Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skewness menyatakan bentuk kesimetrisan suatu distribusi. Ukuran skewness multivariat yang telah dikenal adalah skewness pada distribusi multivariat normal. Dalam tesis ini ukuran skewness yang akan ditentukan adalah skewness pada distribusi multivariat Laplace. Ukuran skewness tersebut diperoleh dengan mencari cumulant ketiga dari fungsi karakteristik pada distribusi multivariat Laplace. Penaksiran parameter dilakukan untuk keperluan simulasi. Data sampel dalam simulasi dibangun dengan menggunakan algoritma dengan dua peubah yaitu y_1 yang berdistribusi Laplace univariat dan y_2 yang juga berdistribusi Laplace univariat. Untuk vektor meannya 0 maka nilai skewness pada distribusi multivariat Laplace yang dihasilkan adalah 0 sedangkan untuk nilai vektor meannya bukan 0 maka skewness yang dihasilkan adalah bukan 0. Hasil simulasi menunjukan bahwa untuk ukuran sampel n yang semakin besar, nilai skewness sampel akan semakin mendekati nilai skewness populasinya. Hal ini terlihat dari MSE pada simulasi yang semakin kecil untuk n yang semakin besar.

---

Skewness indicates the symmetry of a distribution. Measure of multivariate skewness that we have known is skewness of the multivariate normal distribution. In this thesis, we will determine the skewness of the distribution of multivariate Laplace. Measure of skewness is obtained by using a third cumulant of the characteristic function in the multivariate Laplace distribution. Parameter estimation performed for simulation purposes. Data samples in a simulation are built using an algorithm with two variables, namely y_1 has univariat Laplace distributions and y_2 has univariat Laplace distributions. For the mean vector 0, skewness of multivariate Laplace distributions value is 0 and if value of the mean vector is not 0, skewness of multivariate Laplace distributions value is not 0. The result of simulation shows when the samples size n increase, the value of skewness samples will to get closer to the value skewness of population. This case can be seen from MSE value of the simulation decrease."

"Permasalahan saluran transmisi merupakan persoalan syarat batas awal (Initial Boundary Problem), selam ini solusi dari masalah saluran transmisi baru sampai pada penjabaran matematis saja. Metoda Transformasi Laplace dalam bentuk elemen hingga telah dipakai pada permasalahan persamaan rambatan gelombang. Dengan cara melihat kesamaan yang ada dari kedua permasalahn tersebut, yakni: -Bentuk gelombang penyebabnya yaitu: Pada rambatan gelombang dalam air berupa 0 Pada rambatan gelombang dalam saluran transmisi yang bebas hambatan berupa tegangan (e) atau arus (i). Di mana kedua persamaan rambatan gelombang tersebut merupakan fungsi dari waktu (t). -Sifat rambatan gelombang di dalam media mempunyai bentuk yang sama. Dengan demikian dapat diterapkan pemakaiannya pada permasalahan saluran transmisi yang bebas hambatan. Dalam kasus ini saluran transmisi yang bebas hambatan (lossless line) mempunyai kesamaan bentuk dengan persamaan rambatan gelombang pada air. Metoda Transformasi Laplace dalam bentuk Elemen hingga dapat digunakan untuk menyelesaikan persoalan satu dan dua dimensi, sedang saluran transmisi yang bebas hambatan merupakan persoalan satu dimensi dengan variabel bebasnya jarak (x) dan waktu (t). Di mana waktu (t) pada saluran transmisi yang bebas hambatan hanya merupakan parameter saja. Tahapan dasar penyelesaian dari transformasi Laplace dalam bentuk Elemen hingga hanya ada pada persoalan dua dimensi, walaupun demikian dapat pula digunakan untuk persoalan satu dimensi. Konsep asar teorema yang digunakan tidak dibahas secara mendalam, hanya dititikberatkan pada teknik-teknik pemakaiannya guna memecahkan pokok bahasan yang diinginkan. Pembahasan lebih lanjut, akan diberikan contoh eksperimen permasalahan saluran transmisi yang bebas hambatan (losslessline). Dalam menyelesaikan permasalahan ini, digunakan alat bantu komputer sebagai pengolahnya. Adapun komputer yang digunakan adalah jenis personal komputer yaitu IBM PC XT. Bahasa pemrogram yang digunakan adalah bahasa Pascal, dengan alat kompilasinya Turbo Pascal."

"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."