Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada skripsi ini dibahas mengenai perluasan dari distribusi Chen distribusi XTG Distribusi XTG merupakan perluasan dari distribusi Chen dengan penambahan scale parameter Distribusi XTG merupakan salah satu distribusi probabilitas yang memiliki fungsi hazard berbentuk bathtub Distribusi XTG diperoleh dengan melakukan transformasi variabel random dengan perkalian skalar yaitu untuk dan dimana Karakteristik dari distribusi XTG yang dibahas adalah pdf fungsi distribusi fungsi survival fungsi hazard momen mean dan variansi Selain itu juga dibahas mengenai estimasi parameter dengan Weibull Probability Paper WPP plot dan maximum likelihood estimator Subkasus dari distribusi XTG adalah distribusi Chen distribusi Exponential Power dan distribusi Weibull Pada akhirnya 2 data mengenai waktu tunggu terjadinya kerusakan pada lampu dan pada suatu perangkat elektronik akan digunakan sebagai ilustrasi.

---

XTG distribution is a distribution obtained by extending the Chen distribution which is one of the bathtub hazard shaped distribution It is extended from the Chen distribution by adding the scale parameter In doing this a scalar multiplication ransformation is applied to the random variable i e T=αY for α>0 and Y~Chen (η,β)where η=λα. The caracteristics explained are pdf distribution function survival function hazard rate moment mean and variance Moreover parameter estimation using Weibull Probability Paper WPP plot and maximum likelihood estimator are also presented Subcases of the XTG distribution are the Chen distribution Exponential Power distribution and Weibull distribution Finally two data about failure times for lightbulb and electronic devices are used as illustration. "

"Pemodelan data waktu tunggu berperan penting dalam berbagai bidang ilmu. Distribusi Weibull merupakan salah satu distribusi waktu tunggu yang umum digunakan karena dapat menggambarkan kemencengan yang sering kali ditemui pada data waktu tunggu. Namun, distribusi Weibull tidak selalu memberi kesesuaian pada data waktu tunggu, terutama yang memiliki fungsi hazard non monoton. Pada skripsi ini, dibahas pembentukan suatu distribusi baru, yaitu distribusi New Extended Weibull, untuk mengatasi masalah tersebut. Distribusi New Extended Weibull dihasilkan dengan metode modifikasi new extended yang dikenalkan oleh Khosa, et. al (2020). Modifikasi dilakukan dengan menambahkan suatu parameter shape 0 pada distribusi Weibull dua parameter melalui fungsi bobot. Distribusi baru ini cocok untuk memodelkan data yang memiliki fungsi kepadatan peluang dengan kemencengan negatif ataupun positif dan fungsi hazard rate yang monoton maupun yang non monoton. Beberapa karakteristik dari distribusi New Extended Weibull seperti fungsi kepadatan peluang, fungsi distribusi, fungsi survival, fungsi hazard rate, dan momen ke-𝑟 juga dibahas. Kemudian, taksiran parameter dilakukan dengan menggunakan metode maksimum likelihood. Pada bagian akhir, dilakukan pemodelan menggunakan distribusi NE-W pada data masa remisi pada pasien penderita kanker kandung kemih sebagai ilustrasi

---

Lifetime data modeling plays an important role in various fields of science. The Weibull distribution is one of the most commonly used lifetime distributions because it can describe the skewness that is often found in lifetime data. However, the Weibull distribution does not always fit the data, especially those with non-monotonous hazard rate functions. This study explained the construction of a new distribution, namely the New Extended Weibull distribution, to overcome this problem. The New Extended Weibull distribution is developed using the new extended modification method introduced by Khosa, et. al (2020). Modification is done by adding a shape parameter 0 to the two-parameter Weibull distribution through a weight function. This new distribution is suitable for modeling data with negative or positive skewness probability density function and not only monotonous, but also data with non-monotonous hazard rate functions. Some of the characteristics of the New Extended Weibull distribution, such as probability density function, cumulative distribution function, survival function, hazard rate function, and the 𝑟-th moment are also discussed. Then, parameter estimation is done by using the maximum likelihood method. In the final section, a practical application is discussed using the NE-W distribution model on the remission times data of patients with bladder cancer"

"Distribusi Generalized Exponential diperkenalkan oleh Rameshwar D. Gupta dan Debasis Kundu pada tahun 2007. Distribusi Generalized Exponential tersebut merupakan hasil transformasi generalized dari distribusi Exponential. Skripsi ini menjelaskan distribusi Generalized Exponential Marshall Olkin yang merupakan hasil dari perluasan distribusi Generalized Exponential menggunakan metode Marshall Olkin. Distribusi Generalized Exponential Marshall Olkin lebih fleksibel dari distribusi sebelumnya terutama pada fungsi hazardnya yang memiliki berbagai bentuk, baik monoton (naik atau turun) maupun non monoton (bathub atau upside down bathup) sehingga dapat memodelkan data survival dengan lebih baik. Sifat fleksibelitas ini disebabkan karena penambahan parameter baru ke dalam distribusi Generalized Exponential. Selanjutnya dijelaskan beberapa karakteristik dari distribusi Generalized Exponential Marshall Olkin antara lain fungsi kepadatan peluang (fkp), fungsi distribusi kumulatif, fungsi survival, fungsi hazard, momen ke-n, mean, dan variansi. Penaksiran parameter dilakukan dengan metode maximum likelihood. Pada bagian aplikasi ditunjukkan data survival yang berasal dari data Aarset (1987) berdistribusi Generalized Exponential Marshall Olkin. Selanjutnya distribusi Generalized Exponential Marshall Olkin dibandingkan dengan distribusi Alpha Power Weibull untuk mencari distribusi mana yang lebih cocok dalam memodelkan data Aarset (1987). Dengan menggunakan AIC dan BIC distribusi Generalized Exponential Marshall Olkin lebih cocok dalam memodelkan data Aarset (1987).

---

Generalized Exponential distribution was introduced by Rameshwar D. Gupta and Debasis Kundu in 2007. Generalized Exponential distribution was generated by generalized transformation of the Exponential distribution. This thesis explained the Generalized Exponential Marshall-Olkin distribution which is the result of the expansion of the Generalized Exponential distribution using the Marshall-Olkin method. The Generalized Exponential Marshall Olkin distribution has a more flexible form than the previous distribution, especially in its hazard function which has various forms that it can represent survival data better. The flexibility characteristic is due to the addition of new parameters to the Generalized Exponential distribution. Futhermore, some characteristics of the Generalized Exponential Marshall Olkin distribution was explained such as, the probability density function (PDF), cumulative distribution function, survival function, hazard function, moment, mean, and variance. Parameter estimation was conducted by using the maximum likelihood method. In the application section was shown survival data from Aarset data (1987) which distributed Generalized Exponential Marshall-Olkin distribution. Futhermore, Generalized Exponential Marshall Olkin distribution was compared with Alpha Power Weibull distribution to decided the prominent distribution in modeling Aarset data (1987). Using AIC and BIC, Generalized Exponential Marshall Olkin distribution more suitable in modeling Aarset data (1987)."

"Satu parameter distribusi Lindley (𝜃) telah banyak digunakan di berbagai bidang seperti Biologi, teknik, medis, dan industri. Distribusi Lindley mampu memodelkan data dengan tingkat bahaya monoton yang meningkat. Namun, dalam kehidupan nyata, ada situasi di mana tingkat bahaya bukan monoton. Oleh karena itu, untuk meningkatkan kemampuan distribusi Lindley untuk pemodelan data, suatu modifikasi dapat digunakan dengan menggunakan metode transformasi Alpha Power. Hasil dari modifikasi distribusi Lindley biasa disebut distribusi Alpha Power Transformed Lindley (APTL) yang memiliki dua parameter (𝛼, 𝜃). Distribusi APTL baru ini sesuai dalam memodelkan data dengan bentuk pdf menurun atau unimodal dan meningkatkan, mengurangi, dan bak terbalik berbentuk tingkat bahaya. Berbagai sifat dari distribusi yang diusulkan dibahas termasuk kepadatan probabilitas fungsi, fungsi distribusi kumulatif, fungsi survival, fungsi tingkat bahaya, fungsi momen, dan momen r.Parameter model diperoleh dengan menggunakan metode kemungkinan maksimum. Data waktu tunggu digunakan "sebagai ilustrasi untuk menggambarkan kegunaan distribusi APTL"Satu parameter distribusi Lindley (𝜃) telah banyak digunakan di berbagai bidang seperti Biologi, teknik, medis, dan industri. Distribusi Lindley mampu memodelkan data dengan tingkat bahaya monoton yang meningkat. Namun, dalam kehidupan nyata, ada situasi di mana tingkat bahaya bukan monoton. Oleh karena itu, untuk meningkatkan kemampuan distribusi Lindley untuk pemodelan data, suatu modifikasi dapat digunakan dengan menggunakan metode transformasi Alpha Power. Hasil dari modifikasi distribusi Lindley biasa disebut distribusi Alpha Power Transformed Lindley (APTL) yang memiliki dua parameter (𝛼, 𝜃). Distribusi APTL baru ini sesuai dalam memodelkan data dengan bentuk pdf menurun atau unimodal dan meningkatkan, mengurangi, dan bak terbalik berbentuk tingkat bahaya. Berbagai sifat dari distribusi yang diusulkan dibahas termasuk kepadatan probabilitas fungsi, fungsi distribusi kumulatif, fungsi survival, fungsi tingkat bahaya, fungsi momen, dan momen r.Parameter model diperoleh dengan menggunakan metode kemungkinan maksimum. Data waktu tunggu digunakan " sebagai ilustrasi untuk menggambarkan kegunaan distribusi APTL. Satu parameter distribusi Lindley (𝜃) telah banyak digunakan di berbagai bidang seperti Biologi, teknik, medis, dan industri. Distribusi Lindley mampu memodelkan data dengan tingkat bahaya monoton yang meningkat. Namun, dalam kehidupan nyata, ada situasi di mana tingkat bahaya bukan monoton. Oleh karena itu, untuk meningkatkan kemampuan distribusi Lindley untuk pemodelan data, suatu modifikasi dapat digunakan dengan menggunakan metode transformasi Alpha Power. Hasil dari modifikasi distribusi Lindley biasa disebut distribusi Alpha Power Transformed Lindley (APTL) yang memiliki dua parameter (𝛼, 𝜃). Distribusi APTL baru ini sesuai dalam memodelkan data dengan bentuk pdf menurun atau unimodal dan meningkatkan, mengurangi, dan bak terbalik berbentuk tingkat bahaya. Berbagai sifat dari distribusi yang diusulkan dibahas termasuk kepadatan probabilitas fungsi, fungsi distribusi kumulatif, fungsi survival, fungsi tingkat bahaya, fungsi momen, dan momen r.Parameter model diperoleh dengan menggunakan metode kemungkinan maksimum. Data waktu tunggu digunakan sebagai ilustrasi untuk menggambarkan kegunaan distribusi APTL.

---

One Lindley distribution parameter (𝜃) has been widely used in fields such as Biology, engineering, medical, and industry. The Lindley distribution is able to model data with an increased level of monotonous danger. However, in real life, there are situations where the level of danger Therefore, to improve Lindleys distribution capabilities for data modeling, a modification can be used using the Alpha Power transformation method. The results of the Lindley distribution modification are commonly called the Alpha Power Transformed Lindley distribution (APTL) which has two parameters (𝛼 , 𝜃) This new APTL distribution is suitable for modeling pdf data in a declining or unimodal form and increasing, reducing, and inverted body in the form of hazard level.The various properties of the proposed distribution are discussed including probability density functions, cumulative distribution functions, survival functions, functions danger level, moment function, and moment r. Parameter model is obtained uh using the maximum likelihood method. Wait time data is used as an illustration to illustrate the usefulness of the APTL distribution. One Lindley distribution parameter (𝜃) has been widely used in fields such as Biology, engineering, medical, and industry. Distribution Lindley is capable modeling data with an increased level of monotonous danger. However, in real life, there are situations where the level of danger is not monotonous. Therefore, to improve Lindleys distribution capabilities for data modeling, a modification can be used using the Alpha Power transformation method. The result of the modification of the Lindley distribution is called the Alpha Power Transformed Lindley (APTL) distribution which has two parameters (𝛼, 𝜃). This new APTL distribution is suitable in modeling data in pdf format in a declining or unimodal form and increasing, reducing, and inverted like a hazard level. Various properties of the proposed distribution are discussed including the probability density function, cumulative distribution function, survival function, hazard level function, moment function, and moment r. Parameter models are obtained using the maximum likelihood method. The waiting time data is used as an illustration to illustrate the usefulness of the APTL distribution. One Lindley distribution parameter (𝜃) has been widely used in fields such as Biology, engineering, medical, and industry. The Lindley distribution is able to model data with an increased level of monotonous danger. However, in real life, there are situations where the level of danger is not monotonous. Therefore, to improve Lindleys distribution capabilities for data modeling, a modification can be used using the Alpha Power transformation method. The result of the modification of the Lindley distribution is called the Alpha Power Transformed Lindley (APTL) distribution which has two parameters (𝛼, 𝜃). This new APTL distribution is suitable in modeling data in pdf format in a declining or unimodal form and increasing, reducing, and inverted like a hazard level. Various properties of the proposed distribution are discussed including the probability density function, cumulative distribution function, survival function, hazard level function, moment function, and moment r. Parameter models are obtained using the maximum likelihood method. Wait time data is used as an illustration to illustrate the usefulness of the APTL distribution. "

"Distribusi Weibull-Poisson merupakan distribusi kontinu yang dapat memodelkan beberapa macam bentuk hazard yaitu monoton naik, monoton turun dan increasing upside-down bathtub shape yang mempunyai bentuk bathtub shape terbalik dan monoton naik. Distribusi ini merupakan suatu distribusi lifetime yang dapat memodelkan kegagalan dalam suatu sistem seri dan merupakan pengembangan dari distribusi EksponensialPoisson. Distribusi ini diperoleh dengan melakukan metode compounding terhadap distribusi Weibull dan distribusi ZT-Poisson. Untuk mendapatkan bentuk akhir dari distribusi tersebut digunakan beberapa sifat matematis seperti order statistik dan ekspansi deret taylor. Selain pembentukan distribusi Weibull-Poisson, skripsi ini menjelaskan fungsi kepadatan peluang, fungsi distribusi, momen ke-r, momen sentral ke-r, mean, dan variansi. Sebagai ilustrasi, dibahas pula aplikasi distribusi Weibull-Poisson pada data survival marmut setelah terinfeksi virus Turblece Bacilli.

---

The Weibull-Poisson distribution is a continuous distribution that can be modeled various forms of hazard namely monotone up, monotone down and upside-down down bathtub shape which is shaped up. This distribution is a lifetime-distribution that can model failures in a series system and is development of the Exponential-Poisson distribution. This distribution is obtained by perform the compounding method on the Weibull distribution and the ZT-Poisson distribution. To obtain the final form of the distribution, several mathematical properties are used such as statistical order and Taylor's number expansion. In addition to the formation of Weibull-Poisson distribution, this thesis includes the probability density function, distribution function, moment rth, rth central moment, mean, and variance. As an illustration, Weibull-Poisson distribution is applied on guinea pig survival data after being infected with Turblece virus Bacilli."

"

Pada sistem reliabilitas atau sistem ketahanan suatu objek penelitian dikenal prinsip sistem seri dimana dari sekumpulan kejadian yang mungkin merupakan penyebab kegagalan pada akhirnya hanya akan ada satu kejadian yang secara nyata berhasil menyebabkan kegagalan pada sebuah sistem. Dalam kehidupan nyata, pada sistem seri, antar kejadian seolah saling berkompetisi untuk dapat menyebabkan kegagalan sistem. Aplikasi sistem seri banyak diimplementasikan pada kasus di bidang medis dan bidang teknik. Oleh karena itu, sebelumnya telah dibangun beberapa distribusi hasil compounding distribusi lifetime yang dapat memodelkan data pada sebuah sistem seri. Namun kelemahannya adalah distribusi-distribusi tersebut tidak dapat memodelkan data dengan fungsi hazard bathtub. Bentuk hazard bathtub sering ditemukan dalam berbagai permasalahan di kehidupan nyata khususnya masalah mortalitas pada manusia. Oleh karena itu dibutuhkan distribusi yang dapat memodelkan data pada sebuah sistem seri dan dapat menganalisis data dengan fungsi hazard bathtub. Distribusi Weibull Lindley merupakan distribusi hasil compounding antara distribusi Weibull dan distribusi Lindley yang dapat memodelkan kegagalan pada sebuah sistem seri dimana objek penelitian dapat mengalami kegagalan disebabkan oleh 2 kemungkinan kejadian dan dapat menganalisis data dengan bentuk hazard naik, turun dan bathtub. Penulisan skripsi ini membahas tentang proses pembentukan distribusi Weibull Lindley, karakteristik dari distribusi Weibull Lindley dan penaksiran parameter dengan metode maximum likelihood. Selain itu, dibahas pula aplikasi distribusi Weibull Lindley pada data masa fungsional mesin yang terdiri dari 2 komponen.

 

---

In reliability systems there are known two types of systems namely series systems and parallel systems. In the series system, failure will occur if any of the possible event happens. Applications of the series system analysis also varies from inspecting the durability of manufactured products to examining diseases in human. Therefore, several distributions have been introduced to model failure data in series system. However, these distributions cannot model data with bathtub shaped hazard function even though it is the one mostly found in real life situation. As a result, distribution which can model lifetime data in series system with bathtub-shaped hazard function has to be developed. Weibull Lindley distribution, which was introduced by Asgharzadeh et al. (2016), is developed to solve the problem. Weibull Lindley distribution describes lifetime data of an object that can experience failure caused by 2 possible events. It can model data with increasing, decreasing and bathtub shaped hazard function. This paper discusses the process of forming the Weibull Lindley distribution, its properties and parameter estimation using the maximum likelihood method. In addition, the application of Weibull Lindley distribution in lifetime data of machine consists of two independent component paired in series also be discussed.

 

"

"ABSTRACTOverdispersi sering kali menjadi kendala dalam memodelkan count data dikarenakan distribusi Poisson yang sering digunakan untuk memodelkan count data tidak dapat menanggulangi data overdispersi. Telah diperkenalkan beberapa distribusi yang dapat digunakan sebagai alternatif dari distribusi Poisson dalam menanggulangi overdispersi pada data. Namun, distribusi yang ditawarkan tesebut memiliki kompleksitas yang lebih tinggi dibanding distribusi Poisson dalam hal jumlah parameter yang digunakan. Untuk itu, ditawarkan distribusi baru yang memiliki sebaran mirip dengan distribusi Poisson, yaitu distribusi Lindley. Namun, distribusi Lindley merupakan distribusi kontinu sehingga tidak dapat digunakan untuk memodelkan count data. Oleh karena itu, dilakukan diskritisasi pada distribusi Lindley menggunakan metode yang mempertahankan fungsi survival dari distribusi Lindley. Distribusi hasil dari diskritisasi distribusi Lindley tersebut memiliki satu parameter dan dapat digunakan untuk memodelkan data overdispersi sehingga cocok digunakan sebagai alternatif dari distribusi Poisson dalam memodelkan count data yang overdispersi. Distribusi hasil dari diskritisasi distribusi Lindley tersebut biasa disebut distribusi Discrete Lindley. Dalam penulisan ini diperoleh karakteristik dari distribusi Discrete Lindley yang unimodal, menceng kanan, memiliki kelancipan yang tinggi, dan overdispersi. Berdasarkan simulasi numerik, diperoleh pula karakteristik dari parameter distribusi Discrete Lindley yang memiliki bias dan MSE besar pada sekitaran nilai parameter exp(-1).

---

ABSTRACTOverdispersion often being a problem in modeling count data because the Poisson distribution that is often used to modeling count data cannot conquer the overdispersion data. Several distributions have been introduced to be used as an alternative to the Poisson distribution on conquering dispersion in data. However, that alternative distribution has higher complexity than Poisson distribution in the number of parameters used. Therefore, a new distribution with similar distribution to Poisson is offered, that is Lindley distribution. Lindley distribution is a continuous distribution, then it cannot be used to modeling count data. Hence, discretization on Lindley distribution should be done using a method that maintain the survival function of Lindley distribution. Result distribution from discretization on Lindley distribution has one parameter and can be used to modeling overdispersion data so that distribution is appropriate to be used as an alternative to Poisson distribution in modeling overdispersed count data. The result distribution of Lindley distribution discretization is commonly called Discrete Lindley distribution. In this paper, characteristics of Discrete Lindley distribution that are obtained are unimodal, right skew, high fluidity and overdispersion. Based on numerical simulation, another charasteristic of parameter is also obtained from Discrete Lindley distribution that has a large bias and MSE when parameter value around exp(-1)."

"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."

"Tugas akhir ini membahas mengenai distribusi invers gaussian yang merupakan distribusi probabilitas kontinu yang dapat mengatasi masalah kemencengan dan long-tail. Pembahasan meliputi fungsi kepadatan probabilitas, fungsi distribusi, fungsi survival, fungsi hazard, serta membentuk fungsi pembangkit momen. Kemudian, dicari bentuk mode, mean, variansi, kemencengan, dan kurtosis distribusi invers gaussian. Terakhir, dicari taksiran parameter dan distribusi dari taksiran parameter menggunakan MLE. Data Jug Bridge mengenai drainase digunakan sebagai ilustrasi.

---

This paper discusses about Inverse Gaussian Distribution, the continued probability distribution which can solve skew and long tail problem. At first, we study about probability density function, cumulative distribution function, survival function, hazard function, and form moment generating function. Then, we seek mode, mean, variance, skewness, and kurtosis of inverse gaussian distribution. Finally, we try to discover parameter estimation and distribution of parameter estimation using MLE. Jugde Bridge data about drianage will be used as illustration."

"ABSTRAKCount data tidak selalu bersifat ekuidispersi. Sehingga, distribusi Poisson tidak dapat digunakan untuk memodelkan count data tersebut. Beberapa distribusi alternatif dari distribusi Poisson telah dikenalkan untuk memodelkan data overdispersi. Namun, distribusi tersebut memiliki kompleksitas yang lebih tinggi dalam jumlah parameter distribusi. Perlu dilakukan modifikasi pada distribusi Poisson agar distribusi yang terbentuk bisa merepresentasikan data overdispersi. Salah satu caranya yaitu dengan melakukan pencampuran distribusi antara distribusi Poisson dengan distribusi Lindley. Distribusi yang terbentuk yaitu distribusi Poisson-Lindley. Namun, distribusi Poisson-Lindley belum dapat mengatasi data underdispersi. Selain itu terdapat data asli yang tidak memiliki observasi bernilai nol. Dengan demikian, untuk mendapatkan distribusi yang lebih fleksibel agar lebih cocok dengan count data tersebut, perlu dilakukan modifikasi pada distribusi Poisson-Lindley dengan menerapkan metode zero-truncated. Distribusi baru yang terbentuk yaitu distribusi Zero-truncated Poisson-Lindley. Distribusi baru tersebut dapat mengatasi data yang tidak memiliki observasi bernilai nol dalam kondisi overdispersi maupun underdispersi. Dalam skripsi ini, didapat karakteristik dari distribusi Zero truncated Poisson-Lindley dan penaksiran parameter distribusi menggunakan metode maximum likelihood.

---

ABSTRACT

Not every count data has equal-dispersion. As a result, Poisson distribution is no longer appropriate to be used for count data modelling. Several distributions have been introduced to be used as an alternative to Poisson distribution on handling the over-dispersion in data. In general, the alternative distributions have higher complexity in the number of parameters. Modification needs to be done in Poisson distribution so that the distribution can represent the condition of the over-dispersion in data. By doing mixing Poisson and Lindley distribution, a new distribution called Poisson-Lindley is developed. However, Poisson-Lindley distribution cannot handle data that exhibits under-dispersion. On the other hand, there is real data that has no zero-count. Therefore, in order to obtain a more flexible distribution to fit count data that has no zero count, a modification needs to be done in Poisson Lindley distribution by applying a zero truncated method in Poisson-Lindley distribution. The newly formed distribution is named Zero-truncated Poisson Lindley distribution. It can handle the condition when the data has no zero-count both in over-dispersion and under-dispersion. In this paper, characteristics of Zero truncated Poisson Lindley distribution are obtained and estimate distribution parameters using the maximum likelihood method."