Hasil Pencarian  ::  Simpan CSV :: Kembali

"Model pilihan diskrit adalah model yang biasa digunakan untuk memodelkan pilihan. Model pilihan diskrit tersebut dapat diturunkan dari fungsi utilitas. Salah satu model pilihan diskrit yang sering digunakan adalah model multinomial probit. Model multinomial probit mengasumsikan bahwa komponen error pada fungsi utilitas berdistribusi normal standar. Model Multinomial Probit berbentuk integral lipat (J-1) dengan J adalah banyaknya alternatif pilihan, dan parameter-parameter yang akan ditaksir berada pada batas-batas integral model tersebut, oleh karena itu dibutuhkan suatu metode simulasi untuk menghitung nilai dari taksiran tersebut. Parameter pada model multinomial probit ditaksir dengan menggunakan metode maximum simulated likelihood estimation (MSLE) yang berdasarkan pada simulasi GHK.

---

Discrete choice model is a model commonly used to model choice. Discrete choice model can be derived from utility functions. One model commonly used discrete choice model is multinomial probit. Multinomial probit model assumes that the errors component in the utility function of standard normal distribution. Multinomial probit models shaped folding integral (J-1) with J is the number of alternative options and the parameters to be estimated to be at the limits of the integral model, and therefore requires a simulation method to calculate the value of those estimates. Parameters in the multinomial probit model was estimated using the method of simulated maximum likelihood estimation (MSLE) is based on the GHK simulation."

"Model probit adalah salah satu jenis model pilihan diskrit dengan error yang diasumsikan saling bebas, berdistribusi normal, dan homoskesdastis. Model probit dengan komponen error dari observasi di suatu lokasi bergantung dengan komponen error dari observasi di lokasi lain disebut model probit spasial error. Parameter dari model probit spasial error akan ditaksir dengan metode maksimum likelihood parsial dalam dua cara. Cara pertama dengan memperhitungkan variansi dari error dalam pembentukan fungsi likelihood parsial. Cara kedua dengan membentuk n grup dari sejumlah 2n observasi dari lokasi berbeda, dimana setiap grup terdiri dari dua observasi di lokasi yang berbeda. Selanjutnya, dengan memperhatikan korelasi antar error di dalam grup, akan dibentuk fungsi kepadatan probabilitas dari setiap grup yang akan digunakan untuk membentuk fungsi likelihood parsial dalam penaksiran parameter.

---

Probit Model is one of discrete choice model whose error is assumed to be independent, normal distributed, and homoscedastic. Probit model whose error component from observations on a location that depends on error components on the other location is called spatial error probit model. Parameters of spatial error probit model will be estimated by partial maximum likelihood in two ways. The first way is to take into account the variance of the error in the form of the partial likelihood function.

The second is to form n groups from 2n observations at different location, which each group consists of two observations at different location. Furthermore, by taking into account the correlation between errors in a group, the probability density function of each group will be formed, and later will be used to form a partial likelihood function in parameter estimation."

"Model multinomial logit adalah model yang biasa digunakan untuk memodelkan pilihan. Model tersebut dapat diturunkan dari fungsi utilitas, dengan asumsi error antar alternatif berdistribusi gumbel, dan saling bebas, serta error antar observasi saling bebas. Jika asumsi error antar alternatif saling bebas tidak terpenuhi, maka dibutuhkan alternatif model lain untuk memodelkan pilihan. Model nested logit adalah salah satu model yang dapat digunakan untuk mengatasi permasalahan tersebut. Alternatif pilihan yang saling berpengaruh dikelompokkan ke dalam satu sarang. Penaksiran parameter pada Model nested logit dapat dilakukan dengan Full Information Maximum Likelihood (FIML) dimana parameter untuk sarang dan alternatif pilihan ditaksir secara simultan. Tetapi turunan fungsi log likelihoodnya tidak linier sehingga dibutuhkan metode NewtonRaphson.

---

The multinomial logit model is a model commonly used to model choices. This model can be derived from the utility function, with the assumption that the interalternative error has a Gumbel distribution, are mutually independent, and the error between observations are also mutually independent. If the assumption of mutual independence of the interalternative error is not satisfied, then another model is needed to model the alternatives. Nested logit model is one of the models that can be used to overcome this kind of problem. Alternative choices that affect each other are grouped into a single nest. Estimation of parameters of the nested logit model can be done by the Full Information Maximum Likelihood (FIML). But the derivative of log likelihood functions are not linear so the NewtonRaphson methods are needed in the process. "

"Kemacetan pada jam jam puncak pagi hari maupun sore hari, yaitu pada saat jam berangkat maupun jam pulang kerja disepanjang koridor Blok M - Kota sudah menjadi pemandangan sehari-hari. Keterkaitan dengan kinerja sistem angkutan umum yang ada berakibat kepada efektifitas dengan efisiensi yang rendah terhadap pengguna moda angkutan disepanjang koridor tersebut juga merupakan salah satu faktor penyebab tingkat kemacetan yang terjadi. Berkenaan dengan hal tersebut, Pemda Propinsi DKI Jakarta merencanakan pengadaan sistem angkutan umum massal bus-way untuk sebagai pendekatan solusi ketidak seimbangan sarana jalan dan optimalisasi distribusi penggunaan moda di sepanjang koridor Blok M - Kota. Dengan adanya pelayanan lajur busway ini, maka terdapat alternatif pemilihan moda angkutan yang bare sehingga dirasa perlu untuk menganalisa pemodelan terhadap seberapa besar probabilitas orang yang akan menggunakan bus sedang, bus besar, busway, sepeda motor dan mobil pribadi serta beberapa orang yang akan pindah (shifted) diantara moda-moda tersebut. Tujuan dari penelitian ini adalah untuk mengembangkan model Multinomial Probit dan model Nested Probit sebagai model moda choice (pemilihan moda) dalam model transportasi STUE (Stochastic Taxonomi User Equilibrium - STUE) secara keseluruhan dan membandingkan penggunaannya pada koridor Blok M - Kota, dimana model tersebut dikembangkan dengan penggunaan data JICA, CTS UI dan survey traffic counting pada koridor Blok M - Kota. Dari hasil assignment, model Multinomial Probit relatif lebih dekat dengan volume lalu lintas yang merupakan hasil survey Traffic Counting dibandingkan dengan model Multinomial Probit. Sedangkan tingkat perubahan masing-masing moda jika dibandingkan dengan kondisi eksisting dengan adanya busway, baik Nested Probit maupun Multinomial Probit, terjadi penambahan pada moda sepeda motor, dengan pengurangan pada moda mobil pribadi, bus sedang dan bus besar."

"Error in variable model adalah model regresi dimana variabel independennya mengandung error. Hal ini dikarenakan nilai sebenarnya dari variabel independen tidak diketahui dan tidak dapat diukur dengan tepat sesuai dengan nilai sebenarnya (disebut dengan variabel independen yang tidak terobservasi), sehingga nilai sebenarnya dari variabel independen ini diwakilkan oleh nilai yang didapat dari suatu proses pengukuran yang belum tentu sesuai dengan nilai sebenarnya. Salah satu jenis error in variable model adalah classical error in variable model. Pada classical error in variable model, terdapat dua jenis variabel independen yang tidak terobservasi, yaitu fixed dan random. Pada penulisan tugas akhir ini akan dibahas mengenai penaksiran parameter pada classical error in variable model dimana variabel independen yang tidak terobservasi berdistribusi normal dengan menggunakan metode maksimum likelihood."

"Model regresi Poisson tampak tak berhubungan (seemingly unrelated Poisson regression model, SUPREME) merupakan suatu model yang terdiri dari beberapa persamaan dimana variabel-variabel dependen dalam tiap persamaan menyatakan data terhitung (count data) dengan distribusi dari variabel dependen diberikan nilai variabel independen adalah Poisson. Diantara persamaan-persamaan tersebut terdapat keterkaitan satu sama lain yang ditunjukkan dengan adanya korelasi antar error dari setiap persamaan yang diindikasikan dengan terdapatnya paling sedikit satu variabel independen yang sama dalam setiap persamaan. Penaksiran parameter dari model regresi Poisson tampak tak berhubungan dilakukan dengan menggunakan metode maksimum likelihood dengan pendekatan Newton-Raphson. Model regresi Poisson tampak tak berhubungan akan memberikan taksiran parameter yang lebih efisien dibandingkan dengan model regresi Poisson apabila terdapat korelasi antar error dari setiap persamaan."

"Data panel merupakan gabungan dari dua jenis data, yaitu data cross section dan data longitudinal. Model regresi linier yang melibatkan data panel disebut dengan model regresi data panel. Pada saat melakukan observasi, sering ditemui bahwa nilai observasi di suatu lokasi bergantung pada nilai observasi di lokasi sekitarnya, yang dikenal dengan spasial dependen. Model regresi data panel yang turut melibatkan aspek ketergantungan lokasi (spasial dependen) dikenal dengan model spasial data panel. Model spasial lag data panel menunjukkan adanya ketergantungan antara variabel dependen di suatu lokasi dengan variabel dependen di lokasi sekitarnya. Pada tugas akhir ini akan dibahas penaksiran parameter pada Random Effects Spatial Lag Panel Data Model dengan komponen error satu arah menggunakan metode maksimum likelihood."

"Pada model regresi data panel spasial dinamis terdapat lag dari variabel dependen dan spatial lag dari variabel dependen yang berperan sebagai variabel eksplanatori. Hal ini menyebabkan variabel eksplanatori berkorelasi dengan error, variabel jenis ini disebut variabel endogen eksplanatori. Dengan adanya variabel ini, estimasi secara ordinary least squares menjadi bias dan tidak konsisten. Oleh karena itu sebelum menaksir parameter pada model regresi data panel spasial dinamis harus dilakukan first-difference untuk menghilangkan efek individu dan selanjutnya dilakukan instrumental variabel pada variabel endogen eksplanatori. Kemudian untuk mendapatkan unbiased and consistent estimator, model ini ditaksir dengan metode Arrelano dan Bond yang menggunakan prinsip generalized method of moments optimal."

"Model regresi data panel spasial error dinamis adalah model regresi data panel yang melibatkan lag dari variabel dependen dan komponen dependensi spasial error. Karena terdapat korelasi antara lag dari variabel dependen dan komponen error, estimasi dengan Ordinary Least Squares menjadi bias dan tidak konsisten. Oleh karena itu, dibutuhkan metode lain untuk menaksir parameter dalam model. Metode yang dapat digunakan adalah perluasan metode Arellano dan Bond yang mencakup metode instrumental variabel menggunakan variabel instrumen yang disarankan oleh Mutl (2006) dan prinsip Generalized Method of Moments (GMM). Kemudian ditambah dengan metode pendekatan Kapoor, Kelejian, dan Prucha (KKP) sehingga dihasilkan taksiran yang konsisten.

---

The dynamic spatial error panel data regression model is panel data regression model which involves lag of the dependent variable and error spatial dependence. Because there is correlation between the lag of the dependent variable and error components, the ordinary least squares estimator becomes biased and inconsistent. Therefore, we need another method to estimate parameters in the model. The method which can be used is the extended method of Arellano and Bond covering instrumental variable method using instrument variables suggested by Mutl (2006) and the principle of the Generalized Method of Moments (GMM). Then the method is coupled with the method of Kapoor, Kelejian, and Prucha (KKP) approach so that it produces consistent estimators."