Hasil Pencarian  ::  Simpan CSV :: Kembali

"Analisis data lifetime sangat penting dalam berbagai bidang ilmu pengetahuan seperti biomedis, teknik, dan ilmu kemasyarakatan. Pemodelan data tersebut dilakukan dengan menggunakan fungsi hazard dari distribusi lifetime seperti distribusi eksponensial, Weibull, lognormal, dan juga gamma. Namun, keempat distribusi tersebut tidak dapat memodelkan fungsi hazard berbentuk bathtub. Padahal, fungsi hazard berbentuk bathtub adalah yang paling sering ditemukan dalam kehidupan nyata. Oleh karena itu, akan dibentuk distribusi generalized Lindley yang lebih fleksibel dalam memodelkan fungsi hazard. Distribusi tersebut merupakan perumuman dari distribusi Lindley dengan menggunakan transformasi exponentiation. Kemudian, karakteristik-karakteristik dari distribusi generalized Lindley juga akan ditelusuri. Selanjutnya, analisis bentuk dari fungsi hazard akan menunjukkan bahwa distribusi generalized Lindley dapat memodelkan data dengan fungsi hazard yang berbentuk monoton naik, monoton turun, dan juga bathtub. Setelah itu, penaksiran parameter distribusi generalized Lindley akan dilakukan dengan metode yang paling umum digunakan yaitu metode maximum likelihood. Simulasi dengan membangkitkan data menggunakan software juga akan dilakukan dengan bantuan metode Newton-Raphson untuk melihat penaksiran parameter dari distribusi generalized Lindley.

---

Analysis of lifetime data is very important in various fields such as biomedical science, engineering, and social science. The modelling of lifetime data is done by using hazard function of lifetime distributions such as exponential, Weibull, lognormal, and gamma distribution. However, these four distributions cannot model data with bathtub-shaped hazard function even though it is the one mostly found in real life situation. Therefore, more flexible distribution called generalized Lindley distribution is introduced to model hazard function. The distribution is created by using transformation called exponentiation to generalize the Lindley distribution. Afterwards, some characteristics of generalized Lindley distribution will be discussed. Analysis of the hazard function will show that generalized Lindley distribution can models data with increasing, decreasing, and bathtub-shaped hazard function. In addition, parameter estimation of the distribution will be done by the usual method which is maximum likelihood estimation. Lastly, simulation using software-generated data will be displayed with help from Newton-Raphson numerical method to see the parameter estimation of generalized Lindley distribution."

"Fungsi hazard dapat dikategorikan menjadi dua, yaitu monoton (naik atau turun) dan non monoton (bathtub shape dan upside down bathtub shape). Untuk memodelkan datadengan fungsi hazard monoton, naik atau turun, dan non monoton bathtub shape umumnya digunakan distribusi Gamma atau Weibull. Pada skripsi ini, akan diperkenalkan sebuah distribusi yang dapat memodelkan data dengan fungsi hazard berbentuk upside down bathtub shape. Distribusi ini diturunkan dari distribusi Lindley dengan melakukan transformasi yang disebut distribusi generalized inverse Lindley. Distribusi ini lebih fleksibel dalam memodelkan data dengan fungsi hazard non-monoton upside down bathtub. Hal ini dikarenakan parameter shape pada distribusi tersebut menyebabkan fungsi hazard memiliki banyak variasi bentuk namun tetap mempertahankan bentuk upside down bathtub. Beberapa karakteristik dari distribusi seperti fungsi kepadatan peluang, fungsi distribusi, fungsi survival, fungsi hazard,dan momen ke-r akan dicari. Untuk mengestimasi parameter distribusinya akan digunakan metode maximum likelihood. Di akhir skripsi ini, akan dibangun data untuk mengestimasi parameter dari distribusi yang bersangkutan

---

Hazard rate are categorized by their shape, either its monotone (decreasing or increasing) or non-monotone (upside down bathtub shaped and bathtub shaped). Modelling data from monotone hazard rate, either decreasing or increasing, and bathtub shaped hazard rate are possible with common distribution such as Gamma distribution or Weibull distribution. For data which has upside down bathtub shaped hazard rate is usually done by using inverse transformation of exponential distribution such as inverse Gamma, inverse Weibull, and inverse Lindley. In this paper, a distribution that can model a data with upside down bathtub shaped hazard rate is introduced. The distribution is derived from Lindley distribution with transformation and is called generalized inverse Lindley distribution. The distribution is more flexible because shape parameter which make wide variety of shape without changing its hazard rate from upside down bathtub shaped. Somestatistic properties of the distribution such as density function, cumulative function, survival function, hazard function, and moment will be discussed. For estimatingparameter of the distribution, maximum likelihood method will be used. In the end, simulation data will be generated to see the estimation of the distributions parameter."

"Dalam upaya untuk mengendalikan besarnya kerugian, memodelkan severitas klaim merupakan salah satu cara yang sering dilakukan oleh perusahaan asuransi. Terdapat beberapa cara untuk memodelkan severitas klaim, salah satunya dengan generalized linear model. Akan tetapi fakta sederhana bahwa setiap pemegang polis itu tidak sama sering diabaikan karena hasil yang diperoleh hanya disajikan untuk “rata-rata” pemegang polis. Potensi variabilitas ini yang tercermin pada data asuransi dapat diidentifikasi dengan mengelompokkan pemegang polis ke dalam kelompok yang berbeda. Sehingga dari perilaku yang berbeda pada masing-masing kelompok memungkinkan perusahaan asuransi mengembangkan strategi untuk mengendalikan besarnya kerugian. Pada praktiknya, model yang sering digunakan untuk pengelompokan adalah model finite mixture, dengan setiap kelompok dimodelkan dengan fungsi kepadatan probabilitasnya (pdf) sendiri. Salah satu keluarga model finite mixture yang fleksibel untuk vektor acak yang terdiri dari variabel respon dan satu set kovariat yang disesuaikan dengan distribusi bersamanya adalah cluster-weighted model (CWM). CWM merupakan kombinasi linear antara distribusi marjinal kovariat dan distribusi bersyarat dari respons yang diberikan kovariat. Distribusi bersyarat pada CWM diasumsikan milik keluarga eksponensial dan kovariatnya diperbolehkan tipe campuran yaitu diskrit dan kontinu (diasumsikan gaussian). Selanjutnya, model dicocokkan ke dalam data (fitting the model) menggunakan Maximum likelihood estimation (MLE) untuk menaksir parameter model dengan algoritma ekspektasi-maksimalisasi (EM). Pemilihan model terbaik dievaluasi dari skor akaike information criterion (AIC) dan bayesian information criterion (BIC). Permasalahan penentuan jumlah cluster diselesaikan secara bersamaan dengan memilih model terbaik. Pada akhirnya, CWM dapat digunakan untuk meningkatkan pemahaman tentang perilaku pemegang polis dan karakteristik risikonya yang dihasilkan di setiap cluster. Penerapan metode ini diilustrasikan pada data asuransi mobil di Prancis.

---

In an effort to control the amount of loss, modeling the severity of claims is one way that is often done by insurance companies. There are several ways to model claim severity, one of which is a generalized linear model. However, the simple fact that every policyholder is not the same is often overlooked because the results obtained are only presented for the "average" policyholder. This potential for variability reflected in insurance data can be identified by classifying policyholders into different groups. So that the different behavior of each group allows insurance companies to develop strategies to control the amount of losses. In practice, the model often used for grouping is the finite mixture model, with each group being modeled with its own probability density function (pdf). One of the flexible finite mixture model families for random vectors consisting of a response variable and a set of covariates adjusted for their common distribution is the cluster-weighted model (CWM). CWM is a linear combination between the marginal distribution of the covariates and the conditional distribution of the responses given by the covariates. The conditional distribution on CWM is assumed to belong to the exponential family and the covariates are allowed mixed types, namely discrete and continuous (assumed to be gaussian). Next, the model is fitted to the data (fitting the model) using Maximum likelihood estimation (MLE) to estimate the model parameters with the expectation-maximization (EM) algorithm. Selection of the best model was evaluated from the Akaike information criterion (AIC) and Bayesian information criterion (BIC) scores. The problem of determining the number of clusters is solved simultaneously by selecting the best model. In the end, CWM can be used to increase understanding of policyholder behavior and the resulting risk characteristics in each cluster. The application of this method is illustrated in data on auto insurance in France."

"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)."

"

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.

 

"

"Distribusi Negative Binomial-Generalized Exponential (NB-GE) merupakan distribusi yang mampu memodelkan data overdispersi dengan extreme excess zeros yaitu lebih dari 80% angka nol dalam data. Distribusi Negative Binomial-Generalized Exponential (NB-GE) merupakan distribusi campuran hasil dari mixing antara distribusi Negative Binomial (NB) dengan distribusi Generalized Exponential (GE). Pembentukan distribusi Negative Binomial-Generalized Exponential (NB-GE) serta karakteristik-karakteristik distribusi Negative Binomial-Generalized Exponential (NB-GE) seperti fungsi kepadatan peluang, momen ke-, mean, variansi, koefisien skewness dan koefisien kurtosis dibahas pada pada skripsi ini. Penaksiran parameter-parameter dari distribusi Negative Binomial-Generalized Exponential (NB-GE) menggunakan metode maximum likelihood. Sebagai ilustrasi, digunakan data kecelakaan fatal yang memiliki lebih dari 80% angka nol yang dimodelkan dengan distribusi Negative Binomial-Generalized Exponential (NB-GE).

---

Negative Binomial-Generalized Exponential (NB-GE) distribution is a distribution that capable for modeling overdispersion data with extreme excess zeros, which is more than 80% zeros in a data. The distribution is a mixture distribution that obtained by mixing the Negative Binomial (NB) distribution with the Generalized Exponential (GE) distribution. The formation of the Negative Binomial-Generalized Exponential (NB-GE) distribution and the characteristics of the Negative Binomial-Generalized Exponential (NB-GE) distribution such as the probability density function, kth moment, mean, variance, skewness and kurtosis are discussed in this paper. Estimation of the parameters from the Negative Binomial-Generalized Exponential (NB-GE) distribution using the maximum likelihood method. As an illustration, Negative Binomial-Generalized Exponential (NB-GE) distribution used to model the data of fatal crash that has more than 80% zeros."