Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Tugas akhir ini membahas mengenai penggunaan metode Maksimum Likelihood (ML) dan Bayes dalam penaksiran parameter shape 𝛽 pada distribusi Kumaraswamy. Kedua metode tersebut akan dibandingkan berdasarkan Mean Square Error (MSE) yang diperoleh dari masing-masing taksiran. Pada metode Bayes digunakan dua fungsi Loss yaitu Square Error Loss Function (SELF) dan Precautionary Loss Function (PLF). Selanjutnya, akan dibandingkan Resiko Posterior yang diperoleh dari kedua fungsi loss tersebut. Hasil yang diperoleh dari perbandingan tersebut diterapkan pada data hidrologi sebagai rekomendasi metode terbaik yang dapat menggambarkan data tersebut. ......This paper disscusses about Maximum Likelihood (ML) and Bayes method in estimating the shape β parameter in Kumaraswamy distribution. Both of the methods will be compared according to Mean Square Error (MSE) obtained from each estimator. At Bayes method, it will be used two Loss functions, those are Square Error Loss Function (SELF) and Precautionary Loss Function (PLF). Then, Posterior Risk obtained from both of loss functions will be compared. The comparison will be applied to hydrological data as a recommendation for the best method in representating the data.

Abstrak :
Pemodelan data waktu tunggu berperan penting dalam berbagai bidang ilmu. Distribusi Weibull merupakan salah satu distribusi waktu tunggu yang umum digunakan karena dapat menggambarkan kemencengan yang sering kali ditemui pada data waktu tunggu. Namun, distribusi Weibull tidak selalu memberi kesesuaian pada data waktu tunggu, terutama yang memiliki fungsi hazard non monoton. Pada skripsi ini, dibahas pembentukan suatu distribusi baru, yaitu distribusi New Extended Weibull, untuk mengatasi masalah tersebut. Distribusi New Extended Weibull dihasilkan dengan metode modifikasi new extended yang dikenalkan oleh Khosa, et. al (2020). Modifikasi dilakukan dengan menambahkan suatu parameter shape 0 pada distribusi Weibull dua parameter melalui fungsi bobot. Distribusi baru ini cocok untuk memodelkan data yang memiliki fungsi kepadatan peluang dengan kemencengan negatif ataupun positif dan fungsi hazard rate yang monoton maupun yang non monoton. Beberapa karakteristik dari distribusi New Extended Weibull seperti fungsi kepadatan peluang, fungsi distribusi, fungsi survival, fungsi hazard rate, dan momen ke-𝑟 juga dibahas. Kemudian, taksiran parameter dilakukan dengan menggunakan metode maksimum likelihood. Pada bagian akhir, dilakukan pemodelan menggunakan distribusi NE-W pada data masa remisi pada pasien penderita kanker kandung kemih sebagai ilustrasi

---

Lifetime data modeling plays an important role in various fields of science. The Weibull distribution is one of the most commonly used lifetime distributions because it can describe the skewness that is often found in lifetime data. However, the Weibull distribution does not always fit the data, especially those with non-monotonous hazard rate functions. This study explained the construction of a new distribution, namely the New Extended Weibull distribution, to overcome this problem. The New Extended Weibull distribution is developed using the new extended modification method introduced by Khosa, et. al (2020). Modification is done by adding a shape parameter 0 to the two-parameter Weibull distribution through a weight function. This new distribution is suitable for modeling data with negative or positive skewness probability density function and not only monotonous, but also data with non-monotonous hazard rate functions. Some of the characteristics of the New Extended Weibull distribution, such as probability density function, cumulative distribution function, survival function, hazard rate function, and the 𝑟-th moment are also discussed. Then, parameter estimation is done by using the maximum likelihood method. In the final section, a practical application is discussed using the NE-W distribution model on the remission times data of patients with bladder cancer

Abstrak :
Estimasi parameter pada model regresi logistik pada umumnya menggunakan metode maximum likelihood dengan iterasi Newton Raphson. Pada model regresi logistik, estimasi parameter menggunakan metode maximum likelihood tidak dapat digunakan apabila ukuran sampel kecil dan proporsi kejadian sukses kecil. Permasalahan yang muncul saat ukuran sampel kecil dan proporsi sukses kecil, jika menggunakan metode maximum likelihood adalah proses iterasi yang tidak konvergen. Oleh sebab itu dalam kondisi tersebut, metode maximum likelihood tidak dapat digunakan untuk estimasi parameter. Salah satu cara untuk mengatasi ketidakkonvergenan pada iterasi tersebut adalah menggunakan modifikasi score function. Modifikasi score function dapat digunakan untuk mendapatkan estimasi parameter model regresi logistik dengan melakukan modifikasi pada fungsi likelihood. Contoh aplikasi diberikan untuk menunjukkan bahwa kemungkinan estimasi parameter model regresi logistik dengan ukuran sampel kecil dan proporsi sukses kecil menggunakan metode maximum likelihood dengan iterasi Newton Raphson memberikan hasil yang tidak konvergen dan hal ini dapat diselesaikan dengan menggunakan modifikasi score function. ......The maximum likelihood method with Newton Raphson iteration is used in general to estimate the parameter on logistic regression model. This parameter estimation using the maximum likelihood method cannot be used if the size of the sample and proportion of successful events are small. It is because the iteration process will not convergent to some point. Therefore, the maximum likelihood method cannot be used to estimate the parameter. One of the ways to resolve this convergent problem is using the score function modification. This modification is used to obtain the parameter estimation on logistic regression model by doing some modification on the likelihood function. The example of parameter estimation, using maximum likelihood method with small size of sample and proportion of successful events, is given to show may be the iteration process is not convergent and this can be solved with modification score function.

Abstrak :
Waktu survival adalah waktu dimana seorang individu atau suatu objek bertahan hingga suatu kejadian terjadi. Data waktu survival lebih sering digambarkan dengan fungsi hazard karena kurva fungsi hazard dapat memiliki berbagai bentuk, seperti bentuk naik, turun, konstan, bathtub, dan unimodal. Salah satu distribusi yang dapat digunakan untuk memodelkan data waktu survival adalah distribusi Rayleigh. Distribusi Rayleigh memiliki fungsi hazard yang naik secara linier terhadap waktu. Namun pada praktiknya, tidak semua data waktu survival yang hazardnya mengalami peningkatan, terjadi secara linier. Akan tetapi, terdapat data waktu survival yang hazardnya naik dengan tren cekung ke atas maupun cekung ke bawah, turun, dan konstan. Dalam skripsi ini, dibahas pembentukan distribusi Rayleigh Weibull (RW) sebagai generalisasi dari distribusi Rayleigh dengan menggunakan metode Transformed-Transformer atau metode T-X. Generalisasi ini bertujuan untuk menambah fleksibilitas distribusi Rayleigh dengan menambah satu parameter bentuk (shape parameter). Kemudian, dibahas juga beberapa karakteristik dari distribusi RW, seperti fungsi kepadatan peluang, fungsi distribusi kumulatif, fungsi survival, fungsi hazard, dan momen ke-r. Estimasi parameter dari distribusi RW dilakukan dengan menggunakan metode maksimum likelihood. Sebagai ilustrasi, data pasien leukemia dimodelkan dengan distribusi Rayleigh, distribusi Weibull, dan distribusi Rayleigh Weibull. Hasil pemodelan menunjukkan bahwa distribusi Rayleigh Weibull lebih baik dalam memodelkan data dibandingkan dengan distribusi Rayleigh dan distribusi Weibull. ...... Survival time is the time where an individual or object survives until an event occurs. Survival data is more frequently described with a hazard function because the curve of the hazard function can have various shapes, such as increasing, decreasing, constant, bathtub, and unimodal. Rayleigh distribution is one of the distributions that can be used to model survival data. Rayleigh distribution has a linearly increasing hazard function curve. However, in practice, not every survival data shows a linear increase. There are survival data where the hazard increases with a concave up trend or concave down trend, decreasing, and constant. The Transformed-Transformer method, often known as the T-X method, is used to construct Rayleigh Weibull distribution as a generalization of Rayleigh distribution. This generalization aims to increase the flexibility of Rayleigh distribution by adding one shape parameter. Some characteristics of Rayleigh Weibull distribution, such as probability density function, distribution function, survival function, hazard function, and r-th moment are also discussed. Rayleigh Weibull distribution’s parameters were estimated using the maximum likelihood method. As an illustration, leukemia cancer data is modeled with Rayleigh distribution, Weibull distribution, and Rayleigh Weibull distribution. In comparison to Rayleigh distribution and Weibull distribution, Rayleigh Weibull distribution is better at modeling the data.

Abstrak :

Model regresi varying intercept adalah salah satu model regresi yang diterapkan pada nested data, yaitu data yang terdiri dari beberapa grup dan setiap grupnya mengandung beberapa observasi individu. Terdapat beberapa karakteristik yang sering dijumpai pada nested data, yaitu adanya variansi antar grup dan obervasi-observasi individu yang berasal dari grup yang sama saling berkorelasi. Dengan mempertimbangkan error di dua tingkat, yaitu tingkat individu dan tingkat grup, model regresi varying intercept lebih sesuai untuk diterapkan pada nested data karena model regresi tersebut mengakomodir kedua karakteristik tersebut. Pada tugas akhir ini, dibahas model regresi varying intercept tanpa variabel prediktor dan dengan satu variabel prediktor. Model regresi tersebut mengandung beberapa parameter yang perlu ditaksir, yaitu koefisien regresi dan komponen variansi. Adapun efek acak, yaitu efek grup yang merupakan variabel acak pada model regresi tersebut yang perlu diprediksi. Metode penaksiran koefisien regresi pada model regresi varying intercept yang dibahas pada tugas akhir ini adalah Generalized Least Squares (GLS) dan Maximum Likelihood (ML) dengan algoritma Expectation-Maximization (EM). Efek acak pada model regresi varying intercept diprediksi dengan menggunakan Best Linear Unbiased Prediction (BLUP). Sedangkan, komponen variansi pada model regresi varying intercept ditaksir dengan menggunakan metode Maximum Likelihood (ML) dengan algoritma Expectation-Maximization (EM). Pada tugas akhir ini, simulasi dilakukan untuk mengetahui efek standar deviasi dari komponen error pada model regresi varying intercept dan efek banyaknya observasi individu di setiap grup terhadap standar deviasi dari komponen error. Hasil simulasi menunjukkan bahwa apabila nilai standar deviasi dari komponen error tingkat individu lebih besar dibandingkan nilai standar deviasi dari komponen error tingkat grup, pengelompokan observasi-observasi individu dapat diabaikan. Sebaliknya, apabila nilai standar deviasi dari komponen error tingkat individu lebih kecil atau sama dengan nilai standar deviasi error tingkat grup, pengelompokan observasi-observasi individu tidak dapat diabaikan. Hasil simulasi juga menunjukkan bahwa banyaknya observasi individu di setiap grup tidak berasosiasi dengan standar deviasi dari komponen error, baik standar deviasi dari komponen error di tingkat individu maupun standar deviasi dari komponen error di tingkat grup.

---

Varying intercept model is a regression model that is applied in nested data, which is data that consists of several groups and each group contains several individual observations. Several characteristics are often found in nested data, namely, the variance between groups and individual observations from the same group are correlated. By considering errors in two different levels, that is individual level and group level, varying intercept model is more suitable than the linear regression model in nested data because varying intercept model accommodates those characteristics. In this thesis, discussed varying intercept model without the predictor variable and varying intercept model with one predictor variable. The varying intercept model consists of several parameters that must be estimated, namely regression coefficients and variance components. There is also a random effect, which is a group effect which is a random variable. The regression coeficients are estimated using Generalized Least Squares (GLS) and Maximum Likelihood (ML) via the EM (Expectation-Maximization) Algorithm. The random effect in varying intercept model is predicted using Best Linear Unbiased Prediction (BLUP). On the other side, the variance components in varying intercept model are estimated using Maximum Likelihood via EM (Expectation-Maximization) Algorithm. In this thesis, simulation is done to analyze the effect of the standard deviation of the error components in varying intercept model and the effect of the number of individual observations in each group toward the standard deviation of the error components. The simulation results show that if the standard deviation of the error component in the individual level is larger than the standard deviation of the error component in the group level, then the classifications of individual observations into several groups should be ignored. On the other side, if the standard deviation of the error component in the individual level is smaller or equal to the standard deviation of the error component in the group level, then the classifications of individual observations into several groups should not be ignored. The simulation results also show that the number of individual observations in each group is not associated with the standard deviation of the error components.

Abstrak :
Distribusi Weibull-Poisson merupakan distribusi kontinu yang dapat memodelkan beberapa macam bentuk hazard yaitu monoton naik, monoton turun dan increasing upside-down bathtub shape yang mempunyai bentuk bathtub shape terbalik dan monoton naik. Distribusi ini merupakan suatu distribusi lifetime yang dapat memodelkan kegagalan dalam suatu sistem seri dan merupakan pengembangan dari distribusi EksponensialPoisson. Distribusi ini diperoleh dengan melakukan metode compounding terhadap distribusi Weibull dan distribusi ZT-Poisson. Untuk mendapatkan bentuk akhir dari distribusi tersebut digunakan beberapa sifat matematis seperti order statistik dan ekspansi deret taylor. Selain pembentukan distribusi Weibull-Poisson, skripsi ini menjelaskan fungsi kepadatan peluang, fungsi distribusi, momen ke-r, momen sentral ke-r, mean, dan variansi. Sebagai ilustrasi, dibahas pula aplikasi distribusi Weibull-Poisson pada data survival marmut setelah terinfeksi virus Turblece Bacilli. ......The Weibull-Poisson distribution is a continuous distribution that can be modeled various forms of hazard namely monotone up, monotone down and upside-down down bathtub shape which is shaped up. This distribution is a lifetime-distribution that can model failures in a series system and is development of the Exponential-Poisson distribution. This distribution is obtained by perform the compounding method on the Weibull distribution and the ZT-Poisson distribution. To obtain the final form of the distribution, several mathematical properties are used such as statistical order and Taylor's number expansion. In addition to the formation of Weibull-Poisson distribution, this thesis includes the probability density function, distribution function, moment rth, rth central moment, mean, and variance. As an illustration, Weibull-Poisson distribution is applied on guinea pig survival data after being infected with Turblece virus Bacilli.

Abstrak :
Analisis mengenai data waktu tunggu memiliki peran penting dalam berbagai bidang disiplin ilmu. Pada umumnya data waktu tunggu memiliki pola penyebaran yang menceng. Distribusi Weibull merupakan salah satu distribusi yang sering digunakan untuk memodelkan data waktu tunggu. Namun, distribusi Weibull tidak sesuai digunakan untuk memodelkan data dengan fungsi hazard non-monoton, salah satunya bentuk upside-down bathtub. Menurut Sharma et al. (2015), invers dari beberapa distribusi probabilitas dapat memodelkan data dengan fungsi hazard berbentuk upside-down bathtub, salah satunya adalah distribusi invers Weibull. Pada penelitian ini, dibahas distribusi Alpha Power Invers Weibull (APIW) yang merupakan generalisasi dari distribusi invers Weibull. Distribusi ini dibentuk dengan menggunakan metode Alpha Power Transformation. Modifikasi dilakukan dengan penambahan parameter shape pada distribusi invers Weibull dengan tujuan untuk meningkatkan fleksibilitasnya. Beberapa karakteristik distribusi Alpha Power Invers Weibull yang dibahas meliputi fungsi kepadatan peluang, fungsi distribusi, fungsi survival, fungsi hazard, dan momen ke-r. Fungsi kepadatan peluang dari distribusi APIW berbentuk menceng kiri dan unimodal. Lebih lanjut, fungsi hazard dari distribusi APIW berbentuk upside-down bathtub. Penaksiran parameter distribusi dilakukan dengan menggunakan metode maksimum likelihood. Terakhir, diberikan data waktu hingga pasien penderita kanker lambung meninggal yang dimodelkan dengan distribusi invers Weibull dan distribusi Alpha Power Invers Weibull sebagai ilustrasi. Hasil pemodelan menunjukkan bahwa distribusi Alpha Power Invers Weibull lebih baik dalam memodelkan data waktu hingga pasien penderita kanker lambung meninggal dibandingkan dengan distribusi invers Weibull. ......Lifetime data analysis has an essential role in various fields of science. In general, lifetime data have a skewed distribution pattern. The Weibull distribution is one of the frequently used distributions for modelling lifetime data. However, the Weibull distribution is not suitable for modelling data with non-monotonous hazard functions, one of which is an upside-down bathtub shape. According to Sharma et al. (2015), the inverse version of several probability distributions can model the data with an upside-down bathtub shape, one of which is the inverse Weibull distribution. This study explained the Alpha Power Inverse Weibull (APIW) distribution as a generalized version of the inverse Weibull distribution. This distribution is constructed by using the Alpha Power Transformation method. The modification is done by adding a shape parameter to the inverse Weibull distribution to increase flexibility. The characteristics of Alpha Power Inverse Weibull distribution discussed include probability density function, distribution function, survival function, hazard function, and the r-th moment. The probability density function of APIW distribution is left-skewed and unimodal. In addition, the hazard function of APIW distribution has an upside-down bathtub shape. The distribution parameter estimation is done by using the maximum likelihood method. Finally, for illustration purposes, the data about the time until gastric cancer patients die are modelled with the inverse Weibull distribution, and the Alpha Power Inverse Weibull distribution is given. The modelling result shows that the Alpha Power Inverse Weibull distribution is better at modelling the time until gastric cancer patients die data than the inverse Weibull distribution.