Hasil Pencarian  ::  Simpan CSV :: Kembali

"Distribusi probabilitas berperan penting dalam proses analisa data. Terdapat banyak jenis distribusi yang telah ditemukan, salah satunya adalah distribusi Weibull. Distribusi Weibull diperkenalkan oleh fisikawan Swedia Waloddi Weibull pada tahun 1939. Seiring berjalannya waktu, banyak generalisasi distribusi Weibull telah dicoba oleh para peneliti. Distribusi Alpha Logarithmic Transformed Weibull (ALTW) adalah salah satu generalisasi dari distribusi Weibull dengan tiga parameter. Distribusi ALTW mengandung beberapa distribusi lifetime, yaitu distribusi Weibull, Eksponensial, dan Logaritmik. Metode Maximum Likelihood Estimator adalah salah satu metode yang sering digunakan untuk mengestimasi parameter distribusi. Namun, karena distribusi ALTW memiliki banyak parameter, diperlukan bantuan metode numerik untuk mendapatkan estimasi parameternya. Metode numerik yang akan digunakan dalam penelitian ini adalah metode Newton-Raphson dan metode Gradien Konjugat. Hasil estimasi parameter dari kedua metode numerik akan dibandingkan untuk mencari estimasi terbaik. Terakhir, distribusi ALTW akan diaplikasikan pada data survival.

---

The probability distribution plays a crucial role in analyzing data. There are many types of distributions that have been discovered, one of which is the Weibull distribution. The Weibull distribution was introduced by the Swedish physicist Waloddi Weibull in 1939. Over time, many generalizations of the Weibull distribution have been attempted by researchers. The Alpha Logarithmic Transformed Weibull (ALTW) distribution is one such generalization of the Weibull distribution with three parameters. The ALTW distribution encompasses several lifetime distributions, namely the Weibull, Exponential, and Logarithmic distributions. The Maximum Likelihood Estimator method is one commonly used technique for estimating distribution parameters. However, due to the multiple parameters of the ALTW distribution, numerical methods are required to obtain parameter estimates. The numerical methods to be used in this study are the Newton-Raphson method and the Conjugate Gradient method. The parameter estimates obtained from both numerical methods will be compared to find the best estimation. Finally, the ALTW distribution will be applied to a survival data."

"Analisis mengenai data waktu tunggu memiliki peran penting dalam berbagai bidang disiplin ilmu. Pada umumnya data waktu tunggu memiliki pola penyebaran yang menceng. Distribusi Weibull merupakan salah satu distribusi yang sering digunakan untuk memodelkan data waktu tunggu. Namun, distribusi Weibull tidak sesuai digunakan untuk memodelkan data dengan fungsi hazard non-monoton, salah satunya bentuk upside-down bathtub. Menurut Sharma et al. (2015), invers dari beberapa distribusi probabilitas dapat memodelkan data dengan fungsi hazard berbentuk upside-down bathtub, salah satunya adalah distribusi invers Weibull. Pada penelitian ini, dibahas distribusi Alpha Power Invers Weibull (APIW) yang merupakan generalisasi dari distribusi invers Weibull. Distribusi ini dibentuk dengan menggunakan metode Alpha Power Transformation. Modifikasi dilakukan dengan penambahan parameter shape pada distribusi invers Weibull dengan tujuan untuk meningkatkan fleksibilitasnya. Beberapa karakteristik distribusi Alpha Power Invers Weibull yang dibahas meliputi fungsi kepadatan peluang, fungsi distribusi, fungsi survival, fungsi hazard, dan momen ke-r. Fungsi kepadatan peluang dari distribusi APIW berbentuk menceng kiri dan unimodal. Lebih lanjut, fungsi hazard dari distribusi APIW berbentuk upside-down bathtub. Penaksiran parameter distribusi dilakukan dengan menggunakan metode maksimum likelihood. Terakhir, diberikan data waktu hingga pasien penderita kanker lambung meninggal yang dimodelkan dengan distribusi invers Weibull dan distribusi Alpha Power Invers Weibull sebagai ilustrasi. Hasil pemodelan menunjukkan bahwa distribusi Alpha Power Invers Weibull lebih baik dalam memodelkan data waktu hingga pasien penderita kanker lambung meninggal dibandingkan dengan distribusi invers Weibull.

---

Lifetime data analysis has an essential role in various fields of science. In general, lifetime data have a skewed distribution pattern. The Weibull distribution is one of the frequently used distributions for modelling lifetime data. However, the Weibull distribution is not suitable for modelling data with non-monotonous hazard functions, one of which is an upside-down bathtub shape. According to Sharma et al. (2015), the inverse version of several probability distributions can model the data with an upside-down bathtub shape, one of which is the inverse Weibull distribution. This study explained the Alpha Power Inverse Weibull (APIW) distribution as a generalized version of the inverse Weibull distribution. This distribution is constructed by using the Alpha Power Transformation method. The modification is done by adding a shape parameter to the inverse Weibull distribution to increase flexibility. The characteristics of Alpha Power Inverse Weibull distribution discussed include probability density function, distribution function, survival function, hazard function, and the r-th moment. The probability density function of APIW distribution is left-skewed and unimodal. In addition, the hazard function of APIW distribution has an upside-down bathtub shape. The distribution parameter estimation is done by using the maximum likelihood method. Finally, for illustration purposes, the data about the time until gastric cancer patients die are modelled with the inverse Weibull distribution, and the Alpha Power Inverse Weibull distribution is given. The modelling result shows that the Alpha Power Inverse Weibull distribution is better at modelling the time until gastric cancer patients die data than the inverse Weibull distribution."

"

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.

 

"

"Data waktu tunggu merupakan data waktu hingga suatu kejadian (event) terjadi. Salah satu distribusi yang sering digunakan dalam memodelkan waktu tunggu adalah distribusi Weibull. Namun dalam pengaplikasiannya, distribusi Weibull memiliki sebuah kekurangan, yaitu bentuk fungsi hazard yang terbatas pada bentuk monoton. Oleh karena itu, diperlukan suatu metode untuk menggeneralisasi distribusi Weibull sehingga dapat memperluas variasi data yang dapat dimodelkannya. Salah satu perluasan tersebut adalah distribusi Weibull-Frechet (WFr). Distribusi Weibull-Frechet memiliki kelebihan dibanding distribusi Weibull, yaitu kemampuannya memodelkan data dengan fungsi hazard berbentuk unimodal. Metode yang digunakan dalam membentuk distribusi Weibull-Frechet adalah Weibull-G (WG). Metode Weibull-G menggunakan suatu fungsi W[G(x)] untuk menggabungkan distribusi Weibull dengan suatu distribusi sembarang yang memiliki fungsi distribusi kumulatif G(x). Oleh karena itu, penelitian ini membahas proses pembentukan distribusi Weibull-Frechet. Selain itu, dibahas juga karakteristik dari distribusi Weibull-Frechet beserta penaksiran parameter distribusi Weibull-Frechet dengan menggunakan metode penaksiran maksimum likelihood. Pada bagian akhir diberikan sebuah ilustrasi data menggunakan data waktu tunggu hingga pasien kanker lambung meninggal. Data tersebut dimodelkan menggunakan distribusi Weibull-Frechet, dengan distribusi Weibull dan distribusi Frechet sebagai pembanding. Hasil pemodelan menunjukkan bahwa distribusi Weibull-Frechet merupakan distribusi terbaik dalam memodelkan data waktu tunggu hingga pasien kanker lambung meninggal.

---

Lifetime data is a type of data that consists of waiting time until an event occurs. The distribution usually used for modeling lifetime data is the Weibull distribution. However, Weibull distribution has a limitation in its application : it can only model data with a monotonic hazard function. Therefore, a method for generalizing The Weibull distribution is needed so it can model a greater variety of data. One of those generalizations is the Weibull-Frechet distribution (WFr). The Weibull-Frechet distribution has an advantage over the Weibull distribution, due to its capability in modeling data with unimodal hazard function. The method used in generating the Weibull-Frechet distribution is the Weibull-G (WG). The Weibull-G method combines the distribution of a Weibull distribution with an arbitrary distribution with a cumulative distribution function G(x) using a function W[G(x)]. Hence, this thesis studies how to generate a Weibull-Frechet distribution. Furthermore, it also studies the characteristics of the Weibull-Frechet distribution and how to estimate the distribution’s parameters using the maximum likelihood estimation method. At the end of this thesis, lifetime data of gastric cancer patients is given for illustration purposes. The data is modeled using the Weibull-Frechet distribution, and both the Weibull and Frechet distribution for comparison. The model result shows that the Weibull-Frechet distribution is the best distribution for modeling the lifetime data of gastric cancer patients."

"ABSTRAKCount data biasanya merupakan hasil dari suatu count process pada waktu yang kontinu. Salah satu distribusi yang sering digunakan untuk memodelkan count data adalah Poisson count model yang interarival times-nya berdistribusi eksponensial. Namun demikian, Poisson hanya valid untuk data yang memilliki sifat equidispersion. Menerapkan Poisson count model terhadap data yang tidak memenuhi asumsi equidispersion data yang overdispersed maupun underdispersed dapat mengakibatkan kesalahan spesifikasi distribusi dari data. Sebuah count model dikembangkan pada penelitian ini dengan memperluas interarrival times yang digunakan, yaitu Weibull sebagai generalisasi dari eksponensial. Weibull interarrival times dapat mengatasi overdispersion dengan parameter shape 0.

---

ABSTRACTCount data are usually the outcomes of an underlying count process in continuous time. One of the distributions often used to fit count data is Poisson count model. However, Poisson count model is only valid if the data satisfy equidispersion assumption. Applying Poisson count model to the significantly non equidispersed data overdispersed or underdispersed could lead to misspesification of the distribution of the data. A count model would be derived in this thesis by expanding the interarrival times used, that is Weibull interarrival times as the generalization of exponential. Weibull interarrival times could handle overdispersed data with shape parameter 0."

"[ABSTRAKPada sistem tenaga listrik memiliki bagian yang saling berkaitan antara satu dengan yang lainnya yaitu sistem pembangkitan, sistem transmisi dan sistem distribusi. Untuk menyalurkan listrik ke konsumen dari sistem distribusi digunakan transformator. Apabila transformator terkena gangguan, maka konsumen dapat langsung merasakan dampaknya. Gangguan-gangguan ini dapat merusak transformator. Sehingga memprediksikan waktu kegagalan transformator sangat penting untuk dilakukan. Terdapat beberapa cara untuk memprediksikan waktu kegagalan transformator yaitu dengan menggunakan distribusi weibull dan distribusi eksponensial. Dengan membuat program aplikasi berbasis Microsoft Excel untuk kedua distribusi ini, dapat langsung memprediksikan waktu kegagalan transformator. Hasil dari program ini adalah kapan transformator akan mengalami waktu kegagalan. Apabila kedua distribusi ini dapat digunakan, program ini dapat menentukan distribusi yang paling akurat untuk digunakan. Sehingga waktu kegagalan yang didapat akan lebih akurat.

---

ABSTRACTOn an electric power system there are three parts interconnected between one and another and that is generation system, transmission system and distribution system. To distribute electricity to consumer from distribution system used transformer. When a transformer affected by disruption, the consumers can feel the impact. This disruption can damage the transformer. So, predicting the time of the failure of a transformer is very important to do. There are several ways to predict the time of the failure of a transformer is to use and distribution of the exponential and weibull distribution. By making an application program based on Microsoft excel for this distribution, a transformer failure can be directly predicted time. The result of this program will have the time when the transformer is going to failure. If both the distribution can be used, this program can determine the most accurate distribution to use. Therefore the time failure which were found would be more accurate., On an electric power system there are three parts interconnected between one and another and that is generation system, transmission system and distribution system. To distribute electricity to consumer from distribution system used transformer. When a transformer affected by disruption, the consumers can feel the impact. This disruption can damage the transformer. So, predicting the time of the failure of a transformer is very important to do. There are several ways to predict the time of the failure of a transformer is to use and distribution of the exponential and weibull distribution. By making an application program based on Microsoft excel for this distribution, a transformer failure can be directly predicted time. The result of this program will have the time when the transformer is going to failure. If both the distribution can be used, this program can determine the most accurate distribution to use. Therefore the time failure which were found would be more accurate.]"

"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."

"Distribusi Weibull merupakan distribusi yang sering digunakan dalam menganalisis data mengenai lama waktu suatu objek mampu bertahan hingga pada akhirnnya objek tersebut tidak berfungsi lagi. Akan tetapi distribusi Weibull tidak memberikan kecocokan yang bersesuaian dalam beberapa aplikasi data tersebut. Hal ini terjadi, khususnya, pada saat data memiliki fungsi hazard yang berbentuk bathtub. Sehingga dibutuhkan modifikasi pada distribusi Weibull. Suatu distribusi baru, yang disebut dengan Distribusi Alpha Power Weibull (APW), merupakan distribusi yang dibangun dari distribusi Weibull yang ditransfomasi oleh metode transformasi Alpha Power. Keutamaan dalam membangun distribusi ini bertujuan untuk dapat memodelkan data dengan dengan pdf yang menceng kiri dan menceng kanan, serta fungsi hazard yang monoton dan non-monoton. Transformasi Alpha Power merupakan metode baru dalam menambahkan parameter pada distribusi yang sudah ada, dan hasil transformasinya memberikan fleksibilitas yang lebih baik dibandingkan distribusi sebelumnya. Pada skripsi ini, akan dibahas proses pembentukan distribusi APW. Karakteristik-karakteristik yang dibahas meliputi fungsi kepadatan probabilitas, fungsi disribusi, fungsi survival, fungsi hazard, ekspektasi, variansi, moment generating function (mgf), momen ke-r, momen sentral, koefisien skewness dan koefisien kurtosis. Metode penaksiran maksimum likelihood digunakan untuk mengestimasi parameter dari distribusi APW.

---

Weibull distribution is a very popular distribution for analyzing data sets about length of object is able to survive until the object is not function. But for some of its applications, Weibull distribution does not provide an acceptable fit, especially, when the hazard rates are bathtub shape. Therefore, Weibull distribution needs modification. A new lifetime distribution called Alpha Power Weibull (APW) distribution is constructed from Weibull distribution that transformed by Alpha Power transformation (APT) method. 

The importance of constructing this new distribution comes from the ability to model flexible probability density function, also monotone and non-monotone hazard rate function. APT is a new method for adding parameter to a well-established distribution, and obtain more flexible new distribution compared to the old distribution.

In this study, how to construct APW distribution with APT method is discussed. Furthermore, the important characteristics such as probability density function (pdf), cumulative distribution function (cdf), survival function, hazard function, mean, variance, moment generating function (mgf), r-th moment, central moment, skewness coefficient and kurtosis coefficient are also discussed. The maximum likelihood estimation method is used to estimate the parameters of APW distribution."

"Tugas akhir ini membahas mengenai Jeffrey prior dalam penaksiran parameter scale distribusi Weibull menggunakan data yang tersensor kanan maupun yang tidak tersensor. Pada Jeffrey prior, posterior yang akan didapatkan hanya berdasarkan data yang diketahui. Pada tugas akhir ini juga akan dibahas mengenai Bayesian Central Limit Theorem yang dapat dipakai untuk mencari credible interval. Sebagai pembanding untuk taksiran dengan Jeffrey prior, akan dicari juga taksiran parameter scale distribusi Weibull dengan conjugate prior. Sebagai ilustrasi, akan dilakukan simulasi dengan data yang berdistribusi Weibull. Setelah taksiran telah didapatkan, akan dihitung MSE dan MIL pada masing-masing taksiran. Hal tersebut dilakukan untuk mengetahui seberapa baik taksiran yang dihasilkan oleh Jeffrey prior.

---

This paper discusses about Jeffrey prior in estimating the scale parameter of Weibull distribution using right censored data well as exact data. In Jeffrey prior, the posterior will be obtained only based on data. This paper will also discuss about the Bayesian Central Limit Theorem that can be used to find a credible interval. As a comparison of the Jeffrey prior estimate,the estimator using conjugate prior will also be considered. For the illustration, simulation with Weibull distributed data (θ, τ) will be performed. Once the estimate have been obtained, MSE and MIL on each estimate will be calculated. This is done to measure the performace of the estimate produced by Jeffrey prior."

"Distribusi Weibull digunakan untuk menyelesaikan masalah-masalah yang menyangkut lama waktu suatu objek yang mampu bertahan hingga akhirnya objek tersebut tidak berfungsi (dengan kata lain rusak atau mati). Distribusi Weibull merupakan salah satu solusi untuk masalah fleksibilitas yang tidak dimiliki oleh distribusi Exponensial, yaitu hanya memiliki bentuk fungsi hazard yang konstan. Dalam melakukan inferensi dari kasus yang dimodelkan dengan distribusi Weibull, perlu dilakukan penaksiran terhadap parameternya. Distribusi Weibull dua parameter memiliki parameter skala dan parameter shape. Pada skripsi ini, akan dilakukan penaksiran parameter skala dari distribusi Weibull pada data terpancung kiri dan tersensor kanan dengan asumsi bahwa parameter shape diketahui menggunakan metode Bayesian. Prosedur dalam penaksiran parameter meliputi penentuan distribusi prior, fungsi dan distribusi posterior. Kemudian penaksir titik Bayes diperoleh dengan meminimumkan ekspektasi dari fungsi. Fungsi yang digunakan adalah Squared Error Loss Functio (SELF) dan Precautionary Loss Function (PLF). Kemudian dilakukan simulasi data untuk membandingkan nilai Mean Squared Error (MSE) dari taksiran parameter skala menggunakan fungsi. Hasil simulasi menunjukan bahwa taksiran parameter menggunakan fungsi memiliki nilai MSE yang lebih kecil untuk parameter skala lebih kecil atau sama dengan satu sedangkan taksiran parameter menggunakan fungsi PLF memiliki nilai MSE yang lebih kecil untuk parameter skala lebih besar daripada satu.

---

Weibull distribution is used to solve problems that involve the length of time an object is able to survive until the object is not function (in other words damaged or dead). Weibull distribution is one of many solutions to the flexibility problem that is not owned by an Exponential distribution, which only has the form of a constant hazard function. In making inferences from cases modeled with the Weibull distribution, it is necessary to estimate the parameters. The two-parameter Weibull distribution has a scale parameter and a shape parameter. In this thesis, the scale parameter of the Weibull distribution will be estimated on left truncated and right censored data assuming that the shape parameter are known using Bayesian method. The procedure in parameter estimation includes the determination of the prior distribution, the likelihood function and the posterior distribution. Then the point estimator of the scale parameter is obtained by minimizing the expectation of loss function. The loss function used in this thesis are Squared Error Loss Function (SELF) and Precautionary Loss Function (PLF). Data simulation is done to compare the value of Mean Squared Error (MSE) from the estimated parameters using SELF and PLF. The simulation result shows that the estimated parameter using SELF has a smaller MSE value for scale parameter below or equal one while the estimated parameter using PLF has a smaller MSE value for scale parameter above one."