Hasil Pencarian  ::  Simpan CSV :: Kembali

"Jika ada sekelompok data belum diketahui distribusinya, maka untuk keperluan analisis data perlu dicari distribusi kelompok data ini. Jika tidak diketahui parameter paramaternya maka digunakan metode nonparametrik. Salah satu diantara metode nonparametrik ialah metode grafik. Dalam tugas akhir ini dibahas metode grafik untuk pencocokan distribusi data ketahanan hidup, baik data lengkap maupun tersensor. Juga dibahas cara penaksiran parameter berdasarkan grafik. Contoh aplikasi yang digunakan dalam tugas akhir ini yaitu pencocokan distribusi data ketahanan hidup sekelompok pasien penderita kanker paru-paru."

"Graf berarah adalah pasangan himpunan (V, A) dimana V himpunan tak kosong yang elemennya disebut simpul dan A himpunan pasangan terurut dari elemen-elemen himpunan V yang disebut busur berarah. Suatu graf berarah D = (V, A) dikatakan mempunyai pelabelan-(α,k)Graf berarah adalah pasangan himpunan (V, A) dimana V himpunan tak kosong yang elemennya disebut simpul dan A himpunan pasangan terurut dari elemen-elemen himpunan V yang disebut busur berarah. Suatu graf berarah D = (V, A) dikatakan mempunyai pelabelan-(α,k) apabila tiap simpulnya dapat dilabel dengan (l1(x), l2(x), … , lk(x)) dengan li(x) ϵ {1, ... ,α} dan memenuhi sifat yaitu tiap simpulnya memiliki label yang berbeda dan untuk setiap busur berarah, (u, v)∈ A jika dan hanya jika li(u) = li-1(v) untuk i = 2, 3, … , k dengan α >0 dan k > 1. Pelabelan quasi-(α,k) memiliki definisi yang hampir sama, perbedaannya jika busur berarah, (u, v) ∈ A maka li(u) = li-1(v) untuk i = 2, 3, … , k dengan α >0 dan k > 1. Pada skripsi ini ditunjukkan bahwa graf lingkaran berarah dengan dua tali busur dapat dilabel dengan pelabelan quasi-(α,k) dengan α <= 4, line digraph dari graf lingkaran berarah dengan dua tali busur dapat dilabel dengan pelabelan-(α,k) dengan α <= 4 sehingga line digraph dari graf lingkaran berarah dengan dua tali busur merupakan graf DNA.

---

Directed graph is a pair sets (V, A) consists of a non-empty finite set V which its elements called vertices and A is a finite set of ordered pair of elements in V called arcs. A directed graph can be (α,k)-labeled if every vertex assigned a label with (l1(x), l2(x), … , lk(x)) and li(x) ϵ {1, ... ,α}, all vertices have different labels, and for any arc (u, v) ∈ A if and only if li(u) = li-1(v) for i = 2, 3, … , k with α >0 and k > 1. A quasi-(α,k) labeling almost have the same definition with (α,k)-labeling, except for the arc, if (u, v) ∈ A then li(u) = li-1(v) for i = 2, 3, … , k with α >0 and k > 1. In this skripsi, it is shown that a dicycle with two chords can be quasi-(α,k) labeled, line digraph of a dicycle with two chords can be (α,k)- labeled so that the line digraph of dicycle with two chords is a DNA graph."

"Ketahanan tumbukan adalah salah satu sifat penting dari suatu fungsi hash. Suatu fungsi hash f dikatakan mempunyai sifat ketahanan tumbukan jika diberikan suatu nilai hash f(m) maka sulit menemukan suatu anggota domain m' yang mempunyai nilai hash f(m') , dengan f(m') = f(m) tetapi m' * m. Pada tahun 2008, Tillich-Zemor membuktikan bahwa fungsi hash yang dibangun dari graf ekspander LPS yang dikonstruksi oleh Charles-Goren-Lauter (2007) tidak memenuhi sifat ketahanan tumbukan. Untuk menghindari hal tersebut dilakukan perbaikan dengan melakukan transformasi himpunan pembangkit sp dari fungsi hash menjadi himpunan pembangkit SP 2. Pada tesis ini dilakukan pembuktian secara matematis bahwa Teorema Tillich-Zemor tidak dapat digunakan pada hasil transformasi fungsi hash yang dibangun dengan himpunan pembangkit sp 2.

---

Collision resistant is one of important properties of a hash function. Hash function f is called to satisfied the collision resistant if given a hash value f (m) then it will difficult to find another m' from domain off which has a hash value f(m'), where f(m') = f(m) and m' * m. In 2008, Tillich-Zemor proved that the hash function of LPS expander graph constructed by Charles-Goren-Lauter (2007) does not satisfies collision resistant. To avoid that, the improvement done by transforming the generator set SP of hash function to be generator set SP 2 . This thesis is done a mathematically prove that the Tillich-Zemor Theorem cannot be applied in the transformation of the hash function constructed by generator set 5/."

"ABSTRAKDewasa ini kcbuluhnn nkan lcnaga kcfja graiika yang terampil dan profcsional mcngnlarni pcni|1gk:|lan yang cukup iinggi scmcntarn kcmnnupunn |J?l1}-'bdiimll lcnaga kcrja oleh lcmbagn pcndidiknn linggi gralikn masilf samgal lerbatns. Dnlnm rangkn mcnnrik minat pasar yang lcbih Iuas tcrhadap pcndidikan linggi grafika perlu dilernpkan stratcgi pemasarau pcndidikan linggi grafika yang tcpat. Untuk mcfcncanakan stralcgi pcmnsaran yang cfektif terscbut dipcrluknn pemahnman lcrhadap knraktcrislik dan perilalm pasar yang mcn1pengamhi minat mcrcka lcrhadap pcndidikan tinggi gralika.Pcnclilinn ini bcrlujuan unluk mcngidcnliliknsi vnriabcl lnlcn pcmbcnluk pcrilaku pnsnr yang dapnt mempcngaruhi minal pasar lcrhadap pcndidikan [inggi grgxflka. Vqriabel dalam penclilian ini diuraiknn dari konscp parnpakar dianlarnnya James F. Engel, Roger D. Blnclnvcll, Paul W. Miniard dan pakar bidang grnfika. Data pcnelilinn dipcrolch mclalui penycbaran kuisioncr kcpadn pam rcspondcn. Dari data yang lerkumpul dipcroleh tiga kclonxpok rcspondcn yang dibcdakan bcrdasarknn karaktcristik pckerjaan, yailu kelompok 11]{\|\?1SiSW£\ gmlika, kclompok pclajar SMK/STM grnika dan kelompok karyawan pcmsalman gralika.Sebagai hasil pengolahnn data yang dilnkukan mcnggunaknn mclode analisa Elktor dcngnn banluan Sryhmrc SPSS' Rcfeaw: 1.0, kc-30 variabe! pcnclilian yang diidcnliiikasilinn Jcbagni varinbci yang mcmpcngaruhi :ninal pnsar lcrhndnp pcndidikan tinggi gralika dikclompokkzm kc dnlam bcbcrapa \'nriab.| Ialcn (faklor)_ Adnpun Ihlrlor yang lcrbenluk pada liap kclompok rcspondcn bcrboda-bcda 5-.mg rncnunjukkan perbcdann pcrilaku scliap scgmcn pasar. Mina! mnimsisxva gralika dipcngamhi oleh 10 I`z\klor. minnl pclnjnr SMK/STM gralikn dipcngaruhi oleh ll l`aktor scmentara minnt karyawnn graiika dipcngarulmi 9 fnktor. Namun minal pasar secara umum lcrhadap pcndidikzm linggi grnlika dipcngamhi oleh 8 Lmktor.Kedclapzm Faktor terscbut adalah [aktor kondisi pcndidikan Linggi grafkn, lapangnn kcrja. pcngnruh lingkungnn sosial, siluasi_ molivnsi, pcrkcmbangan tcknologi gra['|ka_ alumni dan prnscs pcngnmbilan kcpulusam ilu scndiri.

---

"

"Misalkan suatu graf G = (V, E) dengan v = |V| simpul dan e = |E| busur adalah graf berhingga, sederhana, dan tidak berarah. Pelabelan total busur ajaib pada G adalah pemetaan bijektif f dari V U E ke himpunan bilangan bulat {1, 2, 3, ..., v + e}, dimana terdapat suatu konstanta k sedemikian sehingga bobot busur wf(xy)= f(x) + f(xy) + f(y)= k untuk setiap xy E E. Pelabelan total busur ajaib b-busur berurutan pada G adalah pelabelan total busur ajaib dan f(E) = {b + 1,b + 2, b + 3, ..., b + e},0 K b K v . Pada skripsi ini diberikan konstruksi pelabelan total busur ajaib b-busur berurutan pada graf lobster (semi) teratur Ln(2; r) dan Ln(2; r, s) dengan n, r, dan s bilangan-bilangan bulat positif.

---

Let G = (V, E) with v = |V| vertices and e = |E| edges, be a finite, simple, and undirected graph. An edge magic total labeling is a bijection f from V U E to the set of consecutive integers {1, 2, 3, ..., v + e} and there exist a constant k such that the weights of the edges wf(xy)= f(x) + f(xy) + f(y)= k for every xy E E. A b-edge consecutive edge magic total labeling of G is an edge magic total labeling and f(E) = {b + 1,b + 2, b + 3, ..., b + e},0 K b K v . This skripsi constructs a b-edge consecutive edge magic total labeling on some classes of tree, that are (semi) regular lobster graph Ln(2; r) and Ln(2; r, s), where n, r, and s are positive integers."

"Pada setiap analisis statistik memungkinkan berhadapan dengan missing values atau missing data karena pada saat survei kemungkinan ada responden yang tidak dapat menjawab pertanyaan atau tidak ingin menjawab pertanyaan pada saat wawancara survei. Missing values tidak dapat langsung dilakukan analisis menggunakan analisis data lengkap, oleh karena itu missing values telah menjadi masalah yang sering dihadapi oleh para peneliti. Dataset survei biasanya terdiri dari sejumlah besar variabel kontinu salah satunya berdistribusi multivariat normal. Salah satu cara untuk menangani missing values dapat dilakukan dengan imputasi, yaitu proses pengisian atau penggantian missing values pada dataset dengan nilai-nilai yang mungkin berdasarkan informasi yang didapatkan pada dataset tersebut. Penelitian ini akan menerapkan metode sequence regression multivariate imputation (SRMI) untuk imputasi missing values pada data multivariat normal. SRMI merupakan metode imputasi ganda yang nilai imputasinya didapatkan dari model sequence of regression yaitu setiap variabel yang mengandung missing values diregresikan terhadap semua variabel lain yang tidak mengandung missing values sebagai variabel prediktor. Cara mendapatkan nilai imputasi digunakan pendekatan iterasi untuk menarik nilai dari distribusi posterior prediktif pada missing values di bawah masing-masing model regresi secara beruntun. Penelitian ini menggunakan data multivariat normal yang telah dibangkitkan sebanyak 500 observasi dengan menggunakan lima nilai imputasi ganda dan hasil evaluasi kualitas imputasi menggunakan Root Mean Square Error (RMSE). Hasil evaluasi kualitas imputasi dapat dikatakan baik jika nilai RMSE semakin kecil, maka eror semakin kecil atau nilai estimasi mendekati nilai sebenarnya (Chai & Draxler, 2014) dan hasil yang didapatkan nilai RMSE kecil sehingga SRMI dapat diterapkan untuk melakukan imputasi terhadap data multivariat normal.

---

Missing values are the absence of data items for an observation or more observations that can result in the loss of certain information. During surveys, there are often missing values or missing data because there are likely respondents who cannot answer the question or do not want to answer the question. That is a problem for researchers because, with missing values, the results of observation cannot be analyzed properly. Survey datasets usually consist of continuous variables, one of which is a normal multivariate distribution. One way to deal with missing values ​​can be done by imputation, which is the process of filling or replacing missing values ​​in a dataset with possible values ​​based on the information obtained in the dataset. This study will apply the sequence regression multivariate imputation (SRMI) method for missing values ​​imputation in normal multivariate data.

SRMI is a multiple imputation method whose implication value is obtained from the sequence of regression model, that is, every variable containing missing values ​​is regressed on all other variables that do not contain missing values ​​as predictor variables. The method of obtaining imputation values ​​is used by the iterative approach to drawing values ​​from the predictive posterior distribution in the missing values ​​below each successive regression model. This study uses multivariate normal data that has been generated a total of 500 observations using five multiple imputation values ​​and the evaluation results using Root Mean Square Error (RMSE) which have little value in applying to normal multivariate data so SRMI can be applied to impute normal multivariate data."