Hasil Pencarian  ::  Simpan CSV :: Kembali

"Image clustering adalah pengelompokan citra berdasarkan kesamaan ciri tententu pada sekumpulan citra. Image clustering yang dilakukan berdasarkan konten citra dapat menggunakan komponen warna, tekstur, garis tepi, bentuk, dan lainnya, atau berupa gabungan dari beberapa komponen. Pada penelitian ini dilakukan image clustering berdasarkan komponen warna. Tiga hal yang diperhatikan dalam proses clustering ini adalah penggunaan ruang warna, representasi citra, dan metode clustering. Ruang warna yang digunakan dalam penelitian ini adalah RGB, HSV, dan L*a*b*. Representasi citra atau feature extraction menggunakan histogram dan Gaussian Mixture Model, sedangkan metode clustering yang digunakan adalah K-Means dan Agglomerative Hierarchical. Pada ruang warna RGB dan L*a*b*, kinerja clustering terbaik berhasil dilakukan dengan menggunakan representasi citra GMM, sedangkan pada ruang warna HSV, citra yang berhasil dikelompokan dengan kinerja paling baik menggunakan representasi citra histogram. Kemudian, metode K-Means clustering bekerja lebih baik daripada Agglomerative Hierarchical pada image clustering yang menggunakan komposisi warna.

---

Image clustering is a process of grouping the image based on their similarity. Image clustering based on image content usually uses the color component, texture, edge, shape, or mixture of two components, etc. This research focuses in image clustering uses color component. Three main concepts concerned on this research are color space, image representation (feature extraction), and clustering method. RGB, HSV, and L*a*b* are used in color spaces. The image representations use Histogram and Gaussian Mixture Model (GMM), whereas the clustering methods are K-Means and Agglomerative Hierarchical Clustering. The result of the experiment show that GMM representation is better used for RGB and L*a*b* color space, whereas Histogram is better used for HSV. The experiment also show that K-Means better than Agglomerative Hierarchical for clustering method."

"Model regresiZero Inflated Poisson (ZIP) digunakan untuk memodelkan count data dengan overdispersi yang disebabkan oleh nilai nol yang berlebih pada pengamatannya(excess zero). Namun, ketika overdispersi berasal dariexcess zerodan datacount, makaZIP tidak lagi cocok. Model regresi Zero Inflated Negative Binomial (ZINB) bertujuan untuk mengetahui variabel apa saja yang berpengaruh secara signifikan terhadap variabelrespon. Data untuk regresi ZINB ini memiliki dua sumber overdispersi. Terdapat dua proses pada variabel respon, yang mendasari pengamatan masuk ke dalam structural zeros atau Negative Binomial (NB) counts. Jadi, regresi ZINB terdiri dari dua model. Pada kedua model tersebut dilakukan penaksiran parameter menggunakan metode Bayesian. Metode ini menganggap parameter-parameter yang digunakan merupakan variabel acakyang memiliki distribusi sebagai informasi prior, dan mengkombinasikannya dengan data yang dimiliki. Kombinasi tersebut selanjutnya disebut sebagai distribusi posterior. Sampling parameter dari distribusi posterior dilakukan dengan simulasi Markov Chain Monte Carlo (MCMC). Sebagai penerapan, digunakan data Parkinson dari Parkinsons Progression Markers Initiative (PPMI). Variabel responnya yaitu frekuensi seberapa sering pasien mengalami komplikasi setelah meminum obat atau tidak, dan variabel prediktornya berupa skor pemeriksaan aspek motorik, non-motorik, dan respon-respon tubuh. Diperoleh hasil bahwa model ZINB cocok untuk memodelkan data tersebut yangditandai dengan hasil simulasi yang konvergen.

---

Zero Inflated Poisson (ZIP) regression model is a standard framework for modeling discrete data with over-dispersion caused by excess zero. When over-dispersion has comefrom excess zero and count data, ZIP is no longer matches. A Zero Inflated Negative Binomial (ZINB) regression model aims to analyze the variables affecting data with two sources of over-dispersion. Hence there are two processes at the response variable, which make an observation classified as structural zeros or Negative Binomial (NB) counts. So, ZINB regression consists oftwo models. This paper will use Bayesian method forestimating parameter in both models. The Bayesian method considers parameters to bea random variable that has distribution known as prior distribution, and combine with information of the data. This combination referred as posterior distribution. Sampling parameter from posterior distribution is done using Markov Chain Monte Carlo (MCMC) simulation. As an application, the Parkinsons data is used from Parkinsons Progression Markers Initiative (PPMI). Frequency of how often the patient has complications aftertaking the drug or not is the response, and the predictive variables are motoric aspect, non-motoric aspect, and body responses test scores. The simulation result shows that it isconvergent, indicate that ZINB model is suitable for modeling Parkinsons data."

"Penelitian ini bertujuan untuk membandingkan dua metode value at-risk, delta-normal dan historical simulation diaplikasikan pada sebuah portofolio. Data yang digunakan dalam penelitian adalah rerum portofolio yang terdiri dari saham­ saham LQ45 selama interval waktu Februari 2007 sampai dengan Juli 2009 yang berjumlah 596 data. Sebelum diperbandingkan, hasil kedua metode pethitungan VaR akan diuji validitasnya sebagai rnetode pengukuran menggunakan Kupiec test. Jika kedua metode dinyatakan valid, maka kedua metode lersebut akan diperbandingkan untuk menentukan mewde manakah yang lebih cocok sebagai VaR bagi portofolio tersebut Uji normaHtas akan dilakukan karena merupakan asurnsi dalam metode delta-normal. Parameter perhitungau VaR yang digunakan adalah confidence interval 95% dengan horizon waktu 20 hari. Berdasarkan hasil pengujian Kupiec test, kedua metode dalam penelitian ini ditolak sebagai metode pengukuran VaR portofolio tersebut. Dan menurut uji normalitas, beberapa return portofolio tersebut tidak memilik.i dlstibusi normal yang berdampak metode delta-normal tidak dapat langsung diterapkan sehingga dafam perhitungannya harus menggunakan alpha prime. Hasil penelitian ini menyatakan bahwa kedua metode tersebut memiliki tingkat kesalahan yang sama, selain itu berdasarkan Kupiec test dari kedua metode tersebut tidak memiliki validitas yang baik untuk diterapkan.

---

This research aimed to comparing two method of Value-at-risk, that is delta­ normal and historical simulation applied to a portfolio. Data used in this research are portfolio return consisting LQ45's stock for time interval February 2007 till July 2009 with total 596 data. Before the comparison, result from both methods will be tested for its validity as a measurement method using Kupiec test. If both methods are valid, then both of methods will be compared to know which one is more suit as VaR for related portfolio. Normality test will be held because it needed for delta-normal method. Measurement parameters used are confidence interval 95% with 20 days time horizon.

Based on the result of Kupiec test, both methods rejected as VaR measurement method for related portfolio. And according to normality test, portfolio returns have a not normal distribution therefore can not be applied immediately to delta normal results are both method are have the same failure rate, but the result from Kupiec test shows that both methods are not suitable to be implemented."

"Di zaman modern ini, kualitas hidup seseorang semakin meningkat. Ini menyebabkan rentang hidup individu menjadi lebih lama, sehingga menghasilkan periode pensiun yang lebih panjang untuk individu tersebut. Oleh karena itu program pensiun diperlukan individu agar dapat menerima manfaat setelah pensiun dan mempertahankan kualitas hidup yang sama dengan yang mereka miliki sebelum pensiun. Topik dari skripsi ini adalah program pensiun manfaat pasti dan bagaimana menghitung manfaat menggunakan metode penghitungan aktuaria . Skripsi ini akan fokus pada dua metode penghitungan aktuaria yaitu entry age normal dan projected unit credit. Hasilnya merupakan nilai dari manfaat yang didapat, iuran normal dan kewajiban aktuaria.

---

In this modern age, the quality of life of a person is always improving. This leads to longer lifespans, hence resulting in a longer pension period for that individual. Pension programs are therefore needed more than ever so that a person can receive a benefit after they retire and maintain the same quality of life they had before they retired. The topic of this thesis is defined benefit pensions and how to calculate the benefits using actuarial cost methods. This paper will focus on two actuarial cost methods called entry age normal and projected unit credit. The benefit received after retiring will first be defined and then the subsequent normal costs and actuarial liabilities will be calculated. The results from this paper are the amount of benefit receieved, the normal cost and the actuarial liability."

"Tugas akhir ini membahas penaksiran parameter 0 (probabilitas sukses) pada m distribusi binmial, dimana ada keterkaitan antar parameter 0 pada masing-masing populasi. metode penaksiran yang digunakan adalah metode Bayes. pada metode ini, prosedur yang dilakukan meliputi transformasi parameter 0 ke bentuk logit yaitu a, penentuan prior dan likelihood, pembentukan posterior, modifikasi likelihood, hingga akhirnya diperoleh m taksiran dari a yang akan digunakan untuk menaksir 0 pada tiap populasi. hasil yang diperoleh diaplikasikan pada penaksiran proporsi jumlah perempuan di 10 kursus pada suatu lembaga"