Hasil Pencarian  ::  Simpan CSV :: Kembali

"Elusive Population merupakan populasi yang bersifat tersembunyi tanpa adanya kerangka sampel yang jelas dan lengkap. Diperlukan metode pengambilan sampel secara khusus untuk dapat melakukan penaksiran parameter pada populasi dengan sifat seperti ini. Salah satu metode yang dapat digunakan adalah Network Sampling. Metode ini merupakan sebuah probability sampling yang dilakukan dengan dua tahap yakni pemilihan selected selection unit kemudian pemilihan network dari selected selection unit tersebut. Network Sampling mengembangkan Horvitz-Thompson Estimator untuk dapat melakukan pendugaan parameter populasi. Pada tugas akhir ini, akan ditunjukkan bahwa penaksir parameter total populasi dengan menggunakan Horvitz-Thompson Estimator pada metode Network Sampling merupakan sebuah penaksir yang tak bias.

---

Elusive population constitutes population that is hidden without a clear and complete frame sampling. A particular sampling method is needed in order to do parameter estimation on population with this characteristic. One of the methods that can be used is Network Sampling. This method is probability sampling which is done in two steps, choosing selected selection unit and then choosing network from selected selection unit. Network Sampling develops Horvitz-Thompson Estimator to estimate parameter population. In this undergraduate thesis, it will be proved that the estimator of total population using Horvitz-Thompson Estimator is an unbiased estimator."

"ABSTRACTElusive Population adalah populasi yang anggotanya sulit untuk dideteksi dan tidak mempunyai kerangka sampling yang lengkap dan jelas. Metode sampling yang khusus diperlukan untuk melakukan pengambilan sampel pada Elusive Population. Centre Sampling adalah salah satu metode pengambilan sampel yang dapat digunakan pada Elusive Population. Ide dari Centre Sampling ini adalah mengamati individu yang menjadi objek penelitian pada pusat berkumpulnya individu-individu tersebut atau yang disebut dengan pusat agregasi. Secara umum ada dua tahap pengambilan sampel pada Centre Sampling, yang pertama adalah memilih sebanyak m pusat agregasi dari M pusat yang sudah ditentukan. Kemudian yang kedua peneliti harus mengamati setiap individu yang ada di pusat yang terpilih. Centre Sampling mempunyai kondisi Inclusion Probability, dimana peluang setiap individu untuk dapat terplih menjadi anggota sampel berbeda-beda . Pada penulisan skripsi ini parameter populasi yang akan ditaksir menggunakan Centre Sampling adalah total populasi. Estimator yang akan digunakan untuk mencari taksiran total populasi adalah Horvitz ndash; Thompson Estimator yang diperkenalkan oleh Horvitz ndash; Thompson pada tahun 1952. Horvitz ndash; Thompson Estimator adalah penaksir yang tak bias untuk total populasi. Pada skripsi ini juga akan dicari taksiran variansi dari taksiran total populasi.

---

ABSTRACTExlusive Population is population which members are difficult to detect and does not have any complete and clear sampling frame. A particular sampling method is required to take samples from Elusive Population. Centre Sampling is one of the sampling method that can be used on Elusive Population. The idea of Centre Sampling is to observe individual who becomes an object of research in a centre where all individual gather, or called as a centre of aggregation. In general, there are two steps to take samples in Centre Sampling. First of all, choose as many as m of M centre of aggregation that have been listed. Then, researchers must observe every individual in the selected centre. Centre Sampling has an Inclusion Probability condition, which probability of every individual of being selected as a member of samples are different. In this undergraduate thesis, population parameter which will be estimated using Centre Sampling is total population. The estimator which will be used to find the estimated total population is Horvitz Thompson Estimator, introduced by Horvitz Thompson in 1952. Horvitz Thompson Estimator is an unbiased estimator for total population. This undergraduate thesis will also look for unbiased estimator of the variance for estimated total population. "

"Tulisan ini membahas suatu metode penaksiran mean dengan suatu metode yang disebut new ratio estimator yang diperkenalkan oleh Prasad (1989 ) pada stratified random sampling. New ratio estimator yang diperkenalkan oleh Prasad ini dibatasi hanya pada taksiran rasio gabungan. Pada dasarnya taksiran mean dengan new ratio estimator Prasad mempunyai bentuk *k yRC dimana k* suatu konstanta dan RC y adalah taksiran mean dengan menggunakan taksiran rasio konvensional. k* ini disebut koreksi Prasad. Dapat ditunjukkan bahwa mean square error ( MSE ) dari taksiran mean menggunakan new ratio estimator lebih kecil daripada menggunakan taksiran rasio konvensional. Karena MSE mengukur keakuratan suatu taksiran, berarti taksiran mean menggunakan new ratio estimator lebih akurat daripada taksiran mean menggunakan taksiran rasio konvensional. Dalam tulisan ini dilengkapi pula suatu contoh untuk mencari taksiran mean dengan menggunakan kedua metode tersebut."

"Metode two stage adaptive cluster sampling (2S-ACS) sangat baik digunakan untuk mengambil sampel dimana elemen yang akan diteliti sangat jarang atau berkelompok. Pada 2S-ACS, pengambilan sampel diawali dengan membagi wilayah penelitian menjadi unit-unit primer. Masing-masing unit primer dibagi menjadi unit-unit sampling. Pada tahap pertama, dipilih beberapa unit primer secara SRS. Pada tahap kedua, dari masing-masing unit primer yang terpilih pada tahap pertama, diambil beberapa unit sampling sebagai sampel awal. Kemudian, dilakukan proses penambahan sampel pada masing-masing unit sampling yang terpilih pada sampel awal. Ada dua skema yang dapat digunakan untuk menambahkan sampel, yaitu skema overlapping dan skema nonoverlapping. Pada skema overlapping, proses penambahan sampel diperbolehkan melewati batas unit primer, sedangkan pada skema nonoverlapping tidak diperbolehkan melewati batas unit. Pada masing-masing skema akan digunakan taksiran Horvitz-Thompson dan taksiran Hansen-Hurwitz untuk menaksir mean dan total populasi. Taksiran yang diperoleh adalah taksiran yang tak bias. Pada tugas akhir ini akan diberikan contoh penerapan two stage adaptive cluster sampling dengan menggunakan skema overlapping dan skema nonoverlapping."

"The Third Edition retains the general organization of the prior two editions, but it incorporates new material throughout the text. The book is organized into six parts: Part I covers basic sampling from simple random sampling to unequal probability sampling; Part II treats the use of auxiliary data with ratio and regression estimation and looks at the ideas of sufficient data, model, and design in practical sampling; Part III covers major useful designs such as stratified, cluster and systematic, multistage, and double and network sampling; Part IV examines detectability methods for elusive populations, and basic problems in detectability, visibility, and catchability are discussed; Part V concerns spatial sampling with the prediction methods of geostatistics, considerations of efficient spatial designs, and comparisons of different observational methods including plot shapes and detection aspects; and Part VI introduces adaptive sampling designs in which the sampling procedure depends on what is observed during the survey. For this new edition, the author has focused on thoroughly updating the book with a special emphasis on the first 14 chapters since these topics are invariably covered in basic sampling courses. The author has also implemented new approaches to explain the various techniques in the book, and as a result, new examples and explanations have been added throughout. In an effort to improve the presentation and visualization of the book, new figures as well as replacement figures for previously existing figures have been added. This book has continuously stood out from other sampling texts since the figures evoke the idea of each sampling design. The new figures will help readers to better visualize and understand the underlying concepts such as the different sampling strategies."

"Masalah yang akan dijumpai dalam pengambilan sampel di alamterbuka dengan objek pengamatan hewan yaitu tidak semua objekpengamatan dapat terdeteksi. Salah satu metode untuk mengatasinya adalahmetode Detectability Sampling, yaitu metode pengambilan sampel denganmempertimbangkan probabilitas terdeteksinya suatu objek pengamatan. Jikametode Detectability Sampling diterapkan pada Simple Random Sampling,maka metode pengambilan sampel ini disebut Detectability Simple RandomSampling. Taksiran total populasi yang didapat dari metode DetectabilitySimple Random Sampling merupakan taksiran yang tak bias. Probabilitasterdeteksinya suatu objek pengamatan dapat diketahui atau ditaksir daripenelitian sebelumnya.Dalam tugas akhir ini, probabilitas terdeteksinya suatu objekpengamatan ditaksir dari penelitian sebelumnya yang menggunakan metodeDirect Sampling. Studi kasus penerapan metode ini digunakan dalammenaksir total banyak katak di sekeliling Danau Agatis, UniversitasIndonesia. Hasil analisa data menunjukkan bahwa total banyak katak disekeliling Danau Agatis adalah sebesar 266 katak. Jika banyak katak perluas di sekeliling Danau Agatis dibandingkan dengan banyak katak per luasyang didapat dari penelitian sebelumnya di sekeliling danau yang bersih,dimana memberikan hasil bahwa banyak katak per luas di sekeliling DanauvAgatis lebih kecil dibandingkan banyak katak per luas di danau yang bersih,maka dapat disimpulkan bahwa Danau Agatis, Universitas Indonesia telahmulai tercemar.kata kunci : taksiran tak bias, total populasi, simple random sampling,probabilitas terdeteksinya objek pengamatan, directsamplingx + 64 hlmn.Bibliografi : 8 (1977-2009)"

"Masalah yang akan dijumpai dalam pengambilan sampel di alamterbuka dengan objek pengamatan hewan yaitu tidak semua objekpengamatan dapat terdeteksi. Salah satu metode untuk mengatasinya adalahmetode Detectability Sampling, yaitu metode pengambilan sampel denganmempertimbangkan probabilitas terdeteksinya suatu objek pengamatan. Jikametode Detectability Sampling diterapkan pada Simple Random Sampling,maka metode pengambilan sampel ini disebut Detectability Simple RandomSampling. Taksiran total populasi yang didapat dari metode DetectabilitySimple Random Sampling merupakan taksiran yang tak bias. Probabilitasterdeteksinya suatu objek pengamatan dapat diketahui atau ditaksir daripenelitian sebelumnyaDalam tugas akhir ini, probabilitas terdeteksinya suatu objekpengamatan ditaksir dari penelitian sebelumnya yang menggunakan metodeDirect Sampling. Studi kasus penerapan metode ini digunakan dalammenaksir total banyak katak di sekeliling Danau Agatis, UniversitasIndonesia. Hasil analisa data menunjukkan bahwa total banyak katak disekeliling Danau Agatis adalah sebesar 266 katak. Jika banyak katak perluas di sekeliling Danau Agatis dibandingkan dengan banyak katak per luasyang didapat dari penelitian sebelumnya di sekeliling danau yang bersih,dimana memberikan hasil bahwa banyak katak per luas di sekeliling Danau Agatis lebih kecil dibandingkan banyak katak per luas di danau yang bersih, maka dapat disimpulkan bahwa Danau Agatis, Universitas Indonesia telah mulai tercemar."

"Estimasi usia memainkan peran penting dalam analisis forensik, diagnosis klinis, dan investigasi kriminal. Metode tradisional untuk memperkirakan usia pada anak-anak dan remaja sering melibatkan pengamatan perkembangan gigi. Penelitian ini mengeksplorasi penggunaan deep learning untuk estimasi usia kronologis menggunakan 668 citra panorama gigi (OPG) dari usia 5 hingga 15 tahun dengan metode Convolutional Neural Networks (CNN). Penelitian ini menentukan model CNN terbaik dengan menggunakan augmentasi dan penyempurnaan parameter model VGGNet dan DenseNet. Teknik validasi silang k-fold, oversampling SMOTE, dan augmentasi gambar dengan ImageDataGenerator digunakan untuk mengatasi ketidakseimbangan kelas dan ukuran data sampel yang kecil. Tiga model berbeda dibandingkan (VGG16, VGG19, dan DenseNet-201), masing-masing menggunakan dua jenis augmentasi yang berbeda. Model terbaik, VGG16 dengan ImageDataGenerator, mencapai RMSE sebesar 0,98 tahun (10,85%), MAE sebesar 0,67 tahun, dan nilai R 2 sebesar 0,88 pada set pengujian, menunjukkan error yang rendah.

---

Age estimation plays a crucial role in forensic analysis, clinical diagnosis, and criminal investigation. Traditional methods for estimating age in children and adolescents often involve observing dental development. This study explores the use of deep learning for chronological age estimation using 668 panoramic dental images (OPG) from ages 5 to 15 years with Convolutional Neural Networks (CNN). The study determines the best CNN model by using augmentation and fine-tuning parameters of VGGNet and DenseNet models. Cross-validation technique k-fold, SMOTE oversampling, and image augmentation with ImageDataGenerator are used to address class imbalance and small sample sizes. Three different models (VGG16, VGG19, and DenseNet-201) are compared, each using two different types of augmentation. The best model, VGG16 with ImageDataGenerator, achieved an RMSE of 0.98 years (10.85%), an MAE of 0.67 years, and an R 2 value of 0.88 on the test set, indicating relatively low error."