Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada penelitian sebelumnya telah dilakukan koreksi hasil pengukuran spektrum sinar-x menggunakan detektor CdTe dengan metode unfolding untuk menghilangkan noise atau sinyal yang tidak diinginkan Hasil koreksi ternyata kurang baik karena menunjukan adanya loncatan hasil koreksi pada rentang energi antara 30 keV sampai 40keV. Matriks responnya diperbaiki dengan pemodelan detektor dalam keadaan vakum sehingga diperoleh matriks respon baru yang digunakan untuk proses koreksi. Pemodelan dibentuk dengan simulasi monte carlo yang aplikasinya terdapat pada program EGSnrc. Proses koreksi dilakukan menggunakan metode Unfolding dan hasilnya menunjukan noise yang terbaca pada detektor CdTe dapat lebih diminimalisir. Sehingga perbaikan matriks respon dengan cara memodel ulang simulasi detektor berhasil dilakukan.

---

Most applications of nuclear techniques depend on results measurenment of radiation, especially to measure the intensity or dose radiation of radiation.Measurenment of x-ray spectra using CdTe detector will produce spectra characteristic of detector.so that spectrum known as noise must be corrected by the method of unfoldingin order to obtain the actual x-ray spectrum. Accuracy improvement of the correction relating to to the resolution of the detector response matrix, the response matrix is formed using monte carlo simulation methods and Heprow program. With an ideal detector modeling, will get a correction factor which produces more accurate output. "

"Pada pengamatan runtun waktu menggunakan alat monitor, sering kali tidak semua nilai runtun waktu tercatat dikarenakan adanya batas deteksi. Hal ini menyebabkan runtun waktu yang diperoleh tidak lengkap. Agar dapat dianalisis, perlu dibentuk runtun waktu tersensor dengan cara mensubtitusi nilai-nilai yang tidak tercatat dengan batas deteksi. Runtun waktu tersensor selanjutnya digunakan untuk mencari taksiran parameter model AR(1) dengan membentuk data yang diperluas yang memiliki distribusi serupa dengan runtun waktu yang diamati. Data yang diperluas dikonstruksi menggunakan metode imputasi dengan mem-fit runtun waktu tersensor ke model CENAR(1). Ide dasar metode imputasi adalah mensubtitusi observasi yang tersensor dengan sampel random yang dibangkitkan dari suatu target distribusi multivariat menggunakan Gibbs sampling.

---

In time series measurements using monitor devices, often times not all values are recorded due to detection limits. This causes the time series obtained to be incomplete. In order to analyze the incomplete time series, censored time series need to be formed by substituting values which are not recorded by detection limits. The censored time series will then be used to estimate parameters of the AR(1) model by forming an augmented data which has an equal distribution with the time series measured. The augmented data is constructed using the imputation method by adjusting censored time series into the CENAR(1) model. The basic idea of the imputation method is substituting the censored observation with a random sample which is generated from the multivariate distribution using the Gibbs sampling."

"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."

"Batan berhasil membuat Iodium-125 sejak tahun 2009 untuk brakhiterapi. Oleh karena itu perlu diketahui spektrum yang dihasilkan oleh I-125. Penentuan spektrum I-125 yang dilakukan menggunakan metode simulasi monte carlo dan eksperimen. Simulasi dilakukan dengan menggunakan EGS-nrc sedangkan untuk ekperimen menggunakan detektor AMPTEK CdTe. Hasil eksperimen menghasilkan 6 puncak spektrum yaitu pada energi 4 KeV, 22Kev, 25Kev, 27KeV, 31KeV dan 35KeV. Energi 4KeV dan 22KeV adalah energi x-ray bremsstrahlung dari elektron I-125. Hasil simulasi memperlihatkan bentuk spektrum yang identik dengan eksperimen, hanya intensitas pada energi 4KeV sangat kecil. Terdapat pula energi dari detektor AMPTEK CdTe, untuk Cd pada energi 22KeV dan 23KeV dan Te pada energi 31KeV.

---

Batan managed to make Iodine-125 since 2009 for brakhiterapy. Therefore to know the spectrum produced by I-125. Determination of the spectrum of I-125 was performed using the method of monte carlo simulation and experiment. Simulations performed using EGSnrc while for experimental use AMPTEK CdTe detector. The experimental shows 6 spectral peaks are at 4 KeV, 22 KeV, 25 Kev, 27 KeV, 31 KeV and 35 KeV. Where 4 KeV and 22 KeV is x-ray electron bremsstrahlung energy from I-125. The simulation results show that the spectrum shape identical to the experiment, only the intensity of the energy 4 KeV very small. There are energy of AMPTEK CdTe detector, for Cd in 22KeV and 23KeV and Te on 31KeV. "

"Pemerintah Indonesia melalui Undang-Undang Nomor 44 Tahun 2009 mewajibkan semua alat Kesehatan untuk dikalibrasi. Sebagai implementasi dari peraturan tersebut, Kementerian Kesehatan menerbitkan Peraturan Menteri Kesehatan Nomor 54 Tahun 2015 yang mengharuskan alat kesehatan untuk dikalibrasi minimal sekali dalam satu tahun. Defibrillator adalah salah satu alat kesehatan yang berfungsi untuk memberikan kejutan listrik kepada pasien yang mengalami gangguan jantung. Untuk memastikan akurasi dan ketertelusuran metrologi, defibrillator harus dikalibrasi minimal satu kali dalam setahun. Dalam melakukan kalibrasi defibrillator, digunakan perangkat bernama defibrillator analyzer. Seperti halnya defibrillator, defibrillator analyzer juga harus dikalibrasi untuk memastikan akurasi dan ketertelusuran metrology. Metode Monte Carlo digunakan dalam kegiatan kalibrasi defibrillator analyzer dengan menggunakan high voltage differential probe untuk melakukan estimasi ketidakpastian pengukuran. Metode Monte Carlo menggunakan propagasi distribusi dan umumnya memberikan hasil yang lebih dekat dengan kenyataan serta menghasilkan nilai ketidakpastian yang lebih baik. Hasil dari kalibrasi defibrillator analyzer adalah nilai pengukuran (measurand) dengan persentase antara 93% hingga 95%, dan perhitungan ketidakpastian menggunakan Metode Monte Carlo menghasilkan ketidakpastian yang valid sebesar 100%.

---

The Indonesian Government, through Law Number 44 of 2009, mandates calibration for all healthcare equipment. As an implementation of this provision, the Ministry of Health issued Ministerial Regulation Number 54 of 2015 concerning Testing and Calibration of Healthcare Equipment, which requires healthcare equipment to be calibrated at least once a year. A defibrillator is a medical device used to deliver an electric shock to patients with heart problems. To ensure accuracy and metrological traceability, a defibrillator must be calibrated at least once a year. During the calibration of a defibrillator, a device called a defibrillator analyzer is used. Similar to the defibrillator, the defibrillator analyzer also needs to be calibrated to ensure accuracy and metrological traceability. The Monte Carlo method is used in the calibration of the defibrillator analyzer, utilizing a high voltage differential probe to estimate measurement uncertainty. The Monte Carlo method employs distribution propagation and generally yields results closer to reality, producing better uncertainty values. The result of the defibrillator analyzer calibration is a measurand value (measurement value) ranging between 93% and 95%, and the uncertainty calculation using the Monte Carlo method yields a valid uncertainty value of 100%."

"Keadaan masa depan tidak dapat diketahui dengan pasti. Investasi yang kita lakukan sekarang belum tentu menguntungkan pada masa yang akan datang, begitu pula dengan investasi jalan tol. Dengan adanya ketidakpastian ini, maka pemasukan analisa risiko dalam kaitannya dengan penganggaran modal dan investasi menjadi sangat penting.Dalam identifikasi risiko keterlibatan para pakar investasi sangat dibutuhkan. Oleh karena itu, dibuatlah kuesioner. Dari penelitian ini teridentifikasi risiko-risiko yang terjadi dalam investasi jalan tol dan probabilitas masing-masing, dengan menggunakan metode Analitical Hierarchy Process (AHP). Risiko ini dikelompokkan dalam risiko kebijakan pemerintah, risiko dalam pelaksanaan konstruksi, risiko keuangan dan ekonomi, serta risiko lingkungan. Risiko yang paling, besar adalah risiko tarif.Salah satu teknik analisa risiko adalah Simulasi Mama Carlo. Simulasi untuk risiko tarif dan biaya pernbebasan tanah, dengan mempertimbangkan faktor inflasi dan tingkat suku bunga menghasilkan berbagai tingkat kelayakan untuk distribusi NPV dan IRR, antara lain probabilitas kelayakan NPV hampir 100%, dan probabilitas kelayakan IRR senilai 92.69% ketika tarif tol sesuai harapan investor dan tidak ada kenaikan biaya pembebasan tanah.

---

Future is uncertainty. Money we invest now is uncertainly to give benefit in the future, i.e. in toll road investment. Therefore, incorporating risk analysis in capital budgeting and investment is really important.

In order to identify the risks, expert judgment is actually needed. This research has identified the risks and their likelihood, by Analytical Hierarchy Process (AHP) method, in group of government risks, construction risks, financial and economics risks, and environmental risks. The big risk is toll fee risk with the likelihood of 0.221.

One of risk analysis tools is Monte Carlo simulation. The simulation of toll fee risk and land acquisition cost risk, regarding inflation rate and discount rate, results several certainty level for NPV and IRR, for example almost 100% certainty level for NVP, and 92.69% certainty level for IRR when the toll fee is suitable for investor and no added cost for the land acquisition."

"Di industri minyak bumi dan gas, pipa merupakan komponen utama yang ada dalam industri tersebut. Karena pipa merupakan komponen utama, maka pipa tersebut harus mendapatkan perhatian lebih dikarenakan kegagalan dalam sistem perpipaan, khususnya dalam industri minyak bumi dan gas, menjadi permasalahan yang sangat serius karena menimbulkan kerugian yang cukup besar. Salah satu cara untuk meminimalisir kegagalan tersebut adalah melalui inspeksi berbasis risiko. Dalam inspeksi berbasis risiko, digunakan simulasi Monte Carlo untuk mengetahui probabilitas komponen mengalami kegagalan. Pada umumnya, simulasi Monte Carlo menggunakan distribusi Normal dalam penentuan Random Variabel Generator. Namun, terdapat kemungkinan data yang dihasilkan adalah Bias, yaitu terdapat error sampling sehingga data tersebut menjadi kurang akurat dikarenakan nilai hasil dari distribusi Normal dapat bernilai negatif. Pada distribusi Normal, dihasilkan data yang sifatnya overestimation data. Maka dari itu, dibutuhkan metode lain untuk penentuan Random Variabel dimana data yang dihasilkan tidaklah bias sehingga akurasi hasil dari Inspeksi Berbasis Risiko meningkat. Metode Weibull dapat mengurangi biased data yang dihasilkan dari distribusi Normal.

---

Pipes are the main component in the oil and gas industries, and it needs a serious attention due to the high risk of the piping system failure. The failure of the piping system leads to a very serious consequence since it caused huge material losses, and the Risk-Based Inspection can minimize the failure. Risk-Based Inspection using the Monte Carlo Simulation for calculating the failure probabilities of the component. In general, Normal distribution is used in Monte carlo simulation for Random Variable Generator. However, it is possible that the generated data is called Bias, i.e. there is an error sampling, so the resulting data becomes inaccurate. In the Normal distribution, the result of the data produce an overestimation data because the result of the data can be negative on the corrosion rate. Therefore, we need another method for determining Random Variables where the generate data is not biased so the accuracy of the results of the Risk-Based Inspection increases, and the Weibull method can reduce the biased data generated from the Normal distribution."

"Flatness dari kurva magnetisasi FC (field-cooled) di bawah temperatur kritis, yang dijumpai pada sistem partikel nanomagnetik monodisperse dense (berinteraksi dipolar kuat) merepresentasikan dinamika lambat spin-glass-like. Simulasi Monte Carlo ekuilibrium dilakukan untuk menginvestigasi pengaruh dari randomness distribusi arah sumbu anisotropi partikel terhadap ruang state sistem dan karakteristik ekuilibrium dari magnetisasi sistem. Dengan metode parallel tempering, sistem dapat diekuilibrasi untuk temperatur rendah di mana algoritma Metropolis cenderung terjebak dalam basin-basin metastabil. Pengaruh kekuatan interaksi dipolar antar partikel dipelajari dengan melakukan simulasi untuk beberapa sampel dengan konsentrasi berbeda. Nilai ekspektasi magnetisasi sistem pada kondisi ekuilibrium termal memperlihatkan transisi ke fase spin-glass-like seperti yang ditunjukkan kurva magnetisasi FC.

---

Flatness of the FC (field-cooled) magnetization curve below the critical temperature, observed on dense (strongly interacting) monodisperse magnetic nanoparticle system represents slow spin-glass-like dynamics. Equilibrium Monte Carlo simulations are performed to investigate how the randomness in anisotropy axis distribution affects the state spaces of the systems and the equilibrium property of magnetization. By using parallel tempering method the systems are able to equilibrate down to low temperature where the Metropolis algorithm tends to get stranded in metastable basins. The effect of dipolar interaction strength is investigated by performing simulations for several concentration of samples. Expectation value of magnetization in thermal equilibrium shows transition to spin-glass-like phase similar to that of FC magnetization curve."

"ABSTRAKTingkat ketidakpastian pada tahap FEED yang cukup tinggi mengharuskan perencana untuk mengalokasikan biaya kontingensi guna mengantisipasi tindakan korektif yang harus dilakukan sebagai respon terhadap resiko yang terjadi. Metode yang digunakan untuk menghitung biaya kontingensi pada penelitian ini adalah Monte Carlo Simulation yang permodelannya didapatkan dari analisa regresi dimana contruct dari penelitian ini berbasis PMBOK 2013. Faktor resiko dominan yang dinilai berpengaruh signifikan terhadap kenaikan biaya proyek FEED adalah Faktor Resiko Planning Controlling yang dipengaruhi oleh Faktor Eksternal, Faktor Lemahnya Kompetensi Kontraktor Engineering dalam Mengelola Proyek, Faktor Resiko Kurangnya Pengetahuan Tim Teknis mengenai Change Management. Dengan melakukan simulasi monte carlo menggunakan data responden pada tingkat kepercayaan 95 , maka didapatkan bahwa alokasi biaya kontingensi sebesar 11,16 pada anggaran proyek FEED dapat mengantisipasi kenaikan biaya yang terjadi. Dari penelitian ini didapatkan bahwa dalam proses penyusunan anggaran, saat melakukan estimasi biaya kontinensi sebaiknya tidak menggunakan persentase kontingensi proyek terdahulu karena masing - masing proyek memiliki tingkat kesulitan yang berbeda dan risiko yang berbeda juga. Untuk itu, proses penyusunan risk register pada proses penyusunan anggaran menjadi komponen yang penting.

---

ABSTRACTThe high level of uncertainty of the FEED stage requires a planner to allocate cost contingency to anticipate the corrective actions that may occur as risk responses. The cost contingency calculation method used in this research is the Monte Carlo Simulation. The dominant risk factor that significantly affect cost increase are planning controlling risk due to external factors, shortcomings of engineering contractor competence in managing project, technical team lack of knowledge regarding change management. By using respondents data as monte carlo simulation inputs with 95 of confidence level, it is shown that the cost contingency allocation of 11,16 in FEED budget estimation is sufficient to anticipate any potential cost increase. This research shows that in the process of budget settings, planners are suggested not to use the contingency percentage from previous projects because every project has their own difficulty level and different kind of risk. Therefore, the process of constructing risk register as a part of budget estimation process becomes crucial."