Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas akhir ini bertujuan menjelaskan prosedur penaksiran parameter pada model shared gamma frailty dengan menggunakan metode penaksiran maximum likelihood. Model shared gamma frailty merupakan salah satu model frailty bivariat yang diperkenalkan untuk mengukur dependensi antara waktu-waktu survival terhadap faktor acak yang tidak teramati, yang terkadang diabaikan dalam penelitian. Model ini perluasan dari model Cox proportional hazard dengan memperhatikan adanya pemancungan kiri dan penyensoran kanan pada data yang diperoleh. Untuk melakukan penaksiran parameter maka dibentuk fungsi likelihood yang dibangun dari fungsi survival bersama pasangan observasi, lalu diperoleh parameter dependensinya. Semakin besar nilai parameter dependensi menyatakan bahwa heterogenitas antarpasangan observasi semakin besar dan asosiasi dalam tiap pasangan semakin kuat. Pada tugas akhir ini diberikan contoh penggunaan model dalam bidang demografi dan kesehatan. "

"Dalam pengujian hipotesis prinsip metode statistika parametrik adalah mencocokkan data di bawah asumsi distribusi dari populasinya. Namun pada kenyataannya, banyak permasalahan yang tidak memenuhi asumsi ini. Permasalahan seperti itu dapat diselesaikan dengan dua pendekatan. Pendekatan pertama adalah menggunakan prosedur bebas distribusi. Pendekatan kedua adalah mentransformasi data ke dalam bentuk yang bisa mendekati distribusi normal, seperti transformasi log, transformasi akar kuadrat dan lainnya. Transformasi rank (TR) merupakan prosedur yang mengkombinasikan kedua pendekatan tersebut. Prosedur ini mentransformasi data yang bebas distribusi ke dalam bentuk rank kemudian mengaplikasikan metode parametrik pada data yang telah ditransformasi. Dalam skripsi ini dibahas mengenai aplikasi dari transformasi rank pada data rating televisi. Nilai yang diperoleh dengan prosedur transformasi rank dapat disetarakan dengan nilai yang diperoleh dengan metode parametrik maupun nonparametrik. "

"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 ..."

"This introductory statistics textbook conveys the essential concepts and tools needed to develop and nurture statistical thinking. It presents descriptive, inductive and explorative statistical methods and guides the reader through the process of quantitative data analysis. In the experimental sciences and interdisciplinary research, data analysis has become an integral part of any scientific study. Issues such as judging the credibility of data, analyzing the data, evaluating the reliability of the obtained results and finally drawing the correct and appropriate conclusions from the results are vital."

"Analisis faktor dengan metode Komponen Utama dikerjakan pada data multivariat, dengan tujuan untuk: meringkas data dan menampakkan faktor-faktor yang ada, yang merupakan gabungan peubah-peubah yang saling bergantungan. Data hasil penelitian dengan banyak peubah, dapat diringkas menjadi data dengan beberapa faktor yang cukup mewakili. Metode Komponen Utama adalah salah suatu metode dari beberapa metode yang ada dalam Analisis Faktor. Faktor yang terbentuk melalui rnetode ini, adalah kombinasi linier dari peubah semula yang banyak itu. Peubah acak, yang banyak itu dapat diekspresikan dalam beberapa faktor, dengan aturan-aturan dan asumsi-asumsi tertentu. Banyak eigenvalue terbesar, yang diambiI dari matriks variansi-kovariansi, menentukan jurmlah faktor yang akan diperhatikan. Sedangkan loading-loading yang memberikan kontribursi besar, yang akan rnenentukan peubah-peubah mana yang bergabung membentuk faktor tersebut."

"Distribusi Weibull digunakan untuk menyelesaikan masalah-masalah yang menyangkut lama waktu suatu objek yang mampu bertahan hingga akhirnya objek tersebut tidak berfungsi (dengan kata lain rusak atau mati). Distribusi Weibull merupakan salah satu solusi untuk masalah fleksibilitas yang tidak dimiliki oleh distribusi Exponensial, yaitu hanya memiliki bentuk fungsi hazard yang konstan. Dalam melakukan inferensi dari kasus yang dimodelkan dengan distribusi Weibull, perlu dilakukan penaksiran terhadap parameternya. Distribusi Weibull dua parameter memiliki parameter skala dan parameter shape. Pada skripsi ini, akan dilakukan penaksiran parameter skala dari distribusi Weibull pada data terpancung kiri dan tersensor kanan dengan asumsi bahwa parameter shape diketahui menggunakan metode Bayesian. Prosedur dalam penaksiran parameter meliputi penentuan distribusi prior, fungsi dan distribusi posterior. Kemudian penaksir titik Bayes diperoleh dengan meminimumkan ekspektasi dari fungsi. Fungsi yang digunakan adalah Squared Error Loss Functio (SELF) dan Precautionary Loss Function (PLF). Kemudian dilakukan simulasi data untuk membandingkan nilai Mean Squared Error (MSE) dari taksiran parameter skala menggunakan fungsi. Hasil simulasi menunjukan bahwa taksiran parameter menggunakan fungsi memiliki nilai MSE yang lebih kecil untuk parameter skala lebih kecil atau sama dengan satu sedangkan taksiran parameter menggunakan fungsi PLF memiliki nilai MSE yang lebih kecil untuk parameter skala lebih besar daripada satu.

---

Weibull distribution is used to solve problems that involve the length of time an object is able to survive until the object is not function (in other words damaged or dead). Weibull distribution is one of many solutions to the flexibility problem that is not owned by an Exponential distribution, which only has the form of a constant hazard function. In making inferences from cases modeled with the Weibull distribution, it is necessary to estimate the parameters. The two-parameter Weibull distribution has a scale parameter and a shape parameter. In this thesis, the scale parameter of the Weibull distribution will be estimated on left truncated and right censored data assuming that the shape parameter are known using Bayesian method. The procedure in parameter estimation includes the determination of the prior distribution, the likelihood function and the posterior distribution. Then the point estimator of the scale parameter is obtained by minimizing the expectation of loss function. The loss function used in this thesis are Squared Error Loss Function (SELF) and Precautionary Loss Function (PLF). Data simulation is done to compare the value of Mean Squared Error (MSE) from the estimated parameters using SELF and PLF. The simulation result shows that the estimated parameter using SELF has a smaller MSE value for scale parameter below or equal one while the estimated parameter using PLF has a smaller MSE value for scale parameter above one."