Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Data lifetime merupakan data yang berisi lama waktu hidup suatu individu ataupun suatu produk yang diukur dari awal waktu penelitian hingga terjadinya suatu event. Salah satu distribusi yang sering digunakan untuk analisis data lifetime adalah distribusi Weibull karena memiliki bentuk fungsi hazard konstan, naik, dan turun. Akan tetapi, terdapat data lifetime dengan bentuk fungsi hazard lain yaitu bentuk unimodal. Oleh karena itu, dilakukan pengembangan distribusi Weibull menggunakan metode compounding sehingga menghasilkan distribusi Weibull-Geometrik (WG) yang dapat memodelkan data lifetime dengan bentuk fungsi hazard unimodal. Pada kenyataannya, terdapat data lifetime yang berbentuk diskrit (count data). Oleh karena itu, pada skripsi ini dibahas pembentukan distribusi yang dapat memodelkan data lifetime diskrit, yang diperoleh dengan cara melakukan diskritisasi pada distribusi WG kontinu. Diskritisasi yang dilakukan yaitu dengan mempertahankan salah satu karakteristik yang dimiliki distribusi Weibull-Geometrik, yaitu fungsi survivalnya. Distribusi yang dihasilkan yaitu distribusi Discrete Weibull Geometrik (DWG), memiliki bentuk fungsi hazard turun, naik, dan unimodal serta cukup baik dalam memodelkan data lifetime diskrit (count data). Diakhir skripsi ini, juga dibahas penggunaan distribusi DWG yang diilustrasikan pada data waktu hidup pasien lupus nephritis dalam waktu hari sehingga merupakan data diskrit. Kemudian, ditunjukkan bahwa distribusi DWG sesuai untuk memodelkan data waktu hidup pasien lupus nephritis.

---

Lifetime data is data that contains the lifetime of an individual or a product that is measured from the beginning of the research time until an event occurs. One distribution that is often used for lifetime data analysis is Weibull distribution, because it has a constant, increasing, and decreasing hazard function. However, there is lifetime data with another form of the hazard function, that is the unimodal form (upside-down bathtub). Because of this, we developed Weibull distribution using the compounding method to produce a Weibull-Geometric distribution that can model lifetime data in unimodal hazard function form. But in fact, there are discrete lifetime data (count data). Hence, this paper discuss the formation of distributions that can model discrete lifetime data, which is obtained by discretizing a continuous Weibull-Geometric distribution (WG). Discretization is carried out by maintaining one of the characteristics of the Weibull-Geometric distribution, that is, its survival function. The result distribution, discrete Weibull Geometric distribution (DWG), has a form of increasing, decreasing, and unimodal hazard function, and quite good at modelling discrete lifetime data (count data). At the end of paper, the DWG distribution is used to illustrate dataset of lifetime patients lupus nephritis and shown that the DWG distribution is the appropriate model.

Abstrak :
Data kerugian asuransi sering berdistribusi unimodal dan biasanya menceng positif dengan ekor kanan yang tebal. Penyesuaian ekor kanan distribusi kerugian asuransi secara akurat adalah yang paling penting karena paling berdampak pada operasi perusahaan asuransi. Distribusi Pareto Tipe I sangat dikenal sebagai distribusi yang memiliki ekor kanan yang tebal sehingga cocok untuk data kerugian asuransi yang besar. Akan tetapi, fungsi kepadatan peluang distribusi Pareto Tipe I menurun secara monoton. Salah satu contoh distribusi unimodal adalah distribusi Invers Gamma. Distribusi ini dapat melengkapi kelemahan Pareto Tipe I untuk data kerugian yang fungsi kepadatannya unimodal. Oleh karena itu, konsep distribusi composite berkembang dalam berbagai literatur. Distribusi composite menggabungkan dua distribusi parametrik memakai ambang tertentu. Distribusi composite Invers Gamma-Pareto yang diperkenalkan dapat mengakomodasi data-data yang fungsi kepadatannya berbentuk unimodal dan memiliki ekor kanan yang tebal. Model ini mereduksi empat parameter yang terkait dengan distribusi Invers Gamma dan Pareto Tipe I menjadi satu parameter ambang sebagai parameter scale. Namun, distribusi composite ini relatif kurang fleksibel bentuk distribusinya sehingga dapat dikembangkan dengan teknik penambahan parameter. Salah satunya adalah transformasi pemangkatan yang masih jarang ditemukan pemakaiannya pada model composite. Penerapan transformasi pemangkatan pada model satu parameter composite Invers Gamma-Pareto menghasilkan model baru dengan dua parameter, yaitu model exponentiated composite Invers Gamma-Pareto. Hasil simulasi untuk beberapa skenario menunjukkan karakteristik dari estimator parameter untuk ukuran sampel yang lebih besar adalah tak bias secara asimtotik dan konsisten lemah serta memiliki Mean Squared Error yang kecil. Dari penelitian ini, juga diperoleh bahwa pemodelan exponentiated composite Invers Gamma-Pareto pada suatu data kerugian kebakaran lebih baik dibandingkan composite Invers Gamma-Pareto. ......Insurance loss data is often unimodal in distribution and usually positively skewed with a heavy right tail. Accurate adjustment on the right tail of the distribution is crucial because it has the greatest impact on the operations of the insurance company. The Type I Pareto distribution is well known as a distribution with heavy right tail, making it suitable for large insurance loss data. However, the probability density function of the Type I Pareto distribution decreases monotonically. One example of a unimodal distribution is the Inverse Gamma distribution. This distribution is able to complement the weakness of Pareto Type I for loss data with unimodal density. Therefore, the concept of composite distribution is developed in various literatures. The composite distribution combines two parametric distributions using a certain threshold. The introduced Inverse Gamma-Pareto composite distribution can accommodate data whose density function is unimodal in shape and has a heavy right tail. This model reduces the four parameters associated with the Inverse Gamma and Pareto Type I distribution into one threshold parameter as a scale parameter. However, the composite distribution is relatively inflexible in shape so that it can be developed by adding a parameter. One of the method is power transformation which is rarely used for composite models. Applying the power transformation to the one-parameter composite Inverse Gamma-Pareto model results in a new model with two parameters, namely the exponentiated composite Inverse Gamma-Pareto model. The simulation results show that for each scenario, the characteristics of the parameter estimators for large sample sizes are asymptotically unbiased, weakly consistent, and have smaller mean squared error. From this study, it was also found that the exponentiated composite Inverse Gamma-Pareto is a better model when compared to the one-parameter composite Inverse Gamma-Pareto for a fire loss dataset.

Abstrak :

Salah satu tujuan dari pemodelan statistika adalah untuk melihat dan menganalisis peluang dari suatu kejadian dimana kejadian biasanya dapat direpresentasikan dengan data. Distribusi peluang yang akan digunakan untuk pemodelan data perlu memiliki beberapa kemampuan seperti fleksibel dalam memodelkan berbagai macam bentuk data. Pada penelitian ini, diperkenalkan suatu distribusi komposit Exponential-Pareto, yang memiliki kesamaan fungsi kepadatan peluang (FKP) seperti distribusi exponential sampai suatu titik batas tertentu dan kesamaan FKP seperti distribusi Pareto type-I dari titik batas tertentu tersebut hingga tak hingga. FKP dari distribusi komposit memiliki bentuk yang mirip dan ekor yang lebih tebal daripada FKP distribusi exponential, namun tidak lebih tebal daripada FKP distribusi Pareto type-I. Model yang digunakan untuk mengembangkan distribusi komposit adalah model parametrik komposit yang diperkenalkan oleh Cooray dan Ananda (2005). Pada model ini, baik distribusi exponential maupun distribusi Pareto type-I diberi bobot yang sama. Berdasarkan hasil yang diperoleh, ternyata distribusi komposit Exponential-Pareto masih memiliki keterbatasan dalam memodelkan data. Oleh karena itu, dalam penelitian ini diperkenalkan dua distribusi komposit Exponential-Pareto lainnya sebagai alternatif. Dua distribusi komposit ini didasari pada model two-component mixture yang diperkenalkan oleh Scollnik (2007). Distribusi alternatif pertama adalah distribusi komposit Exponential-Pareto yang direinterpretasi berdasarkan model two-component mixture dengan nilai bobot campuran yang bersifat fixed. Distribusi alternatif kedua adalah distribusi komposit-Exponential-Pareto yang memiliki nilai bobot campuran tidak fixed, supaya distribusi tersebut lebih fleksibel dan mampu dalam memodelkan data yang beragam. Distribusi komposit Exponential-Pareto memiliki momen ke-  yang hanya terdefinisi untuk beberapa  sehingga distribusi ini masuk kedalam kategori distribusi heavy tail. Hasil dari distribusi komposit ini memiliki karakteristik unimodal, right skewed, dan heavy tail sehingga distribusi komposit mampu memodelkan suatu data dengan karakteristik yang serupa. Sebuah ilustrasi data disajikan sebagai demonstrasi penerapan distribusi komposit Exponential-Pareto dalam memodelkan suatu data.

 

---

One of the few goals of statistical modeling is to see and analyze the probability from an event in which can be represented with data. Probability distribution that will be used for modeling data should have some abilities such as flexibility for modeling different kinds of data. In this paper, we introduce a composite Exponential-Pareto distribution, which equals an exponential density up to a certain threshold value, and a Pareto type-I density for the rest of the model. Compared with the exponential distribution, the resulting density has a similar shape and a larger tail, while being compared with the Pareto distribution, the resulting density has a smaller tail. A method to develop a composite distribution is called as composite parametric modeling, which introduced by Cooray and Ananda (2005). In this model, both the exponential distribution and the Pareto type-I distribution has the same weight. Based on the result, composite Exponential-Pareto distribution has some limitations which are likely to severely curtail its potential for practical application to real world data sets. In order to address these issues, there are two different composite Exponential-Pareto distributions based on exponential and Pareto type-I distributions in order to address these concerns. These two different composite Exponential-Pareto distributions are based on two-component mixture model introduced by Scollnik (2007). The first distribution, which is a reinterpreted composite Exponential-Pareto distribution from the first composite Exponential-Pareto distribution based on the two-component mixture model, has a fixed mixing weight. While the second distribution is a composite Exponential-Pareto distribution with a mixing weight that is not fixed so the distribution can be more flexible and could model different kinds of data. Composite Exponential-Pareto distribution has -th raw-moment that only defined for some  Therefore, this distribution can be categorized as a heavy tail distribution. The result of this research is a composite distribution that could model a lot of data with characteristics such as unimodal, right skewed, and heavy tail because the composite distribution has similar characteristics. A data illustration was presented as a demonstration for how to implement the composite Exponential-Pareto distribution.

 

Abstrak :
Data waktu tunggu merupakan data waktu hingga suatu kejadian (event) terjadi. Salah satu distribusi yang sering digunakan dalam memodelkan waktu tunggu adalah distribusi Weibull. Namun dalam pengaplikasiannya, distribusi Weibull memiliki sebuah kekurangan, yaitu bentuk fungsi hazard yang terbatas pada bentuk monoton. Oleh karena itu, diperlukan suatu metode untuk menggeneralisasi distribusi Weibull sehingga dapat memperluas variasi data yang dapat dimodelkannya. Salah satu perluasan tersebut adalah distribusi Weibull-Frechet (WFr). Distribusi Weibull-Frechet memiliki kelebihan dibanding distribusi Weibull, yaitu kemampuannya memodelkan data dengan fungsi hazard berbentuk unimodal. Metode yang digunakan dalam membentuk distribusi Weibull-Frechet adalah Weibull-G (WG). Metode Weibull-G menggunakan suatu fungsi W[G(x)] untuk menggabungkan distribusi Weibull dengan suatu distribusi sembarang yang memiliki fungsi distribusi kumulatif G(x). Oleh karena itu, penelitian ini membahas proses pembentukan distribusi Weibull-Frechet. Selain itu, dibahas juga karakteristik dari distribusi Weibull-Frechet beserta penaksiran parameter distribusi Weibull-Frechet dengan menggunakan metode penaksiran maksimum likelihood. Pada bagian akhir diberikan sebuah ilustrasi data menggunakan data waktu tunggu hingga pasien kanker lambung meninggal. Data tersebut dimodelkan menggunakan distribusi Weibull-Frechet, dengan distribusi Weibull dan distribusi Frechet sebagai pembanding. Hasil pemodelan menunjukkan bahwa distribusi Weibull-Frechet merupakan distribusi terbaik dalam memodelkan data waktu tunggu hingga pasien kanker lambung meninggal. ......Lifetime data is a type of data that consists of waiting time until an event occurs. The distribution usually used for modeling lifetime data is the Weibull distribution. However, Weibull distribution has a limitation in its application : it can only model data with a monotonic hazard function. Therefore, a method for generalizing The Weibull distribution is needed so it can model a greater variety of data. One of those generalizations is the Weibull-Frechet distribution (WFr). The Weibull-Frechet distribution has an advantage over the Weibull distribution, due to its capability in modeling data with unimodal hazard function. The method used in generating the Weibull-Frechet distribution is the Weibull-G (WG). The Weibull-G method combines the distribution of a Weibull distribution with an arbitrary distribution with a cumulative distribution function G(x) using a function W[G(x)]. Hence, this thesis studies how to generate a Weibull-Frechet distribution. Furthermore, it also studies the characteristics of the Weibull-Frechet distribution and how to estimate the distribution’s parameters using the maximum likelihood estimation method. At the end of this thesis, lifetime data of gastric cancer patients is given for illustration purposes. The data is modeled using the Weibull-Frechet distribution, and both the Weibull and Frechet distribution for comparison. The model result shows that the Weibull-Frechet distribution is the best distribution for modeling the lifetime data of gastric cancer patients.