Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Overdispersion adalah masalah yang sering ditemukan saat memodelkan data cacah. Overdispersion ditandai dengan nilai variansi lebih besar dari mean. Penyebab overdispersion yang sering terjadi adalah banyaknya pengamatan bernilai nol pada suatu data. Akibatnya, distribusi Poisson yang memiliki nilai mean dan variansi yang sama (equidispersion) tidak cocok lagi untuk memodelkan data cacah tersebut. Salah satu alternatif distribusi untuk mengatasi kondisi overdispersion adalah distribusi Poisson-Lindley. Namun, distribusi Poisson-Lindley hanya memiliki fungsi massa peluang monoton turun. Untuk menambah fleksibilitas distribusi Poisson-Lindley, distribusi tersebut diberikan bobot berupa fungsi bobot binomial negatif. Pemberian fungsi bobot binomial negatif ini tetap menghasilkan distribusi dengan nilai variansi lebih besar dari mean sehingga tetap dapat digunakan untuk mengatasi kondisi overdispersion. Distribusi baru yang diperoleh disebut distribusi weighted negative binomial Poisson-Lindley (WNBPL). Pada tugas akhir ini dibahas mengenai proses pembentukan distribusi weighted negative binomial Poisson-Lindley, beberapa karakteristiknya, dan pengestimasian parameternya dengan metode maksimum likelihood. Sebagai ilustrasi, digunakan data frekuensi klaim pemegang polis untuk dimodelkan dengan distribusi WNBPL. ......Overdispersion is a common problem when modeling count data. Overdispersion is characterized by the variance greater than the mean. The cause of overdispersion that often occurs is the large number of zero-value observations in a data. As a result, the Poisson distribution which has the same mean and variance (equidispersion) is no longer suitable for modeling the count data. An alternative distribution to overcome the overdispersion condition is the Poisson-Lindley distribution. However, probability mass function of Poisson-Lindley is monotonic decreasing. To increase the flexibility of the Poisson-Lindley distribution, the distribution is given a weight function in the form of a negative binomial weight function. Giving this negative binomial weight function still creates a distribution with the variance greater than the mean to overcome overdispersion data. The new distribution obtained by giving that weight function is called the weighted negative binomial Poisson-Lindley (WNBPL) distribution. This thesis discusses the formation of the weighted negative binomial Poisson-Lindley distribution, some of its characteristics, and estimate its parameters using the maximum likelihood method. As an illustration, WNBPL distribution is used to model the data of frequency claims by policyholders.

Abstrak :
Regresi Poisson adalah model regresi umum yang digunakan untuk menghitung data dengan equidispersion. Namun, perhitungan data tidak selalu memenuhi asumsi ini. Hitungan data tidak terpenuhi asumsi ini ketika overdispersi muncul. Overdispersion adalah suatu kondisi dimana varians lebih besar dari rata-rata. Dalam data verdispersi karena kelebihan nol dan tambahan penyebaran berlebihan dalam nilai-nilai positif, salah satu model alternatif yang dapat digunakan adalah rintangan model binomial negatif. Rintangan model binomial negatif terdiri dari model dua bagian model biner dan model binomial negatif terpotong nol. Tugas akhir ini akan membahas tentang model rintangan konstruksi binomial negatif dan metode Bayesian untuk memperkirakan parameter dalam model binomial negatif rintangan. Algoritma metode Bayesian digunakan dalam proyek ini adalah Markov Chain Monte Carlo-Gibbs Sampling (MCMC-GS). Rintangan negatif model binomial akan diterapkan pada data Parkinson dari Parkinsons Growth Markers Database inisiatif (PPMI). Model diterapkan untuk menemukan faktor risiko dari komplikasi motorik kejadian dan frekuensinya berdasarkan Gerakan Disorder Society-Unified Parkinson Data Skala Timbangan Penyakit (MDS-UPDRS). Variabel signifikan untuk model bagian satu adalah skor total MDS-UPDRS Bagian III dan variabel total skor MDS-UPDRS Bagian II dan III untuk model bagian dua. Hasil lain yang diperoleh dari aplikasi data ini adalah parameter estimasi konvergen.

---

Poisson regression is a general regression model used to calculate data with equidispersion. However, data calculations do not always fit this consideration. Count data not met Suppose this overdispersion compilation appears. Overdispersion is a place where variants are greater than average. In data verdispersion due to zero excess and additional excessive spread in positive values, one alternative model that can be used is the constraints of the negative binomial model. The negative binomial obstacle model consists of a two-part binary model and the negative binomial zero-truncated model. This final project will discuss about the negative binomial constraint construction model and the Bayesian method for estimating parameters in the negative binomial resistance model. The Bayesian method algorithm is used in this project is the Markov Monte Carlo-Gibbs Sampling Chain (MCMC-GS). The negative barriers of the binomial model will be applied to Parkinsons data from Parkinsons Growth Markers Database Implementation (PPMI). The model applied to find risk factors for motor complications of events and their frequency is based on the Disorder-Unified Parkinsons Movement Disease Scale Data (MDS-UPDRS). The significant variable for the part one model is MDS-UPDRS Part III total score and MDS-UPDRS Part II and III total variable variables for the part two model. The results obtained from the application of this data are convergent estimation parameters.

Abstrak :
ABSTRAK
Fungsi distribusi binomial adalah fungsi yang memetakan probabilitas dari terjadinya k jumlah sukses dalam n jumlah percobaan dari kejadian yang memiliki dua kemungkinan, yaitu berhasil atau gagal. Leblanc & Johnson telah membuktikan sebuah sifat kemonotonan pada fungsi distribusi binomial. Pada skripsi ini, akan ditinjau perluasan fungsi distribusi binomial dari variabel diskrit ke kontinu juga sifat kemonotonan totalnya dan perluasan dari pertidaksamaan Leblanc & Johnson.

---

ABSTRACT
The binomial distribution function is a function that maps the probability of k successes in n trials from an incident with two possibilities, which are true or false. Leblanc & Johnson have proven a case of monotonicity on the binomial distribution function. On this paper, an extension of the binomial distribution function and its complete monotonicity and an extension of the Leblanc & Johnson inequality will be reviewed.

Abstrak :
Fungsi distribusi binomial adalah fungsi yang memetakan peluang terjadinya k jumlah keberhasilan dalam n jumlah percobaan suatu peristiwa yang memiliki dua kemungkinan, yaitu sukses atau gagal. Leblanc & Johnson telah membuktikan sifat monoton pada fungsi distribusi binomial. Dalam tesis ini, kami akan meninjau perluasan fungsi distribusi binomial dari variabel diskrit ke variabel kontinu serta monoton totalnya dan perluasan ketidaksetaraan Leblanc & Johnson.
DThe binomial distribution function is a function that mapped the probability of the occurrence of k the number of successes in a number of trials of an event that has two possibilities, namely, success of failure. Leblanc & Johnson has proven monotony on the binomial distribution function. In this dissertation we will investigate the extension of the function binomial distribution of discrete variables to continuous changes and their total monotony expansion of the Leblanc & Johnson inequality.

Abstrak :
Pekerja commuter yang berasal dari Depok menuju daerah Sudirman mayoritas memilih KRL sebagai moda transportasi. Saat ini pemerintah berencana untuk megoperasikan feeder bus dari Depok menuju Ragunan dan selanjutnya menggunakan bus transjakarta koridor 6. Untuk mengetahui probabilitas orang yang memilih bus digunakan analisa dari model logit. Responden pengguna KRL asal Sukmajaya mempunyai probabilitas memilih bus yang lebih besar dibandingkan dengan responden pengguna KRL dari berbagai Kecamatan. Dari hasil analisa uji sensitivitas diketahui bahwa atribut yang paling sensitif mempengaruhi probabilitas pemilihan moda adalah biaya dan waktu. Dengan adanya perubahan nilai atribut biaya dan waktu secara gradual, nilai probabilitas memilih bus sebesar 0,5 akan tercapai jika terdapat kondisi sebagai berikut: biaya bus feeder Rp.0 untuk responden dari berbagai Kecamatan, biaya bus feeder Rp.1700,00 untuk responden dari Sukmajaya, waktu bus feeder 10 menit untuk dari berbagai Kecamatan, dan waktu bus feeder 28 menit untuk responden dari Sukmajaya.

---

Commuter workers who come from Depok to Sudirman area majority choose KRL as a mode of transportation. Currently, the government plans to operate feeder bus from Depok to Ragunan and then use the bus corridor Transjakarta 6. To determine the probability of people choosing the bus is used the analysis of the logit model. Respondents of KRL user from Sukmajaya have a probability of choosing bus bigger than respondents KRL user of the various Districts. From the analysis, test sensitivity is known that the most sensitive attributes affect the probability of modal choice are cost and time. If there are changes in cost and time attribute values gradually, the probability of choosing bus of 0.5 would be achieved if the following conditions exist: the cost of feeder bus is Rp.0 for respondents from the various Districts, the cost of feeder bus is Rp.1700, 00 for respondents from Sukmajaya, the time of feeder bus is 10 minutes for respondents from the various Districts, and the time of feeder bus is 28 minutes for respondents from Sukmajaya.

Abstrak :
ABSTRAK
Perlintasan sebidang kereta api dengan jalan merupakan titik pertemuan yang memiliki potensi risiko kecelakaan yag pada umumnya dipicu oleh perilaku pengemudi kendaraan bermotor ataupun fasilitas pengaman persilangan sebidang tersebut. Penelitian ini dilakukan di Jawa Tengah, di mana pada tahun 2015-2018, jumlah kecelakaan kereta api sebanyak 185 kasus kecelakaan dengan korban sebanyak 751 orang. Terdapat 2 (dua) tujuan dari penelitian ini, yaitu: Pertama, untuk mengetahui hubungan kenapa sebuah persilangan sebidang terjadi kecelakaan dan lainnya tidak terjadi kecelakaan yang dikaitkan dengan prasarana jalan maupun jalan rel dan fasilitas yang ada Pendekatan yang ada dengan mengembangkan model kecelakaan persilangan sebidang dengan menggunakan generalized linear model (GLM) dengan pendekatan Negative binomial karena pada hakekatnya pada persilangan sebidang lebih banyak persilangan yang tidak pernah terjadi kecelakaan. Dari hasil analisis diketahui faktor yang mempengaruhi jumlah kecelakaan di perlintasan sebidang kereta api adalah faktor lebar jalan (X1), pengaturan palang pintu rel (X2) dan alinemen vertikal (X6). Kedua untuk mengetahui faktor apa saja dikaitkan dengan pengguna kendaraan jalan yang melintasi persilangan sebidang kereta api terhadap fatalitas korban kecelakaan sebagai proksi memahami faktor apa saja pada manusia yang perlu dipahami untuk meningkatkan upaya keselamatan pada pelintasan sebidang kereta api. Untuk ini model yang dikembangkan dengan menggunakan Ordered Probit Model (OPM) dari analisis ini diketahui faktor yang berpengaruh pada fatalitas yaitu faktor jenis kendaraan (X1) dan cahaya saat kecelakaan (X6). Penelitian ini dapat dijadikan dasar untuk peningkatan keselamatan dengan perbaikan fasilitas persilangan ataupun upaya-upaya modifikasi perilaku manusia untuk lebih mengutamakan keselamatan.

---

ABSTRACT
Railroad Level Crossing with road is a conflict point with potential high risk of accidents. In general, it is caused by driver's behavior and railroad level crossing safety facilities. Based on Directorate General of Railways, in Indonesia in 2014-2015 the number of train-car crashes were 96 in which death toll were 101 people. The research will conduct in Central Java Province where in 2015-2018, there were 185 cases of accidents and the number of fatalities was 751. The study objectives were having two folds: First, to understand why particular railroad level crossing having accidents and other do not have accidents in relation with railroad and road conditions and the facilities. The model will used the generalized linear model (GLM) with the Negative Binomial (NB). Negative Binomial has been chosen because basically, the fact a high numbers of level crossing never having an accident. From the analysis results it is known that the factors that influence the number of accidents at the railway level crossing are road width (X1), railroad crossing (X2) and vertical alignment (X6). Second, to understands which human factors contribute to an accident to the level of severities. This is a way as a proxy to understand which factors of human behavior should be considered for improving the safety. The model will utilize the Ordered Probit Model (OPM), from this analysis, it is known that the factors that influence the fatality are the type of vehicle (X1) and light at the time of the accident (X6). The results will benefit for improving the railroad level crossing by improving of crossing facilities and how to modificate human behavior for more concern to have safety behavior.

Abstrak :
Distribusi Negative Binomial-Generalized Exponential (NB-GE) merupakan distribusi yang mampu memodelkan data overdispersi dengan extreme excess zeros yaitu lebih dari 80% angka nol dalam data. Distribusi Negative Binomial-Generalized Exponential (NB-GE) merupakan distribusi campuran hasil dari mixing antara distribusi Negative Binomial (NB) dengan distribusi Generalized Exponential (GE). Pembentukan distribusi Negative Binomial-Generalized Exponential (NB-GE) serta karakteristik-karakteristik distribusi Negative Binomial-Generalized Exponential (NB-GE) seperti fungsi kepadatan peluang, momen ke-, mean, variansi, koefisien skewness dan koefisien kurtosis dibahas pada pada skripsi ini. Penaksiran parameter-parameter dari distribusi Negative Binomial-Generalized Exponential (NB-GE) menggunakan metode maximum likelihood. Sebagai ilustrasi, digunakan data kecelakaan fatal yang memiliki lebih dari 80% angka nol yang dimodelkan dengan distribusi Negative Binomial-Generalized Exponential (NB-GE).

---

Negative Binomial-Generalized Exponential (NB-GE) distribution is a distribution that capable for modeling overdispersion data with extreme excess zeros, which is more than 80% zeros in a data. The distribution is a mixture distribution that obtained by mixing the Negative Binomial (NB) distribution with the Generalized Exponential (GE) distribution. The formation of the Negative Binomial-Generalized Exponential (NB-GE) distribution and the characteristics of the Negative Binomial-Generalized Exponential (NB-GE) distribution such as the probability density function, kth moment, mean, variance, skewness and kurtosis are discussed in this paper. Estimation of the parameters from the Negative Binomial-Generalized Exponential (NB-GE) distribution using the maximum likelihood method. As an illustration, Negative Binomial-Generalized Exponential (NB-GE) distribution used to model the data of fatal crash that has more than 80% zeros.