadi pada data terapan adalah overdispersi, yaitu variansi lebih besar dari mean. Salah satu penyebab overdispersi adalah banyaknya pengamatan bernilai 0 pada data (excess zeros). Distribusi Zero-Inflated Poisson (ZIP) merupakan distribusi yang dapat digunakan pada data count dengan excess zeros. Distribusi ZIP merupakan campuran dari distribusi degenerate di 0 dan distribusi Poisson. Parameter dari distribusi ZIP adalah dan . Dengan menggunakan metode Maximum Likelihood Estimation (MLE), akan dicari taksiran titik untuk parameter dan, di mana menyatakan probabilitas pengamatan 0 merupakan structural zeros dan menyatakan mean dari subpopulasi yang berdistribusi Poisson. Walaupun penaksiran parameter distribusi ZIP menggunakan MLE menghasilkan taksiran parameter dengan nilai MSE yang kecil, namun taksiran parameter tersebut memiliki bias karena penaksiran parameter harus dilakukan secara numerik. Bias dari taksiran parameter tersebut dapat dikurangi menggunakan metode Bias-Reduced MLE. Penggunaan metode ini tidak memengaruhi nilai Mean­-Squared Error (MSE) yang dimiliki oleh penaksir parameter MLE, sehingga bias dari penaksir parameter MLE dapat berkurang tanpa mengubah nilai MSE. Data simulasi digunakan untuk mengilustrasikan penaksiran parameter distribusi ZIP menggunakan Bias-Reduced MLE. Simulasi menunjukkan bahwa penaksiran parameter Bias-Reduced MLE menghasilkan bias penaksir yang lebih kecil daripada penaksir MLE pada ukuran sampel yang kecil. Selain itu, nilai MSE dari penaksir parameter Bias-Reduced MLE tidak berbeda secara signifikan dengan penaksir parameter MLE. Maka dari itu, penaksiran parameter Bias-Reduced MLE dapat mengurangi bias dari penaksir parameter MLE pada ukuran sampel yang kecil tanpa mengubah nilai MSE dari penaksir parameter MLE secara signifikan.

---

Poisson distribution is commonly used to analyse count data. It requires equidispersion assumption, i.e. equality of mean and variance. However, what often happened to real data is overdispersion, i.e. variance exceeds mean. One of the cause of overdispersion is excess zeros. Zero-Inflated Poisson (ZIP) distribution can be used to analyse count data with excess zeros. ZIP Distribution is a mixing distribution ofdegenerate at 0 and Poissondistribution. Parameters of ZIP distribution are 𝜔and𝜆, where 𝜔denotes probability of structural zeros and denotes mean of Poisson distributed subpopulation. Those parameterswill be estimated by Maximum Likelihood Estimation (MLE) method. Although MLE estimates provide small MSE, but they are biased because the estimation should use numerical method. A way to reduce the bias is by Bias Reduced MLE method. This method would not compromise MSEso that the bias reduced while MSE remains the same. Illustration of Bias-Reduced MLE parameter estimation is given by generating simulation data.Data simulation shows that with Bias-Reduced MLE, ML estimators bias isreduced in small samples. Besides, the MSE of Bias Reduced ML estimator is not significantly different with ML estimator. So that, Bias-ReducedML estimator would reduce bias of ML estimator without compromise the MSE."

"Pemodelan data waktu tunggu berperan penting dalam berbagai bidang ilmu. Distribusi Weibull merupakan salah satu distribusi waktu tunggu yang umum digunakan karena dapat menggambarkan kemencengan yang sering kali ditemui pada data waktu tunggu. Namun, distribusi Weibull tidak selalu memberi kesesuaian pada data waktu tunggu, terutama yang memiliki fungsi hazard non monoton. Pada skripsi ini, dibahas pembentukan suatu distribusi baru, yaitu distribusi New Extended Weibull, untuk mengatasi masalah tersebut. Distribusi New Extended Weibull dihasilkan dengan metode modifikasi new extended yang dikenalkan oleh Khosa, et. al (2020). Modifikasi dilakukan dengan menambahkan suatu parameter shape 0 pada distribusi Weibull dua parameter melalui fungsi bobot. Distribusi baru ini cocok untuk memodelkan data yang memiliki fungsi kepadatan peluang dengan kemencengan negatif ataupun positif dan fungsi hazard rate yang monoton maupun yang non monoton. Beberapa karakteristik dari distribusi New Extended Weibull seperti fungsi kepadatan peluang, fungsi distribusi, fungsi survival, fungsi hazard rate, dan momen ke-𝑟 juga dibahas. Kemudian, taksiran parameter dilakukan dengan menggunakan metode maksimum likelihood. Pada bagian akhir, dilakukan pemodelan menggunakan distribusi NE-W pada data masa remisi pada pasien penderita kanker kandung kemih sebagai ilustrasi

---

Lifetime data modeling plays an important role in various fields of science. The Weibull distribution is one of the most commonly used lifetime distributions because it can describe the skewness that is often found in lifetime data. However, the Weibull distribution does not always fit the data, especially those with non-monotonous hazard rate functions. This study explained the construction of a new distribution, namely the New Extended Weibull distribution, to overcome this problem. The New Extended Weibull distribution is developed using the new extended modification method introduced by Khosa, et. al (2020). Modification is done by adding a shape parameter 0 to the two-parameter Weibull distribution through a weight function. This new distribution is suitable for modeling data with negative or positive skewness probability density function and not only monotonous, but also data with non-monotonous hazard rate functions. Some of the characteristics of the New Extended Weibull distribution, such as probability density function, cumulative distribution function, survival function, hazard rate function, and the 𝑟-th moment are also discussed. Then, parameter estimation is done by using the maximum likelihood method. In the final section, a practical application is discussed using the NE-W distribution model on the remission times data of patients with bladder cancer"