Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Suatu runtun waktu yang memiliki variabel respon biner disebut runtun waktu biner. Runtun waktu biner dapat dimodelkan menggunakan model umum Autoregressive dengan pendekatan regresi non-linier. Kedem Fokianos 2000 mengenalkan model runtun waktu biner melalui pendekatan Autoregressive dan regresi logistik. Metode yang digunakan untuk penaksiran parameter yaitu metode Partial Likelihood. Metode Partial Likelihood ini dilakukan dengan menentukan fungsi Partial Likelihood yang dibentuk dari probability density function pdf marginal distribusi Bernoulli. Namun, dalam proses penaksiran parameter menggunakan metode Partial Likelihood ditemukan kesulitan untuk mendapatkan solusi secara langsung dikarenakan persamaan yang tidak linier closed form. Oleh karena itu, untuk mengatasi hal tersebut dilakukan iterasi menggunakan metode Fisher Scoring. Aplikasi data pada penaksiran parameter untuk model runtun waktu biner dalam tugas akhir ini menggunakan data kompetisi balap perahu antara Universitas Cambridge dan Universitas Oxford yang dicatat pada tahun 1946 sampai 2011 dengan jumlah data berbeda yaitu 22, 44, dan 66 data. Berdasarkan aplikasi data yang dilakukan, diperoleh hasil bahwa penaksiran parameter untuk model runtun waktu biner menggunakan Partial Likelihood dengan jumlah data yang berbeda menghasilkan penaksir parameter yang relatif sama atau tidak memiliki perbedaan yang signifikan. ......A time series that has binary respon variable is called a binary time series. Binary time series can be modeled using the Autoregressive general model and nonlinear regression approach. Kedem Fokianos 2000 introduced a binary time series model through the Autoregressive and logistic regression approach. The parameters of binary time series are estimated using the Partial Likelihood method. The Partial Likelihood method is performed by determining the Partial Likelihood function derived from the marginal probability density function pdf of Bernoulli distribution. However, in the process of parameter estimation using this method, the form of final function to obtain parameters is not in the closed form equation. To face this problem, Fisher scoring iterations are perfomed. The application of parameter estimation of the model uses the data about boat racing competition between the University of Cambridge and Oxford University from 1946 to 2011. Based on the data application, parameter estimation of the binary time series model using partial likelihood with different amounts of data resulting in a relatively same or no significant parameter estimator.

Abstrak :
Data runtun waktu keuangan umum digunakan oleh investor untuk menganalisis pergerakan harga suatu aset investasi. Generalized Autoregressive Conditional Heteroskedasticity (GARCH) adalah model runtun waktu yang biasa digunakan untuk menganalisis data keuangan. GARCH dapat menangkap pengelompokkan volatilitas yang menjadi karakteristik pada data-data keuangan. Pada dunia perekonomian terdapat keterkaitan antara suatu data keuangan dengan data keuangan yang lain. Oleh karena itu dikembangkan model multivariat GARCH (MGARCH) untuk memperlihatkan informasi tentang pergerakan bersama dua variabel atau lebih serta menggambarkan interaksi antardata keuangan yang diteliti. Pada skiripsi ini dibahas versi multivariat dari GARCH, yaitu Baba Engle Kroner dan Kraft (BEKK) GARCH. Pembahasan dimulai dari bagaimana pembentukan struktur varian kovarian bersyarat model BEKK MGARCH, penaksiran parameter, sampai analisis data menggunakan model BEKK MGARCH dengan asumsi error model berdistribusi normal multivariat. Metode yang digunakan untuk mengestimasi parameter adalah metode maximum likelihood. Penurunan analitik pada metode maximum likelihood dibantu dengan sifat yang ada pada quasi maximum likelihood di mana penurunan fungsi likelihood dilakukan dengan menurunkan setiap elemen pada matriks varian kovarian bersyaratnya. Namun estimasi secara analitik tidak dapat digunakan karena persamaan yang non linear, maka digunakan penyelesaian secara numerik menggunakan algoritma quasi-Newton Broyden, Fletcher, Goldfarb, dan Shanno (BFGS). Kemudian model diimplementasikan pada data harian harga penutupan saham BMRI dan BBCA. Hasil analisis menunjukkan bahwa volatilitas saham BMRI dan BBCA tanggal 01 April 2021 sampai dengan 31 Maret 2022 dipengaruhi oleh shock perusahaan sendiri pada masa lampau. ......Financial time series data has been widely used by investors to analyze the movement of any asset pricing. Generalized Autoregressive Conditional Heteroskedasticity (GARCH) is a time series model that usually used to analyze financial datas. GARCH can capture the volatility clustering phenomenon found in most financial datas. In the economic world, there is relation between one to another financial data. Hence, GARCH model has been developed into its multivariate version called multivariate GARCH (MGARCH) to capture the information about comovement also the relationship between two or more variables. In this undergraduate thesis, we explain Baba Engle Kroner and Kraft (BEKK) multivariat GARCH, starting from how the structure of variance and covariance developed, parameter estimation, to implementation of BEKK MGARCH model assuming the error model has multivariate normal distribution. Parameter estimation will be done using the maximum likelihood method with property of quasi maximum likelihood. Parameter estimation can not be solved analytically because the likelihood function is non linear, so we used numerically method called quasi-Newton with Broyden, Fletcher, Goldfarb, dan Shanno (BFGS) algorithms. Then, this BEKK MGARCH model will be used to check the volatility spillover between BMRI and BBCA stock return. The analysis in chapter 4 shows that there is no volatility spillover between BMRI and BBCA. The volatility of their return is affected by their own past shock.

Abstrak :
Penelitian yang dilakukan membahas mengenai proses manajemen risiko yang ada di warehouse PT Taisho Pharmaceutical Indonesia Tbk mulai dari tahapan identifikasi hazard dan risiko, analisis dan evaluasi risiko, penilaian risiko, pengendalian, komunikasi dan konsultasi hingga pemantauan dan telaah ulang. Penelitian yang dilakukan menggunakan metode semi kuantitatif yang mengacu standar AS/NZS 4360:2004. Tahap identifikasi hazard dan risiko menggunakan tabel Job Safety Analysis (JSA). Kemudian untuk proses analisis risiko mengacu pada tabel ukuran semi kuantitatif berdasarkan criteria Fine. Hasil penelitian menunjukan bahwa ditemuka level of risk pada masing-masing tahap proses pekerjaan di warehouse dari level of risk pada masing-masing tahap proses pekerjaan di warehouse dari hasil penelitian ada lima risiko yang mampu mengakibatkan kecelakaan kerja. Oleh karena itu dibutuhkan upaya pengendalian yang bersifat engineering, administrative, serta penggunaan alat pelindung diri (APD).

---

This research was conducted in order to examine the process of risk management that happened at warehouse PT Taisho Pharmaceutical Indonesia Tbk, started from the hazard and risk identification stages, analysis and the evaluation of risk, risk assessment, risk controlling, communication and consultation up to monitoring and review. This research was done by using semi-quantitative risk analysis that refers to the AS/NZS 4360:2004 standars. Hazard and risk identification stage was done by using the table Job Safety Analysis (JSA). For the process of risk analysis, it refers to the table of semi-quantitative measure based on fine criteria. The result of this research showed that the level of risk has been found on each stage in the warehouse from the very high level, from research there are five risk capable cause accidents, among others; mechanical hazards (guides container/truck getting hit), mechanical hazards (hit by a forklift), lifting, drop object, and chemical hazards (chemical spills). Therefore, control measures are needed engineering, administrative, as well as the use of personal protective equipment (PPE).

Abstrak :
Tugas akhir ini membahas tentang distribusi Kumaraswamy-geometrik yang merupakan distribusi probabilitas dari peubah acak diskrit yang dibangun dengan menggunakan metode Transformed-Transformer. Distribusi Kumaraswamy dapat membuat distribusi geometrik menjadi lebih fleksibel. Pembahasan meliputi fungsi distribusi, fungsi kepadatan probabilitas, perilaku limit, serta kasus khusus dari distribusi Kumaraswamy-geometrik. Karakteristik-karakteristik dari distribusi Kumaraswamy-geometrik yang meliputi modus, persentil, momen, fungsi pembangkit momen, dan fungsi pembangkit probabilitas juga akan dibahas pada tugas akhir ini. Selanjutnya, Metode Maksimum Likelihood digunakan dalam tugas akhir ini untuk mencari penaksir parameter dari distribusi Kumaraswamy-geometrik. Pada bagian akhir, akan digunakan data tentang jumlah klaim suatu asuransi kendaraan bermotor sebagai ilustrasi penggunaan distribusi Kumaraswamy-geometrik. ......This paper discusses about Kumaraswamy geometric distribution, a distribution of discrete random variable which formed by Transformed Transformer method. Kumaraswamy distribution can cause geometric distribution to be more flexible. This paper studies about distribution function, probability density function, limiting behavior, and special cases of Kumaraswamy geometric distribution. Some properties of Kumaraswamy geometric distribution such as mode, percentile, moments, moment generating function, and probability generating function are studied. Then, Maximum Likelihood method is used to estimate the parameters of Kumaraswamy geometric distribution. Finally, data about number of claims on a motor insurance is used to illustrate the use of Kumaraswamy geometric distribution.

Abstrak :
Distribusi Lindley diperkenalkan oleh Lindley 1958 dalam konteks inferensi Bayes. Baru-baru ini, perluasan dari distribusi Lindley diusulkan oleh Ghitany 2013 dan disebut distribusi yang dihasilkan disebut distribusi power Lindley. Skripsi ini akan memperkenalkan perluasan dari distribusi power Lindley menggunakan metode Marshall-Olkin dan akan menghasilkan distribusi power Lindley Marshall-Olkin PLMO. Distribusi PLMO dapat lebih fleksibel dalam merepresentasikan data dengan berbagai bentuk. Sifat fleksibilitas ini disebabkan oleh penambahan parameter ke distribusi power Lindley. Beberapa sifat PLMO akan dijelaskan dalam skripsi ini, seperti probability density function pdf, cumulative distribution function cdf, fungsi survival, fungsi hazard, kuantil, dan momen ke-r. Estimasi parameter PLMO dilakukan dengan menggunakan metode maksimum likelihood. Distribusi PLMO diterapkan pada data dan akan dibandingkan dengan distribusi Lindley, power Lindley, Lindley Marshall-Olkin LMO , gamma, dan Weibull. Perbandingan model akan menggunakan nilai log likelihood, AIC, dan BIC. ......Lindley distribution was introduced by Lindley 1958 in the context of Bayes inference. Recently, a new generalization of the Lindley distribution was proposed by Ghitany et al. 2013 , called power Lindley distribution. This paper will introduce an extension of the power Lindley distribution using the Marshall Olkin method, resulting in Marshall Olkin Extended power Lindley MOEPL distribution. The MOEPL distribution offers a flexibility in representing data with various shapes. This flexibility is due to the addition of a tilt parameter to the power Lindley distribution. Some properties of the MOEPL were explored, such as probability density function pdf, cumulative distribution function cdd, hazard rate, survival function, and quantiles. Estimation of the MOEPL parameters was conducted using maximum likelihood method. The proposed distribution was applied to data. The results were given which illustrate the MOEPL distribution and were compared to Lindley, power Lindley, Marshall Olkin Extended Lindley MOEL, gamma, and Weibull. Models comparison using the log likelihood, AIC, and BIC showed that MOEPL fit the data better than the other distributions.

Abstrak :
Masalah yang sering terjadi dalam penelitian adalah adanya missing value padahal data yang lengkap diperlukan untuk mendapatkan hasil analisis yang menggambarkan populasi. Dalam pengolahan data, missing value sering terjadi pada analisis regresi. Analisis regresi merupakan suatu model prediksi dengan melihat hubungan antara variabel respon dan variabel prediktor. Missing value dalam analisis regresi dapat ditemukan baik pada variabel respon maupun variabel prediktor. Penelitian ini membahas imputasi missing value yang terjadi pada kedua variabel tesebut dengan menggunakan imputasi regresi. Algoritma Expectation Maximization (EM) merupakan metode penaksiran parameter regresi dengan menggunakan metode Maximum Likelihood Estimaton (MLE) pada data yang memiliki missing value. Untuk menyeimbangkan hasil taksiran parameter model regresi untuk setiap variabel, dilakukan proses penyeimbangan (balance process) untuk mendapatkan hasil taksiran parameter yang konvergen. Simulasi taksiran nilai variabel respon dan prediktor yang hilang dilakukan pada berbagai variasi persentase missingness. Metode penaksiran parameter regresi dengan menggunakan algoritma EM, dapat menghasilkan model yang menjelaskan data sebesar 87% hingga terjadi missing sebanyak 60%.

---

The problem that often occurs in research is the existence of missing values even though complete data is needed to obtain the results of analysis that describe the population. In processing data, missing values often occur in regression analysis. Regression analysis is a prediction model by looking at the relationship between response variables and predictor variables. Missing values in regression analysis can be found in both the response variable and predictor variable. This study discusses the imputation of missing values that occur in both variables using regression imputation. The Expectation Maximization (EM) algorithm is a method of estimating regression parameters using the Maximum Likelihood Estimaton (MLE) method on data that has missing value. To balance the estimated parameters of the regression model for each variable, a balance process is performed to obtain the results of the convergent parameter estimates. The estimated simulation of the value of the response variable and missing predictor was carried out in various variations in the percentage of missingness. The method of estimating regression parameters using the EM algorithm, can produce a model that explains the data by 87% until there is missing as much as 60%.

Abstrak :
Skripsi ini membahas tingkat seismisitas, kerapuhan batuan, dan tingkat periode ulang gempa bumi Jawa bagian barat dengan batas koordinat 105º1’11”-106º7’12” Bujur Timur dan 5º7’50”-7º1’11’’ Lintang Selatan. Analisis pengamatan menggunakan data kejadian gempa bumi selama periode 1981-2021, kedalaman h≤300 km, dan magnitudo 𝑀≥2. Metode yang digunakan adalah Magnitude Frequency Relation (MFR) dengan hasil nilai MC sebesar 4.8. Serta metode Maximum Likelihood dengan hasil nilai b sebesar 0.5 - 1.3 dan nilai a sebesar 3.5 – 8.0. Sedangkan nilai periode ulang gempa bumi yang didapatkan berbeda-beda tergantung besaran magnitudo pada wilayah penelitian. Pada gempa bumi dengan magnitudo 𝑀 = 5.0 dan 𝑀 = 5.5, secara berturutturut memiliki kisaran periode ulang gempa sekitar 1-4 tahun dan 2-7 tahun. Beda halnya dengan gempa bumi magnitudo 𝑀 = 6.0 dan 𝑀 = 6.5, memiliki kisaran periode ulang gempa sekitar 4-14 tahun dan 6-16 tahun. ......This thesis discusses the level of seismicity, rock fragility, and the rate of return period for West part of the Java’s earthquake with coordinate boundaries of 105º1’11”- 106º7’12” East Longitude and 5º7’50”-7º1’11’’ South Latitude. Observational analysis uses earthquake data for the period 1981-2021, depth h≤300 km, and magnitude 𝑀≥2. The methods are used Magnitude Frequency Relation (MFR) with MC value of 4.8, also the Maximum Likelihood method with the results of a b value of 0.5 - 1.3 and a value of 3.5 – 8.0. While the value of the earthquake return period obtained varies depending on the magnitude of the study area. Earthquakes with a magnitude of 𝑀 = 5.0 and 𝑀 = 5.5, respectively, have an earthquake return period range of about 1-4 years and 2-7 years. Unlike the case with earthquakes of magnitude 𝑀 = 6.0 and 𝑀 = 6.5, they have a return period of around 4-14 years and 6-16 years.

Abstrak :
Tugas akhir ini secara umum bertujuan untuk membahas model persamaan struktural nonlinear (Nonlinear Structural Equation Model atau NLSEM), yaitu suatu model yang mengkombinasikan analisis faktor dan analisis regresi untuk tujuan analisis suatu hipotesis yang menyatakan hubungan antara variabel-variabel laten yang diukur oleh variabel-variabel indikator dimana terdapat hubungan yang nonlinear antar variabel latennya. Penaksiran parameter dalam model persamaan struktural nonlinear dicari dengan menggunakan taksiran Maksimum Likelihood melalui Algoritma EM (Expectation Maximization). Karena rumitnya proses komputasi, pada E-Step akan digunakan algoritma Metropolis-Hastings. Metode tersebut akan diterapkan untuk melihat pola hubungan antara kepercayaan beragama, kepuasan dalam pekerjaan, dan interaksi antara keduanya dalam mempengaruhi kepuasan hidup seseorang. Hasil analisis data menunjukkan bahwa meningkatnya tingkat kepercayaan beragama dan kepuasan dalam pekerjaan akan meningkatkan kepuasan hidup, namun dihambat oleh pengaruh interaksinya. Kata kunci: Nonlinear SEM, taksiran Maksimum Likelihood, algoritma EM, algoritma Metropolis-Hastings. ix + 98 hal ; lamp

Abstrak :
ABSTRAK
Item response theory atau yang sering disingkat sebagai IRT memberikan estimasi kemampuan peserta yang lebih tepat jika dibandingkan dengan classical test theory. Estimasi yang dihasilkan pada IRT bergantung pada ketepatan model yang digunakan. Pemilihan model IRT dapat dilakukan setelah didapatkan hasil confirmatory factor analysis dengan melihat nilai model fit. Model dengan nilai good fit yang lebih baik akan menjadi model yang terpilih. Pemilihan model fit dengan langkah ini disebut sebagai pemilihan model melalui data empirik. Pemilihan model dan struktur dapat dibantu dengan melihat nature dari sebuah tes. Seperti pada tes seleksi dengan bentuk pilihan maka model IRT yang tepat digunakan untuk mengestimasi adalah model 3 parameter logistik. Kesalahan dalam memilih struktur dan model IRT terkadang tidak dapat dihindari karena ketidaktahuan peneliti. Diantara estimator yang ada dalam IRT terdapat satu estimator yang dikenal memiliki robust standar error atau dapat menghasilkan standar eror yang kecil jika digunakan pada model IRT yang tidak tepat. Estimator ini dinamakan maximum likelihood with robust standard errors. Memperkecil standar eror berarti memperkecil ketidakakuratan estimasi yang disebabkan oleh kesalahan pemilihan model. Keakuratan MLR akan disandingkan dengan maximum likelihood estimator dalam mengestimasi. MLE dikenal dengan propertinya yang asimptotik jika digunakan pada sampel besar. Hasil yang didapat memperlihatkan bahwa MLR dapat menghasilkan akurasi yang lebih baik pada model dengan sampel kecil sedangkan pada sampel besar MLE dan MLR memberikan hasil yang tidak berbeda.

---

ABSTRACT
Item response theory gives more acurrate estimates of latent trait compared to classical test theory. These estimates are independent to any sample and test. But the result of estimates are depend on which model is used. That is why the selection of model in IRT is very important. The wrong model will cause the estimates inflate or underrated. Before a data can be calculated with IRT model we need to check the appropriate model and structure first. To know what structure will be used we first check the data using confirmatory factor analysis. The result will show which structure fits the data more, is it first order or second order data. To select the IRT model we do a fit of model testing. This is a trial and error step. Usually in fit model testing we propose more than one model to be tested. As not all models can be included for being tested, there are the chance for using a wrong model. Using a wrong structure and model sometimes can not be helped. In IRT there are estimator named maximum likelihood with robust standard error which is specialized to estimate parameters when the model is wrong. This can be done because of MLR is using Huber Sandwich method as estimator. In this research MLR is being compared to MLE to estimate a second order data which is treated as first order data. The error is being accompanied with IRT model variations (1-PL, 2-PL, and 3-PL) and three samples variations (350, 500, and 2000). As 2 x 3 x 3 combination models, we will have 18 models in result. The results showing that MLR produces smaller standard. But MLE is quite good too when the sample being used is as big as 2000