Hasil Pencarian  ::  Simpan CSV :: Kembali

"Hotspot atau kejadian luar biasa (KLB) adalah intensitas yang paling tinggi pada suatu lokasi tertentu. Pendeteksian adanya KLB sangat diperlukan, khususnya dalam bidang kesehatan masyarakat, karena dapat digunakan sebagai peringatan dini (early warning). Spatial Scan Statistics adalah suatu metode yang dapat digunakan untuk mendeteksi dan mengevaluasi pengelompokan daerah yang memiliki intensitas yang paling tinggi dari suatu kejadian yang diperhatikan. Kejadian diasumsikan mengikuti proses poisson spasial nonhomogen sehingga metode yang akan digunakan adalah spatial scan statistics dengan model poisson. Untuk mencari caloncalon kelompok daerah KLB, dilakukan dengan pembentukan scanning window. Dari tiap scanning window yang terbentuk, hitung nilai rasio likelihood. Potensial cluster adalah scanning window dengan nilai rasio likelihood tertinggi. Untuk mendapatkan p-value untuk potensial cluster, digunakan pendekatan Monte Carlo, yaitu p = Rsim / (R+1) dengan R adalah banyaknya replicate data yang dibangun dibawah kondisi H0, dan Rsim adalah banyaknya replicate data yang mempunyai nilai rasio likelihood yang lebih tinggi dari data asli. "

"Spatial scan statistic adalah suatu metode yang secara luas telah digunakan untuk mendeteksi adanya suatu cluster di daerah yang ingin diteliti berdasarkan tingginya intensitas suatu kejadian. Model yang telah berkembang dalam spatial scan statistik adalah model Poisson dan Bernoulli. Tetapi di lapangan, seringkali diperoleh data spasial berskala ordinal. Tugas akhir ini membahas suatu metode spatial scan statistic yang dapat digunakan untuk mendeteksi cluster yang memiliki relative risk yang semakin tinggi sesuai dengan urutan kategori yang semakin tinggi pada data ordinal. Untuk dapat mendeteksi cluster tersebut, hipotesis yang dibuat harus memperhatikan pembatasan urutan (order) (yaitu likelihood ratio ordering), oleh karena itu untuk mendapatkan rasio likelihood-nya diperlukan reparameterisasi untuk dapat memperhatikan faktor order-nya. Signifikansi cluster diuji dengan menggunakan Monte-Carlo hypotesis testing. Penggunaan metode ini diilustrasikan melalui contoh kasus data pendidikan di Maryland."

"Model Markov Switching GARCH adalah model untuk runtun waktu yang dapat menangkap fenomena pengelompokan volatilitas. Pengelompokan volatilitas adalah keadaan dimana runtun memiliki variabilitas yang tidak sama untuk seluruh periode. Model ini adalah perluasan dari model GARCH dimana parameternya dapat melakukan pergantian nilai (switching) yang bergantung dari state rantai Markov sehingga nilainya tidak tetap untuk seluruh periode runtun. Mekanisme switching dari model Markov Switching ini mengikuti proses rantai Markov yang tidak terobservasi. Pada skripsi ini, akan dibahas mengenai struktur dan penaksiran parameter model Markov Switching GARCH. Penaksiran parameter menggunakan maximum likelihood estimator tidak dapat dilakukan karena masalah path dependence, sehingga penaksiran parameter akan dilakukan menggunakan Algoritma Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML). Model Markov Switching GARCH ini kemudian akan diaplikasikan untuk runtun nilai tukar US Dollar (USD) terhadap Indonesian Rupiah (IDR).

---

Markov Switching GARCH is a model for time series that can capture volatility clustering phenomenon. Volatility clustering is a condition when time series has no same variability for entire period. This model is an extension of the GARCH model in which the parameters can do the switching that depend on the state of the Markov chain so that the value is not fixed for the entire period. The switching mechanism of Markov Switching GARCH model follow the unobserved Markov chain process. In this undergraduate thesis, it will be discussed the structure and the parameter estimation of Markov Switching GARCH model. Parameter estimation using maximum likelihood estimator can not be done because of the path dependence problem, so that the parameter estimation will be carried out using Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML) algorithm. Markov switching GARCH model will be applied to exchange rate US Dollar (USD) to Indonesia Rupiah (IDR) series."

"Keadaan masa depan tidak dapat diketahui dengan pasti. Investasi yang kita lakukan sekarang belum tentu menguntungkan pada masa yang akan datang, begitu pula dengan investasi jalan tol. Dengan adanya ketidakpastian ini, maka pemasukan analisa risiko dalam kaitannya dengan penganggaran modal dan investasi menjadi sangat penting.Dalam identifikasi risiko keterlibatan para pakar investasi sangat dibutuhkan. Oleh karena itu, dibuatlah kuesioner. Dari penelitian ini teridentifikasi risiko-risiko yang terjadi dalam investasi jalan tol dan probabilitas masing-masing, dengan menggunakan metode Analitical Hierarchy Process (AHP). Risiko ini dikelompokkan dalam risiko kebijakan pemerintah, risiko dalam pelaksanaan konstruksi, risiko keuangan dan ekonomi, serta risiko lingkungan. Risiko yang paling, besar adalah risiko tarif.Salah satu teknik analisa risiko adalah Simulasi Mama Carlo. Simulasi untuk risiko tarif dan biaya pernbebasan tanah, dengan mempertimbangkan faktor inflasi dan tingkat suku bunga menghasilkan berbagai tingkat kelayakan untuk distribusi NPV dan IRR, antara lain probabilitas kelayakan NPV hampir 100%, dan probabilitas kelayakan IRR senilai 92.69% ketika tarif tol sesuai harapan investor dan tidak ada kenaikan biaya pembebasan tanah.

---

Future is uncertainty. Money we invest now is uncertainly to give benefit in the future, i.e. in toll road investment. Therefore, incorporating risk analysis in capital budgeting and investment is really important.

In order to identify the risks, expert judgment is actually needed. This research has identified the risks and their likelihood, by Analytical Hierarchy Process (AHP) method, in group of government risks, construction risks, financial and economics risks, and environmental risks. The big risk is toll fee risk with the likelihood of 0.221.

One of risk analysis tools is Monte Carlo simulation. The simulation of toll fee risk and land acquisition cost risk, regarding inflation rate and discount rate, results several certainty level for NPV and IRR, for example almost 100% certainty level for NVP, and 92.69% certainty level for IRR when the toll fee is suitable for investor and no added cost for the land acquisition."

"Di industri minyak bumi dan gas, pipa merupakan komponen utama yang ada dalam industri tersebut. Karena pipa merupakan komponen utama, maka pipa tersebut harus mendapatkan perhatian lebih dikarenakan kegagalan dalam sistem perpipaan, khususnya dalam industri minyak bumi dan gas, menjadi permasalahan yang sangat serius karena menimbulkan kerugian yang cukup besar. Salah satu cara untuk meminimalisir kegagalan tersebut adalah melalui inspeksi berbasis risiko. Dalam inspeksi berbasis risiko, digunakan simulasi Monte Carlo untuk mengetahui probabilitas komponen mengalami kegagalan. Pada umumnya, simulasi Monte Carlo menggunakan distribusi Normal dalam penentuan Random Variabel Generator. Namun, terdapat kemungkinan data yang dihasilkan adalah Bias, yaitu terdapat error sampling sehingga data tersebut menjadi kurang akurat dikarenakan nilai hasil dari distribusi Normal dapat bernilai negatif. Pada distribusi Normal, dihasilkan data yang sifatnya overestimation data. Maka dari itu, dibutuhkan metode lain untuk penentuan Random Variabel dimana data yang dihasilkan tidaklah bias sehingga akurasi hasil dari Inspeksi Berbasis Risiko meningkat. Metode Weibull dapat mengurangi biased data yang dihasilkan dari distribusi Normal.

---

Pipes are the main component in the oil and gas industries, and it needs a serious attention due to the high risk of the piping system failure. The failure of the piping system leads to a very serious consequence since it caused huge material losses, and the Risk-Based Inspection can minimize the failure. Risk-Based Inspection using the Monte Carlo Simulation for calculating the failure probabilities of the component.

In general, Normal distribution is used in Monte carlo simulation for Random Variable Generator. However, it is possible that the generated data is called Bias, i.e. there is an error sampling, so the resulting data becomes inaccurate. In the Normal distribution, the result of the data produce an overestimation data because the result of the data can be negative on the corrosion rate. Therefore, we need another method for determining Random Variables where the generate data is not biased so the accuracy of the results of the Risk-Based Inspection increases, and the Weibull method can reduce the biased data generated from the Normal distribution."

"Pemerintah Indonesia melalui Undang-Undang Nomor 44 Tahun 2009 mewajibkan semua alat Kesehatan untuk dikalibrasi. Sebagai implementasi dari peraturan tersebut, Kementerian Kesehatan menerbitkan Peraturan Menteri Kesehatan Nomor 54 Tahun 2015 yang mengharuskan alat kesehatan untuk dikalibrasi minimal sekali dalam satu tahun. Defibrillator adalah salah satu alat kesehatan yang berfungsi untuk memberikan kejutan listrik kepada pasien yang mengalami gangguan jantung. Untuk memastikan akurasi dan ketertelusuran metrologi, defibrillator harus dikalibrasi minimal satu kali dalam setahun. Dalam melakukan kalibrasi defibrillator, digunakan perangkat bernama defibrillator analyzer. Seperti halnya defibrillator, defibrillator analyzer juga harus dikalibrasi untuk memastikan akurasi dan ketertelusuran metrology. Metode Monte Carlo digunakan dalam kegiatan kalibrasi defibrillator analyzer dengan menggunakan high voltage differential probe untuk melakukan estimasi ketidakpastian pengukuran. Metode Monte Carlo menggunakan propagasi distribusi dan umumnya memberikan hasil yang lebih dekat dengan kenyataan serta menghasilkan nilai ketidakpastian yang lebih baik. Hasil dari kalibrasi defibrillator analyzer adalah nilai pengukuran (measurand) dengan persentase antara 93% hingga 95%, dan perhitungan ketidakpastian menggunakan Metode Monte Carlo menghasilkan ketidakpastian yang valid sebesar 100%.

---

The Indonesian Government, through Law Number 44 of 2009, mandates calibration for all healthcare equipment. As an implementation of this provision, the Ministry of Health issued Ministerial Regulation Number 54 of 2015 concerning Testing and Calibration of Healthcare Equipment, which requires healthcare equipment to be calibrated at least once a year. A defibrillator is a medical device used to deliver an electric shock to patients with heart problems. To ensure accuracy and metrological traceability, a defibrillator must be calibrated at least once a year. During the calibration of a defibrillator, a device called a defibrillator analyzer is used.

Similar to the defibrillator, the defibrillator analyzer also needs to be calibrated to ensure accuracy and metrological traceability. The Monte Carlo method is used in the calibration of the defibrillator analyzer, utilizing a high voltage differential probe to estimate measurement uncertainty. The Monte Carlo method employs distribution propagation and generally yields results closer to reality, producing better uncertainty values. The result of the defibrillator analyzer calibration is a measurand value (measurement value) ranging between 93% and 95%, and the uncertainty calculation using the Monte Carlo method yields a valid uncertainty value of 100%."

"Penelitian tentang model persediaan telah banyak dilakukan dan menjadi solusi bagi perusahaan dalam menghadapi ketidakpastiaan dari permintaan pelanggan. Selain data permintaan yang bersifat stokastik, sering pula ditemukan leadtime kedatangan bahan baku di suatu perusahaan yang bersifat stokastik. Sering kali leadtime yang bersifat stokastik dihitung menjadi leadtime yang tetap untuk menyederhanakan perhitungan dan perancangan model persediaan. Hal ini dapat memicu terjadinya stockout pada kenyataan di lapangan, karena tidak memperhitungkan kejadian leadtime kedatangan bahan baku yang berubah atau tidak tetap seperti yang ditentukan. Sehingga penelitian ini dibuat untuk menganalisis bagaimana pengaruh leadtime yang bersifat stokastik pada performa sistem persediaan di suatu perusahaan manufaktur perusahaan di Indonesia. Penelitian ini menggunakan simulasi Monte Carlo untuk melakukan RNG data berjumlah 5000 periode. Simulasi Monte Carlo dipilih karena data permintaan kebutuhan bahan baku komponen pehiasan tidak mengikuti distribusi normal. Dalam penelitian ini juga akan memakai model persediaan (R,Q) untuk membandingkan total biaya yang dikeluarkan ketika menggunakan model persediaan dengan leadtime stokastik atau menggunakan model persediaan dengan leadtime tetap.

---

Research on the inventory model has been done a lot and is a solution for companies in dealing with uncertainty of customer demand. In addition to stochastic demand data, it is often found the lead time for the arrival of raw materials in a company that is stochastic. Often a stochastic leadtime is calculated to be a fixed leadtime to simplify the calculation and design of the inventory model. This can trigger a stockout in reality, because it does not calculate the occurrence of the lead time for the arrival of raw materials that changes or does not remain as determined. So this research was made to analyze how the effect of stochastic leadtime on the performance of the inventory system in a manufacturing company in Indonesia. This study uses a Monte Carlo simulation to perform RNG data totaling 5000 periods. The Monte Carlo simulation was chosen because the data on the demand for the raw material requirements of the decking components did not follow a normal distribution. In this study, we will also use the inventory model (R, Q) to compare the total costs incurred when using an inventory model with stochastic leadtime or using an inventory model with a fixed leadtime."

"Telah dilakukan penentuan karakteristik sumber beta 90Sr/90Y dengan menggunakan simulasi Monte Carlo BEAMnrc yang berbasiskan metode Monte Carlo serta penghitungan BEAMDP dan FLURZnrc terutama fluks dan energi-fluks sebagai fungsi posisi, distribusi energi-fluks, distribusi energi spektral, serta distribusi energi rata-rata. Energi rata-rata radiasi elektron yang dihasilkan berkisar 0,75 MeV dan foton pada 0,15 MeV. Partikel radiasi elektron masih dominan dengan jumlah partikel lebih dari 54% jumlah total partikel radiasi (berdasarkan fluks vs posisi, dan distribusi energi spektral), dan energi-fluks maksimumnya sekitar 1,9x10-5 partikel.MeV (87%). Distribusi energi-fluks menunjukkan nilai maksimum di sekitar 7x10-6 partikel.MeV pada energi 0,96 MeV untuk elektron, dan 3,9x10-6 partikel.MeV pada energi 0,10 MeV untuk foton. Juga diperoleh kepastian ketidakhadiran positron. Besar dosis keluaran (menggunakan DOSXYZ) sumber radiasi di sekitar permukaan sumber adalah 3,6x10-13 Gy dan menurun secara eksponensial ketika menjauhi sumber.

---

A Monte Carlo study has been done on 90Sr/90Y beta source using BEAMnrc protocol including BEAMDP and FLURZnrc calculation to determine flux and energy-flux as a function of positions, energy-flux and energy spectral distribution, and also average energy. Average electron energy was found to be 0.75 MeV and average photon energy at 0.15 MeV. The domination of electron were shown by more than 54% in number (based on flux vs. position, and energy spectral distribution), and the maximum of energy-flux was about 1.9x10-5 particle.MeV (87%). Energy-flux distribution showed that the maximum value was about 7x10-6 particle.MeV at 0.96 MeV for electron, and 3.9x10-6 particle.MeV at 0.10 MeV for photon. There is a definite absence of positron. Dose around the surface were found using DOSXYZ source to be 3.6x10-13 Gy and it is exponentially decayed at distance."

"Pada penelitian sebelumnya telah dilakukan koreksi hasil pengukuran spektrum sinar-x menggunakan detektor CdTe dengan metode unfolding untuk menghilangkan noise atau sinyal yang tidak diinginkan Hasil koreksi ternyata kurang baik karena menunjukan adanya loncatan hasil koreksi pada rentang energi antara 30 keV sampai 40keV. Matriks responnya diperbaiki dengan pemodelan detektor dalam keadaan vakum sehingga diperoleh matriks respon baru yang digunakan untuk proses koreksi. Pemodelan dibentuk dengan simulasi monte carlo yang aplikasinya terdapat pada program EGSnrc. Proses koreksi dilakukan menggunakan metode Unfolding dan hasilnya menunjukan noise yang terbaca pada detektor CdTe dapat lebih diminimalisir. Sehingga perbaikan matriks respon dengan cara memodel ulang simulasi detektor berhasil dilakukan.

---

Most applications of nuclear techniques depend on results measurenment of radiation, especially to measure the intensity or dose radiation of radiation.Measurenment of x-ray spectra using CdTe detector will produce spectra characteristic of detector.so that spectrum known as noise must be corrected by the method of unfoldingin order to obtain the actual x-ray spectrum. Accuracy improvement of the correction relating to to the resolution of the detector response matrix, the response matrix is formed using monte carlo simulation methods and Heprow program. With an ideal detector modeling, will get a correction factor which produces more accurate output. "

"ABSTRAKPerlakuan radioterapi pada daerah paru memerlukan perhatian khusus karenadalam daerah tersebut terdapat berbagai jaringan dengan densitas massa maupundensitas elektron bervariasi, oleh karena itu setiap komponen mempunyai dayaserap yang berbeda. Hasil pengobatan radioterapi dipengaruhi oleh ketepatansistem perencanaan pengobatan (TPS) dalam menentukan distribusi dosis dalampasien. Tujuan dari tesis ini adalah untuk mengetahui distribusi dosis (kurvaisodosis dan PDD) dalam paru pada simulasi Monte Carlo perlakuan radioterapikanker paru menggunakan sinar-x Megavolt. Penelitian ini menggunakan simulasiMonte Carlo program paket EGSnrc yang terdiri dari BEAMnrc, danDOSXYZnrc. Distribusi dosis yang dihasilkan dari simulasi Monte Carlokemudian dibandingkan dengan data TPS. Dalam simulasi ini, energi awalelektron yang optimum adalah 6,2 MeV untuk mengsimulasikan sinar-x 6 MV.Simulasi Monte Carlo pada citra CT pasien kanker paru sebelah kanan dengankedalaman target 7.5 cm menghasilkan nilai PDD 84,4 % untuk lapangan 5 x 5cm2 dan 80,3 % untuk lapangan 10 x 10 cm2. Untuk pasien yang sama kalkulasiTPS menghasilkan nilai PDD pada target 75,2 % untuk lapangan 5 x 5 cm2 dan74,8 % untuk lapangan 10 x 10 cm2. Faktor koreksi untuk luas lapangan 5 x 5 cm2adalah 1,0 ? 1,087. Sedangkan pada luas lapangan 10 x 10 cm2 diperoleh faktorkoreksi 1,0 -1,066.

---

Abstract