Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPenaksiran parameter dalam model regresi memiliki dua pendekatan yaitu pendekatan regresi parametrik dan pendekatan regresi nonparametrik. Dalam regresi parametrik bentuk dari kurva hubungan antara variabel respon dan variabel prediktor sudah ditentukan berdasarkan plot data, sedangkan dalam regresi nonparametrik bentuk dari kurva tidak diketahui. Salah satu regresi nonparametrik yang dapat digunakan adalah regresi spline. Regresi spline adalah suatu piecewise polynomial yang dihubungkan oleh titik-titik bersama yang disebut dengan knot. Regresi spline yang menggunakan fungsi basis B Spline disebut dengan regresi B Spline. Pada umumnya estimasi parameter regresi B Spline dilakukan dengan menggunakan metode OLS Ordinary Least Square. Namun, dengan metode OLS akan menyebabkan plot taksiran kurva regresi menjadi fluktuatif apabila pemilihan jumlah knot terlalu banyak. Untuk itu diperlukan suatu tambahan kendala berupa penalty yang didalamnya mengandung smoothing parameter sehingga diperoleh taksiran ideal. Metode estimasi parameter ini dikenal dengan metode PLS Penalized Least Square . Metode PLS dengan penalty yang merupakan integral kuadrat derivatif kedua dari taksiran kurva disebut juga dengan metode o rsquo;sullivan penalized spline. Pada penerapan contoh data, didapat 23 buah knot dan smoothing parameter sebesar 0.68.

---

ABSTRACTParameter estimation of regression model has two approaches, that is parametric and nonparametric regression approach. In parametric regression, the shape of regression curve is determined based on scatterplot of dependent variable vs independent variable, whereas in the nonparametric regression, the shape of the curve is unknown. One of the nonparametric regression is spline regression. Spline regression is piecewise polynomials that connected by the knots. Spline regression using B Spline basis function is B Spline regression. In B spline regression, parameter estimation were fitted by OLS Ordinary Least Square method. However, the OLS method will lead the plot of estimated regression curve be fluctuative when using too much knots. Therefore, it needs additional constraint of penalty that contain smoothing parameter to obtain ideal fit result. This parameter estimation method known as PLS Penalized Least Square method. The estimate PLS method used penalty which is the integral of the square of second derivative of the estimate curve that called o 39 sullivan penalized spline method. In the application of sample data, 23 is used knots and the smoothing parameters is 0.68. "

"Dalam analisis regresi, terdapat dua pendekatan, yaitu pendekatan regresi parametrik dan pendekatan regresi nonparametrik. Dalam regresi parametrik, bentuk dari kurva regresi sudah diasumsikan, sedangkan dalam regresi nonparametrik, bentuk dari kurva regresi tidak diketahui. Salah satu regresi nonparametrik yang dapat digunakan adalah regresi spline dengan menggunakan truncated power basis. Regresi spline adalah suatu polinomial sepotong-sepotong yang dihubungkan oleh titik-titik bersama yang disebut dengan knot. Pada regresi spline, estimasi parameter dilakukan dengan menggunakan metode OLS (Ordinary Least Square). Namun, dengan metode OLS akan menyebabkan overparameterized dan pada plot taksiran kurva regresi akan terjadi fluktuatif apabila pemilihan jumlah knot terlalu banyak. Untuk itu, diperlukan suatu tambahan kendala yang didalamnya mengandung smoothing parameter sehingga diperoleh taksiran yang ideal. Metode estimasi parameter ini dikenal dengan metode PLS (Penalized Least Square). Regresi spline yang menggunakan estimasi parameter PLS (Penalized Least Square) disebut dengan regresi penalized spline. Pada contoh penerapan data, model terbaik dipilih untuk regresi penalized spline truncated power basis linier dengan 23 buah knot dan smoothing parameter sebesar 2.44.

---

In analysis regression, there are two approach, that is parametric regression approach and nonparametric regression approach. In parametric regression, the shape of regression curve is assumed, whereas in the nonparametric regression, the shape of curve is unknown. One of the nonparametric regression can be used is spline regression using truncated power basis. Spline regression is piecewise polynomials that connect at join points called knots. In spline regression, parameter estimation were fit by OLS (Ordinary Least Square) method. However, the OLS method will lead to overparameterized and in the plot of estimated regression curve will be fluctuative when using too much knots. Therefore, it needs an additional constraint which contain smoothing parameter, so that will result an ideally fit. This parameter estimation method known as PLS (Penalized Least Square) method. Spline regression that using PLS method is called by penalized spline regression. In the example application of data, the best model is choosen for penalized spline regression truncated power basis linear with 23 knots and smoothing parameter at 2.44."

"Metode Aditif Spline Kuadrat Terkecil Parsial (ASKTP) adalah suatu metode pengembangan dari metode Kuadrat Terkecil Parsial (MKTP). Metode ASKTP sangat cocok digunakan untuk mengatasi data yang bersifat non-linier dan memiliki sifat multikolinieritas diantara peubah-peubah prediktornya. Pada dasarnya, pendekatan dengan menggunakan metode ASKTP memiliki dua gagasan mendasar yaitu untuk menggunakan transformasi parameter prediktor dengan fungsi spline dan untuk membuat komponen-komponen dari ASKTP tidak saling berkorelasi (multikolinieritas) untuk menjaga sifat-sifat dari keliniearan komponen-komponen MKTP. Penelitian ini menyajikan perbanding antara metode ASKTP dan MKTP dalam penerapan di bidang ekonomi perikanan yaitu produksi ikan tuna

---

Efectivity of Additive Spline for Partial Least Square Method in Regression Model Estimation. Additive Spline of Partial Least Square method (ASPL) as one generalization of Partial Least Square (PLS) method. ASPLS method can be acommodation to non linear and multicollinearity case of predictor variables. As a principle, The ASPLS method approach is cahracterized by two idea. The first is to used parametric transformations of predictors by spline function; the second is to make ASPLS components mutually uncorrelated, to preserve properties of the linear PLS components. The performance of ASPLS compared with other PLS method is illustrated with the fisher economic application especially the tuna fish production."

"Indonesia merupakan negara kepulauan yang sebagian besar wilayahnya adalah lautan. Pada UU No. 6 tahun 1996 dinyatakan bahwa Indonesia memiliki 17.508 Pulau. Banyaknya pulau dan luasnya lautan di Indonesia harus diimbangi oleh kebutuhan transportasi dan penunjang lainnya berupa kapal patroli yang digunakan untuk melakukan pengawasan pada perairan Indonesia. Hambatan kapal patroli memiliki nilai yang tinggi disebabkan kebutuhan kapal patrol untuk melaju pada kecepatan yang tinggi. Oleh sebab itu diperlukannya pengembangan pada desain kapal agar dapat menekan nilai hambatan total. Hal tersebut sejalan dengan keinginan Indonesia pada SDGs untuk melakukan perbaikan energi terutama pengembangan di sektor industri maritim. Menurut IMO(2014), pelayaran internasional menyumbang 796 juta ton CO2 pada tahun 2012. Pengurangan hambatan total dapat dilakukan dengan optimasi desain lambung kapal yang menghasilkan lambung kapal yang lebih streamline. Pengembangan optimasi menggunakan B-spline telah dilakukan oleh Sairoz(2005), Uyar et al.(2017) menggunakan metode Invasive weed untuk melakukan optimasi untuk memperhalus kurva B-spline. Bahkan B-spline digunakan untuk mencari optimasi stabilitas kapal menggunakan B-spline. Metode yang digunakan pada penelitian ini adalah dengan menggunakan evaluasi kurva B-spline dengan konfigurasi derajat 10, 15, dan 20. Pengujian simulasi menggunakan CFD Ansys Fluent dengan variasi kecepatan Fn 0,48-0,85 dengan penambahan tiap 0,06. Hasil didapatkan bahwa desain yang paling optimum adalah desain dengan konfigurasi derajat 20 dengan perubahan terhadap desain awal sebesar Δ (%) = 27,50%., desain derajat 15 = 17,24%., dan desain derajat 10 = 18,79%

---

Indonesia is an archipelagic country, most of which is the ocean. In Law no. 6 of 1996 stated that Indonesia has 17,508 islands. The number of islands and the breadth of the oceans in Indonesia must be provided by transportation needs and other supports in example kind of patrol boats used to carry out surveillance in Indonesian waters. Patrol boat resistance has a high value because of the patrol boat's need to travel at high speed. Therefore, it is necessary to develop the ship design in order to reduce the total resistance value. This is in line with Indonesia's desire on the SDGs to improve energy, especially development in the maritime industry sector. According to IMO(2014), international shipping had 796 million tonnes of CO₂ in 2012. Total drag reduction can be achieved by optimizing the hull design which results in a finer hull or it’s called stream line. The development of optimization using B-spline has been carried out by Sairoz (2005), Uyar et al. (2017) used the Invasive weed method to optimize for smoothing the B-spline curve. Even B-spline is used to find optimization for stability of the ship. The method used in this research is to evaluate the B-spline curve by configuring degrees 10, 15, and 20. Simulation testing uses CFD Ansys Fluent with speed variations from froude number 0.48 to 0.85 with the addition of 0.06 each. The results obtained that the most optimal design is a design with a 20 degree configuration with changes to the initial design at Δ (%) = 27.50%, design with 15 degree configuration = 17.24%, and design with 10 degree configuration = 18.79%."

"Dalam tesis ini disusun representasi multiresolusi berbasis wavelets untuk kurva B-spline kubik yang menginterpolasi titik-titik ujung yang mendukung beberapa tipe pengeditan kurva, yaitu penghalusan kurva dengan tingkat resolusi kontinyu untuk menghilangkan detail-detail kurva yang tidak diinginkan, pengeditan bentuk keseluruhan kurva dengan tetap mempertahankan detail-detailnya, perubahan detail-detail kurva tanpa mempengaruhi bentuk keseluruhannya, dan pengeditan satu bagian tertentu dari kurva melalui manipulasi secara langsung terhadap titik-titik kontrolnya. Untuk menguji kemampuan representasi multiresolusi dalam mendukung empat tipe manipulasi kurva tersebut, disusun program pengeditan kurva dengan menggunakan bahasa pemrograman Visual C++ pada komputer Pentium 133 MHz, memori 16 Mbyte, sistem operasi Windows 95, lingkungan pengembangan Microsoft Development Studio 97 dan pustaka Microsoft Foundation Class. Dari hasil uji coba program diketahui bahwa representasi multiresolusi memberikan dukungan yang sangat baik terhadap tipe-tipe pengeditan seperti yang disebutkan di atas. Representasi multiresolusi tidak membutuhkan memori penyimpan ekstra selain dari yang digunakan untuk menyimpan titik kontrol. Dui basil uji coba program menggunakan ratusan titik kontrol, algoritma beijalan cuki p cepat dan mernadai berkaitan dengan tuntutan komunikasi interaktif antara user dan program."

"Pemodelan kurva merupakan aspek penting dalam bidang pemodelan geometris. Pemodelan kurva original menghasilkan error yang besar karena jumlah titik data yang lebih banyak daripada jumlah simpul poligon kontrol. Penelitian ini berfokus pada pemodelan kurva b-spline. Metode optimasi knot vector pada kurva dilakukan berdasarkan algoritma yang terinspirasi dari alam yang bisa digunakan untuk memodelkan kurva b-spline dengan kesalahan minimum. Algoritma yang diilhami dari alam ini adalah Firefly Algorithm yang ditemukan Prof. Xin-She Yang (Cambridge University). Menurut Xin-She Yang (2013: 123-124) dalam bukunya yang berjudul Nature-Inspired Optimization Algorithms sendiri menyatakan bahwa Firefly Algorithm memiliki dua keunggulan utama dibandingkan algoritma lain. Dua keunggulan tersebut yaitu subdivisi otomatis dan kemampuan untuk menangani multimodalitas. Tujuan penelitan ini antara lain untuk mencari variasi derajat B-Spline yang efektif terhadap drag reduction pada kapal tanker ketika berlayar. Pengujian dilakukan pada model kapal tanker dengan Froude Number 0.2 – 0.35 dengan interval sebesar 0,05 dan derajat B-Spline 5° , 10°, 15°, dan 20°. Pengujian dilakukan secara numerik menggunakan software Computational Fluid Dynamic (CFD). Penelitian ini diharapkan mampu menunjukkan konfigurasi yang optimum pada kapal tanker menggunakan Firelfy Algorithm dengan variasi derajat B-spline terhadap besar nilai hambatan total.

---

Curve modeling is an important aspect in the field of geometric modeling. The original curve modeling produces a large error because the number of data points is more than the number of control polygon vertices. This study focuses on modeling the b-spline curve. The knot vector optimization method on the curve is based on an algorithm inspired by nature which can be used to model the b-spline curve with minimum error. The algorithm inspired by this nature is the Firefly Algorithm which was discovered by Prof. Xin-She Yang (Cambridge University). According to Xin-She Yang (2013: 123-124) in his book entitled Nature-Inspired Optimization Algorithms himself states that the Firefly Algorithm has two main advantages over other algorithms. Those two advantages are automatic subdivision and the ability to handle multimodalities. The purpose of this research, among others, is to find variations in the degree of B-Spline that are effective against drag reduction on tankers when sailing. Tests were carried out on tanker models with Froude Number 0.2 – 0.35 with intervals of 0.05 and B-Spline degrees of 5°, 10°, 15°, and 20°. The test was performed numerically using Computational Fluid Dynamic (CFD) software. This research is expected to be able to show the optimum configuration on tankers using the Firefly Algorithm with variations in the degree of B-spline to the total resistance value."

"ABSTRACTPemodelan regresi telah diterapkan dalam perbankan ritel karena kemampuannya dalam menganalisis data kontinu maupun diskrit. Hal tersebut merupakan alat yang penting dalam penilaian risiko kredit, stress testing, serta evaluasi aset kredit. Pada tugas akhir ini, pendekatan yang digunakan adalah dengan menggunakan model regresi logistik multinomial untuk mengetahui faktor-faktor yang memengaruhi terjadinya default dan attrition pada suatu kredit. Selain itu, pada tugas akhir ini juga akan diperkenalkan pendekatan regresi spline dengan menggunakan truncated power basis untuk memodelkan fungsi hazard. Fleksibilitas dari fungsi spline memberikan kemampuan untuk memodelkan fungsi hazard yang berbentuk nonlinier dan tidak beraturan. Kemudian, dengan menggunakan regresi spline dan regresi logistik multinomial, akan diperoleh sebuah hasil dan interpretasi yang lebih baik. Terdapat beberapa kelebihan dari penggunaan kedua model tersebut. Pertama, dengan menggunakan fungsi regresi spline yang fleksibel, dapat dimodelkan fungsi hazard yang berbentuk nonlinier dan tidak beraturan. Kedua, mudah dipahami dan diterapkan, dan bentuk parametrik model regresi logistik multinomial yang sederhana dapat memudahkan dalam interpretasi model. Ketiga, memiliki kemampuan untuk prediksi. Pada akhir pembahasan, dengan menggunakan sebuah data kartu kredit akan dilakukan pengaplikasian dari model regresi logistik multinomial dan regresi spline, dilengkapi dengan penjelasan secara statistika dan akurasi prediksi.

---

ABSTRACTRegression modeling has been adapted in retail banking because of its capability to analyze the continuous and discrete data. It is an important tool for credit risk scoring, stress testing and credit asset evaluation. In this thesis, the approach used is multinomial logistic regression model to gain the information regarding the factors that affect the occurrence of default and attrition. In addition, this thesis will also introduce spline regression approach using truncated power basis to model the hazard function. The flexibility of spline function allows us to model the nonlinear and irregular shapes of the hazard functions. Then, by using spline regression and multinomial logistic regression model, there will be a better result and interpretation. There are several advantages by using those both models. First, by using the flexible spline regression function, it can model nonlinear and irregular shapes of the hazard functions. Second, it is easy to understand and implement, and its simple parametric form from multinomial logistic regression model can make it easy in model interpretation. Third, the model has the ability to do prediction. Furthermore, by using a credit card dataset, we will demonstrate how to build these model, and we also provide statistical explanatory and prediction accuracy."

"New approaches to knot insertion and deletion are presented in this unique, detailed approach to understanding, analyzing, and rendering B-spline curves and surfaces. Computer scientists, mechanical engineers, and programmers and analysts involved in CAD and CAGD will find innovative, practical applications using the blossoming approach to knot insertion, factored knot insertion, and knot deletion, as well as comparisons of many knot insertion algorithms. This book also serves as an excellent reference guide for graduate students involved in computer aided geometric design."