Hasil Pencarian  ::  Simpan CSV :: Kembali

"Runtun waktu adalah sekumpulan pengamatan kuantitatif dari sebuah kejadian yang diambil berturut-turut dengan periode yang sama. Dalam banyak penerapan, diperlukan runtun waktu dengan peubah acak diskrit yang dapat menangani pengamatan berupa count data. Salah satu model runtun waktu yang menangani count data adalah model runtun waktu Integer-valued Autoregressive order satu atau disebut INAR(1). Model ini dibangun dengan binomial thinning operator yang mengatasi masalah multiplikasi skalar dengan menerapkan operasi probabilisitik. Model INAR(1) yang umum memiliki suku pembaharuan berdistribusi Poisson dan memiliki asumsi equidispersi dimana variansi sama dengan mean pada count datanya. Akan tetapi banyak keadaan count data yang memiliki variansi yang lebih besar daripada mean yang disebut overdispersi. Salah satu penyebab overdispersi adalah banyaknya nilai nol yang berlebih pada count data. Sehingga, penggunaan model dengan asumsi equidispersi dapat mengakibatkan estimasi parameter yang kurang tepat dan hasil prediksi yang kurang valid. Oleh karena itu, salah satu model runtun waktu yang dapat menangani kasus overdispersi, yaitu model INAR(1) dengan suku pembaharuan berdistribusi Geometrik atau disebut juga INARG(1). Dalam penelitian ini, pertama dibahas mengenai binomial thinning operator, indeks dispersi dan properti pada model INARG(1). Lalu, penaksiran parameter model dilakukan menggunakan metode conditional least square. Selanjutnya, model yang didapat digunakan untuk mencari nilai ramalan pada periode selanjutnya menggunakan metode peramalan nilai tengah. Model runtun waktu INARG(1) ini diaplikasikan pada data jumlah kejahatan seksual yang dilaporkan terjadi di 21st police car beat street in Pittsburgh setiap bulannya, dari Januari 1990 hingga Desember 2001.

---

Time series is a set of quantitative observations of an event taken consecutively over the same period. In many applications, a time series with discrete random variables is needed that can handle observations in the form of count data. One of the time series model that handles count data is the first-order integer-valued Autoregressive time series model, or called INAR(1). This model is built with a binomial thinning operator that overcomes scalar multiplication problems by applying probabilistic operations. INAR(1) model has a Poisson distribution innovations, and the model assumes equidispersion where the variance is equal to the mean in the data count. However, in many situations, the data count has a more significant variance than the mean and it called overdispersion. One of the causes of overdispersion is the excessive number of zeros in the count data. Thus, the use of the equidispersion model can lead to inaccurate parameter estimates and invalid prediction results. Therefore, one of the time series model discussed used INAR(1) with geometric innovations or called INARG(1), where the time series model is suitable for modeling overdispersion cases. In this research, we discuss about binomial thinning operator, also the dispersion and property in INARG(1) model. Then, the model parameter estimates were determined using the Conditional Least Square method. Besides, the model is used to find the predicted value for the next period. The forecasting method in INARG(1) uses median forecasting by calculating the conditional probability of each possible nonnegative integer value. The INARG(1) time series model is applied to data on the number of reported sexual crimes occurring at the 21st police car beat street in Pittsburgh each month, from January 1990 to December 2001."

"Runtun waktu bernilai bilangan bulat nonnegatif berkembang pada banyak penerapan. Model runtun waktu Integer-valued Autoregressive dengan order 1 (INAR(1)) dikonstruksi menggunakan binomial thinning operator untuk memodelkan runtun waktu bernilai bilangan bulat nonnegatif. Model runtun waktu INAR(1) bergantung satu periode dari proses sebelumnya. Parameter model dapat diestimasi menggunakan conditional least squares (CLS). INAR(1) memiliki spesifikasi mengikuti model Autoregressive dengan order 1 (AR(1)). Peramalan INAR(1) menggunakan metode peramalan nilai tengah atau dengan metode peramalan Bayes. Metode peramalan nilai tengah menghitung secara langsung bilangan bulat yang membuat fungsi kepadatan kumulatif lebih besar sama dengan 0.5. Metode peramalan Bayes meramalkan nilai untuk h periode ke depan dengan membangkitkan barisan parameter model dan parameter suku pembaharuan menggunakan Adaptive Rejection Metropolis Sampling within Gibbs sampling (ARMS), kemudian dengan mengambil sampel u pada distribusi Uniform(0,1), akan dicari bilangan bulat terkecil yang membuat fungsi kepadatan kumulatif melebihi u. Model runtun waktu INAR(1) diaplikasikan pada jumlah kasus polio di Amerika Serikat mulai Januari 1970 sampai Desember 1983 per bulan.

---

Nonnegative integer-valued time series arises in many applications. A time series model: first-order Integer-valued Autoregressive (INAR(1)) is constructed by binomial thinning operator to model nonnegative integer-valued time series. INAR(1) is depend on one period from the process before. Parameter of the model can be estimated by conditional least squares (CLS). Specification of INAR(1) is following the specification of AR(1). Forecasting in INAR(1) uses forecasting methodology or Bayes forecasting methodology. Median forecasting methodology obtains integer s, which is cumulative density function (cdf) until s is more than or equal to 0.5. Bayes forecasting methodology forecasts h step ahead by generate the parameter of the model and parameter of innovation term using Adaptive Rejection Metropolis Sampling within Gibbs sampling (ARMS), then finding the least integer where is more than or equal than u. u is a value taken from the Uniform (0,1) distribution. INAR(1) is applied on polio case in United States from January 1970 until December 1983 monthly."

"Pemodelan runtun waktu banyak digunakan dalam berbagai bidang seperti keuangan, kesehatan, dan asuransi. Model runtun waktu yang sering digunakan adalah model runtun waktu kontinu. Akan tetapi di dunia nyata, diperlukan model runtun waktu yang bisa memodelkan data diskrit. Model INAR(1) adalah salah satu model runtun waktu yang bisa menangani data diskrit dengan asumsi inovasi atau error berdistribusi Poisson. Namun, distribusi Poisson mempunyai mean yang sama dengan variansinya sehingga distribusi Poisson memiliki asumsi equidispersi. Hal ini membatasi fleksibilitas model runtun waktu yang dapat dikonstruksi untuk data diskrit karena bisa terjadi overdispersi. Dalam artikel ini dikonstruksi sebuah model yang dapat mengatasi masalah overdispersi, yaitu model BL-INAR (1), yang merupakan model INAR(1) dengan inovasi yang berdistribusi Bell serta sifat dari model BL-INAR(1). Distribusi Bell adalah distribusi yang menggunakan satu parameter dengan basis ekspansi deret dari bilangan Bell. Parameter model BL-INAR(1) diestimasi menggunakan metode Conditional Least Squares. Model BL-INAR(1) selanjutnya diimplementasikan pada data mogok kerja di Amerika Serikat.

---

Time series models are used frequently in other field such as finance, medicine, and insurance. Models that were often used for time series are continuous time series models. Nonetheless, time series models that can handle discrete data are also needed. INAR(1) is one example of time series models that is able to deal with discrete data and its innovation are using Poisson distribution. However, Poisson distribution has a mean of same value with its variance which means Poisson distribution assumed equidispersion. This assumption limits the flexibility of time series models that can be built because overdispersion happen often in time series. In this paper, we will analyse a model that will solve overdispersion, BL-INAR(1)model which is an INAR(1) model with Bell inovations. Bell distribution is a distribution that use one parameter with the basis of series expansion of Bell numbers. Parameters of BL-INAR(1) model will be estimated using Conditional Least Squares. As an example, BL-INAR(1) model will be tested using strikes data in United States."

"Indonesia yang memiliki kondisi geografis yang sebagian besar terdiri dari perbukitan dan pegunungan dengan geometrik jalan tanjakan maupun turunan. Kriteria teknis yang membedakan kategori medan tersebut berupa angka lengkung horizontal serta vertikal alinyemen jalan (Bendiness dan hilliness) Salah satunya berada di kawasan Wonosobo, Jawa Tengah. Salah satu daerah di Jawa Tengah yang memiliki kondisi geografis jalan pegunungan. Kecelakaan yang sering terjadi pada Turunan dan Tanjakan. Sehingga pada penelitian ini, untuk menganalisa model hubungan Alinyemen Vertikal yaitu Bendiness dan Hilliness dan potensi kecelakaan yang berada di daerah Pegunungan maupun perbukitan sehingga dapat menekan serta mengurangi tingginya angka kecelakaan pada daerah pegunungan. Didapatkan hubungan antara variabel geometrik jalan maupun karakteristik lalu lintas terhadap jumlah terjadinya kecelakaan secara total maupun meninggal dunia berdasarkan pendekatan binomial negatif. Berdasarkan pemodelan yang telah dilakukan sebelumnya diperoleh variabel prediktor yang berpengaruh adalah Average Gradien, Lebar Rata, Bendiness, Volume, Percent Truck, dan Slow Truck yang meningkatkan kecelakaan. Sedangkan untuk kecelakaan meninggal dunia diperoleh variabel prediktor yang berpengaruh adalah Average Gradien, Volume, Percent Truck, dan Slow Truck yang meningkatkan kecelakaan meninggal dunia.

---

Indonesia, which has geographical conditions that mostly consist of hills and mountains with geometric roads going up and down. The technical criteria that distinguish these terrain categories are the horizontal and vertical curves of the road alignment (Bendiness and hilliness). One of them is in the Wonosobo area, Central Java. One of the areas in Central Java which has the geographical conditions of mountain roads. Accidents that often occur on Derivatives and Ascents. So in this study, to analyze the Vertical Alignment relationship model, namely Bendiness and hilliness and the potential for accidents in mountainous and hilly areas so that it can suppress and reduce the high number of accidents in mountainous areas. There is a relationship between road geometric variables and traffic characteristics to the total number of accidents and deaths based on the negative binomial approach. Based on the modeling that has been done before, it is obtained that the influential predictor variables are Average Gradien, Average Width, Bendiness, Volume, Percent Trucks, and Slow Trucks which increase accidents. Meanwhile, for fatal accidents, the influential predictor variables were Average Gradien, Volume, Percent Trucks, and Slow Trucks which increased the number of fatal accidents."

"Direktorat Lalu Lintas Polda Jatim mencatat angka kecelakaan di jalan tol Trans Jawa masih tinggi diikuti dengan peningkatan jumlah korban jiwa, luka berat dan luka ringan. Kecelakaan di Tol Nganjuk menuju Jombang juga cukup tinggi pada periode 2018-2020 yaitu 87 kasus dengan 22 kasus pada 2018, 37 kasus pada 2019, dan pada 2020 sebanyak 28 kasus kecelakaan. Banyaknya kecelakaan lalu lintas terjadi karena kelalaian pengemudi dan kendaraan yang tidak layak, serta sedikitnya faktor karena kondisi jalan dan lingkungan. Tingginya fatalitas korban kecelakaan pada ruas jalan tol perlu dikaji untuk berbagai faktor infrastruktur jalan dan lingkungan yang dapat mempengaruhi terjadinya kecelakaan berdasarkan analisis keselamatan jalan. Oleh karena itu, dibuatlah penelitian yang berjudul “Analisis Pengaruh Faktor Geometrik dan Lingkungan terhadap Jumlah Korban Kecelakaan di Jalan Tol”. Didapatkan hubungan antara faktor geometrik dari infrastruktur dan lingkungan jalan, serta karakteristik lalu lintas terhadap Korban Kecelakaan terdistribusi dengan pendekatan poisson. Variabel bebas yang berpengaruh signifikan yaitu Akses ops, Tipe Objek Sisi Jalan, Lengkungan dan Mean Speed dengan pengaruh sebesar 21,29 % terhadap jumlah korban kecelakaan. Rekomendasi dapat dilakukan dengan menciptakan desain jalan yang berkeselamatan dan memaafkan (forgiving road) melalui faktor geometrik dan lingkungan yang berpengaruh signifikan di ruas jalan Tol Nganjuk – Jombang.

---

The Directorate of Traffic for the East Java Regional Police noted that the number of accidents on the Transjawa toll road was still high, followed by an increase in the number of fatalities, serious injuries and minor injuries. Accidents on the Nganjuk Toll Road to Jombang were also quite high in the 2018-2020 period, namely 87 cases with 22 cases in 2018, 37 cases in 2019, and in 2020 there were 28 accident cases. Many traffic accidents occur due to negligence of drivers and improper vehicles, as well as a few factors due to road and environmental conditions. The high fatality of accident victims on toll roads needs to be studied for various road infrastructure and environmental factors that can affect the occurrence of accidents based on road safety analysis. Therefore, a research entitled "Analysis of Geometric and Environmental Factors on Numre of Accident Victims on Toll Roads" was made. There is a relationship between the geometric factors of the road infrastructure and environment, as well as the traffic characteristics of the Accident Victims distributed using the Poisson approach. Independent variables that have a significant effect are ops access, type of roadside object, curvature and mean speed with an effect of 21.29% on the number of accident victims. Recommendations can be made by creating a road design that is safe and forgiving (forgiving road) through geometric and environmental factors that have a significant effect on the Nganjuk - Jombang toll road."

"Dikarenakan input yang rumit dalam menghasilkan mesh dan dokumentasi terkait pengaruh dari ukuran mesh dalam analisa stabilitas lereng, Metode Elemen Hingga untuk analisa stabilitas lereng jarang untuk digunakan untuk keperluan praktis. Oleh karena itu, tujuan dari riset ini adalah untuk mendapat ukuran dan kepadatan mesh yang direkomendasikan dalam software geoteknik dengan input yang rumit. Riset analisa stabilitas lereng dilakukan dengan MIDAS GTS, yang memiliki input yang rumit untuk menghasilkan mesh dalam bentuk element size dan refinement factor, dibandingkan dengan PLAXIS 2D, yang memiliki input yang simpel yaitu dari kekasaran Very Coarse ke Very Fine. Analisa sensitivitas dilakukan dengan mencari dalam tingkat kekasaran apa MIDAS GTS dan PLAXIS 2D memiliki kemiripan nilai FK dan garis lengseran, dan menentukan ukuran dan kerapatan mesh yang dianjurkan untuk semua tingkat kekasaran di MIDAS GTS. Studi berlanjut dalam kasus nyata dari kegagalan lereng untuk menentukan tingkat kekasaran dalam MIDAS GTS yang menghasilkan hasil yang paling akurat. Ditemukan bahwa MIDAS GTS dan PLAXIS 2D memiliki hasil yang paling sama dalam kekasaran Medium, namun GTS menghasilkan hasil paling akurat untuk keperluan praktis pada kekasaran Very Fine.

---

Due to complex input in generating mesh and the documentation of mesh sizes effect in slope stability analysis, Finite Element Method (FEM) for slope stability analysis is rarely conducted in practical uses. This reason inspired the objective of this research, which is to find the recommended generated mesh size and density in complex inputted geotechnical related software. This research of slope stability analysis is conducted using MIDAS GTS, which has a complex input of mesh generation in form of element size input and refinement factor, and compared to PLAXIS 2D, which has a simpler optional input which are Very Coarse to Very Fine coarseness, for the mesh generation. Sensitivity analysis firstly conducted to decide in what coarseness MIDAS GTS and PLAXIS 2D has a similar SF and slip critical line result, and to decide the recommended mesh size and density for all coarseness level in MIDAS GTS. The study continues to the real case of slope failure to decide in which coarseness in MIDAS GTS that resulting the most accurate result for practical use. It is found in Medium coarseness that MIDAS GTS and PLAXIS 2D produce the most similar result, but GTS produces the most accurate result for practical use in Very Fine coarseness."

"In practical decision-making, the independence of criteria is usually violated so its uncreasonable to aggregate the alternative values using additive measures. In order to reflect the interactions between combinations in a set, the generalized shapley function is used to measure the importance of them, which is an expectation utility function with respect to a fuzzy measure. It is worth pointing out that the generalized shapley function is also a fuzzy measure. Then, the generalized shapley interval-valued intuitionistic fuzzy geometric choquet operator is defined, which is also an interval-valued intuitionistic fuzzy value. Further, some important properties are investigated. Moreover, an approach to interval-valued intuitionistic fuzzy multi-criteria decision-making is developed. In the end, two practical examples are selected to show the presented procedure"

"Topics include: ways modern statistical procedures can yield estimates of pi more precisely than the original Buffon procedure traditionally used; the question of density and measure for random geometric elements that leave probability and expectation statements invariant under translation and rotation; the number of random line intersections in a plane and their angles of intersection; developments due to W. L. Stevens's ingenious solution for evaluating the probability that n random arcs of size a cover a unit circumference completely; the development of M. W. Crofton's mean value theorem and its applications in classical problems; and an interesting problem in geometrical probability presented by a karyograph."

"

Model runtun waktu yang paling umum digunakan adalah runtun waktu diskrit yang mengasumsikan peubah yang diuji bersifat kontinu dan menghasilkan nilai kontinu. Padahal dalam banyak penerapan, diperlukan model runtun waktu diskrit yang dapat menangani peubah diskrit dan menghasilkan nilai diskrit juga. Salah satu model runtun waktu yang menangani data count atau bilangan bulat nonnegatif adalah model runtun waktu Integer-valued Autoregressive dengan order p yaitu INAR(p). Model ini dibangun dengan binomial thinning operator yang menerapkan operasi probabilistik dengan distribusi diskrit yang cocok memodelkan data count seperti Poisson dan Binomial. Parameter model akan diestimasi dengan metode Yule-Walker. Dalam penelitian ini, akan dibahas dan dijabarkan karakteristik dari model INAR(p) menggunakan operator binomial thinning. Spesifikasi INAR(p) mengikuti model Autoregressive dengan order p, AR(p). Peramalan INAR(p) menggunakan metode peramalan nilai tengah dengan menghitung probabilitas bersyarat dari setiap bilangan bulat nonnegatif yang mungkin menjadi nilai ramalan, lalu memilih nilai ramalan yang memiliki probabilitas bersyarat kumulatif lebih besar sama dengan 0,5. Model runtun waktu INAR(p) akan diaplikasikan pada data simulasi berjumlah 120 data yang bernilai bilangan bulat nonnegatif.

---

The most commonly used time series model is the discrete time series which assumes the variables being tested are continuous and produces continuous values. Whereas in many applications, a discrete time series model is needed to handle discrete variables and produce discrete values as well. Time series model that handles count or non-negative integer data is the Integer-valued Autoregressive model with the pth-order or INAR(p). This model is built with binomial thinning operator which implements probabilistic operations with discrete distribution that are suitable to model count data such as Poisson and Binomial. Model parameters will be estimated using the Yule-Walker method. In this research, we will discuss and describe the characteristics of the INAR(p) model using the binomial thinning operator. The INAR(p) specification follows the Autoregressive model with the p-th order, AR(p). Forecasting in INAR(p) uses median forecasting by calculating the conditional probability of each possible nonnegative integer value, then selecting a forecast value with a cumulative conditional probability greater than 0.5. The INAR(p) time series model will be applied to the 120 simulated data with nonnegative integer values.

"