Hasil Pencarian  ::  Simpan CSV :: Kembali

"Estimasi parameter model autoregressive dapat diperoleh dengan beberapa metode, salah satunya adalah metode Marginal Likelihood. Untuk memperoleh fungsi marginal likelihood, proses autoregressive dapat dinyatakan sebagai structural model (Fraser, 1968). Dalam structural model, data runtun waktu stasioner dinyatakan sebagai kombinasi linear dari mean proses dan variabel error yang tidak terobservasi. Dengan mengganggap variabel error sebagai proses circular dan noncircular, diperoleh sifat distribusi dari variabel error yang tidak bergantung pada parameter populasi, sehingga data runtun waktu mengikuti model Location-scale. Melalui model Location-Scale dapat dibuktikan bahwa vektor data runtun waktu yang distandarisasi merupakan ancillary statistic. Ancillary statistic ini menjadi dasar untuk membangun fungsi marginal likelihood karena distribusi dari ancillary statistic bebas dari parameter populasi."

"Dalam analisis data, saat data mempunyai outlier dan outlier yang ada bukan merupakan suatu kesalahan, taksiran parameter yang diperoleh dengan metode Ordinary Least Square (OLS) akan bias karena metode OLS tidak robust terhadap adanya outlier. Oleh karena itu, dicari metode lain yang robust terhadap adanya outlier, salah satunya ialah metode regresi robust dengan menggunakan fungsi Huber. Pada skripsi ini akan dibahas mengenai taksiran parameter pada model regresi robust sederhana dan berganda dengan menggunakan fungsi Huber. Selain itu, akan dibandingkan antara taksiran parameter model regresi robust dengan menggunakan fungsi Huber dan taksiran parameter yang didapat dengan metode OLS dilihat dari nilai effisiensi taksiran parameter. Hasil yang diperoleh dari contoh penerapan menunjukkan bahwa untuk data ada outlier taksiran parameter yang diperoleh dengan metode regresi robust dengan fungsi Huber lebih effisien dibandingkan metode OLS, sedangkan untuk data tanpa outlier taksiran parameter yang diperoleh dengan metode OLS lebih effisien dibandingkan metode regresi robust dengan fungsi Huber."

"Data panel tidak lengkap merupakan kumpulan data dari beberapa individu yang terobservasi dari waktu ke waktu dimana pada setiap waktu banyaknya individu yang terobservasi berbeda-beda. Dalam tugas akhir ini akan dibahas mengenai penaksiran parameter model regresi data panel tidak lengkap dengan komponen error dua arah. Komponen error model data panel tidak lengkap diasumsikan NIID (Normal Independent Identically Distributed). Dalam penaksiran parameter model regresi data panel tidak lengkap diperlukan taksiran komponen variansi error. Oleh karena itu, sebelum menaksir parameter model akan ditaksir komponen variansi error terlebih dahulu. Penaksiran komponen variansi error dilakukan dengan menggunakan metode Minimum Variance Quadratic Unbiased Estimation (MIVQUE). Selanjutnya, parameter model ditaksir dengan metode Maximum Likelihood Estimation (MLE)"

"Dalam skripsi ini membahas mengenai model regresi antara variabel penjelas dengan variabel dependent kontinu dimana variabel dependent yang diketahui merupakan variabel dependent ordinal yang dibentuk dari variabel kontinu tersebut, sedangkan nilai dari variabel kontinu tidak diketahui. Penaksiran parameter dalam model dilakukan dengan menggunakan metode maximum likelihood. Pengujian kegunaan model dilakukan dengan uji rasio likelihood. Pengujian terhadap masing-masing koefisien regresi dilakukan dengan uji z. Untuk mengukur kecocokan model digunakan koefisien determinasi R2. Metode tersebut diterapkan untuk melihat hubungan antara variabel kemampuan seseorang untuk mengalihkan stress (dinamakan Avoid) yang bersifat kontinu dengan variabel kemampuan seseorang untuk menikmati kegiatan (dinamakan Distract) dan variabel kemampuan seseorang untuk mendapatkan dukungan dari orang lain (dinamakan Social) dimana data variabel Avoid yang diketahui berupa data kategori ordinal yang dibentuk dari data variabel Avoid kontinu yang tidak diketahui nilainya."

"Estimansi desain parameter merupakan hal yang tepat dilakukan sebelum melakukan akuisisi seismik. Menentukan geometri desain akuisisi yang tepat sesuai dengan kondisi lapangan dapat meningkatkan proses akuisisi yang efektif, menghasilkan data seismik berkualitas bagus, meningkatkan signal-to-noise ratio, dan menekan biaya operasional akuisisi. Penelitian ini dilakukan untuk menentukan desain parameter akuisisi seismik 2D yang dapat memberikan resolusi gambar bawah permukaan yang baik sesuai dengan data seismik terdahulu. Penelitian ini dimulai dengan membuat model kecepatan sintetik yang sesuai dengan informasi data geologi sebenarnya. Parameter desain dibuat dengan perbedaan jarak shotpoint dan jarak receiver. Opsi pertama dibuat dengan interval shotpoint sebesar 150 meter dan interval receiver sebesar 60 meter. Opsi kedua dibuat dengan interval shotpoint sebesar 115 meter dan interval receiver sebesar 60 meter. Opsi ketiga dibuat dengan interval shotpoint sebesar 100 meter dan interval receiver sebesar 40 meter. Dari ketiga opsi tersebut, dilakukan penjalaran gelombang akustik dengan menggunakan sinyal ricker sebesar 40 Hz dan panjang perekaman sebesar 6 detik. Hasilnya ditunjukkan dengan data gather yang berbeda tiap parameter. Hasil data gather yang menunjukkan kualitas bagus terdapat pada opsi ketiga dengan interval shotpoint sebesar 100 meter dan interval receiver sebesar 40 meter.

---

Parameter design estimation is the key of success to do before seismic acquisition. Determining the appropriate acquisition design geometry in accordance with field conditions can improve the effectiveness of acquisition process, produce good quality seismic data, increase signal-to-noise ratio, and reduce acquisition operational costs. This research was conducted to determine the design of 2D seismic acquisition parameters that can provide good subsurface image resolution in accordance with previous seismic data. This research begins by creating a synthetic velocity model that matches the actual geological data information. Design parameters are made with the difference in shotpoints interval and receiver interval. The first option is made with a shotpoints interval of 150 meters and a receiver interval of 60 meters. The second option is made with a shotpoints interval of 115 meters and a receiver interval of 60 meters. The third option is made with a shotpoints interval of 100 meters and a receiver interval of 40 meters. Of the three options, acoustic wave propagation is performed using a ricker signal of 40 Hz and a recording length of 6 seconds. The results are shown with different data gather for each parameter. The results of the data gather showing good quality are found in the third option with a shotpoint interval of 100 meters and a receiver interval of 40 meters."

"Model regresi ordinal dua level merupakan model yang digunakan untuk menganalisis data respon ordinal tercluster dan longitudinal. Dalam hal ini variabel respon ordinal yang diketahui, dibentuk dari suatu variabel laten kontinu yang tak diketahui nilainya. Nilai batas kategorik (threshold) pada variabel laten perlu diestimasi bersama-sama dengan koefisien regresi ordinal dua level. Untuk mengestimasi parameter-parameter dan threshold pada model regresi ordinal dua level, digunakan metode estimasi maximum marginal likelihood (MMLE) melalui pendekatan numerik dengan metode Fisher scoring. Pada setiap iterasi metode Fisher Scoring, digunakan Gauss-Hermite Quadrature untuk menghitung secara numerik persamaan marginal likelihood. Untuk mengilustrasikan penerapan model regresi ordinal dua level untuk data ordinal tercluster, digunakan data TVSFP di mana siswa bersarang dalam kelas. Sedangkan untuk mengilustrasikan penerapan model regresi ordinal dua level untuk data ordinal longitudinal, akan digunakan data psikiatrik di mana pasien diklasifikasikan pada beberapa tingkat keparahan penyakit terhadap beberapa titik waktu (time points). Struktur data dua level yang digunakan untuk data longitudinal adalah perulangan observasi bersarang dalam individu (pasien)."

"Parameter estimation is the process of using observations from a system to develop mathematical models that adequately represent the system dynamics. The assumed model consists of a finite set of parameters, the values of which are calculated using estimation techniques. Most of the techniques that exist are based on least-square minimization of error between the model response and actual system response. However, with the proliferation of high speed digital computers, elegant and innovative techniques like filter error method, H-infinity and Artificial Neural Networks are finding more and more use in parameter estimation problems.Modelling and Systems Parameter Estimation for Dynamic Systems presents a detailed examination of the estimation techniques and modeling problems. The theory is furnished with several illustrations and computer programs to promote better understanding of system modeling and parameter estimation. The material is presented in a way that makes for easy reading and enables the user to implement and execute the programs himself to gain first hand experience of the estimation process."

"Distribusi dari nilai maksimum dapat diperoleh dengan menggunakan statistik terurut. Namun saat jumlah observasi sangat besar menuju tak hingga, distribusi pendekatan yang diperoleh adalah distribusi degenerate. Gnedenko memberikan satu teorema yaitu bahwa distribusi untuk nilai maksimum yang sudah ditransformasi dengan konstanta tertentu dapat didekati oleh distribusi nondegenerate. Dalam skripsi ini akan dibahas pembuktian dari teorema Gnedenko tersebut sehingga dapat digunakan untuk memperoleh distribusi pendekatan dari nilai maksimum yang ditransformasi. Kemudian berdasarkan pernyataan dari Reiss akan dilakukan penaksiran parameter sehingga diperoleh tiga tipe distribusi pendekatan dari nilai maksimum yang belum ditransformasi. Untuk menjelaskan hubungan antara distribusi pendekatan dalam teorema Gnedenko dengan distribusi yang sudah umum diketahui, akan dibahas mengenai domain of attraction yaitu himpunan fungsi distribusi yang memenuhi teorema Gnedenko. Setiap tipe mempunyai kriteria uji domain of attraction untuk mengetahui distribusi pendekatan yang paling tepat yang dapat digunakan sebagai distribusi pendekatan untuk nilai maksimum."