Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Over-dispersi dan under-dispersi adalah beberapa masalah umum ketika pemodelan dihitung data. Karena kondisi seperti itu, distribusi Poisson tidak lagi cocok untuk data cacah pemodelan, karena melanggar asumsi kesetaraan (mean equal variance). Di studi sebelumnya, beberapa distribusi telah diperkenalkan sebagai alternatif untuk Distribusi poisson, untuk menangani kondisi dispersi. Namun, distribusinya bisa hanya menangani overdispersion atau underdispersion. Oleh karena itu, distribusi baru adalah dikembangkan untuk menangani data dengan dispersi kurang dan penyebaran berlebihan. Distribusi ini adalah disebut distribusi Conway Maxwell Poisson (COM-Poisson). COM-Poisson distribusi pertama kali diperkenalkan oleh Conway dan Maxwell pada tahun 1962, sebagai solusi untuk sistem antrian dengan tarif layanan yang tergantung pada negara. Modifikasi Poisson ini distribusi memiliki dua parameter, λ dan parameter tambahan v, yang disebut dispersi parameter. Karena parameter tambahan, distribusi ini dapat digunakan di dispersi berlebihan (jika v <1), equidispersion (jika v = 1), dan dispersi kurang (jika v> 1). Melalui contoh data nyata, tesis ini akan menggunakan distribusi COM-Poisson untuk pemodelan data dengan kondisi penyebaran berlebihan dan kurang penyebaran. ......Over-dispersion and under-dispersion are some common problems compiling calculated data modeling. Because of such conditions, the Poisson distribution is no longer suitable for modeling data, because of the testing of the equality equation (mean equal variance). In previous studios, several distributions have been introduced as alternatives to Poisson distribution, to support the terms of dispersion. However, its distribution can only overcome overdispersion or underdispersion. Therefore, new distributions have been developed to support data with less dispersion and excessive distribution. This distribution is called the Conway Maxwell Poisson (COM-Poisson) distribution. COM-Poisson distribution was first introduced by Conway and Maxwell in 1962, as a solution for queuing systems with service rates that depend on the country. This Poisson modification distribution has two parameters, λ and an additional parameter v, which is called parameter dispersion. Because of the additional parameters, this distribution can be used in excessive dispersion (if v <1), equation (if v = 1), and less dispersion (if v> 1). Through real data examples, this thesis will use the COM-Poisson distribution for data modeling with the use of redundant and less-spread distributions.

Abstrak :
Distribusi Poisson adalah distribusi yang sangat banyak dipakai dalam pemodelan data cacahan. Namun, distribusi Poisson memiliki keterbatasan yaitu kesamaan antara nilai mean dan variansi (equidispersi) dari data yang akan dimodelkan, sehingga distribusi Poisson tidak cocok digunakan untuk memodelkan data yang tidak memenuhi syarat tersebut. Kasus overdispersi (variansi lebih besar daripada nilai mean) dan underdispersi (variansi lebih kecil daripada nilai mean) sering kali ditemukan dalam kasus riil. Oleh karena itu, distribusi baru perlu dikembangkan dalam menangani data dengan kasus ini. Salah satu distribusi yang dapat menangani kasus ini adalah distribusi hyper-Poisson. Distribusi ini dapat diturunkan melalui hubungan rekursif dari keluarga distribusi Lagrangian Katz yang merupakan keluarga distribusi data cacahan. Distribusi ini juga dapat diklasifikasi berdasarkan parameternya, sehingga dapat digunakan untuk mengatasi kasus overdispersi dan underdispersi secara fleskibel. Pada skripsi ini dijelaskan mengenai pembentukan fungsi distribusi hyper-Poisson, karakterisitik dari distribusi hyper-Poisson, dan penggunaan distribusi hyper-Poisson dalam memodelkan data riil terkait kasus overdispersi dan underdispersi. ...... The Poisson distribution is a distribution that is very widely used in count data modeling. However, the Poisson distribution has a limitation, namely the equality between the mean and variance values (equidispersion) of the data to be modeled, so the Poisson distribution is no longer suitable for modeling data that does not meet this condition. Cases of overdispersion (variance greater than the mean value) and underdispersion (variance smaller than the mean value) are often found in real cases. Therefore, new distributions need to be developed to handle data with these cases. One distribution that can handle this case is the hyper-Poisson. This distribution can be derived through the recursive relation of the Lagrangian Katz family of distribution, which is a family of distribution of count data. This distribution can also be classified based on its parameter, so it can be used to handle overdispersion and underdispersion cases flexibly. This thesis studies how to generate the distribution function of the hyper-Poisson distribution, the characteristics of the hyper-Poisson distribution, and the use of the hyper-Poisson distribution in modeling real data related to overdispersion and underdispersion cases.