Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini dilakukan untuk mengidentifikasi jenis tanah bawah permukaan pada lokasi penelitian serta memanfaatkan informasi tersebut untuk mengetahui zona layak bangunan pada lokasi penelitian. Penelitian ini menggunakan metode seismik refraksi dan MASW. Data yang digunakan adalah data Vp₃₀ dan Vs₃₀ untuk mendapatkan poisson ratio pada kedalaman rata-rata 30 meter. Data ini merupakan hasil dari pengukuran yang dilakukan di 14 titik di sekitar Universitas Indonesia. Hasil pengolahan data Vp₃₀ dan Vs₃₀ dihitung dengan menggunakan rasio Vp₃₀/Vs₃₀ dan menghasilkan nilai poisson ratio yang diinterpolasi untuk identifikasi jenis tanah. Dari hasil pengolahan dan analisis terdapat perbedaan nilai poisson ratio di wilayah utara dan selatan Universitas Indonesia, yaitu di wilayah utara memiliki nilai poisson ratio sebesar 0.38 – 0.41 dan di wilayah selatan memiliki nilai poisson ratio sebesar 0.41 – 0.45. Dari hasil tersebut dapat diprediksi bahwa di wilayah utara Universitas Indonesia memiliki jenis tanah yang lebih keras dibandingkan jenis tanah di wilayah selatan Universitas Indonesia.

---

This research was conducted to identify the types of subsurface soil at the research site and utilize this information to determine suitable building zones at the research location. The study employed seismic refraction and MASW methods. The data used included Vp₃₀ and Vs₃₀ data to obtain the Poisson's ratio at an average depth of 30 meters. These data is the result of measurements taken at 14 points around Universitas Indonesia. The Vp₃₀ and Vs₃₀ data processing results are calculated using the Vp₃₀/Vs₃₀ ratio and produce Poisson's ratio values that are interpolated to identify soil types. The analysis revealed differences in Poisson's ratio values between the northern and southern regions of the University of Indonesia. In the northern region, the Poisson's ratio ranged from 0.38 to 0.41, while in the southern region, it ranged from 0.41 to 0.45. From these results, it can be predicted that the northern region of the University of Indonesia has harder soil types compared to the southern region."

"ABSTRAKCount data tidak selalu bersifat ekuidispersi. Sehingga, distribusi Poisson tidak dapat digunakan untuk memodelkan count data tersebut. Beberapa distribusi alternatif dari distribusi Poisson telah dikenalkan untuk memodelkan data overdispersi. Namun, distribusi tersebut memiliki kompleksitas yang lebih tinggi dalam jumlah parameter distribusi. Perlu dilakukan modifikasi pada distribusi Poisson agar distribusi yang terbentuk bisa merepresentasikan data overdispersi. Salah satu caranya yaitu dengan melakukan pencampuran distribusi antara distribusi Poisson dengan distribusi Lindley. Distribusi yang terbentuk yaitu distribusi Poisson-Lindley. Namun, distribusi Poisson-Lindley belum dapat mengatasi data underdispersi. Selain itu terdapat data asli yang tidak memiliki observasi bernilai nol. Dengan demikian, untuk mendapatkan distribusi yang lebih fleksibel agar lebih cocok dengan count data tersebut, perlu dilakukan modifikasi pada distribusi Poisson-Lindley dengan menerapkan metode zero-truncated. Distribusi baru yang terbentuk yaitu distribusi Zero-truncated Poisson-Lindley. Distribusi baru tersebut dapat mengatasi data yang tidak memiliki observasi bernilai nol dalam kondisi overdispersi maupun underdispersi. Dalam skripsi ini, didapat karakteristik dari distribusi Zero truncated Poisson-Lindley dan penaksiran parameter distribusi menggunakan metode maximum likelihood.

---

ABSTRACT

Not every count data has equal-dispersion. As a result, Poisson distribution is no longer appropriate to be used for count data modelling. Several distributions have been introduced to be used as an alternative to Poisson distribution on handling the over-dispersion in data. In general, the alternative distributions have higher complexity in the number of parameters. Modification needs to be done in Poisson distribution so that the distribution can represent the condition of the over-dispersion in data. By doing mixing Poisson and Lindley distribution, a new distribution called Poisson-Lindley is developed. However, Poisson-Lindley distribution cannot handle data that exhibits under-dispersion. On the other hand, there is real data that has no zero-count. Therefore, in order to obtain a more flexible distribution to fit count data that has no zero count, a modification needs to be done in Poisson Lindley distribution by applying a zero truncated method in Poisson-Lindley distribution. The newly formed distribution is named Zero-truncated Poisson Lindley distribution. It can handle the condition when the data has no zero-count both in over-dispersion and under-dispersion. In this paper, characteristics of Zero truncated Poisson Lindley distribution are obtained and estimate distribution parameters using the maximum likelihood method."

"Indonesia sedang masuk ke masa pembangunan infrastruktur. Dalam pembangunan infrastruktur berkaitan erat dengan tanah atau batuan yang menjadi pondasi utama. Disinilah peran geofisika dibutuhkan yaitu dibidang geofisika teknik dan lingkungan, namun faktanya pada pembangunan infrastruktur negara Indonesia belum melibatkan geofisika didalamnya oleh karena itu dengan adanya penelitian ini diharapkan negara Indonesia akan melibatkan peranan geofisika dalam pembangunan infrastruktur. Penelitian ini dilakukan dengan cara memvalidasi hasil pengambilan data SPT yang sudah diambil sebelumnya dengan metode geofisika dibidang teknik dan lingkungan. Penelitian ini dapat membantu untuk mengetahui litologi bawah permukaan yang digunakan untuk pencarian pondasi bangunan yang tepat. Penelitian ini dilakukan untuk mengetahui persebaran nilai Brittleness dan nilai parameter mekanika batuan di bawah permukaan dari penampang hasil pengolahan data seismik refraksi pada lapangan gedung baru fasilkom universitas Indonesia pada bulan Januari tahun 2020. Analisis persebaran nilai Brittleness dan mekanika batuan dilakukan berdasarkan perhitungan nilai Vp dan Vs yang didapatkan dari pengolahan hasil akuisisi data dan data pendukung yaitu berupa data (Soil Penetration Test) SPT. Penampang 2D parameter mekanika batuan berupa Poisson's Ratio memiliki hasil dengan range -1 hingga 0.5, modulus bulk memiliki hasil dengan range 0 hingga 5.4 dan modulus young memiliki hasil dengan range 0 hingga 9.5. Persebaran nilai Brittleness bawah permukaan lapisan pertama dan kedua didominasi oleh lapisan brittle, lapisan ketiga terdapat persebaran lapisan brittle dan ductile, lapisan keempat dan kelima didominasi oleh lapisan ductile.

---

Indonesia is entering a period of infrastructure development. In infrastructure development, it is closely related to soil or rock which is the main foundation. This is where the role of geophysics is needed, namely in the field of engineering and environmental geophysics, but the fact is that Indonesia's infrastructure development has not involved geophysics in it, therefore with this research, it is hoped that the Indonesian state will involve the role of geophysics in infrastructure development. This research was conducted by validating the results of the SPT data collection that had been previously taken using geophysical methods in the engineering and environmental fields. This study can help to determine the subsurface lithology used to find the right building foundation. This research conducting to determine the distribution of the Brittleness value and the rock mechanic parameter values below the surface of the cross-section of the refractive seismic data processing in the field of the new building of the Indonesian University of Communication Faculty in January 2020. Analysis of the distribution of Brittleness values and rock mechanics was carried out based on the calculation of Vp and Vs values obtained from processing the results of data acquisition and supporting data in the form of data (Soil Penetration Test) SPT. The 2D cross-section of rock mechanic parameters are Poisson's Ratio has results ranging from -1 to 0.5, bulk modulus has resulted in the range 0 to 5.4, and modulus young has resulted in the range 0 to 9.5. The distribution of Brittleness values below the surface of the first and second layers is dominated by the brittle layer, the third layer is the distribution of the brittle and ductile layers, the fourth and fifth layers are dominated by ductile layers."

"Data hitung merupakan contoh data diskrit non negatif yang sering dijumpai di penerimaan data. Analisis yang biasa digunakan dalam pemodelan data hitung adalah Analisis regresi poisson, dimana salah satu asumsi dari regresi ini adalah equidispersion yaitu ketika mean dan varians datanya sama. Namun dalam praktiknya, keadaan overdispersi lebih umum daripada equidispersion. Data berpengalaman Overdispersi ini tentunya membutuhkan penanganan khusus untuk dapat dianalisis. Model Regresi yang dapat menangani masalah dispersi berlebih ini adalah model Quasi-regresi. Poisson, dimana model ini memperhitungkan elemen parameter dispersi penyebabnya varians data tidak sama dengan mean. Metode yang digunakan dalam penilaian Parameter dari model regresi Quasi-Poisson adalah Maximum Quasi-Likelihood yang bukan perhatikan secara khusus bentuk distribusi variabel respon. Perhitungan numerik yang digunakan dalam penelitian ini adalah Newton Raphson setara dengan Iterative Weighted Least Square (IWLS). Tujuan dari penelitian ini adalah dengan mengaplikasikan metode estimasi Maximum Quasi-Likelihood dalam melakukan estimasi Parameter regresi Quasi-Poisson. Hasil studi kasus pada data yang bermasalah pada di atas menunjukkan bahwa, dalam kasus penyebaran berlebih, metode regresi Quasi-Poisson Kemungkinan Kuasi Maksimum menyajikan model yang lebih baik daripada Regresi Poisson.Calculated data is an example of non-negative discrete data that is often found in data reception. The analysis commonly used in calculating data modeling is regression analysis, where one of the assumptions of this regression is equidispersion, which is when the mean and variance of the data are the same. In practice, however, the overdispersion state is more generally equidispersion. Experienced data. This overdispersion certainly requires special handling to be analyzed. A regression model that can address this excess dispersion problem is a Quasi-regression model. Poisson, where this model takes into account the dispersion parameter because the variance of the data is not the same as the mean. The method used in the sample The parameter of the Quasi-Poisson regression model is the Maximum Quasi-Likelihood which is not a specific form of the distribution of the response variable. The numerical calculation used in this study is Newton Raphson equivalent to the Iterative Weighted Least Square (IWLS). The purpose of this study is to apply the Quasi-Likelihood Maximum method in estimating Quasi-Poisson regression parameters. The results of the case study on the problematic data above show that, in case of excess spread, the Quasi-Poisson regression method of Quasi-Maximum Likelihood presents a better model than Poisson Regression."

"Distribusi Poisson adalah distribusi yang biasa digunakan untuk memodelkan count data dengan asumsi nilai mean dan variansi memiliki nilai yang sama (ekuidispersi). Dalam kenyataannya, sebagian besar count data memiliki nilai mean yang lebih kecil dari variansi (overdispersi) dan distribusi Poisson tidak cocok digunakan untuk memodelkannya. Dengan demikian, beberapa distribusi alternatif telah diperkenalkan untuk mengatasi masalah ini. Salah satunya adalah distribusi Shanker yang hanya memiliki satu parameter. Namun, distribusi Shanker adalah distribusi kontinu, sehingga tidak dapat digunakan untuk memodelkan count data. Oleh karena itu, distribusi baru ditawarkan yaitu distribusi Poisson-Shanker. Distribusi Poisson-Shanker diperoleh dengan mencampurkan distribusi Poisson dan Shanker, dengan distribusi Shanker sebagai mixing distribution. Hasil yang diperoleh adalah distribusi campuran yang memiliki satu parameter dan dapat digunakan untuk memodelkan count data yang overdispersi. Dalam tugas akhir ini, diperoleh bahwa distribusi Poisson-Shanker memiliki beberapa sifat yaitu unimodal, overdispersi, hazard rate naik, serta diperoleh koefisien kurtosis dan skewness. Selain itu, diperoleh pula empat raw momen dan momen sentral pertama. Metode yang digunakan untuk menaksir parameter adalah metode maximum likelihood dan diselesaikan dengan menggunakan iterasi numerik. Dilakukan ilustrasi pada data untuk menggambarkan distribusi Poisson-Shanker. Karakteristik parameter dari distribusi Poisson-Shanker diperoleh dengan simulasi numerik dengan beberapa variasi nilai parameter dan ukuran sampel. Hasil yang diperoleh adalah rata-rata nilai MSE dan bias taksiran parameter akan naik seiring pertambahan nilai parameter untuk suatu nilai n dan akan turun seiring pertambahan nilai n untuk suatu nilai parameter.

---

Poisson distribution is a common distribution for modelling count data with assumption mean and variance has the same value (equidispersion). In fact, most of the count data have mean that is smaller than variance (overdispersion) and Poisson distribution cannot be used for modelling this kind of data. Thus, several alternative distributions have been introduced to solve this problem. One of them is Shanker distribution that only has one parameter. Since Shanker distribution is continuous distribution, it cannot be used for modelling count data. Therefore, a new distribution is offered that is Poisson-Shanker distribution. Poisson-Shanker distribution is obtained by mixing Poisson and Shanker distribution, with Shanker distribution as the mixing distribution. The result is a mixture distribution that has one parameter and can be used for modelling overdispersion count data. In this paper, we obtain that Poisson-Shanker distribution has several properties are unimodal, overdispersion, increasing hazard rate, and right skew. The first four raw moments and central moments have been obtained. Maximum likelihood is a method that is used to estimate the parameter, and the solution can be done using numerical iterations. A real data set is used to illustrate the proposed distribution. The characteristics of the Poisson-Shanker distribution parameter is also obtained by numerical simulation with several variations in parameter values and sample size. The result is average MSE and bias of the estimated parameter will increase when the parameter value rises for a value of n and will decrease when the value of n rises for a parameter value."

"Distribusi Weibull-Poisson merupakan distribusi kontinu yang dapat memodelkan beberapa macam bentuk hazard yaitu monoton naik, monoton turun dan increasing upside-down bathtub shape yang mempunyai bentuk bathtub shape terbalik dan monoton naik. Distribusi ini merupakan suatu distribusi lifetime yang dapat memodelkan kegagalan dalam suatu sistem seri dan merupakan pengembangan dari distribusi EksponensialPoisson. Distribusi ini diperoleh dengan melakukan metode compounding terhadap distribusi Weibull dan distribusi ZT-Poisson. Untuk mendapatkan bentuk akhir dari distribusi tersebut digunakan beberapa sifat matematis seperti order statistik dan ekspansi deret taylor. Selain pembentukan distribusi Weibull-Poisson, skripsi ini menjelaskan fungsi kepadatan peluang, fungsi distribusi, momen ke-r, momen sentral ke-r, mean, dan variansi. Sebagai ilustrasi, dibahas pula aplikasi distribusi Weibull-Poisson pada data survival marmut setelah terinfeksi virus Turblece Bacilli.

---

The Weibull-Poisson distribution is a continuous distribution that can be modeled various forms of hazard namely monotone up, monotone down and upside-down down bathtub shape which is shaped up. This distribution is a lifetime-distribution that can model failures in a series system and is development of the Exponential-Poisson distribution. This distribution is obtained by perform the compounding method on the Weibull distribution and the ZT-Poisson distribution. To obtain the final form of the distribution, several mathematical properties are used such as statistical order and Taylor's number expansion. In addition to the formation of Weibull-Poisson distribution, this thesis includes the probability density function, distribution function, moment rth, rth central moment, mean, and variance. As an illustration, Weibull-Poisson distribution is applied on guinea pig survival data after being infected with Turblece virus Bacilli."

"Model regresi Generalized Poisson I merupakan suatu model regresi yang digunakan untuk menganalisis hubungan antara sebuah variabel random dependen yang berupa data count ( berjenis diskrit ) dengan satu atau lebih variabel independen. Model ini dapat digunakan baik dalam keadaan ekuidispersi, overdispersi ataupun underdispersi. Penaksiran parameter dari model regresi Generalized Poisson I dapat diperoleh denganmenggunakan metode maksimum likelihood melalui pendekatan Newton- Raphson. Beberapa ukuran perbandingan dapat digunakan untuk membandingkan model regresi Generalized Poisson I dengan model regresi Poisson."

"Penelitian ini bertujuan untuk menganalisa pengaruh Return on Equity, Earning Per Share, Current Ratio, Quick Ratio, Current Earning, dan Growth Opportunity Terhadap Dividend Payout Ratio Perusahaan Manufaktur yang terdaftar pada Bursa Efek Indonesia pada periode 2010-2013. Variabel-variabel yang digunakan adalah ROE (Return on Equity), EPS (Earning Per Share), CR (Current Ratio), CE (Current Earning), QR (Quick Ratio), dan GO (Growth Opportunity) sebagai variabel bebas, serta DPO (Dividend Payout Ratio) sebagai variabel terikat. Sampel penelitian terdiri dari 28 perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia periode 2010 hingga 2013. Model penelitian yang digunakan adalah Fixed Effect Model. Hasil pengujian data panel menunjukkan bahwa CR, QR, CE, dan GO memiliki pengaruh positif dan signifikan terhadap DPO, sementara ROE dan EPS memiliki pengaruh negatif dan signifikan terhadap DPO.This study aim to analyze Return on Equity, Earning Per Share, Current Ratio, Quick Ratio, Current Earning, and Growth Opportunity Effect On Dividend Payout Ratio in Manufacturing Company Listed in Indonesia Stock Exchange Periode 2010-2013. Variables used are ROE (Return on Equity), EPS (Earning Per Share), CR (Current Ratio), QR (Quick Ratio), CE (Current Earning), and GO (Growth Opportunity) as independent variables, and DPO (Dividend Payout Ratio) as dependent variable. Samples used in this study consist of 28 Manufacturing Company listed in Indonesia Stock Exchange period 2010 to 2013. Research model being used in this study is Fixed Effect Model. The result of this study shows that CR, QR, CE, and GO had significant and positive effect on DPO, meanwhile ROE and EPS had significant and negative effect on DPO."