Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam skripsi ini akan dibahas pengendalian terhadap dua karakteristik yang mempengaruhi kualitas baut, yaitu diameter dan panjang ulir. Untuk pengendalian tersebut, digunakan pengendalian kualitas secara multivariat dengan teknik grafik pengendali Hotelling T2. Data yang dipakai adalah data rolling check sheet PT. Nitto Alam Indonesia - Tangerang, bulan Maret dan April 1992."

"Di Rumah Sakit Persahabatan, berdasarkan data retrospektif, telah dilakukan penelitian tentang ketahanan hidup penderita kanker paru yang telah menjalani reseksi atau radioterapi atau kemoterapi. Penelitian tersebut adalah penelitiaan secara univariat. Dalam analisis ketahanan hidup penderita, sangat perlu untuk memperhatikan pengaruh karakteristik-karakteristik penderita secara bersama-sama. Karena itu pada tugas akhir ini Penulis melakukan penelitian secara multivariat, yang melalui analisis tersebut, pengaruh karakteristik-karakteristik penderita secara bersama-sama juga diperhatikan."

"Meningkatnya harga tanah dan harga bangunan membuat para pengembang properti terpaksa mengeluarkan biaya yang cukup besar dalam pembangunan suatu proyek perumahan. Sehingga diperlukan pemilihan kontraktor yang memiliki efisiensi tinggi, yaitu dengan biaya yang seoptimal mungkin, beserta perencanaan dan pelaksanaan waktu yang optimal, mampu menghasilkan kualitas kerja yang baik yang sesuai dengan konsep serta spesifikasi proyek perumahan yang dipersyaratkan. Pemilihan kontraktor terdiri dari dua proses, yaitu proses prakualifikasi, proses penyeleksian awal, dan proses tender, proses lanjutan dari prakualifikasi.Pada penelitian ini, metode multivariate discrimininant analysis digunakan untuk proses prakualifikasi dan metode analytical hierarchy process digunakan untuk proses tender. Multivariate discriminant analysis merupakan analisis statistika yang digunakan untuk mengklasifikasikan kasus-kasus pada variabel independen ke dalam gmp atau kategori variabel dependen sedangkan analytical hierarchy process adalah suatu metodologi yang komprehensif, yang menyediakan kemampuan untuk menggambungkan faktor kuantitatif dan kualiitatif dalam pengambilan keputusan bagi individu maupun grup.Dari hasil penelitian, untuk proses prakualifikasi, diperoleh suatu model atau fungsi diskriminan yang dapat mengklasifikasikan suatu kontraktor apakah layak atau tidak untuk dilanjutkan ke dalam proses tender berdasarkan kriteria-kriteria penentu. Dan pada proses tender diperoleh nilai bobot untuk setiap kriteria dan subkriteria yang berpengaruh dalam pemilihan kontraktor.

---

The increasing prices of land and housing properties makes developing housing projects more expensive for developer. To overcome this problem, selection of contractor which has high efficiency, optimizing cost to meet concepts and specifications of housing project with well planned time, is essential. There are two process of contractor selection which are pre-qualification and tendering process as follow up from pre-qualification process.

In this paper, writer use multivariate discriminant analysis method for pre-qualification and analytical hierarchy process method for tendering process. Multivariate discriminant analysis method use statistical analysis to classify cases from the independent variable into a group or dependent variable. Analytical hierarchy process method is a comprehensive method which is provides the ability to unite quantitative and qualitative factors in decision making for individual or group.

From the results of this paper, from the pre-qualification process a model or a discriminant function is generated which can classify qualified contractor so that this contractor can move on to the next process (tendering) based on determining criterions. From the tendering process, every criterions and sub criterions are given a weight which will affect in contractor selection."

"Pada setiap analisis statistik memungkinkan berhadapan dengan missing values atau missing data karena pada saat survei kemungkinan ada responden yang tidak dapat menjawab pertanyaan atau tidak ingin menjawab pertanyaan pada saat wawancara survei. Missing values tidak dapat langsung dilakukan analisis menggunakan analisis data lengkap, oleh karena itu missing values telah menjadi masalah yang sering dihadapi oleh para peneliti. Dataset survei biasanya terdiri dari sejumlah besar variabel kontinu salah satunya berdistribusi multivariat normal. Salah satu cara untuk menangani missing values dapat dilakukan dengan imputasi, yaitu proses pengisian atau penggantian missing values pada dataset dengan nilai-nilai yang mungkin berdasarkan informasi yang didapatkan pada dataset tersebut. Penelitian ini akan menerapkan metode sequence regression multivariate imputation (SRMI) untuk imputasi missing values pada data multivariat normal. SRMI merupakan metode imputasi ganda yang nilai imputasinya didapatkan dari model sequence of regression yaitu setiap variabel yang mengandung missing values diregresikan terhadap semua variabel lain yang tidak mengandung missing values sebagai variabel prediktor. Cara mendapatkan nilai imputasi digunakan pendekatan iterasi untuk menarik nilai dari distribusi posterior prediktif pada missing values di bawah masing-masing model regresi secara beruntun. Penelitian ini menggunakan data multivariat normal yang telah dibangkitkan sebanyak 500 observasi dengan menggunakan lima nilai imputasi ganda dan hasil evaluasi kualitas imputasi menggunakan Root Mean Square Error (RMSE). Hasil evaluasi kualitas imputasi dapat dikatakan baik jika nilai RMSE semakin kecil, maka eror semakin kecil atau nilai estimasi mendekati nilai sebenarnya (Chai & Draxler, 2014) dan hasil yang didapatkan nilai RMSE kecil sehingga SRMI dapat diterapkan untuk melakukan imputasi terhadap data multivariat normal.

---

Missing values are the absence of data items for an observation or more observations that can result in the loss of certain information. During surveys, there are often missing values or missing data because there are likely respondents who cannot answer the question or do not want to answer the question. That is a problem for researchers because, with missing values, the results of observation cannot be analyzed properly. Survey datasets usually consist of continuous variables, one of which is a normal multivariate distribution. One way to deal with missing values ​​can be done by imputation, which is the process of filling or replacing missing values ​​in a dataset with possible values ​​based on the information obtained in the dataset. This study will apply the sequence regression multivariate imputation (SRMI) method for missing values ​​imputation in normal multivariate data.

SRMI is a multiple imputation method whose implication value is obtained from the sequence of regression model, that is, every variable containing missing values ​​is regressed on all other variables that do not contain missing values ​​as predictor variables. The method of obtaining imputation values ​​is used by the iterative approach to drawing values ​​from the predictive posterior distribution in the missing values ​​below each successive regression model. This study uses multivariate normal data that has been generated a total of 500 observations using five multiple imputation values ​​and the evaluation results using Root Mean Square Error (RMSE) which have little value in applying to normal multivariate data so SRMI can be applied to impute normal multivariate data."

"Pada era globalisasi ini industri manufaktur mengalami perubahan radikal, ditandai dengan inovasi yang tinggi serta umur produk yang begitu pendek. Keadaan ini memaksa industri manufaktur untuk lebih berkonsentrasi pada core capability yang dimiliki, sehingga kegiatan outsourcing menjadi keputusan penting dan strategis. Upaya perusahaan untuk meraih keuntungan kompetitif dimulai dengan melakukan manajemen terhadap pemasoknya. Dalam kenyataan dilapangan, pemilihan pemasok bukanlah perkara mudah, sehingga diperlukan cara yang tepat untuk mendapatkan pemasok potensial. Penelitian ini bertujuan untuk membuat rancangan pemilihan pemasok. Dimulai dengan melakukan analisis faktor untuk menetapkan atribut yang digunakan dalam memilih pemasok. Selanjutnya perlu dicari preferensi perusahaan terhadap pemasok, yaitu berupa kombinasi optimal dari atribut dan level yang ada dengan menggunakan analisis conjoint. Pemilihan terhadap pemasok potensial dapat dilakukan melalui metode MDS. Metode MDS akan memetakan preferensi perusahaan secara visual kedalam ruang multidimensional, sehingga didapat jarak euclidean masing-masing pemasok terhadap ideal point perusahaan. Dengan peta persepsi ini, akan membantu perusahaan memilih pemasok yang berada disekitar ideal point.

---

In this globalization era, manufacturing industries transforms in radical changes, signed by high innovation and shorter life cycle of products. This condition forces the industries to improve their core capability, and makes the outsourcing activities as an important and strategic decision. First step for gaining the company's competitive profit is by doing the suppliers management. In reality, choosing supplier is not easy, because we need a best way.

The objective of this research is designing the supplier selection. Starting by doing factorial analysis to establish attributes which are used to choose supplier. We also need to know the company's preferences to suppliers, which is an optimal combination of attributes and existing level using conjoint analysis.

MDS method can be used in choosing the potential suppliers. This method maps the company's preferences visually to multidimensional space, in order to get euclidean distance for each supplier to company's ideal point. By using this perception map, company will choose the suppliers which are located around the ideal point."

"Proses pengendalian mutu statistik berperan penting dalam pemantauan proses produksi. Pemantauan proses yang melibatkan beberapa peubah secara bersama-sama disebut dengan pengendalian mutu statistik multivariat. Pemantauan proses dapat dilakukan dengan menggunakan bagan kendali multivariate. Tujuan dari bagan kendali multivariat adalah untuk mengetahui apakah proses yang dilakukan terkendali atau tidak dan salah satu bagan yang sering digunakan dalam pengendalian mutu statistik multivariat adalah bagan kendali Hotelling T 2 . Pada skripsi ini akan membahas bagan kendali Hotelling T 2 yang digunakan untuk memantau proses pada fase I dan fase II. Namun bagan kendali Hotelling T 2 tidak dapat mengidentifikasi penyebab masalah jika pada bagan terdapat outlier. Oleh karena itu digunakan dekomposisi dari T 2 ( dekomposisi MYT ) untuk mengidentifikasi peubah mana yang secara signifikan menyebabkan proses tidak terkendali. "

"Sistem kendali pressurizer merupakan hal penting dalam operasional dan keselamatan PLTN type PWR. Pengendalian dilakukan agar tekanan didalam pressurizer tetap konstan dan heater selalu terendam dalam air. Dilakukan desain kendali pressurizer dengan menggunakan LQR( Linear Quadratic Regulator ) dan Explicit-MPC (Model Predictive Control) sebagai alternative kendali pressurizer, yang selama ini menggunakan PI (Proporsional Integral). Kendali Explicit-MPC berbentuk lookup tabel yang diperoleh menggunakan optimasi multiparametric programming dengan memperhatikan semua batasan input, output dan state. Hasil simulasi kendali LQR menunjukkan tekanan pressurizer dapat mengikuti setpoint saat naik dan tidak bisa mengikuti setpoint saat tekanan turun karena adanya batas saturasi dari sinyal kendali spray 0-36 kg/s dan heater 0-1600 kW. Simulasi Explicit?MPC menunjukkan kendali ini dapat digunakan untuk menaikkan dan menurunkan tekanan mengikuti perubahan setpoint walaupun ada batasan saturasi sinyal kendali. Tidak terjadi overshoot saat tekanan naik mengikuti perubahan setpoint 154-156 bar. Explicit-MPC juga dapat digunakan untuk menjaga tekanan tetap konstan dari gangguan surge dengan errror steady state sebesar 0.021%.

---

The pressurizer control system is an important thing in operation and safety of PWR nuclear power plants It is designed in order to keep pressure of pressurizer constant and heater always submerged in water.LQR (Linear Quadratic Regulator) and Explicit-MPC (Model Predictive Control) have been used as control methods instead of PI (Proportional Integral ) control. Explicit-MPC is realized using lookup table that is obtained from multiparametric programming by taking into account all constraints of input, output and state.

Simulation results show that LQR control of pressurizer can follow setpoint while ascending and can't follow while setpoint pressure down because of the saturation of control signals spray 0-36 kg/s and heater 0-1600 kW. Explicit-MPC has resulted no overshoot response and followed setpoint change setpoint 154-156 bar. Explicit-MPC could be used to maintain pressure during surge disturbance with steady state error 0.021 %."

"Salah satu pendekatan yang dapat digunakan dalam perhitungan cadangan klaim pada perusahaan asuransi adalah teori kredibilitas, yang memungkinkan perhitungan cadangan klaim dilakukan dengan mengombinasikan data pembayaran klaim pada portfolio terkait dengan informasi lainnya, contohnya adalah data pembayaran klaim dari porfolio lain yang similar. Pada tugas akhir ini, digunakan model kredibilitas Bühlmann-Straub untuk perhitungan cadangan klaim. Lebih jauh lagi, pada umumnya perhitungan total cadangan klaim pada suatu perusahaan dilakukan dengan menghitung cadangan klaim pada masing-masing lini bisnis yang ada di perusahaan tersebut, kemudian cadangan klaim untuk perusahaan tersebut (aggregate reserve) diperoleh dengan menjumlahkan cadangan klaim pada masing-masing lini bisnis. Dengan mempertimbangkan kemungkinan adanya korelasi antara lini bisnis yang ada pada perusahaan asuransi, nilai aggregate reserve sesungguhnya dapat bernilai lebih kecil dari penjumlahan cadangan klaim pada masing-masing lini bisnis yang ada. Karenanya, penelitian mengenai perhitungan cadangan klaim kemudian berkembang dengan mempertimbangkan data pembayaran klaim dari berbagai lini bisnis pada suatu perusahaan, atau disebut juga dengan perhitungan cadangan klaim dalam konteks multivariat. Pada tugas akhir ini, dilakukan penelitian mengenai pembentukan model kredibilitas Bühlmann-Straub multivariat untuk perhitungan cadangan klaim beserta dengan estimasi parameter-parameter model tersebut. Model yang telah terbentuk kemudian digunakan untuk menghitung cadangan klaim pada tiga lini bisnis di perusahaan asuransi. Error prediksi pada masing-masing lini bisnis dengan menggunakan model kredibilitas BA¼hlmann--Straub multivariat adalah sebesar 0,7899%, 2,9286%, and 0,8239%, sedangkan error prediksi pada masing-masing lini bisnis dengan menggunakan model kredibilitas B¼hlmann-Straub standar adalah sebesar 0,7954%, 2,9438%, and 0,8726%. Tampak bahwa error prediksi dengan model kredibilitas B¼hlmann-Straub multivariat lebih kecil dibanding error prediksi dengan model kredibilitas BA¼hlmann-Straub standar.

---

One of the approaches that can be used in the calculation of claim reserve in insurance companies is A credibility theory, which allows the calculation of claim reserve by combining claim payment data from related run-off triangle with other information, for example, claim payment data from the other run-off triangles that is similar. In this thesis, the A BA¼hlmann-Straub credibility model is used in the calculation of claim reserve. Furthermore, in general, the calculation of claim reserve in a company is done by calculating the claim reserve in each line of business in the company, then the total claim reserve for the company (aggregate reserve) is obtained by adding up the claim reserve in each line of business. Taking into account the possibility that there is correlation between the existing lines of business in insurance companies, the value of A aggregate reserve can actually be less than the sum of the claim reserve in each of the existing line of business. Therefore, research on the calculation of claim reserve then evolves by considering claim payment data from various lines of business in a company, or also called claim reserve calculation in multivariate context. In this thesis, a research is conducted on the development of multivariateA BA¼hlmann-Straub credibility model for claim reserving along with estimation for parameters of the model. The model is used to calculate claim reserve for three lines of business in insurance company. The error of predictions for each line of business by using multivariateA BA¼hlmann-Straub credibility model are 0,7899%, 2,9286%, and 0,8239%, meanwhile the error of predictions for each line of business by using standardA BA¼hlmann-Straub credibility model are 0,7954%, 2,9438%, and 0,8726%. It appears that the error of multivariateA BA¼hlmann-Straub credibility model is lower than the error of standardA BA¼hlmann-Straub credibility model."