Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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. "

"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."

"Model Markov Switching GARCH adalah model untuk runtun waktu yang dapat menangkap fenomena pengelompokan volatilitas. Pengelompokan volatilitas adalah keadaan dimana runtun memiliki variabilitas yang tidak sama untuk seluruh periode. Model ini adalah perluasan dari model GARCH dimana parameternya dapat melakukan pergantian nilai (switching) yang bergantung dari state rantai Markov sehingga nilainya tidak tetap untuk seluruh periode runtun. Mekanisme switching dari model Markov Switching ini mengikuti proses rantai Markov yang tidak terobservasi. Pada skripsi ini, akan dibahas mengenai struktur dan penaksiran parameter model Markov Switching GARCH. Penaksiran parameter menggunakan maximum likelihood estimator tidak dapat dilakukan karena masalah path dependence, sehingga penaksiran parameter akan dilakukan menggunakan Algoritma Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML). Model Markov Switching GARCH ini kemudian akan diaplikasikan untuk runtun nilai tukar US Dollar (USD) terhadap Indonesian Rupiah (IDR).

---

Markov Switching GARCH is a model for time series that can capture volatility clustering phenomenon. Volatility clustering is a condition when time series has no same variability for entire period. This model is an extension of the GARCH model in which the parameters can do the switching that depend on the state of the Markov chain so that the value is not fixed for the entire period. The switching mechanism of Markov Switching GARCH model follow the unobserved Markov chain process. In this undergraduate thesis, it will be discussed the structure and the parameter estimation of Markov Switching GARCH model. Parameter estimation using maximum likelihood estimator can not be done because of the path dependence problem, so that the parameter estimation will be carried out using Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML) algorithm. Markov switching GARCH model will be applied to exchange rate US Dollar (USD) to Indonesia Rupiah (IDR) series."

"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%."

"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."

"Persediaan identik dengan barang atau item yang disimpan dalam suatu tempat yang akan digunakan pada waktu dan tujuan tertentu. Dalam industri manufaktur, peran kemasan sangatlah penting karena setiap produk memerlukan kemasan untuk dikirim ke pelanggan. Di Indonesia sendiri jenis kemasan yang beredar ditinjau dari materialnya terdiri dari kemasan flexible, kemasan rigid, paperboard dan jenis kemasan lainnya. Berdasarkan penggunaannya jenis kemasan flexible beredar dan digunakan paling banyak di Indonesia. Persediaan dikatakan efisien dan efektif jika persediaan dapat memenuhi permintaan dalam jumlah yang cukup dan mutu yang memadai, karena ketepatan dalam pemenuhan persediaan suatu kebutuhan akan berdampak pada efisiensi dalam suatu perusahaan dalam memenuhi kebutuhan pelanggan. Namun, Banyaknya jenis persediaan yang disimpan di gudang penyimpanan terkadang sulit untuk dikendalikan, sehingga perlu acuan untuk melakukan prioritas persediaan mana saja yang perlu diberi perhatian lebih, untuk itu perlu suatu metode untuk menentukan item persediaan mana saja yang harus dianalisa lebih khusus. Untuk monitor persediaan harus dilihat dari berbagai aspek dan kriteria sehingga penelitian ini bertujuan untuk mencari urutan prioritas persediaan di industry fleksibel packaging. Setelah didapatkan urutan prioritas di prediksi jumlah persediaan periode selanjutnya dengan simuulasi monte carlo.

---

Inventory is identical to goods or items stored in a place that will be used at a certain time and purpose. In a manufacturing industry, the availability of raw materials is very important for the continuity of the production process. In the manufacturing industry, the role of packaging is very important. In Indonesia itself, the types of packaging that are circulating in terms of material consist of flexible packaging, rigid packaging, paperboard and other types of packaging. Based on Ministry Of Industry, flexible packaging is the most used packaging in Indonesia. Inventory are called efficient and effective if the supply can meet demand in sufficient quantities and adequate quality, because accuracy in fulfilling a need's supply will have an impact on efficiency in a company in meeting customer needs. But sometimes, the number of types of inventory stored in the warehouse is sometimes difficult to control, so a reference is needed to prioritize which inventory needs to be given more attention, for that we need a method to determine which inventory items should be analyzed more specifically. To control the inventory we should see from many criteria, so this research aims to use multi criteria decision making to rank and prioritize the type of Inventory in Flexible Packaging Industry. After we get the rank or priority we try to predict the inventory with monte carlo simulation."

"[Peramalan permintaan material MRO pada industri migas sangat diperlukan untuk menunjang kegiatan pemeliharaan, perbaikan, dan operasi dalam kegiatan produksi. Maka dari itu diperlukan metode peramalan yang tepat untuk dapat mengendalikan persediaan material MRO. Dalam penelitian ini menggunakan salah satu metode machine learning yaitu Artificial Neural Network yang akan dibandingkan dengan beberapa metode tradisional.Metode peramalan yang menghasilkan nilai peramalan terbaik berupa nilai MSE terendah akan digunakan untuk memperoleh parameter pengendalian persediaan material berupa jumlah ROQ, safety stock, ROP, dan total biaya persediaan. Hasil yang menggunakan model continuous review system ini diharapkan dapat menurunkan total biaya persediaan.Adapun hasil pengendalian persediaan material tersebut akan dilakukan simulasi Monte Carlo untuk melihat range terhadap parameter pengendalian persediaan untuk mendapatkan proyeksi keadaan yang akan terjadi dikemudian hari. Selain itu dengan simulasi ini akan melihat pengaruh perubahan variabel uncertain terhadap perubahan total biaya persediaan., The forecast of MRO material in oil and gas industry is needed to support maintenance, repair, and operation activities in production. Thus, an appropriate forecasting method is needed to control the inventory of MRO material. This paper uses one of the methods of machine learning, which is Artificial Neural Network. This method will be compared with some traditional methods.Forecasting method which gives out the best forecast error in a form of the lowest MSE which will be used to get a material inventory control parameter. The material inventory control parameter are ROQ, safety stock, ROP, and total cost of inventory. These result which used continuous review system model are hoped to reduce inventory total cost.The result of those material inventory control will be done using Monte Carlo simulation to see the range toward inventory control parameter in order to get the projection of future situation. Furthermore, this simulation will also see the influence of the changing uncertain variable towards the change of inventory total cost.]"