Hasil Pencarian  ::  Simpan CSV :: Kembali

"Overdispersion adalah masalah yang sering ditemukan saat memodelkan data cacah. Overdispersion ditandai dengan nilai variansi lebih besar dari mean. Penyebab overdispersion yang sering terjadi adalah banyaknya pengamatan bernilai nol pada suatu data. Akibatnya, distribusi Poisson yang memiliki nilai mean dan variansi yang sama (equidispersion) tidak cocok lagi untuk memodelkan data cacah tersebut. Salah satu alternatif distribusi untuk mengatasi kondisi overdispersion adalah distribusi Poisson-Lindley. Namun, distribusi Poisson-Lindley hanya memiliki fungsi massa peluang monoton turun. Untuk menambah fleksibilitas distribusi Poisson-Lindley, distribusi tersebut diberikan bobot berupa fungsi bobot binomial negatif. Pemberian fungsi bobot binomial negatif ini tetap menghasilkan distribusi dengan nilai variansi lebih besar dari mean sehingga tetap dapat digunakan untuk mengatasi kondisi overdispersion. Distribusi baru yang diperoleh disebut distribusi weighted negative binomial Poisson-Lindley (WNBPL). Pada tugas akhir ini dibahas mengenai proses pembentukan distribusi weighted negative binomial Poisson-Lindley, beberapa karakteristiknya, dan pengestimasian parameternya dengan metode maksimum likelihood. Sebagai ilustrasi, digunakan data frekuensi klaim pemegang polis untuk dimodelkan dengan distribusi WNBPL.

---

Overdispersion is a common problem when modeling count data. Overdispersion is characterized by the variance greater than the mean. The cause of overdispersion that often occurs is the large number of zero-value observations in a data. As a result, the Poisson distribution which has the same mean and variance (equidispersion) is no longer suitable for modeling the count data. An alternative distribution to overcome the overdispersion condition is the Poisson-Lindley distribution. However, probability mass function of Poisson-Lindley is monotonic decreasing. To increase the flexibility of the Poisson-Lindley distribution, the distribution is given a weight function in the form of a negative binomial weight function. Giving this negative binomial weight function still creates a distribution with the variance greater than the mean to overcome overdispersion data. The new distribution obtained by giving that weight function is called the weighted negative binomial Poisson-Lindley (WNBPL) distribution. This thesis discusses the formation of the weighted negative binomial Poisson-Lindley distribution, some of its characteristics, and estimate its parameters using the maximum likelihood method. As an illustration, WNBPL distribution is used to model the data of frequency claims by policyholders."

"ABSTRAKFungsi distribusi binomial adalah fungsi yang memetakan probabilitas dari terjadinya kjumlah sukses dalam n jumlah percobaan dari kejadian yang memiliki dua kemungkinan,yaitu berhasil atau gagal. Leblanc & Johnson telah membuktikan sebuah sifat kemonotonanpada fungsi distribusi binomial. Pada skripsi ini, akan ditinjau perluasan fungsidistribusi binomial dari variabel diskrit ke kontinu juga sifat kemonotonan totalnya danperluasan dari pertidaksamaan Leblanc & Johnson.

---

ABSTRACTThe binomial distribution function is a function that maps the probability of k successes in n trials from an incident with two possibilities, which are true or false. Leblanc & Johnson have proven a case of monotonicity on the binomial distribution function. On this paper, an extension of the binomial distribution function and its complete monotonicity and an extension of the Leblanc & Johnson inequality will be reviewed."

"ABSTRAKPerlintasan sebidang kereta api dengan jalan merupakan titik pertemuan yang memiliki potensi risiko kecelakaan yag pada umumnya dipicu oleh perilaku pengemudi kendaraan bermotor ataupun fasilitas pengaman persilangan sebidang tersebut. Penelitian ini dilakukan di Jawa Tengah, di mana pada tahun 2015-2018, jumlah kecelakaan kereta api sebanyak 185 kasus kecelakaan dengan korban sebanyak 751 orang. Terdapat 2 (dua) tujuan dari penelitian ini, yaitu: Pertama, untuk mengetahui hubungan kenapa sebuah persilangan sebidang terjadi kecelakaan dan lainnya tidak terjadi kecelakaan yang dikaitkan dengan prasarana jalan maupun jalan rel dan fasilitas yang ada Pendekatan yang ada dengan mengembangkan model kecelakaan persilangan sebidang dengan menggunakan generalized linear model (GLM) dengan pendekatan Negative binomial karena pada hakekatnya pada persilangan sebidang lebih banyak persilangan yang tidak pernah terjadi kecelakaan. Dari hasil analisis diketahui faktor yang mempengaruhi jumlah kecelakaan di perlintasan sebidang kereta api adalah faktor lebar jalan (X1), pengaturan palang pintu rel (X2) dan alinemen vertikal (X6). Kedua untuk mengetahui faktor apa saja dikaitkan dengan pengguna kendaraan jalan yang melintasi persilangan sebidang kereta api terhadap fatalitas korban kecelakaan sebagai proksi memahami faktor apa saja pada manusia yang perlu dipahami untuk meningkatkan upaya keselamatan pada pelintasan sebidang kereta api. Untuk ini model yang dikembangkan dengan menggunakan Ordered Probit Model (OPM) dari analisis ini diketahui faktor yang berpengaruh pada fatalitas yaitu faktor jenis kendaraan (X1) dan cahaya saat kecelakaan (X6). Penelitian ini dapat dijadikan dasar untuk peningkatan keselamatan dengan perbaikan fasilitas persilangan ataupun upaya-upaya modifikasi perilaku manusia untuk lebih mengutamakan keselamatan.

---

ABSTRACTRailroad Level Crossing with road is a conflict point with potential high risk of accidents. In general, it is caused by driver's behavior and railroad level crossing safety facilities. Based on Directorate General of Railways, in Indonesia in 2014-2015 the number of train-car crashes were 96 in which death toll were 101 people. The research will conduct in Central Java Province where in 2015-2018, there were 185 cases of accidents and the number of fatalities was 751. The study objectives were having two folds: First, to understand why particular railroad level crossing having accidents and other do not have accidents in relation with railroad and road conditions and the facilities. The model will used the generalized linear model (GLM) with the Negative Binomial (NB). Negative Binomial has been chosen because basically, the fact a high numbers of level crossing never having an accident. From the analysis results it is known that the factors that influence the number of accidents at the railway level crossing are road width (X1), railroad crossing (X2) and vertical alignment (X6). Second, to understands which human factors contribute to an accident to the level of severities. This is a way as a proxy to understand which factors of human behavior should be considered for improving the safety. The model will utilize the Ordered Probit Model (OPM), from this analysis, it is known that the factors that influence the fatality are the type of vehicle (X1) and light at the time of the accident (X6). The results will benefit for improving the railroad level crossing by improving of crossing facilities and how to modificate human behavior for more concern to have safety behavior."

"Fungsi distribusi binomial adalah fungsi yang memetakan peluang terjadinya k jumlah keberhasilan dalam n jumlah percobaan suatu peristiwa yang memiliki dua kemungkinan, yaitu sukses atau gagal. Leblanc & Johnson telah membuktikan sifat monoton pada fungsi distribusi binomial. Dalam tesis ini, kami akan meninjau perluasan fungsi distribusi binomial dari variabel diskrit ke variabel kontinu serta monoton totalnya dan perluasan ketidaksetaraan Leblanc & Johnson.DThe binomial distribution function is a function that mapped the probability of the occurrence of k the number of successes in a number of trials of an event that has two possibilities, namely, success of failure. Leblanc & Johnson has proven monotony on the binomial distribution function. In this dissertation we will investigate the extension of the function binomial distribution of discrete variables to continuous changes and their total monotony expansion of the Leblanc & Johnson inequality."

"Pekerja commuter yang berasal dari Depok menuju daerah Sudirman mayoritas memilih KRL sebagai moda transportasi. Saat ini pemerintah berencana untuk megoperasikan feeder bus dari Depok menuju Ragunan dan selanjutnya menggunakan bus transjakarta koridor 6. Untuk mengetahui probabilitas orang yang memilih bus digunakan analisa dari model logit. Responden pengguna KRL asal Sukmajaya mempunyai probabilitas memilih bus yang lebih besar dibandingkan dengan responden pengguna KRL dari berbagai Kecamatan. Dari hasil analisa uji sensitivitas diketahui bahwa atribut yang paling sensitif mempengaruhi probabilitas pemilihan moda adalah biaya dan waktu. Dengan adanya perubahan nilai atribut biaya dan waktu secara gradual, nilai probabilitas memilih bus sebesar 0,5 akan tercapai jika terdapat kondisi sebagai berikut: biaya bus feeder Rp.0 untuk responden dari berbagai Kecamatan, biaya bus feeder Rp.1700,00 untuk responden dari Sukmajaya, waktu bus feeder 10 menit untuk dari berbagai Kecamatan, dan waktu bus feeder 28 menit untuk responden dari Sukmajaya.

---

Commuter workers who come from Depok to Sudirman area majority choose KRL as a mode of transportation. Currently, the government plans to operate feeder bus from Depok to Ragunan and then use the bus corridor Transjakarta 6. To determine the probability of people choosing the bus is used the analysis of the logit model. Respondents of KRL user from Sukmajaya have a probability of choosing bus bigger than respondents KRL user of the various Districts.

From the analysis, test sensitivity is known that the most sensitive attributes affect the probability of modal choice are cost and time. If there are changes in cost and time attribute values gradually, the probability of choosing bus of 0.5 would be achieved if the following conditions exist: the cost of feeder bus is Rp.0 for respondents from the various Districts, the cost of feeder bus is Rp.1700, 00 for respondents from Sukmajaya, the time of feeder bus is 10 minutes for respondents from the various Districts, and the time of feeder bus is 28 minutes for respondents from Sukmajaya."

"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 regresiZero Inflated Poisson (ZIP) digunakan untuk memodelkan count data dengan overdispersi yang disebabkan oleh nilai nol yang berlebih pada pengamatannya(excess zero). Namun, ketika overdispersi berasal dariexcess zerodan datacount, makaZIP tidak lagi cocok. Model regresi Zero Inflated Negative Binomial (ZINB) bertujuan untuk mengetahui variabel apa saja yang berpengaruh secara signifikan terhadap variabelrespon. Data untuk regresi ZINB ini memiliki dua sumber overdispersi. Terdapat dua proses pada variabel respon, yang mendasari pengamatan masuk ke dalam structural zeros atau Negative Binomial (NB) counts. Jadi, regresi ZINB terdiri dari dua model. Pada kedua model tersebut dilakukan penaksiran parameter menggunakan metode Bayesian. Metode ini menganggap parameter-parameter yang digunakan merupakan variabel acakyang memiliki distribusi sebagai informasi prior, dan mengkombinasikannya dengan data yang dimiliki. Kombinasi tersebut selanjutnya disebut sebagai distribusi posterior. Sampling parameter dari distribusi posterior dilakukan dengan simulasi Markov Chain Monte Carlo (MCMC). Sebagai penerapan, digunakan data Parkinson dari Parkinsons Progression Markers Initiative (PPMI). Variabel responnya yaitu frekuensi seberapa sering pasien mengalami komplikasi setelah meminum obat atau tidak, dan variabel prediktornya berupa skor pemeriksaan aspek motorik, non-motorik, dan respon-respon tubuh. Diperoleh hasil bahwa model ZINB cocok untuk memodelkan data tersebut yangditandai dengan hasil simulasi yang konvergen.

---

Zero Inflated Poisson (ZIP) regression model is a standard framework for modeling discrete data with over-dispersion caused by excess zero. When over-dispersion has comefrom excess zero and count data, ZIP is no longer matches. A Zero Inflated Negative Binomial (ZINB) regression model aims to analyze the variables affecting data with two sources of over-dispersion. Hence there are two processes at the response variable, which make an observation classified as structural zeros or Negative Binomial (NB) counts. So, ZINB regression consists oftwo models. This paper will use Bayesian method forestimating parameter in both models. The Bayesian method considers parameters to bea random variable that has distribution known as prior distribution, and combine with information of the data. This combination referred as posterior distribution. Sampling parameter from posterior distribution is done using Markov Chain Monte Carlo (MCMC) simulation. As an application, the Parkinsons data is used from Parkinsons Progression Markers Initiative (PPMI). Frequency of how often the patient has complications aftertaking the drug or not is the response, and the predictive variables are motoric aspect, non-motoric aspect, and body responses test scores. The simulation result shows that it isconvergent, indicate that ZINB model is suitable for modeling Parkinsons data."

"Pemodelan jumlah klaim mengklaim salah satu topik paspor adalah praktik lapangan. masalah ini sering ditemukan dalam model ingthataatais persebaran. Poisson dributiontion yang digunakan dalam pemodelan sumber klaim tidak dapat digunakan sebagai fakta overproperti penyebaran.Oleh karena itu, distribusi yang distandarisasi di luar negeri dapat dimanfaatkanjumlah klaim yang mengklaim pengungkapan properti yang dibutuhkan. Dalam tulisan ini, analternatif menerima distribusi yang dihasilkan, yaitu Distribusi Umum Biomial Negatif-Negatif Distribusi adalah distribusi distribusi negatif negatif dan distribusi Membalik Gaussie dan distribusi metameterisasi pada parameter negatif Distribusi binomial yaitu p = exp (), di mana nilai variabel acak acak yang didistribusikan Inverse Gaussian. Distribusi eksternal ini adalah unimodal, hasa tebal thailand hasa positif menghasilkan kewajiban koefisien. Dalam tesis tingkat bawah, kemungkinan serangan dan komitmen faktorial dari distribusi NB-IG yang didistribusikan. Berarti, varians, skewness danurturtasthasic properties ofNB-IG distribusi disajikan dan parameter pengujian diperlakukan melalui survival maksimum maksimum metode estimasi. Kepenuhan distribusi NB-IG diilustrasikan oleh data nyata set.

---

One topic of passports is field practice. this problem is often found in modeling the data distribution. tion used in modeling claims sources cannot be used as a fact of overproperty distribution. Therefore, standardized distributions abroad can be used the number of claims claimed In this paper, accept the resulting distribution, namely General Negative-Negative Biomial Distribution, Distribution is negative negative distribution and Gaussie Reverse distribution and metameterization distribution on negative parameters, binomial distribution ie p = exp (), where the variable value Varies Published InverseGaussian. This external distribution is immunodal, Thailand has a positive potential to produce the coefficient obligation. In the lower-level thesis, attacks and factorial commitments from the distributed NB-IG distribution are published. Means, variants, skewness and strictness of the properties of NB-IG distribution are presented and test parameters are approved through maximum maximum survival estimation method. The fullness of the NB-IG distribution is illustrated by real data sets."