Hasil Pencarian  ::  Simpan CSV :: Kembali

"Distribusi posterior adalah distribusi dari parameter dengan informasi lainnya telah diketahui. Distribusi posterior dari seluruh parameter pada model dibutuhkan untuk menaksir parameter dengan pendekatan Bayesian melalui Gibbs sampling. Gabungan dari model small area tingkat unit dan model kesalahan pengukuran dapat diselesaikan menggunakan pendekatan Bayesian. Terdapat delapan parameter pada model tersebut yang akan diperoleh distribusi posteriornya. Dalam memperoleh distribusi posterior, kesalahan dapat terjadi pada penentuan fungsi likelihood dan prior jika semua parameter lain digunakan dalam perhitungan. Sifat d-separation pada Bayesian network digunakan untuk mereduksi parameter-parameter yang tidak dibutuhkan untuk memperoleh suatu distribusi posterior. Langkah selanjutnya adalah menggunakan teorema Bayes dengan parameter yang telah tereduksi. Berdasarkan hasil teorema Bayes, dilakukan manipulasi aljabar sedemikian sehingga p.d.f. dari distribusi posterior parameter tersebut sama atau sebanding dengan p.d.f. dari suatu distribusi.

---

Posterior distribution is a distribution of a parameter with other informations are knowns. Posterior distribution of all parameter in model are required to parameter estimation by Bayesian approach with Gibbs sampling. The conjugation of small area unit level model and measurement error model could be solved by Bayesian approach. There are eight parameters in the model that each posterior distribution will be obtained. In approach of obtaining posterior distribution, fallacy of likelihood function and prior selection might occur if all parameter are included. D separation property in Bayesian network is used to reduce unnecessary parameters in obtaining the posterior distribution. In the next step, Bayes rsquo theorem is used on reduced parameters. Based on Bayes rsquo theorem result, aljabar manipulation is used such that posterior probability density function p.d.f. is same or proportional to a well known p.d.f."

"Distribusi posterior adalah distribusi dari parameter dengan informasi lainnya telah diketahui. Distribusi posterior dari seluruh parameter pada model dibutuhkan untuk menaksir parameter dengan pendekatan Bayesian melalui Gibbs sampling. Gabungan dari model small area tingkat unit dan model kesalahan pengukuran dapat diselesaikan menggunakan pendekatan Bayesian. Terdapat delapan parameter (𝜃𝑖,𝑥𝑖,𝒃,𝜇𝑥,𝜎𝑒2,𝜎𝑢2,𝜎𝜂2 dan 𝜎𝑥2) pada model tersebut yang akan diperoleh distribusi posteriornya. Dalam memperoleh distribusi posterior, kesalahan dapat terjadi pada penentuan fungsi likelihood dan prior jika semua parameter lain digunakan dalam perhitungan. Sifat d-separation pada Bayesian network digunakan untuk mereduksi parameter-parameter yang tidak dibutuhkan untuk memperoleh suatu distribusi posterior. Langkah selanjutnya adalah menggunakan teorema Bayes dengan parameter yang telah tereduksi. Berdasarkan hasil teorema Bayes, dilakukan manipulasi aljabar sedemikian sehingga p.d.f. dari distribusi posterior parameter tersebut sama atau sebanding dengan p.d.f. dari suatu distribusi.

---

Posterior distribution is a distribution of a parameter with other informations are knowns. Posterior distribution of all parameter in model are required to parameter estimation by Bayesian approach with Gibbs sampling. The conjugation of small area unit level model and measurement error model could be solved by Bayesian approach. There are eight parameters (𝜃𝑖,𝑥𝑖,𝒃,𝜇𝑥,𝜎𝑒2,𝜎𝑢2,𝜎𝜂2 and 𝜎𝑥2) in the model that each posterior distribution will be obtained. In approach of obtaining posterior distribution, fallacy of likelihood function and prior selection might occur if all parameter are included. D-separation property in Bayesian network is used to reduce unnecessary parameters in obtaining the posterior distribution. In the next step, Bayes' theorem is used on reduced parameters. Based on Bayes' theorem result, aljabar manipulation is used such that posterior probability density function (p.d.f.) is same or proportional to a well-known p.d.f"

"ABSTRAKDalam tesis ini, dibahas suatu pembangkit trafik yang digunakan untuk membangkitkan variable bit rate (VBR) trafik. Model yang digunakan untuk VBR trafik ini adalah voice VBR traffic. Sinyal suara dikodekan dalam bentuk variable bit rate. Jumlah sel yang dibangkitkan tergantung dari durasi waktu pembicaraan, durasi waktu jeda dan nilai inter-cell time T yang digunakan. Unjuk kerja pembangkit trafik dievaluasi dengan menggunakan model antrian 2-state MMPP/M/1/K. Batasan nilai waktu jeda dikendalikan untuk menghindari terjadinya loncatan waktu tunda dan peningkatan peluang kehilangan sel karena semakin banyaknya sel yang antri. Unjuk kerja waktu tunda jaringan dipengaruhi oleh durasi waktu pembicaraan, durasi waktu jeda dan inter-cell time T.Parameter yang dihasilkan oleh pembangkit trafik ini digunakan untuk proses analisis model antrian. Probabilitas tiap state pada setiap model antrian merupakan faktor penentu dalam menghitung peluang kehilangan sel, jumlah sel yang antri , utilisasi dan waktu tunda. Dalam proses perhitungan probabilitas, diagram state model antrian dibuat untuk menentukan susunan matrix transisi dan matrik laju kedatangan yang merupakan ciri utama dari distribusi MMPP. Matrix transisi dan matrik laju kedatangan akan mudah diperoleh bila konsep penggabungan kedua matrix ini yang tercakup dalam matrix Q diketahui.Proses superposisi dianalisa dengan menggunakan model antrian 2-state MMPP/MI1IK untuk sumber tunggal dan model antrian 3-state MMPPIM111K untuk sumber ganda. Kualitas layanan VBR voice yang dibahas hanya peluang kehilangan sel pada setiap model antrian.Hasil yang diperoleh adalah perbaikan unjuk kerja pembangkit trafik dengan merubah nilai parameter waktu antar kedatangan sel (inter-cell lime) T menjadi 9 ms sehingga hasilnya mendekati nilai puncak 32 kbps. Dampak perluasan matrik Q sebagai penampung trafik yang disuperposisikan menyebabkan meningkatnya jumlah sel dalam antrian dan peluang kehilangan set. Perbaikan unjuk kerja jaringan diperoleh dengan melakukan penyempumaan melalui re-konfigurasi kapasitas jaringan.

---

ABSTRACT

This thesis describes a traffic generator that will be used to generate a variable bit rate (VBR) traffic. Traffic model analyzed is VBR voice traffic. Voice signal is coded into a variable bit rate. The cell generating process depends on talk spurt period, silence period and a fixed inter-cell time. A queue model is used to evaluate the performance of traffic generator.

The limitation of the talk spurt period and the silence period is controlled to prevent the spike delay and the cell loss due to many cell waiting in the queue. The time delay performance of the network depends on the value of the talk spurt period, and the silence period and the inter-cell time T.

Parameters generated from the traffic generator are used for the analytical process in the queue model. State probability in the queue model is a dominant factor to describe the value of cell loss probability, the number of cell waiting in the queue, network utilization and the time delay. To find the state probability, a state diagram model should be found first according to a compose transition matrix and arrival matrix. Transition matrix and the arrival matrix are easy to find when the composed Q matrix is known.

Superposition process is analyzed using single VBR voice and two VBR voice source for a 3-state MMPP/M1/K queue model. The quality of the VBR voice traffic considers only the cell loss probability on each queue model.

The results of this thesis are as follows;

-Improvement of traffic generator is obtained by changing a certain value of the inter-cell time T to obtain a peak rate of 32 kbps.

-The impact of expansion Q matrix is investigated to support superposition process. If the number of cell waiting in the queue increase then the cell loss probability increases. Improvement on the network performance is achieved by re-configure network capacity."

"Parameter-parameter pengeringan sangatlah berpengaruh dalam proses spray drying, dalam hal ini adalah konsumsi energi. Adapun parameter-parameter yang berpengaruh dalam hal ini adalah Tekanan Udara (Pressure), Suhu (Temperature), dan Kecepatan (Velocity).Yang saya ambil dalam hal ini adalah tekanan udara yang keluar dari nozzle pneumatik sebesar 3 bar.Dianalisa berdasarkan teori-teori energi yang ada dan dioptomasikan sampai mencapai konsumsi energi yang minimum.Bagaimana mencapai optimasi energi yang optimum, hal ini lah yang membuat menarik dalam thesis ini dengan sasaran setingan pressure pada nozzle yang pas dalam sistem mesin pengering semprot (spray drying).Variasi temperature yang pas serta variasi kecepatan semprot yang pas dengan tekanan udara nozzle yang konstan menjadi pilihan dalam setingan mesin pengering semprot.Semoga thesis ini dapat membawa pencerahan dan kemajuan dalam bidang spray drying pada khususnya dan dalam mata kuliah perpindahan panas pada umumnya serta bermanfaat bagi dunia akademisi.

---

Drying parameter very important to support in spray drying process.In this topic in energy consumption. That parameter is Pressure, Velocity and Temperature.In this topic, pressure is choice in pneumatic nozzle 3 bar. Anality with energy-energy theory and optimation to get low energy consumption.How to get low energy consumption, this words is very fun in this thesis with direction in pressure setting in pneumatic nozzle with best number is 3 barin spray drying machine.Temperature variation with best fit and velocity variation in spray drying also best pressure fit is choice. Hope this thesis can get light and good idea in spray drying and heat transfer in academic world."