Hasil Pencarian  ::  Simpan CSV :: Kembali

"Data count sering diasumsikan berdistribusi Poisson yang hanya memiliki satu parameter dengan mean dan variansi sama. Namun pada kenyataannya, sering ditemukan data count dengan variansi yang lebih besar dari mean, keadaan ini dikenal dengan overdispersi. Saat terjadi overdispersi, maka data count tidak berdistribusi Poisson, sehingga perlu dicari distribusi lain yang dapat digunakan untuk menganalisis data count. Salah satu distribusi yang dapat digunakan adalah distribusi Binomial Negatif yang merupakan distribusi Campuran Poisson-Gamma (Mixture Poisson-Gamma Distribution). Pada tugas akhir ini akan dijelaskan mengenai perumusan distribusi Binomial Negatif sebagai distribusi Campuran Poisson-Gamma (Mixture Poisson-Gamma Distribution), penaksiran parameter pada distribusi Binomial Negatif yang merupakan distribusi campuran Poisson-Gamma, serta mempelajari sifat-sifat taksirannya.

---

Counts data, often assumed follows a Poisson distribution has same mean and variance value. But in fact, count data often has variance value greater than mean value, this condition is called by overdispersion. When overdispersion occured, data count doesn't have a Poisson distribution, so need to find another distribution which can be applied for data count analyzing. One of distribution which often be applied is Negative Binomial distribution which is form as a mixture Poisson-Gamma distribution. In this minithesis, estimators of Negative Binomial distribution (Mixture Poisson-Gamma distribution) and their characteristics will be explained."

"Data count adalah data yang berupa bilangan bulat non-negatif. Analisis regresi yang biasa digunakan untuk variabel respon yang berupa data count adalah regresi Poisson. Regresi Poisson memerlukan asumsi bahwa mean pada variabel respon sama dengan variansinya. Jika asumsi tersebut dilanggar yaitu pada saat variansi lebih besar dibanding mean atau disebut kondisi overdispersi, maka regresi Poisson tidak sesuai untuk menganalisis data tersebut. Overdispersi pada regresi Poisson dapat membuat standard error dari taksiran parameter regresi cenderung lebih rendah dari seharusnya, sehingga menghasilkan kesimpulan yang tidak valid. Model regresi Binomial Negatif merupakan salah satu model yang dapat digunakan saat terjadi overdispersi pada data count. Tugas akhir ini akan membahas mengenai penaksiran parameter model regresi Binomial Negatif dengan metode maksimum likelihood dimana solusi dari fungsi likelihood-nya diselesaikan dengan metode Newton-Raphson. Uji kesesuaian model yang digunakan mencakup statistik pseudo-R2, uji rasio likelihood, dan uji Wald.

---

Count data is the non-negative integer data. Regression analysis is commonly used for count dependent data variabel is Poisson Regression. Poisson Regression has an assumption that mean of response variable equal to its variance. If the assumption is violated, where the variance is greater than mean, called overdispersion, then Poisson regression is inconvenient to analyze the data. Overdispersion on Poisson regression may underestimate the standard errors of regression parameters and consequently, giving misleading inference about the regression parameters.

Negative Binomial regression model is one of the models that can be used when there is evidence of overdispersion count data. This final task will discuss about estimating parameter of Negative Binomial regression model by maximum likelihood methods, which the maximum likelihood estimates may be solved by using the Newton-Raphson iteration. Goodness of fit testing of this model includes pseudo-R2 statistic, likelihood ratio, and Wald test. "

"Model pilihan diskrit adalah model yang digunakan untuk memodelkan pilihan. Model pilihan diskrit dapat diturunkan dari fungsi utilitas yang direpresentasikan dalam probabilitas pembuat keputusan memilih alternatif pilihan yang memberikan utilitas maksimum. Salah satu model pilihan diskrit adalah Model Mixed Logit. Model ini mengasumsikan koefisien dari variabel penjelasnya bersifat random yang dapat menggambarkan selera antar pembuat keputusan yang berbeda-beda dalam menentukan pilihan; dan komponen error berdistribusi Gumbel. Model Mixed Logit merupakan campuran antara Model Logit dan distribusi dari koefisien random variabel penjelas. Parameter yang akan ditaksir pada Model Mixed Logit adalah parameter dari distribusi koefisien random, seperti mean dan variansi. Penaksiran parameter Model Mixed Logit menggunakan metode Maximum Simulated Likelihood Estimator (MSLE) berdasarkan metode Halton Sequence. Setelah diperoleh taksiran parameter, selanjutnya probabilitas pembuat keputusan untuk masing-masing pilihan dihitung, sehingga diperoleh alternatif pilihan yang memaksimumkan utilitas pembuat keputusan.

---

A discrete choice model is a model that be used to modelling the choices. A discrete choice model can be derived from a utility function which represented in probability of decision maker chooses an alternative which give maximum utility. Mixed Logit model is one of these choice type models. Mixed Logit model assumes that random coefficient of variable which can capture different taste variation over decision makers; and error term is Gumbel distributed.

Mixed Logit model is a mixture between Logit model and distribution of random coefficient. Estimated parameter in Mixed Logit model is parameter of random coefficient distribution, i.e mean and variance. The method of parameter estimation of this model is Maximum Simulated Likelihood Estimator (MSLE) which based on Halton Sequence method. After estimator is obtained, then probability that decision maker for each alternative calculated, so that an alternative which maximize utility of decision maker is obtained."

"Tugas akhir ini membahas tentang distribusi Weibull-Pareto yang merupakan distribusi probabilitas kontinu yang dibangun dengan menggunakan metode Transformed-Transformer. Distribusi Weibull-Pareto dapat menggambarkan data yang menceng kanan, menceng kiri, atau simetris serta dapat menggambarkan data yang mempunyai light-tailed maupun heavy-tailed. Pembahasan meliputi fungsi kepadatan probabilitas, fungsi distribusi, fungsi survival, dan fungsi hazard. Kemudian dicari karakteristik-karakteristik dari distribusi Weibull-Pareto yang meliputi modus, persentil, dan fungsi pembangkit momen. Terakhir dicari taksiran parameter dari distribusi ini dengan menggunakan metode Alternative Maximum Likelihood (AML). Simulasi data juga dilakukan sebagai ilustrasi.

---

This paper discusses about Weibull-Pareto distribution, the continuous probability distribution which arised by Transformed-Transformer method. The Weibull-Pareto distribution gives a good fit to right skew, left skew, or symmetric. In particular, Weibull-Pareto distribution can solve light tailed or heavy tailed problem. At first, we study about probability density function, cumulative distribution function, survival function, and hazard function. Then, we find the characteristic of Weibull-Pareto distribution, that is mode, percentile, and moment generating function. Finally, we estimate the parameters of Weibull-Pareto distribution using Alternative Maximum Likelihood (AML) method. Simulation data is used as illustration."

"Pengaruh suatu variabel terhadap variabel lain seringkali dipengaruhi oleh adanya variabel mediasi. Dengan adanya variabel mediasi, total pengaruh dari variabel penjelas laten terhadap variabel dependen laten merupakan penjumlahan dari pengaruh langsung dan tidak langsung dari variabel-variabel terkait. Pengaruh langsung dan tidak langsung dari variabel penjelas laten terhadap variabel dependen laten melalui variabel mediasi laten dapat dicari dengan metode SEM. Jika metode SEM tersebut dilakukan pada beberapa penelitian similar maka pengaruh langsung dan tidak langsung dapat dicari dengan metode meta-SEM. Dalam metode meta-SEM digunakan taksiran gabungan untuk koefisien korelasi yang didapat dengan metode meta-analisis sebagai entry pada matriks input metode SEM. Metode meta-SEM akan diterapkan untuk mencari total pengaruh variabel Brand Experience terhadap variabel Customer Attachment melalui variabel mediasi Loyalty pada penelitian perbankan yang dilakukan oleh suatu perusahaan market riset.

---

The effect of variables to the other variables usually affected by a mediation variable. By the existence of mediation variable, total effect from an independent latent variable to a dependent latent variable is addition of direct effect and indirect effect from the ralated variables. The direct effect and the indirect effect from independent latent variables to dependent latent variables through mediation latent variable are founded by SEM method. In case where some similar researches use SEM method so the direct effect and indirect effect from independent latent variables to dependent latent variables through mediation latent variable are founded by meta-SEM method. Meta-SEM method use a joint statistical inference for correlation coefficient which is determined by meta-analysis method as entries of input matrix in SEM method. In banking research that being worked by research market company, meta-SEM method will be used to find total effect from Brand Experience variable to Customer Attachment variable through Loyalty mediation variable in the banking research from research market company."

"Pada tugas akhir ini dibahas mengenai distribusi bivariat Gamma, yang aplikasinya banyak ditemui pada bidang hidrologi. Pembahasan meliputi konstruksi dan sifat – sifat dari distribusi bivariat Gamma. Pada proses konstruksi, digunakan 3 cara yang berdasarkan karakterisasi dari distribusi Gamma dan Beta. Sehingga menghasilkan 3 tipe distribusi bivariat Gamma yaitu tipe I, II, dan III. Sesudah tahap konstruksi, pada bentuk joint p.d.f dinyatakan dalam fungsi Whittaker. Sifat-sifat yang dibahas meliputi conditional p.d.f, product moment, kovariansi, dan korelasi. Sebagai ilustrasi digunakan data simulasi untuk tipe I, II, dan III. Hasil simulasi menunjukkan kesesuaian dengan teori yang dibahas.

---

In this final project, discussed the bivariate Gamma distribution, whose applications were encountered in the field of hydrology. The discussion includes the construction and some properties of bivariate Gamma distribution. In the construction process, used 3 ways, which based on the characterization of the Gamma and Beta distributions, resulting bivariate Gamma distribution of 3 types namely type I, II, and III.

After the construction phase, the joint p.d.f is expressed in the form of Whittaker functions. The properties covered include conditional p.d.f, product moment, covariance, and correlation. As an illustration, used simulated data for type I, II, and III. Simulation results demonstrate conformity with the theory are discussed."

"Teorema Menelaus dan Teorema Ceva merupakan teorema pada planegeometry. Kedua teorema tersebut pertama kali dikemukakan pada segitiga, untukselanjutnya kedua teorema tersebut dapat berlaku juga pada poligon. Pada tugasakhir ini akan dibahas pembuktian kedua teorema tersebut pada poligonmenggunakan perbandingan luas pada segitiga.Kata kunci: Teorema Menelaus, Teorema Ceva, perbandingan luas segitiga, planegeometry, dan poligon.vi + 33 hlmn.;lamp."

"Pada penelitian survival, kadang kala survival time dipengaruhi oleh faktor-faktor lain. Untuk kondisi tersebut dapat digunakan metode analisis regresi dengan model Cox PH. Dari model Cox ini, diperoleh bahwa hazard ratio untuk dua individu dengan nilai kovariat yang berbeda tidak akan dipengaruhi oleh waktu. Atau dengan perkataan lain, hazard untuk satu individu proporsional dengan hazard individu lainnya dengan keproporsionalan yang konstan, tidak dipengaruhi oleh waktu. Oleh sebab itu, ketika diterapkan pada data harus diperiksa apakah asumsi tersebut terpenuhi. Pengecekan asumsi proportional hazard akan dilakukan dengan dua pendekatan. Pendekatan yang pertama dengan grafik, yaitu grafik log-log, dan yang kedua dengan pengujian goodness-of-fit. Metode grafik memberikan hasil yang subjektif sedangkan pengujian goodness-of-fit memberikan hasil yang objektif berdasarkan pengujian statistik.

---

In survival studies, sometimes the time until the occurrence of an event is influenced by other factors. Cox PH model, which is one of the semi parametric regression method can be applied for the data analysis. From this Cox model, it is found that the hazard ratio for two individuals with different covariates not be affected by time. In other words, hazard for an individual is proportional with hazard from another individual with constant proportionality, not affected by the time. Therefore, when applied to the data, it should be checked whether the assumptions are met. The assumption of proportional hazard will be checked using two approaches. The first approach using graph, the log-log graph, and the second by testing the goodness-of-fit. Graphical method gives subjective results while the goodness-of-fit testing gives objective results based on statistical testing."

"Remainder systematic sampling adalah suatu metode pengambilan sampel yang merupakan perluasan dari metode systematic sampling untuk kasus dimana ukuran populasi bukan merupakan kelipatan dari ukuran sampel. Taksiran mean yang didapat dengan remainder systematic sampling adalah taksiran yang takbias. Contoh penerapan akan diberikan untuk menunjukkan hal tersebut.

---

Remainder systematic sampling is an extension of the systematic sampling that applied to cases where population size is not a multiple of the sample size. Estimated mean obtained by remainder systematic sampling is unbiased estimator. Examples of the application will be given. "

"Misalkan 𝐺𝐺(𝑝𝑝, 𝑞𝑞) adalah sebuah graf dengan 𝑝𝑝 = |𝑉𝑉(𝐺𝐺) | dan 𝑞𝑞 = |𝐸𝐸(𝐺𝐺) | masing-masing adalah banyaknya simpul dan busur dari 𝐺𝐺. Pelabelan total (a, d)-busur anti ajaib ((a, d)-PTBAA) dari sebuah graf 𝐺𝐺(𝑝𝑝, 𝑞𝑞) adalah sebuah pemetaan satu-satu f dari 𝑉𝑉(𝐺𝐺) ∪ 𝐸𝐸(𝐺𝐺) ke himpunan {1, 2,?, 𝑝𝑝 + 𝑞𝑞} sedemikian hingga himpunan bobot busur { 𝑓𝑓(𝑢𝑢) + 𝑓𝑓(𝑢𝑢𝑢𝑢) + 𝑓𝑓(𝑣𝑣) ∶ 𝑢𝑢𝑢𝑢 ∈ 𝐸𝐸(𝐺𝐺)} sama dengan {𝑎𝑎, 𝑎𝑎 + 𝑑𝑑, 𝑎𝑎 + 2𝑑𝑑,?, 𝑎𝑎 + (𝑞𝑞 − 1)𝑑𝑑 } untuk suatu bilangan bulat a > 0 dan d ≥ 0. Jika 𝑓𝑓(𝑉𝑉) = {1, 2,?, 𝑝𝑝} maka pelabelan f disebut pelabelan total super (a, d)-busur anti ajaib ((a, d)-PTSBAA), dan jika d = 0 maka pelabelan f disebut juga pelabelan total busur ajaib (PTBA). Pada tesis ini dibangun suatu konstruksi (a, d)-PTBAA pada gabungan m graf korona 𝐶𝐶𝑛𝑛 ⊚ 𝑃𝑃2 isomorfik untuk 𝑑𝑑 = 0 dan 𝑑𝑑 = 2, dan gabungan m graf prisma 𝐶𝐶𝑛𝑛 × 𝑃𝑃2 isomorfik untuk 𝑑𝑑 = 0, 𝑑𝑑 = 1 dan 𝑑𝑑 = 2.

---

Let 𝐺𝐺(𝑝𝑝, 𝑞𝑞) is a graph with 𝑝𝑝 = |𝑉𝑉(𝐺𝐺) | and 𝑞𝑞 = |𝐸𝐸(𝐺𝐺) | be respectively the number of vertices and the number of edges of 𝐺𝐺. An (a, d)-edge antimagic total labeling ((a, d)-EAT labeling) of a 𝐺𝐺(𝑝𝑝, 𝑞𝑞) graph is defined as a one-to-one mapping f from 𝑉𝑉(𝐺𝐺) ∪ 𝐸𝐸(𝐺𝐺) onto the set {1, 2,?, 𝑝𝑝 + 𝑞𝑞}, so that the set of weight { 𝑓𝑓(𝑢𝑢) + 𝑓𝑓(𝑢𝑢𝑢𝑢) + 𝑓𝑓(𝑣𝑣) ∶ 𝑢𝑢𝑢𝑢 ∈ 𝐸𝐸(𝐺𝐺)} is equal to {𝑎𝑎, 𝑎𝑎 + 𝑑𝑑, 𝑎𝑎 + 2𝑑𝑑, ?,𝑎𝑎+𝑞𝑞−1𝑑𝑑 for two integer a > 0 and d ≥ 0. If 𝑓𝑓𝑉𝑉=1, 2, ?, 𝑝𝑝 then f labeling is called super (a, d)-edge antimagic total labeling (super (a, d)-EAT labeling) and when d = 0 then f labeling is called edge magic total labeling (EMT labeling). In this thesis was constructed (a, d)-EAT labeling on union of isomorphic corona 𝐶𝐶𝑛𝑛 ⊚ 𝑃𝑃2 graphs for 𝑑𝑑 = 0 and 𝑑𝑑 = 2, and union of isomorphic prisms 𝐶𝐶𝑛𝑛 × 𝑃𝑃2 graphs for 𝑑𝑑 = 0, 𝑑𝑑 = 1 and 𝑑𝑑 = 2."