Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam analisis yang berhubungan dengan waktu ketahanan sering timbul masalah data waktu ketahanan yang tersensor maka diperlukan metode analisis yang memperhatikan masalah sensoring. Waktu ketahanan individu sangat tergantung dari karakteristik-karakteristik individu yang bersangkutan. Dalam Statistik karakteristik-karakteristik ini dapat disebut Kovariat. Salah satu metode analisis yang dapat mengatasi masalah sensoring dengan memperhatikan kovariat individu (yang berupa variable kategorik) adalah Model Coxs Propotional Hazard. Tugas akhir ini membahas model Coxs Proporsional Hazard dengan focus pada Resiko Kegagalan Relatif (kerusakan/kematian) dan Ketahanan (ketahanan hidup/ketahanan pemakaian). Aplikasinya membahas ketahanan pasien penyakit jantung dengan transplantasi dan usia sebagai kovariatnya"

"Error in variable model adalah model regresi dimana variabel independennya mengandung error. Hal ini dikarenakan nilai sebenarnya dari variabel independen tidak diketahui dan tidak dapat diukur dengan tepat sesuai dengan nilai sebenarnya (disebut dengan variabel independen yang tidak terobservasi), sehingga nilai sebenarnya dari variabel independen ini diwakilkan oleh nilai yang didapat dari suatu proses pengukuran yang belum tentu sesuai dengan nilai sebenarnya. Salah satu jenis error in variable model adalah classical error in variable model. Pada classical error in variable model, terdapat dua jenis variabel independen yang tidak terobservasi, yaitu fixed dan random. Pada penulisan tugas akhir ini akan dibahas mengenai penaksiran parameter pada classical error in variable model dimana variabel independen yang tidak terobservasi berdistribusi normal dengan menggunakan metode maksimum likelihood."

"Sistem tata udara presisi merupakan sistem yang mempunyai dua masukan, yaitu kecepatan putaran kipas dan kompresor, dan dua keluaran ,yaitu temperature dan kelembaban, umumnya disebut sebagai sistem Multi Input dan Multi Output (MIMO). Sistem MIMO ini menyebabkan pencarian model fisik dari sistem tata udara presisi menjadi relative sangat sulit. Oleh karena itu, diperlukan identifikasi sistem yang bersifat black box. Selain itu, dibutuhkan identifikasi model yang bersifat adaptif dan prediktif, sehingga model yang didapatkan lebih baik dalam merepresentasikan sistem tata udara presisi.Identifikasi subspace diakui sangat efisien untuk model system yang multivariable, dan estimasi yang dilakukan hanya dari state system yang berasal dari pengaturan data input dan output. Dalam penelitian ini, metode subspace yang akan digunakan untuk memprediksi sistem tata udara presisi adalah PO MOESP. PO MOESP merupakan salah satu metode dari 4SID yang sangat baik digunakan untuk identifikasi multivariable. Dalam penelitian ini, metode tersebut digunakan secara offline dan online. Metode PO-MOESP ini selanjutnya akan diuji berbagai data, antara lain data linear, data nonlinear model PAC, dan data PAC hasil eksperimen, dimana seluruh data tersebut akan diproses secara offline dan Rekursif.Metode PO-MOESP Rekursif yang akan digunakan dalam penelitian ini akan diujicobakan ke suatu peralatan PAC. Jadi hasil yang diharapkan dari proses identfikasi ini adalahmetode identifikasi yang dapat bekerja dan memberikan identifikasi yang akurat merepresentasikan suatu sistem tata udara presisi, dimana identifikasi ini selanjutnya akan digunakan untuk model predictive control (MPC).

---

Precision Air Conditioning System has two inputs, namely the rotation speed of the fan and compressor, and two outputs, namely temperature and humidity, commonly referred to as Multi Input and Multi Output(MIMO). MIMO system is causing a physical model of the search system of air relative precision becomes very difficult. Therefore, required identification that are black box systems. In addition, the model identification is required to be adaptive and predictive models obtained thus better represent the system of air in precision.Subspace identificationis recognized very efficiently for a multivariable system models, and estimation is done only from the state system derived from the data input and output settings. In this study, subspace methods to be used to predict the system of air is PO-MOESP precision. PO-MOESP is one of the methods used 4SID excellent for multivariable identification. In this study, the method used offline and recursive. PO-MOESP this method will be tested a variety of data, including linear data, data nonlinear model of PAC, PAC data and experimental results, where all data will be processed offline and recursive.PO-MOESP recursive method to be used in this study will be tested to a PAC equipment. So the expected results of this identification process is the identification method that can work and provide an accurate identification represents a system of air-precision, where the identification is then used to model predictive control (MPC)."

"Analisis survival telah banyak digunakan dalam berbagai bidang, termasuk aktuaria. Analisis survival hendak diketahui distribusi dari waktu hingga terjadi suatu kejadian yang diamati. salah satu parameter yang dapat menjelaskan distribusidari waktu hingga terjadi kejadian tersebut ..."

"Penelitian pada skripsi ini berisi tentang perancangan, pembuatan dan analisis dari sistem Smart Stick berbasis FPGA Xilinx Spartan 6 pada papan pengembang Nexys3 dengan antar muka komunikasi Bluetooth. Sistem ini merupakan pengembangan dari prototipe Smart Stick untuk tuna netra yang berfungsi sebagai alat bantu berjalan bagi tuna netra dalam menentukan arah. Metode yang di gunakan dalam penelitian mengikuti tahapan Software Development Life Cycle (SDLC). Bahasa pemograman VHDL di gunakan dalam mengkonfigurasi FPGA. Sistem ini akan mengintegrasikan FPGA dengan modul antarmuka Bluetooth, sensor inframerah dengan integrasi ADC mikrontroller sebagai modul pendeteksi halangan, serta modul buzzer. Sistem ini mempunyai persentase error sebesar 5,32% ± 2,05% pada modul pendeteksi halangan infra merah dan dapat bekerja sampai dengan jarak optimal 25 m pada keadaan outdoor dan 20 m pada keadaan indoor dengan sekat kaca 6 cm. Keseluruhan fitur sistem telah berfungsi baik sesuai dengan perancangan dan siap untuk digunakan dan dihubungkan dengan perangkat lain untuk melengkapi sistem Smart Stick.

---

This final project research discusses the design, manufacture, and analysis of the Smart Stick system based on FPGA Xilinx Spartan 6 on Nexys3 development board with Bluetooth communication interface. This system is developed from previous Smart Stick prototype for blind people that serve as walking aid in determining direction. The method used in this research follows the Software Development Life Cycle (SDLC). The VHDL programming language is use in configuring the FPGA system. This system will integrate the FPGA with Bluetooth interface module, infrared sensor with integrated ADC microcontroller as obstacle detector module, and buzzer module. This system has a percentage error of 5.32% ± 2.05% in the infrared obstacle detector module and can be work optimal to a distance up to 25 m on outdoor and 20 m on indoor with 6 cm glass partition. Overall features of the system have been working and ready to be used and connected to the other devices to complete the Smart Stick System."

"Model Cox merupakan model yang sering digunakan untuk menganalisis time-tovent data, yaitu data yang pengamatannya bergantung pada waktu. Terkadang, Selain informasi tentang waktu, data time-to-event juga dilengkapi dengan informasi tambahan (variabel penjelas). Analisis data waktu ke acara seperti ini dengan menggunakan model Cox akan menghasilkan perkiraan bahaya. Model Cox memiliki dua komponen utama yaitu baseline hazard dan mengandung fungsi eksponensial koefisien regresi. Bahaya didefinisikan sebagai produk antara dua komponen ini. Untuk dapat memperoleh bahaya spesifik, bahaya baseline dan koefisien regresi di model Cox harus diperkirakan. Dalam tesis ini, asumsi konstanta akan didefinisikan sebagai bahaya dasar dari model Cox. Kemudian, konstanta dan koefisien regresi dimasukkan Model ini akan diestimasi dengan menggunakan metode Bayesian dimana sampel diambil Parameter distribusi posterior dilakukan dengan menggunakan metode Markov chain Monte Carlo dengan algoritma pengambilan sampel Gibbs. Untuk metode Bayesian, distribusi sebelumnya untuk Bahaya baseline diasumsikan mengikuti distribusi gamma dan untuk koefisien regresi diasumsikan mengikuti distribusi normal. Data EKG (echocardiogram) yang terdiri dari106 observasi dan enam variabel penjelas digunakan dalam analisis. Mendapatkan hasil bahwa estimasi parameter yang diperoleh konvergen.

---

The Cox model is a model that is often used to analyze time-to-event data, namely data whose observations are time dependent. Sometimes, in addition to information about time, time-to-event data is also supplemented with additional information (explanatory variables). Analysis of time-to-event data like this using the Cox model will yield hazard estimates. The Cox model has two main components, namely the baseline hazard and contains an exponential regression coefficient function. Hazard is defined as a product between these two components. In order to obtain a specific hazard, the baseline hazard and regression coefficient in the Cox model must be estimated. In this thesis, the constant assumption will be defined as the basic hazard of the Cox model. Then, the constants and regression coefficients are entered. This model will be estimated using the Bayesian method where the sample is taken. Posterior distribution parameters are carried out using the Markov chain Monte Carlo method with the Gibbs sampling algorithm. For the Bayesian method, the previous distribution for baseline hazard is assumed to follow the gamma distribution and for the regression coefficient it is assumed to follow a normal distribution. EKG (echocardiogram) data which consists of

106 observations and six explanatory variables were used in the analysis. Obtain the result that the parameter estimates obtained are convergent."

"Life table multivariat merupakan salah satu metode pada analisis ketahanan yang dapat digunakan untuk rnenggambarkan ketahanan individu yang memperhatikan karakteristik-karakteristik dari individu tersebut. Tugas akhir ini membahas suatu metode pembentukan model yang sesuai untuk penaksiran life table multivariat. Metode ini menggunakan data ketahanan dan disebut metode hazard dengan pendekatan tabel kontngensi. Model yang didapat disebut model hazard. Metode hazard ini dapat menangani masalah sensor dan dapat menganalisis waktu ketahanan yang terdistribusi secara eksponensial sepotong-sepotong. Karena nlenggunakan pendekatan tabel kontingensi, variabel-variabel yang diamati harus diperlakukan secara kategorik. Penaksiran parameter-parameter model hazard menggunakan metode likelihood. Sedang pengujian hipotesis untuk pemilihan model yang tepat menggunakan metode rasio likelihood. Penerapan metode hazard dengan pendekatan tabel kontingensi ini digunakan untuk menganalisis faktor-faktor yang mempengaruh kematian bayi dan anak, berdasarkan data Survei Prevalensi Kotrasepsi Indonesia tahun 1987. Faktor-faktor yang diamati sebagai kovariat-kovariatnya, antaral ain: lingkungan rumah tangga, usia ibu waktu melahirkan, urutan dan jarak kelahiran, tempat dan penolong persalinan, status ekonomi keluarga, pendidikan ibu, dan keterpaparan terhadap informasi."

"Penelitian ini merupakan kajian analisis kesalahan kolokasi partikel-predikat bahasa Korea pada penutur bahasa Indonesia. Penelitian ini bertujuan untuk menelaah kesalahan penggunaan kolokasi partikel-predikat bahasa Korea yang dilakukan oleh penutur bahasa Indonesia. Penelitian ini disusun untuk menjawab dua pertanyaan penelitian, yakni berapa jumlah kesalahan kolokasi partikel-predikat bahasa Korea yang dilakukan oleh penutur bahasa Indonesia dan bagaimana bentuk kesalahan kolokasi partikel-predikat bahasa Korea yang dilakukan oleh penutur bahasa Indonesia. Penelitian ini menggunakan metode kualitatif dan kuantitatif serta menggunakan hasil angket yang disebarkan secara daring sebagai data analisis. Data yang telah diperoleh dihitung jumlah kesalahannya dan diklasifikasikan berdasarkan jenis kesalahannya dengan menggunakan teori analisis kesalahan berbahasa dan jenis kesalahan berbahasa. Hasil penelitian ini menunjukkan jenis kesalahan tertinggi yang dilakukan oleh penutur bahasa Indonesia dalam penggunaan kolokasi partikel-predikat bahasa Korea adalah kesalahan substitusi (48.47%) yang diikuti dengan kesalahan pengurangan (33.05%) dan penambahan (18.48%). Kemudian, jumlah kesalahan penggunaan kolokasi partikel kasus nominatif-predikat sebanyak 504 (39.47%) kesalahan lebih tinggi dibandingkan dengan jumlah kesalahan penggunaan kolokasi partikel kasus objek-predikat sebanyak 387 (30.30%) kesalahan dan kolokasi partikel kasus keterangan-predikat sebanyak 386 (30.23%) kesalahan.

---

This study discusses an analysis of Korean language particle-predicate collocation error made by Indonesian speakers. This study aims to analyze the error of using Korean particle-predicate collocations done by Indonesian speakers. This study is written to answer two questions; how many Korean particle-predicate collocation errors are made by Indonesian speakers and what are the forms of Korean particle-predicate collocation errors made by Indonesian speakers. This study uses both qualitative and quantitative methods and uses the results of questionnaires that had been distributed online as material of analysis. The data obtained was calculated and classified based on the type of error using language error analysis and types of language error theory. The result of this study shows that the highest type of error made by Indonesian speakers in the use of particle-predicate collocation is substitution error (48.47%), followed by omission error (33.05%) and addition error (18.48%). Furthermore, the number of errors in the use of nominative case particle-predicate collocations is 504 (39.47%), which is higher than the number of errors in the use of object case particle-predicate collocations that made up of 387 (30.30%) errors and adverbial case particle-predicate collocations up to 386 (30.23%) errors."

"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."