Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Setiap peristiwa, objek, atau individu dalam kehidupan saling terkait dan saling mempengaruhi. Untuk mengetahui bagaimana hubungan antara variabel acak dapat menggunakan copula. Copula dapat menghubungkan antara fungsi distribusi bivariat dengan fungsi distribusi marginal tanpa harus ada informasi keterkaitan tertentu antar variabel acak. Terdapat beberapa jenis copula, seperti copula elliptical, copula Archimedean, dan copula extreme value. Namun, dalam pemodelan multivariat, masing-masing jenis copula memiliki keterbatasan dalam memodelkan struktur ketergantungan yang kompleks dalam hal simetri dan sifat ketergantungan ekor. Kelas vine copula mengatasi keterbatasan ini dengan membangun model multivariat menggunakan copula bivariat dalam struktur berbentuk pohon. Copula bivariat yang digunakan dalam penelitian ini meliputi keluarga copula Clayton, Gumbel, Frank, Gaussian, dan student’s t. Penelitian ini membahas tentang konstruksi model vine copula, penaksiran parameter, dan aplikasinya. Konstruksi vine copula dilakukan melalui dekomposisi fungsi kepadatan peluang bersyarat dan melakukan substitusi fungsi kepadatan  copula bivariat ke dalam hasil dekomposisi tersebut. Data yang digunakan adalah data logaritma konsentrasi dari unsur kimia dalam sampel air di Colorado. Karena data yang digunakan merupakan data empiris yang tidak diketahui distribusi marginalnya, metode estimasi parameter yang digunakan adalah pseudo-maximum likelihood dengan estimasi sequential. Lalu, dilakukan pemilihan model yang paling sesuai dengan menggunakan kriteria informasi Akaike (AIC). Hasilnya menunjukkan bahwa Sesium dan Titanium memiliki hubungan dependensi terhadap Skandium. Selain itu, Skandium dan Titanium memiliki ketergantungan paling kuat dibandingkan dengan pasangan variabel lainnya.

---

Every event, object, or individual in life is interconnected and influences each other. To understand the relationships between random variables, one can use copulas. Copula can link the bivariate distribution function with marginal distribution functions without requiring specific information about the interdependence among random variables. There are several types of copulas, such as elliptical copulas, Archimedean copulas, and extreme value copulas. However, in multivariate modeling, each type of copula has limitations in modeling complex dependence structures in terms of symmetry and tail dependence properties. The class of vine copulas overcomes these limitations by constructing multivariate models using bivariate copulas in a tree-like structure. The bivariate copulas used in this study include the Clayton, Gumbel, Frank, Gaussian, and Student’s t copula families. This study discusses the construction of vine copula models, parameter estimation, and their applications. The construction of vine copulas is done through the decomposition of conditional probability density functions and substituting bivariate copula density functions into the decomposition results. The data used in the study is the logarithm of the concentration of chemical elements in water samples in Colorado. Since the data used are empirical data with unknown marginal distributions, the parameter estimation method used is pseudo-maximum likelihood with sequential estimation. Model selection is then performed using the Akaike information criterion (AIC) to determine the most suitable model. The results indicate that Caesium and Titanium have a dependency relationship with Scandium. Moreover, Scandium and Titanium exhibit the strongest dependence compared to other variable pairs.

"

"Tugas akhir ini bertujuan menjelaskan prosedur penaksiran parameterparameter model variabel laten bivariat yang dibangun melalui copula dengan menggunakan metode Inference Functions for Margins (IFM). Copula merupakan suatu fungsi yang menghubungkan fungsi distribusi bivariat dengan fungsi-fungsi distribusi marginalnya. Pada tugas akhir ini diberikan suatu contoh penggunaan copula dalam model variabel laten bivariat. Fungsi distribusi bivariat dari model variabel laten dibentuk dengan menggunakan copula yang berasal dari famili copula Gaussian. Famili tersebut dapat dikonstruksi dengan menggunakan fungsi quantile. Pada model variabel laten yang berbasis copula, diperoleh parameter-parameter marginal yang menjelaskan karakteristik dari tiap variabel laten, serta parameter dependensi yang merupakan koefisien korelasi antarvariabel laten. Simulasi dilakukan untuk memberikan gambaran mengenai prosedur metode IFM dalam menaksir parameter-parameter model variabel laten berbasis copula pada bidang keuangan."

"Pada tahun 1959, Sklar mengemukakan suatu teorema yang menjelaskan bahwa apabila terdapat suatu fungsi distribusi bivariat dan fungsi distribusi marginal, maka akan diperoleh suatu fungsi yang dikenal dengan copula yang dapat menghubungkan fungsi distribusi bivariat dan fungsi-fungsi distribusi marginalnya. Skripsi ini bertujuan untuk menjelaskan proses konstruksi famili copula yaitu fungsi copula yang melibatkan parameter berdasarkan distribusi bivariat eksponensial yang diturunkan oleh Marshall dan Olkin. Penurunan distribusi bivariat eksponensial Marshall- Olkin melibatkan suatu proses poisson tentang kedatangan shock pada sebuah sistem dengan 2 komponen. Kedatangan shock dianggap mengikuti fatal shock model, di mana kedatangan shock dapat berakibat fatal bagi komponen secara spontan. Fungsi copula yang terbentuk merupakan fungsi survival copula, yakni fungsi yang menghubungkan fungsi survival bivariat dengan fungsi-fungsi survival marginalnya. Pada tugas akhir ini juga akan dikaji suatu ilustrasi yang menggambarkan fenomena yang terjadi dalam proses konstruksi fungsi survival copula Marshall-Olkin."

"Pada tugas akhir ini akan dibahas mengenai konsep dependensi pada runtun waktu yaitu dependensi antar peubah acak yang dibedakan berdasarkan waktu. Terdapat beberapa konsep dependensi yang digunakan untuk menjelaskan dependensi antar peubah acak, diantaranya adalah konsep dependensi korelasi linier dan concordance. Konsep dependensi yang paling sering digunakan pada runtun waktu adalah korelasi linier meskipun pada kenyataannya korelasi linier memiliki beberapa keterbatasan. Pada tugas akhir ini akan digunakan konsep dependensi concordance melalui copula yang dapat menutupi keterbatasan dari konsep korelasi linier. Salah satu ukuran concordance adalah kendall?s tau. Terdapat beberapa famili copula dimana besar dependensi dapat diukur melalui kendall?s tau, salah satunya adalah famili copula Archimedean. Pada tugas akhir ini akan dikonstruksi model runtun waktu Autoregresif tingkat pertama melalui copula, khususnya dari famili copula Archimedean dan Gaussian. "

"Analisis regresi merupakan salah satu teknik dalam statistika yang digunakan untuk menginvestigasi dan memodelkan hubungan antara variabel respon dan variabel regresor. Pada skripsi ini akan dimodelkan hubungan satu variabel respon dengan beberapa variabel regresor menggunakan model regresi linier berganda dimana antar variabel regresor tidak saling bergantung linier. Adanya multikolinieritas menyebabkan taksiran least square tidak stabil dan bisa memberikan informasi yang salah. Taksiran ridge adalah taksiran parameter model regresi yang umumnya digunakan untuk mengatasi hal tersebut. Tetapi ketika terjadi multikolinieritas yang kuat, variansi taksiran ridge tidak berbeda jauh dengan variansi taksiran least square. Masalah lainnya adalah konstanta taksiran ridge yang sulit untuk ditentukan. Untuk mengatasi masalah tersebut, Kejian Liu (1998) memperkenalkan taksiran Liu yang memiliki dua kelebihan dibandingkan taksiran ridge yaitu skalar mean square error (mse) yang lebih kecil dibandingkan mse taksiran ridge dan konstanta taksiran Liu yang mudah ditentukan.

---

Regression analysis is a statistical technique for investigating and modelling the relationship between the response variable and regressor variable. This skripsi modelling the relationship between one response variable and several regressor when there is no linear relationship between the regressors. In presence of multicollinearity, the least square estimator is unstable and may gives misleading information. Ridge estimator is the most common estimator to overcome this problem. But when there exist severe multicollinearity, variance of ridge estimator almost same with variance of least square estimator. The other problem is a constant of ridge estimator is difficult to specified. To solve this problem, Kejian Liu (1998) proposed Liu estimator that have two advantages over the ridge estimator are Liu estimator has less scalar mean square error (mse) than mse of ridge estimator and a constant of Liu estimator can specified easily."

"Operasi Evolusi adalah suatu teknik statistika yang sering digunakan dalam industri kimia. Teknik operasi ini harus tidak memerlukan perubahan yang besar atau tiba-tiba, sehingga dapat menghindari keadaan operasional yang mungkin mengganggu produksi. Dan tujuan akhir OPEV adalah adanya peningkatan dalam penampilan proses. Teknik ini digunakan pada rancangan faktorial 2kuadrat dengan 1 titik pusat dan 2 pangkat tiga dengan 2 titik pusat. Untuk mencapai keuntungan yang optimal dalam proses yang waktunya terbatas, dipertimbangkan pemilihan strategi menggunakan umpan balik secara empiris."

"Pengangguran merupakan fenomena sosial yang menjadi salah satu masalah utama yang dihadapi setiap daerah di Indonesia. Salah satu cara yang dapat dilakukan untuk mengurangi angka pengangguran adalah dengan melakukan analisis terhadap faktor-faktor yang mempengaruhi tingkat pengangguran terbuka (TPT). Dibandingkan dengan metode analisis regresi linier, metode Geographically Weighted Regression (GWR) lebih diunggulkan karena dapat menangani masalah ketidakstasioneran spasial yang biasanya terjadi pada data fenomena sosial. Ketidakstasioneran spasial adalah situasi dimana hubungan antar variabel berbeda-beda secara signifikan di setiap lokasi pengamatan. Ketidakstasioneran spasial ini sering disebut juga dengan heterogen spasial. Heterogenitas spasial mengakibatkan hasil analisis regresi linier menjadi tidak akurat di beberapa lokasi. GWR menangani masalah tersebut dengan membangun model regresi di setiap lokasi pengamatan sehingga memungkinkan parameter regresi menjadi berbeda di setiap lokasi pengamatan. Pendugaan parameter pada model GWR menggunakan pembobot berdasarkan lokasi setiap pengamatan sehingga model yang diperoleh berlaku hanya untuk lokasi tersebut. Penentuan pembobot bergantung pada nilai bandwidth. Bandwidth merupakan lingkaran dengan radius ℎ dari titik pusat lokasi pengamatan yang digunakan sebagai dasar penentuan pembobot setiap lokasi pengamatan. Nilai bandwidth yang sangat kecil akan mengakibatkan variansi yang besar. Hal tersebut disebabkan karena jika nilai bandwidth sangat kecil maka jumlah pengamatan yang berada pada radius h menjadi sedikit, sehingga menyebabkan model yang diperoleh sangat kasar (undersmoothing) karena menggunakan sedikit pengamatan, dan sebaliknya. Oleh karena itu, pemilihan bandwidth optimum sangat penting dalam menentukan pembobot karena dapat mempengaruhi ketepatan model yang terbentuk. Penelitian ini bertujuan untuk mengetahui perbandingan performa model GWR yang menggunakan metode bandwidth CV, AICc, dan BIC dalam pembentukan fungsi pembobot Fixed Gaussian Kernel yang diterapkan pada data pengangguran di kabupaten/kota di Pulau Jawa. Variabel dependen yang digunakan dalam penelitian ini adalah tingkat pengangguran terbuka kabupaten/kota di Pulau Jawa, dan variabel independen yang digunakan adalah kepadatan penduduk, indeks pembangunan manusia, tingkat partisipasi angkatan kerja, upah minimum kabupaten/kota, rata-rata upah sebulan pekerja formal, dan rata-rata pendapatan bersih sebulan pekerja informal. Hasil penelitian menunjukkan bahwa setiap kabupaten/kota memiliki model GWR yang berbeda-beda. Model GWR bandwidth CV lebih baik dalam menjelaskan data pengangguran kabupaten/kota di Pulau Jawa tahun 2020 karena memiliki nilai RMSE paling kecil, yaitu 1,0904 serta nilai R2 dan Adjusted-R2 paling besar, yaitu 0,8539011 dan 0,7937159.

---

Unemployment is a social phenomenon, a problem faced by every region in Indonesia. One way that can be carried out to reduce the unemployment rate is analyzing the factors that affect the open unemployment rate (TPT). Rather than using linear regression analysis, Geographically Weighted Regression (GWR) was preferable since it gave a better representative model by effectively resolve spatial non-stationary problem which is generally exist in spatial data of social phenomenon. Spatial non-stationary is a situation when the relationship between variables are significantly different in each location of observation point. This spatial non-stationary is often refer to spatial heterogeneity. Spatial heterogeneity show that linear regression analysis will give a misleading interpretation results in some locations. GWR solve this problem by generating a single model in each observation location so the regression parameters can be different at each observation location. Parameter estimation in the GWR model uses weights based on the location of each observation so that the estimate model applies only to this location. The weighting determination depends on the bandwidth value. Bandwidth is a circle with radius ℎ from the center point of the observation location which is used as the basis for determining the weight of each observation location. Smaller bandwidth value will result a large variance. It can happen because when the bandwidth is very small, there will be a small number observations in the radius h, which can makes the estimate model is very rough (undersmoothing) because it uses few observations, and vice versa. Therefore, choosing the optimum bandwidth is very important in determining the weights where it can affect the accuracy of the model formed. This study aims to compare the performance of the GWR model using the CV, AICc, and BIC bandwidth methods in the formation of Fixed Gaussian Kernel weighted function which is applied to unemployment data in districts/cities in Java. The dependent variable used in this study is the district/city open unemployment rate in Java, and the independent variables are population density, human development index, labor force participation rate, district/city minimum wage, the average monthly wage of formal workers, and the average monthly net income of informal workers. The results show that each district/city has a different GWR model. The GWR model with CV bandwidth is better at explaining district/city unemployment data on Java Island in 2020 which it has the smallest RMSE value, 1.0904, and the largest R2 and Adjusted-R2 values, namely 0.8539011 and 0.7937159, respectively."

"Seringkali analisis statistik beranggapan suatu data hanya berasal dari satu populasi saja. Padahal pada kenyataannya terdapat kondisi dimana suatu data bisa dibagi menjadi beberapa sub-populasi. Gaussian Finite Mixture Model adalah salah satu metode untuk memodelkan data heterogen yang memungkinkan berasal dari sub-populasi yang berbeda. Model ini berbentuk superposisi dari beberapa distribusi Gaussian. Jumlah distribusi akan ditentukan dengan menggunakan Akaikes Information Criterion dan model diagnostik. Estimasi parameter pada model ini menggunakan metode Bayesian, yaitu dengan menentukan distribusi prior untuk parameter model, digabungkan dengan likelihood yang akan menghasilkan distribusi posterior. Kemudian, Markov chain Monte Carlo-Gibbs Sampler digunakan untuk menarik sampel pada parameter dari distribusi poteriornya masing-masing.

---

Commonly statistical analysis assume data comes from one population. But there are conditions where data might be generated from several sub-populations. Gaussian Finite Mixture Model (GFMM) is one of the methods to model heterogeneous data that might come from different sub-populations. This model was formed as a superposition of several Gaussian distribution, with different location parameter. Number of distributions will be determined using Akaike`s Information Criterion and model diagnostic. Parameter estimation is conducted using Bayesian method, that is by specifying the prior distribution for the models parameters, combined with the likelihood to produce the posterior distribution. Finnally, Markov chain Monte Carlo-Gibbs Sampler is implemented to withdraw sampel of parameters from the corresponding posterior distributions."

"ABSTRAKSuatu proses {Z_t,t=0,1,2,...} memiliki model TAR(1), yaitu adalah koefisien parameter dan α_t merupakan variabel acak yang iid dengan mean 0. Petrucelli dan Woolford (1984) memberikan kondisi ergodik pada model TAR(1)dan estimasi parameter yang dapat diperoleh melalui metode least square.Simulasi dilakukan dengan membangkitkan α_t dan Z_t secara acak, serta dilakukan pada nilai-nilai parameter tertentu.

---

ABSTRACT

A process {Z_t,t=0,1,2,...} has TAR(1) model that is parameter coefficients and α_t are a sequence of iid random variables with mean 0. Petrucell and Woolford (1984) gave an ergodic condition on TAR(1) model and parameter estimation using least square method. Simulation are done using generated κ_t and Z_t with some different values of parameter."

"Extended cox model adalah perluasan dari model cox yaitu dengan melibatkan variabel yang bergantung pada waktu. Model ini digunakan untuk memperbaiki model cox proportional hazard apabila satu atau lebih covariate tidak memenuhi asumsi proportional hazard. Covariate yang tidak memenuhi asumsi proportional hazard dalam extended cox model diinteraksikan dengan fungsi waktu, sehingga diperoleh covariate yang bergantung pada waktu. Sehingga pada model terdapat covariate yang tidak bergantung pada waktu dan covariate yang bergantung pada waktu. Parameter-parameter dari covariate tersebut ditaksir dengan menggunakan metode maksimum partial likelihood. Untuk mengetahui apakah extended cox model adalah model yang sesuai untuk suatu data dalam kasus tertentu, digunakan uji ratio likelihood. Sebagai contoh penerapan digunakan data berupa waktu seorang pasien mengalami infeksi pada ginjal setelah dilakukan transplantasi ginjal, dengan covariate yang diperhatikan yaitu pemasangan catheter pada ginjal pasien. Diperoleh hasil bahwa model yang sesuai untuk data tersebut adalah extended cox model.

---

Extended cox model is an extension of cox model by constructing time-dependent covariates that can be added to the model. This model is used to adjust the cox proportional hazard model if one or more covariates do not satisfy the proportional hazard assumption. Covariates, which do not satisfy the proportional hazard assumption, in extended cox model, are interacted with time function, so that time-dependent variables are obtained. Therefore, the model contains both time-independent and time-dependent covariates. Parameters of these covariates are estimated by maximum partial likelihood method. To find out whether extended cox model is better than cox proportional hazard model, ratio likelihood test is used. As the example, data of the period of time a patient suffering kidney infection after having kidney transplantation, with the concerned covariate is placed catheter in patient?s kidney. The result showed that extended cox model is appropriate for the data."