Hasil Pencarian  ::  Simpan CSV :: Kembali

"Distribusi Exponentiated Exponential (EE) adalah pengembangan dari distribusi Exponential dengan cara menambahkan sebuah parameter bentuk alpha. Distribusi ini digunakan untuk mengatasi masalah ketidakfleksibilitas dari distribusi Exponential. Untuk melakukan inferensi mengenai permasalahan yang dimodelkan dengan distribusi EE, perlu dilakukan penaksiran parameter. Pada skripsi ini akan dibahas mengenai penaksiran parameter distribusi dari distribusi Exponentiated Exponential pada data tersensor kiri menggunakan metode Bayesian. Prosedur penaksiran meliputi penentuan distribusi prior yaitu digunakan distribusi prior konjugat, pembentukan fungsi likelihood dari data tersensor kiri, dan pembentukan distribusi posterior. Penaksir Bayes kemudian diperoleh dengan cara meminimumkan risiko posterior berdasarkan fungsi loss Squared Error Loss Function (SELF) dan Precautionary Loss Function (PLF). Kemudian setelah diperoleh perumusan penaksir Bayes, simulasi data dilakukan untuk membandingkan hasil taksiran parameter menggunakan fungsi loss SELF dan PLF yang dilihat dari nilai Mean Square Error (MSE) yang dihasilkan. Fungsi loss dikatakan lebih efektif digunakan dalam merumuskan penaksir Bayes apabila penaksir Bayes yang diperoleh menghasilkan nilai MSE yang lebih kecil. Berdasarkan hasil simulasi, fungsi loss PLF lebih efektif digunakan untuk alpha≤1, sedangkan fungsi loss SELF lebih efektif digunakan untuk alpha>1.

---

Exponentiated Exponential (EE) distribution is the development of Exponential Distribution by adding alpha as a shape parameter. This distribution can solve unflexibility issue in Exponential distribution. In order to make inferences about any cases modeled with EE distribution, parameter estimation is required. This thesis will discuss about parameter estimation of Exponentiated Exponential distribution for left censored data using Bayesian method. Parameter estimation procedure are selection of prior distribution which is conjugate prior, likelihood construction for left censored data, and then forming posterior distribution. Bayes estimator can be obtained by minimize posterior risk based on Squared Error Loss Function (SELF) and Precautionary Loss Function (PLF). After Bayes estimator is obtained, simulation is done to compare the results of Bayes estimator using SELF and PLF which are seen from the result of Mean Square Error (MSE). Loss function is said to be more effective to obtain Bayes estimator if the resulting Bayes estimator yield smaller MSE. Based on simulation, PLF more effective for alpha ≤ 1, while SELF more effective for alpha>1."

"Distribusi Burr Tipe XII atau yang biasa dikenal dengan distribusi Burr merupakan salah satu dari dua belas tipe distribusi kontinu dalam sistem Burr. Distribusi Burr mempunyai karakteristik menceng kanan dan mempunyai tail yang tebal. Distribusi Burr dapat diterapkan dalam berbagai masalah survival. Untuk mempelajari lebih lanjut, perlu dilakukan penaksiran parameter. Pada skripsi ini akan dibahas mengenai penaksiran parameter distribusi Burr pada data tersensor kanan dengan metode Bayes. Prosedur penaksiran adalah dengan menentukan distribusi prior yang digunakan, yaitu conjugate prior, pembentukan fungsi likelihood untuk data tersensor kanan dan pembentukan distribusi posterior. Penaksir Bayes didapatkan dengan cara meminimumkan fungsi risiko posterior berdasarkan fungsi loss. Fungsi loss yang digunakan adalah Square Error Loss Function (SELF) dan Precautionary Loss Function (PLF). Setelah didapatkan penaksir Bayes, dilakukan simulasi data untuk membandingkan keefektifan taksiran parameter dari kedua fungsi loss menurut Mean Square Error (MSE). Yang dimaksud penaksir yang efektif adalah penaksir yang mempunyai MSE lebih kecil. Selain itu dilihat juga pengaruh intensitas tersensor pada kedua fungsi loss menurut MSE. Berdasarkan hasil simulasi, penaksir Bayes dengan PLF lebih efektif daripada SELF dan semakin besar intensitas tersensor maka MSE yang dihasilkan semakin besar untuk kedua fungsi loss.

---

Burr Type XII distribution is known as Burr distribution, is one of the twelve types continous distribution on Burr system. Burr distribution is heavy-tailed and right-skewed. Burr distribution has an important role in survival analysis. To learn more, parameter estimation is needed. This study will explain about parameter estimation of Burr distribution for right censored data with Bayes method. Procedure for estimating parameter are, determine which prior distribution to use, that is conjugate prior, likelihood function construction for right censored data and calculation of posterior distribution. Bayes estimator is obtained by minimize posterior risk function based on loss function. This study will use Square Error Loss Function (SELF) and Precautionary Loss Function (PLF). After Bayes estimator is obtained, simulation will be done to compare the effectiveness of Bayes estimator with both loss function according to Mean Square Error (MSE). What is meant by effective estimator is it has smaller MSE. Besides, this study is also explained the effect of the censored intensity according to MSE. Based on simulation results, Bayes estimator with PLF is more effective than SELF and greater censored intensity, greater MSE produced, for both loss function."

"ABSTRAKData bawah permukaan merupakan data yang sangat dibutuhkan dalam menentukan besar cadangan hidrokarbon di Indonesia. Selain itu, kualitas dari cadangan itu sendiri menentukan perkembangan industri migas kedepannya. Pemerintah telah secara agresif mendorong penggunaan gas alam dan saat ini pemerintah belum memiliki data mengenai cadangan gas secara efisien. Oleh karena itu, diperlukan penyusunan dalam manajemen data reservoir, khususnya reservoir gas. Penelitian ini menyajikan konsep sehingga pemerintah dapat dengan mudah melihat kualitas cadangan gas yang berasal dari data bawah permukaan. Dalam penelitian ini, manajemen data dilakukan dengan cara mengelompokkan data mentah sesuai parameter dari sistem evaluasi Sumber Daya Cadangan (eSDC). Salah satu sistem pengolahan data untuk analisa kualitas berproduksi suatu reservoir gas, menggunakan Bayesian Hierarchical Softmax Regression dengan perhitungan Markov Chain Monte Carlo untuk penyelesaian integral multi dimensi dari Bayesian. Penelitian ini menunjukkan bahwa dengan metode yang digunakan, dapat memprediksi keyakinan kualitas reservoir untuk berproduksi dan memberikan informasi ketidakpastian atas prediksi tersebut. Pada eSDC, terdapat lima klasifikasi status lapangan di Indonesia yaitu, on production, production on hold, production justified, production pending, dan recently discovered. Pada klasifikasi status On Production dengan 100 data lapangan gas, menghasilkan nilai precision 81%, recall 98%, dan f-measured sebesar 89%. Dengan demikian, dapat dikatakan bahwa lapangan gas dengan klasifikasi on production, keyakinan reservoir dalam berproduksi secara komersil tinggi.

---

ABSTRACTSubsurface data is data that is needed to determine the amount of hydrocarbon reserves in Indonesia. In addition, the quality of the reserves itself determines the future development of the oil and gas industry. The government has aggressively encouraged the use of natural gas and currently the government does not have data on gas reserves efficiently. Therefore, it is necessary to arrange in the management of reservoir data, especially gas reservoirs. This research presents a concept so that the government can easily see the quality of gas reserves from subsurface data. In this study, data management is done by grouping raw data according to parameters of the Reserve Resources evaluation system (eSDC). One of the data processing systems for analyzing the quality of producing a gas reservoir, using Bayesian Hierarchical Softmax Regression with Markov Chain Monte Carlo calculations for solving multi-dimensional integrals from Bayesian. This study shows that with the method used, it can predict reservoir quality beliefs for production and provide uncertainty information on these predictions. In eSDC, there are five classifications of field status in Indonesia, namely, on production, production on hold, production justified, production pending, and recently discovered. In the On Production status classification with 100 gas field data, it produces a precision value of 81%, recall 98%, and f-measured of 89%. Thus, it can be said that the gas field with the classification of on production, reservoir confidence in commercial production is high."

"ABSTRACTModel hurdle adalah model alternatif untuk mengatasi penyebaran berlebihan (varians datanya adalah lebih tinggi dari nilai rata-rata) yang disebabkan oleh kelebihan nol. Model rintangan dapat memodelkan secara terpisah variabel respons yang memiliki nilai nol dan positif, melibatkan dua proses yang berbeda. Proses pertama adalah proses biner yang menentukan apakah variabel respon memiliki nilai nol atau nilai positif, dan dapat dimodelkan dengan biner model, menggunakan regresi logistik. Untuk variabel respons positif, kemudian lanjutkan ke proses kedua, yaitu proses yang hanya mengamati jumlah positif. Yang positif count dapat dimodelkan dengan model Zero-Truncated menggunakan regresi Poisson. Rintangan model juga dikenal sebagai model dua bagian. Estimasi parameter menggunakan Bayesian metode. Kombinasi informasi sebelumnya dengan informasi dari data yang diamati membentuk distribusi posterior yang digunakan untuk memperkirakan parameter. Distribusi posterior bentuk yang diperoleh tidak tertutup, sehingga diperlukan teknik komputasi, yaitu Markov Chain Monte Carlo (MCMC) dengan algoritma Gibbs Sampling. Metode ini diterapkanke data Parkinson untuk memodelkan frekuensi komplikasi motorik pada 300 Parkinsonpasien. Data tersebut digunakan dari Parkinson's Progressive Markers Initiative (PPMI, 2018). Hasil yang diperoleh adalah MDS-UPDRS (Movement Disorder Society-Unified Skala Peringkat Penyakit Parkinson) bagian 1, MDS-UPDRS bagian 2, dan MDS-UPDRS bagian 3 terkait secara signifikan MDS-UPDRS bagian 4 di kedua tahap.

---

ABSTRACTThe obstacle model is an alternative model for overcoming excessive spread (the data variant is higher than the average value) which is questioned by zero excess. The obstacle model can separately model response variables that have zero and positive values, involving two different processes. The first process is a binary process that determines whether the response variable has a zero value or a positive value, and can be modeled with a binary model, using logistic regression. For positive response variables, then proceed to the second process, which is a process that is only positive. The positive one calculated can be modeled with a Zero-Truncated model using Poisson regression. The Obstacle Model is also known as the two part model. Parameter estimation using the Bayesian method. The combination of previous information with information from data collected collects the distributions used for parameter estimation. The posterior distribution of the obtained form is not closed, computational techniques are needed, namely Markov Chain Monte Carlo (MCMC) with Gibbs Sampling algorithm. This method is applied to Parkinson's data to model the frequency of motor complications in 300 Parkinson's patients. The data is used from Parkinson's Progressive Markers Initiative (PPMI, 2018). The results obtained are MDS-UPDRS (Movement Disorder-Community Parkinson's Disease Assessment Scale) part 1, MDS-UPDRS part 2, and MDS-UPDRS part 3 which significantly related MDS-UPDRS part 4 in both glasses."

"Berdasarkan UU RI no.7 tahun 1996, ketahanan pangan adalah kondisi terpenuhinya pangan bagi rumah tangga yang tercermin dari tersedianya pangan yang cukup, baik jumlah maupun mutunya, aman, merata dan terjangkau. Jika kondisi ini tidak terpenuhi maka akan terjadi kerawanan pangan. Dalam Penelitian ini akan dicari taksiran proporsi terjadinya rawan pangan pada kecamatan di kabupaten Bondowoso. Dalam mencari proporsi di tingkat kecamatan digunakan Small Area Estimation (SAE). Small Area Estimation merupakan suatu teknik statistika untuk menduga parameter-parameter subpopulasi yang ukuran sampelnya kecil. Teknik penaksiran ini memanfaatkan data dari domain besar (seperti sensus, survey) untuk menaksir parameter yang menjadi perhatian domain yang lebih kecil. Salah satu metode yang digunakan dalam Small Area Estimation adalah metode Empirical Bayes. Metode Empirical Bayes digunakan untuk mencari taksiran parameter pada small area dengan cara menggunakan informasi dari direct survey estimator dan dari variabel pendukung yang tersedia di setiap small area. Dalam metode Empirical Bayes, informasi prior tidak tersedia sehingga informasi prior dapat diestimasi dari sampel. Untuk mengukur seberapa baik taksiran parameter yang diperoleh digunakan Mean Square Error (MSE). Dalam penelitian ini akan ditunjukkan bahwa MSE dari penaksir EB akan lebih kecil dibandingkan dengan MSE dari penaksir langsung."

"Tugas akhir ini membahas penaksiran parameter 0 (probabilitas sukses) pada m distribusi binmial, dimana ada keterkaitan antar parameter 0 pada masing-masing populasi. metode penaksiran yang digunakan adalah metode Bayes. pada metode ini, prosedur yang dilakukan meliputi transformasi parameter 0 ke bentuk logit yaitu a, penentuan prior dan likelihood, pembentukan posterior, modifikasi likelihood, hingga akhirnya diperoleh m taksiran dari a yang akan digunakan untuk menaksir 0 pada tiap populasi. hasil yang diperoleh diaplikasikan pada penaksiran proporsi jumlah perempuan di 10 kursus pada suatu lembaga"

"Data survei biasanya dimanfaatkan oleh pemerintah suatu negara sebagai dasar untuk membuat kebijakan yang bertujuan untuk mengatasi masalah yang sedang dihadapi. Agar kebijakan yang dibuat tepat sasaran, kelompok daerah yang sangat bermasalah harus menjadi prioritas. Oleh karena itu, digunakan metode spatial scan statistics yang bertujuan untuk mendeteksi kelompok daerah bermasalah tersebut. Survei umumnya didesain untuk memperoleh kesimpulan pada daerah yang besar (lingkup nasional). Masalah terjadi ketika dari data survei tersebut ingin diperoleh informasi mengenai area yang lebih kecil, misalnya informasi pada tingkat kecamatan. Ukuran sampel pada area tersebut biasanya sangat kecil sehingga statistik yang diperoleh akan memiliki ragam yang besar. Bahkan mungkin penaksiran tidak dapat dilakukan karena area tersebut tidak terpilih menjadi sampel dalam survei. Sehingga kesimpulan yang dihasilkan mungkin tidak dapat menggambarkan keadaan populasi yang sebenarnya. Untuk mengatasi masalah tersebut, digunakan metode Empirical Bayes pada Small Area Estimation (SAE) untuk memperbaiki penaksiran parameter small area yang akan digunakan pada metode spatial scan statistics. Dengan metode Empirical Bayes pada SAE, dihasilkan penaksiran proporsi sukses untuk setiap small area yang digunakan sebagai informasi tentang subpopulasi pada metode spatial scan statistics. Selanjutnya menggunakan metode spatial scan statistics dideteksi kelompok small area dengan proporsi sukses tertinggi."