Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKItem response theory atau yang sering disingkat sebagai IRT memberikan estimasi kemampuan peserta yang lebih tepat jika dibandingkan dengan classical test theory. Estimasi yang dihasilkan pada IRT bergantung pada ketepatan model yang digunakan. Pemilihan model IRT dapat dilakukan setelah didapatkan hasil confirmatory factor analysis dengan melihat nilai model fit. Model dengan nilai good fit yang lebih baik akan menjadi model yangterpilih. Pemilihan model fit dengan langkah ini disebut sebagai pemilihan model melalui data empirik. Pemilihan model dan struktur dapat dibantu dengan melihat nature dari sebuah tes. Seperti pada tes seleksi dengan bentuk pilihan maka model IRT yang tepat digunakan untuk mengestimasi adalah model 3 parameter logistik. Kesalahan dalam memilih struktur dan model IRT terkadang tidak dapat dihindari karena ketidaktahuan peneliti. Diantara estimator yang ada dalam IRT terdapat satu estimator yang dikenal memiliki robust standar error atau dapat menghasilkan standar eror yang kecil jikadigunakan pada model IRT yang tidak tepat. Estimator ini dinamakan maximum likelihood with robust standard errors. Memperkecil standar eror berarti memperkecil ketidakakuratan estimasi yang disebabkan oleh kesalahan pemilihan model. Keakuratan MLR akan disandingkan dengan maximum likelihood estimator dalam mengestimasi. MLE dikenal dengan propertinya yang asimptotik jika digunakan pada sampel besar. Hasil yang didapatmemperlihatkan bahwa MLR dapat menghasilkan akurasi yang lebih baik pada model dengan sampel kecil sedangkan pada sampel besar MLE dan MLR memberikan hasil yang tidak berbeda.

---

ABSTRACTItem response theory gives more acurrate estimates of latent trait compared to classical test theory. These estimates are independent to any sample and test. But the result of estimates are depend on which model is used. That is why the selection of model in IRT is very important. The wrong model will cause the estimates inflate or underrated. Before a data can be calculated with IRT model we need to check the appropriate model and structure first. To know what structure will be used we first check the data using confirmatory factor analysis. The result will show which structure fits the data more, is it first order or second order data. To select the IRT model we do a fit of model testing. This is a trial and error step. Usually in fit model testing we propose more than one model to be tested. As not all models can be included for being tested, there are the chance for using a wrong model. Using a wrong structure and model sometimes can not be helped. In IRT there are estimator named maximum likelihood with robust standard error which is specialized to estimateparameters when the model is wrong. This can be done because of MLR is using Huber Sandwich method as estimator. In this research MLR is being compared to MLE to estimate a second order data which is treated as first order data. The error is being accompanied with IRT model variations (1-PL, 2-PL, and 3-PL) and three samples variations (350, 500, and 2000). As 2 x 3 x 3 combination models, we will have 18 models in result. The results showing that MLR produces smaller standard. But MLE is quite good too when the samplebeing used is as big as 2000"

"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."

"Asumsi kestasioneran merupakan asumsi yang harus dipenuhi pada sebagian besar teori ekonometri. Pada kenyataannya, hal ini hampir tidak terpenuhi untuk variabel-variabel ekonomi. Granger dan Newbold (1974) menunjukkan bahwa regresi yang dibentuk oleh variabel-variabel nonstasioner yang tidak berkorelasi akan menciptakan spurious regression (regresi palsu). Pada tahun 1987, Engle dan Granger merumuskan suatu ide untuk membuat kombinasi linier yang stasioner dari variabel-variabel nonstasioner yang disebut kointegrasi. Dalam ekonometrika, variabel-variabel yang terkointegrasi dikatakan berada dalam kondisi keseimbangan jangka panjang (long run equilibrium). Pengujian kointegrasi untuk kasus bivariat dapat dilakukan dengan menggunakan metode Engle - Granger, sedangkan penaksiran parameternya dapat dilakukan dengan metode Engle - Granger two step procedurre. Walaupun metode Engle - Granger mudah diterapkan, akan tetapi mempunyai beberapa kelemahan apabila diterapkan pada kasus kointegrasi mutivariat. Johansen (1988) merumuskan suatu metode pengujian kointegrasi untuk kasus multivariat yang disebut sebagai Johansen Cointegration Test. Pengujian kointegrasi Johansen mampu mendeteksi secara langsung ada berapa hubungan kointegrasi yang terbentuk dari n variabel yang diuji,. Sedangkan untuk penaksiran parameternya digunakan metode Johansen Maximum Likelihood. Dalam tugas akhir ini, hubungan kointegrasi multivariat diterapkan pada nilai Produk Domestik Bruto (PDB), ekspor dan Investasi di Indonesia pada tahun 1970-2007."

"Tugas akhir ini membahas mengenai penggunaan metode Maksimum Likelihood (ML) dan Bayes dalam penaksiran parameter shape 𝛽 pada distribusi Kumaraswamy. Kedua metode tersebut akan dibandingkan berdasarkan Mean Square Error (MSE) yang diperoleh dari masing-masing taksiran. Pada metode Bayes digunakan dua fungsi Loss yaitu Square Error Loss Function (SELF) dan Precautionary Loss Function (PLF). Selanjutnya, akan dibandingkan Resiko Posterior yang diperoleh dari kedua fungsi loss tersebut. Hasil yang diperoleh dari perbandingan tersebut diterapkan pada data hidrologi sebagai rekomendasi metode terbaik yang dapat menggambarkan data tersebut.

---

This paper disscusses about Maximum Likelihood (ML) and Bayes method in estimating the shape β parameter in Kumaraswamy distribution. Both of the methods will be compared according to Mean Square Error (MSE) obtained from each estimator. At Bayes method, it will be used two Loss functions, those are Square Error Loss Function (SELF) and Precautionary Loss Function (PLF). Then, Posterior Risk obtained from both of loss functions will be compared. The comparison will be applied to hydrological data as a recommendation for the best method in representating the data."

"Paula Iulisarz ini melode eslimatar lcesalahan yang dilcembanglcan olell Zienkiewiczdan Zhu direraplran unrulc analisis lzesalalum problem siafik pela! lenrur elemen DKMTMerodc ini mempunyai keunggulan karena kesederlzanaannya, akurasinyu. Meloda iniberbrlsixkan pcmulilzan gaya di dalam solusi elemen lzingga dari non-konlinu menjadfkonlinu dengan metode proyelcsi gaya. Reliabiliras dan lcualilas estimator kesalahan inilelula Ierbulcli memberikan hasil yang baik zmruk problem 2D maupun 3D pada elemen-clemen linier, kuadralik dan kubilc Selain itu estimator lresalaharz Z0 ini memberilcanevaluasf yur: bail: untuk norma energi secara global (sfruklur) maupun pada Iinglcarelemen .velzingga alum tercapai diskritisasi yang optimal.Pada mlisan ini dilakukan perbandingan cmrara penghalusan seragam (uniformrefinemeny dan penghalusan adaptlf (adaptive refinemeng untuk memperliharlran peranmzeslimalor kesalalzan terhadap lqju konvergensi didalam memgu solusi elcsak dari seriappersoalan pelar lentur. _Kata kunci : Metode elemen hingga, pelat, estimator kesalahan, estimasi kesalahan"

"Analisis regresi adalah sebuah teknik dalam statistika untuk menyelidiki dan memodelkan hubungan antara variabel respon dan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam penaksiran parameter regresi, banyak permasalahan yang muncul, salah satunya adalah multikolinieritas. Penaksiran dengan menggunakan metode OLS dalam kasus multikolinieritas menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain guna mengatasi permasalahan ini. Metode yang diperkenalkan dapat mengatasi multikolinieritas diantaranya yaitu metode ridge, metode Liu, dan metode GRR. Namun, ketiga metode ini menimbulkan permasalahan lain pada saat dilakukan penaksiran parameter, salah satunya ada pemilihan konstanta optimal yang sulit ditentukan dan nilai PRESS (Prediction Error Sum of Square) yang besar. Untuk itu, Liu dan Gao (2011) memperkenalkan taksiran linearized ridge regression (LRR) yang memiliki kelebihan dibandingkan ketiga metode sebelumnya yaitu pemilihan konstanta optimal yang mudah ditentukan dan juga nilai PRESS yang minimum diantara ketiga metode tersebut.

---

Regression analysis is a statistical technique for investigating and modeling the relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and give an estimator named least square estimator. In regression parameter estimation, there are many problems such as multicolinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this research will explain other methods which can solve this problem such as ridge method, Liu method, and GRR method. Unfortunately, these methods cause another problem when estimation parameter is done, such as hardly obtaining the optimal constants and the large value of PRESS (Prediction Error Sum of Squares). To solve this problems, Liu and Gao (2011) introduced Linearized Ridge Regression (LRR) estimator which has superiority amongs those prior methods which easily obtains the optimal contants and the minimum value of PRESS."

"Tugas akhir ini bertujuan mencari estimator parameter di small area, dimana small area adalah bagian dari suatu populasi yang terbatas. Metode yang digunakan untuk mencari estimator parameter di setiap small area adalah metode empirical Bayes. Di setiap small area diketahui direct survey estimator dan beberapa variabel prediktor. Dengan menggunakan metode empirical Bayes, informasi dari direct survey estimator dan variabel-variabel prediktor yang tersedia di setiap small area akan digunakan untuk membuat model Bayesian. Model Bayesian yang digunakan dalam pembahasan tugas akhir ini adalah model Fay-Herriot. Kata kunci: small area, direct survey estimator, probabilitas pemilihan sampel, ekspektasi dari probabilitas pemilihan sampel."

"Model pilihan diskrit adalah model yang digunakan untuk memodelkan pilihan. Model pilihan diskrit dapat diturunkan dari fungsi utilitas yang direpresentasikan dalam probabilitas pembuat keputusan memilih alternatif pilihan yang memberikan utilitas maksimum. Salah satu model pilihan diskrit adalah Model Mixed Logit. Model ini mengasumsikan koefisien dari variabel penjelasnya bersifat random yang dapat menggambarkan selera antar pembuat keputusan yang berbeda-beda dalam menentukan pilihan; dan komponen error berdistribusi Gumbel. Model Mixed Logit merupakan campuran antara Model Logit dan distribusi dari koefisien random variabel penjelas. Parameter yang akan ditaksir pada Model Mixed Logit adalah parameter dari distribusi koefisien random, seperti mean dan variansi. Penaksiran parameter Model Mixed Logit menggunakan metode Maximum Simulated Likelihood Estimator (MSLE) berdasarkan metode Halton Sequence. Setelah diperoleh taksiran parameter, selanjutnya probabilitas pembuat keputusan untuk masing-masing pilihan dihitung, sehingga diperoleh alternatif pilihan yang memaksimumkan utilitas pembuat keputusan.

---

A discrete choice model is a model that be used to modelling the choices. A discrete choice model can be derived from a utility function which represented in probability of decision maker chooses an alternative which give maximum utility. Mixed Logit model is one of these choice type models. Mixed Logit model assumes that random coefficient of variable which can capture different taste variation over decision makers; and error term is Gumbel distributed.

Mixed Logit model is a mixture between Logit model and distribution of random coefficient. Estimated parameter in Mixed Logit model is parameter of random coefficient distribution, i.e mean and variance. The method of parameter estimation of this model is Maximum Simulated Likelihood Estimator (MSLE) which based on Halton Sequence method. After estimator is obtained, then probability that decision maker for each alternative calculated, so that an alternative which maximize utility of decision maker is obtained."

"Penelitian ini mengajukan sebuah model adopsi teknologi chatbot dengan pendekatan teori elaboration likelihood model. Konstruk peripheral yang diuji antara lain visual attractiveness, language mastery, dan reputation. Sementara konstruk central yang diuji adalah information quality. Teori technology acceptance model (TAM) dijadikan referensi untuk pengembangan model yang tidak hanya mengevaluasi model secara fungsional seperti perceived ease-of-use dan perceived usefulness tetapi juga secara social seperti perceived sociability. Instrumen penelitian dikembangkan dalam bentuk survei yang disebarkan secara daring dimana responden akan diberikan waktu untuk berinteraksi dengan chatbot dan kemudian mengevaluasi pengalaman yang dirasakan. Uji hipotesis dilakukan dengan analisis data responden sejumlah 392 data dengan menggunakan metode CB-SEM. Ditemukan bahwa teori ELM dapat diterapkan dalam konteks adopsi teknologi chatbot. Rute peripheral (visual attractiveness, language mastery, dan reputation) memiliki korelasi positif terhadap perceived sociability. Rute central memiliki korelasi positif yang kuat terhadap perceived usefulness dan korelasi positif yang moderat terhadap perceived ease-of-use. Perceived sociability dan perceived usefulness ditemukan dapat memprediksi intensi pengguna untuk berinteraksi secara kuat. Sementara perceived ease-of-use tidak memiliki efek yang signifikan terhadap intensi pengguna untuk interaksi berkelanjutan. Penelitian ini menguatkan penelitian-penelitian sebelumnya yang menemukan bahwa chatbot tidak hanya butuh penerimaan secara fungsional, namun juga sosial. Dengan hasil ini, pengembang dapat mengetahui bagaimana prioritas yang harus disusun dalam pengembangan chatbot yang digunakan secara berkelanjutan oleh penggunanya.

---

This study proposes a model for the adoption of chatbot technology using the Elaboration Likelihood Model (ELM) theory. Peripheral constructs that are tested in this study include visual attractiveness, language mastery, and reputation, while the central construct includes information quality. Technology Acceptance Model (TAM) is used as a reference for the development of this research model that discusses not only functional acceptance, such as perceived ease of use and perceived usefulness but also social acceptance (perceived sociability). Research instrument developed in the form of a survey distributed to respondents and will be given time to interact with the chatbot and then evaluate their experience. Hypothesis testing is done by analyzing the data of respondents amounting to 392 data using the CB-SEM method. It was found that ELM theory can be applied in the context of the adoption of chatbot technology. Peripheral route (visual attractiveness, language mastery, and reputation) have positive interactions with perceived sociability. The central route, information quality, has a strong positive correlation on perceived ease of use and perceived usefulness. Perceived sociability and perceived usefulness are found to be a predicting factor for intention to use, while perceived ease of use does not have a correlation with the intention to use. This research support previous studies that found that for a chatbot to be adopted needs not only functional acceptance but also social acceptance. With this result, chatbots developers can understand how to design a chatbot that will be used by its users."

"Tugas akhir ini membahas tentang distribusi Kumaraswamy-geometrik yang merupakan distribusi probabilitas dari peubah acak diskrit yang dibangun dengan menggunakan metode Transformed-Transformer. Distribusi Kumaraswamy dapat membuat distribusi geometrik menjadi lebih fleksibel. Pembahasan meliputi fungsi distribusi, fungsi kepadatan probabilitas, perilaku limit, serta kasus khusus dari distribusi Kumaraswamy-geometrik. Karakteristik-karakteristik dari distribusi Kumaraswamy-geometrik yang meliputi modus, persentil, momen, fungsi pembangkit momen, dan fungsi pembangkit probabilitas juga akan dibahas pada tugas akhir ini. Selanjutnya, Metode Maksimum Likelihood digunakan dalam tugas akhir ini untuk mencari penaksir parameter dari distribusi Kumaraswamy-geometrik. Pada bagian akhir, akan digunakan data tentang jumlah klaim suatu asuransi kendaraan bermotor sebagai ilustrasi penggunaan distribusi Kumaraswamy-geometrik.

---

This paper discusses about Kumaraswamy geometric distribution, a distribution of discrete random variable which formed by Transformed Transformer method. Kumaraswamy distribution can cause geometric distribution to be more flexible. This paper studies about distribution function, probability density function, limiting behavior, and special cases of Kumaraswamy geometric distribution.

Some properties of Kumaraswamy geometric distribution such as mode, percentile, moments, moment generating function, and probability generating function are studied. Then, Maximum Likelihood method is used to estimate the parameters of Kumaraswamy geometric distribution. Finally, data about number of claims on a motor insurance is used to illustrate the use of Kumaraswamy geometric distribution."