Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Distribusi Generalized Exponential diperkenalkan oleh Rameshwar D. Gupta dan Debasis Kundu pada tahun 2007. Distribusi  Generalized Exponential tersebut merupakan hasil generalized distribusi Exponential. Skripsi ini menjelaskan distribusi  Generalized Exponential Marshall Olkin yang merupakan hasil dari perluasan distribusi Generalized Exponential menggunakan metode Marshall Olkin. Distribusi Generalized Exponential Marshall Olkin lebih fleksibel dari distribusi sebelumnya terutama pada fungsi hazardnya yang memiliki berbagai bentuk baik monoton (naik atau turun) maupun non monoton (bathub atau upside down bathup) sehingga dapat memodelkan data survival dengan lebih baik. Sifat fleksibelitas ini disebabkan karena penambahan parameter baru ke dalam distribusi Generalized Exponential. Selanjutnya dijelaskan beberapa karakteristik dari distribusi Generalized Exponential Marshall Olkin antara lain fungsi kepadatan peluang (fkp), fungsi distribusi kumulatif, fungsi hazard, momen ke-n, mean, dan variansi. Penaksiran parameter dilakukan dengan metode maximum likehood. Pada bagian aplikasi ditunjukkan data survival yang berasal dari data Aarset (1987) berdistribusi Generalized Exponential Marshall Olkin. Selanjutnya distribusi Generalized Exponential Marshall Olkin dibandingkan dengan distribusi Alpha Power Weibull untuk mencari distribusi mana yang lebih cocok dalam memodelkan data Aarset (1987). Dengan menggunakan AIC dan BIC distribusi Generalized Exponential Marshall Olkin lebih cocok dalam memodelkan data Aarset (1987).

 

---

Generalized Exponential distribution was introduced by Rameshwar D. Gupta and Debasis Kundu in 2007. Generalized Exponential distribution was generated by generalized transformation of the Exponential distribution. This thesis explained the Generalized Exponential Marshall-Olkin distribution which is the result of the expansion of the Generalized Exponential distribution using the Marshall-Olkin method. The Generalized Exponential Marshall-Olkin distribution has a more flexible form than the previous distribution, especially in its hazard function which has various forms that it can represent survival data better. The flexibility characteristic is due to the addition of new parameters to the Generalized Exponential distribution. Futhermore, some characteristics of the Generalized Exponential Marshall-Olkin distribution was explained such as, the probability density function(PDF), cumulative distribution function, survival function, hazard function, moment, mean, and variance. Parameter estimation was conducted by using the maximum likelihood method. In the application section was shown survival data from Aarset data (1987) which distributed Generalized Exponential Marshall-Olkin distribution. Futhermore, Generalized Exponential Marshall-Olkin distribution was compared with Alpha Power Weibull disstribution to decided theprominent distribution in modeling Aarset data (1987). Using AIC and BIC, Generalized Exponential Marshall-Olkin distribution more suitable in modeling Aarset data (1987).

"

"Analisis data lifetime sangat penting dalam berbagai bidang ilmu pengetahuan seperti biomedis, teknik, dan ilmu kemasyarakatan. Pemodelan data tersebut dilakukan dengan menggunakan fungsi hazard dari distribusi lifetime seperti distribusi eksponensial, Weibull, lognormal, dan juga gamma. Namun, keempat distribusi tersebut tidak dapat memodelkan fungsi hazard berbentuk bathtub. Padahal, fungsi hazard berbentuk bathtub adalah yang paling sering ditemukan dalam kehidupan nyata. Oleh karena itu, akan dibentuk distribusi generalized Lindley yang lebih fleksibel dalam memodelkan fungsi hazard. Distribusi tersebut merupakan perumuman dari distribusi Lindley dengan menggunakan transformasi exponentiation. Kemudian, karakteristik-karakteristik dari distribusi generalized Lindley juga akan ditelusuri. Selanjutnya, analisis bentuk dari fungsi hazard akan menunjukkan bahwa distribusi generalized Lindley dapat memodelkan data dengan fungsi hazard yang berbentuk monoton naik, monoton turun, dan juga bathtub. Setelah itu, penaksiran parameter distribusi generalized Lindley akan dilakukan dengan metode yang paling umum digunakan yaitu metode maximum likelihood. Simulasi dengan membangkitkan data menggunakan software juga akan dilakukan dengan bantuan metode Newton-Raphson untuk melihat penaksiran parameter dari distribusi generalized Lindley.

---

Analysis of lifetime data is very important in various fields such as biomedical science, engineering, and social science. The modelling of lifetime data is done by using hazard function of lifetime distributions such as exponential, Weibull, lognormal, and gamma distribution. However, these four distributions cannot model data with bathtub-shaped hazard function even though it is the one mostly found in real life situation. Therefore, more flexible distribution called generalized Lindley distribution is introduced to model hazard function. The distribution is created by using transformation called exponentiation to generalize the Lindley distribution. Afterwards, some characteristics of generalized Lindley distribution will be discussed. Analysis of the hazard function will show that generalized Lindley distribution can models data with increasing, decreasing, and bathtub-shaped hazard function. In addition, parameter estimation of the distribution will be done by the usual method which is maximum likelihood estimation. Lastly, simulation using software-generated data will be displayed with help from Newton-Raphson numerical method to see the parameter estimation of generalized Lindley distribution."

"Pemodelan data survival bergantung pada bentuk dari fungsi hazard-nya. Fungsi hazard dapat berbentuk monoton (monoton naik dan monoton turun) dan non-monoton (bathtub dan upside-down bathtub atau unimodal). Pada penelitian ini, diperkenalkan sebuah distribusi yang disebut distribusi extended inverse Lindley. Distribusi extended inverse Lindley merupakan distribusi yang dibangun dengan menggunakan transformasi terhadap distribusi Lindley dua paramater. Transformasi yang digunakan adalah transformasi power serta transformasi inverse agar distribusi yang dihasilkan mampu memodelkan data yang bersifat heavy tailed dan fungsi hazard-nya berbentuk upside-down bathtub. Pada penulisan ini, dibahas pembentukan distribusi extended inverse Lindley serta karakteristik dari distribusi tersebut yang meliputi fungsi distribusi, fungsi kepadatan peluang, fungsi survival, fungsi hazard, momen ke-r, skewness, kurtosis, modus dan median. Parameter dari distribusi extended inverse Lindley ditaksir menggunakan metode maximum likelihood. Pada akhir penelitian, dilakukan penerapan distribusi extended inverse Lindley terhadap data riil yaitu data survival lamanya waktu perbaikan untuk kerusakan penerima sinyal dan dibandingkan dengan distribusi lain yang mampu memodelkan data tersebut, dimana hasil dari perbandingan menunjukkan bahwa distribusi extended inverse Lindley mampu memodelkan data tersebut lebih baik dibanding dengan distribusi lain yang digunakan.

---

Modeling survival data depends on the shape of the hazard rate. Hazard rate may belong to the monotone (non-increasing and non-decreasing) and non-monotone (bathtub and upside-down bathtub). In this paper, a distribution called the extended inverse Lindley distribution will be introduced. Extended inverse Lindley distribution is a distribution that is formed from the transformation of the two parameter Lindley distribution. The transformations used are power transformation and inverse transformation. So that, the extended inverse Lindley distribution can model heavy tailed data with a upside-down bathtub hazard rate. In this essay, we will discuss how to construct extended inverse Lindley distribution and characteristics of these distributions. These include density function, probability distribusi function, survival function, hazard rate, r-th moment, skewness, kurtosis, mode dan median. Parameter estimation of the extended inverse Lindley distribution is using the maximum likelihood method. At the end of this paper, the application of the extended inverse Lindley distribution to real data in the form of survival data is the length of time to repair the damaged signal receiver and is compared with other distributions that are able to model the data, where the results of the comparison show that the application of the extended inverse Lindley distribution is better than the other distribution to model the data."

"Analisis data waktu tunggu memiliki peran penting pada berbagai disiplin ilmu. Distribusi yang sering digunakan untuk memodelkan data waktu tunggu adalah distribusi Weibull, hal ini karena pola penyebarannya yang menceng. Akan tetapi, distribusi Weibull tidak mampu memodelkan data waktu tunggu dengan fungsi hazard berbentuk non-monoton. Pada kenyataanya, data waktu tunggu sering kali memiliki fungsi hazard non-monoton. Pada skripsi ini, dibahas pembentukan distribusi Alpha Logarithmic Transformed Weibull yang merupakan generalisasi dari distribusi Weibull. Distribusi Alpha Logarithmic Transformed Weibull dikenalkan oleh Nassar (2018) menggunakan metode Alpha Logarithmic Transformation. Metode ini menambahkan suatu parameter bentuk pada fungsi survival distribusi Weibull dengan tujuan meningkatkan fleksibilitas fungsi hazard-nya. Salah satu karakteristik dari distribusi ini adalah fungsi hazard-nya memiliki berbagai macam bentuk, yaitu konstan, monoton naik, monoton turun, bathtub dan upside-down bathtub. Beberapa karakteristik dari distribusi Alpha Logarithmic Transformed Weibull seperti fungsi kepadatan probabilitas, fungsi distribusi, fungsi survival, fungsi hazard dan momen ke-r juga dibahas. Penaksiran parameter distribusi dilakukan dengan metode maximum likelihood. Pada bagian akhir, diberikan ilustrasi dengan data waktu hingga kerusakan alat industri yang dimodelkan dengan distribusi Weibull dan distribusi Alpha Logarithmic Transformed Weibull. Hasil uji Kolmogorov-Smirnov menunjukan bahwa distribusi Weibull tidak mampu memodelkan data tersebut, sementara distribusi Alpha Logarithmic Transformed Weibull mampu memodelkan data tersebut dengan baik.

---

Lifetime analysis has an important role in various disciplines. The most common distribution used to model lifetime data is the Weibull distribution, this is because of its skewed distribution. However, the Weibull distribution cannot model lifetime data with a non-monotone hazard function. Most lifetime data have a non-monotone hazard function. This thesis discusses the formation of the Alpha Logarithmic Transformed Weibull distribution, which is a generalization of the Weibull distribution. The Alpha Logarithmic Transformed Weibull was first introduced by Nassar (2018) using the Alpha Logarithmic Transformation. This method adds a shape parameter to the survival function of the Weibull distribution with the purpose of increasing the flexibility of its hazard function. This distribution features a hazard function with various shapes such as constant, increasing, decreasing, bathtub and upside-down bathtub. Some properties of this distribution such as its probability density function, cumulative distribution function, survival function, hazard function and the r-th moment is discussed. Parameter estimation is done with the maximum likelihood method. On the last part, an illustration using time to failure data of industrial devices is modeled by the Weibull distribution and the Alpha Logarithmic Transformed distribution. Results of the Kolmogorov-Smirnov test shows that the Weibull distribution is unable to model the data, while the Alpha Logarithmic Transformed Weibull distribution can model the data well."

"Coronavirus Disease 2019 (COVID-19) adalah penyakit menular yang disebabkan oleh virus severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). Virus ini pertama kali ditemukan di Wuhan China pada desember 2019 dan pertama kali masuk ke Indonesia pada 2 Maret 2020. Selama masa pandemi COVID-19 banyak terjadi lonjakan secara tiba-tiba pada jumlah kasus baru COVID-19 yang menunjukkan bahwa adanya kesulitan dalam mengantisipasi peningkatan penyebaran COVID-19. Skripsi ini membahas pemodelan jumlah kasus baru harian COVID-19 di Indonesia menggunakan Gaussian Mixture Model (GMM) dimana model ini merupakan salah satu Mixture Model. Mixture Model merupakan penjumlahan linear berbobot dari beberapa fungsi distribusi dimana masing-masing fungsi distribusi disebut sebagai komponen campuran. Pada GMM, setiap komponen campuran diasumsikan berdistribusikan Gaussian (Normal). Pada penelitian ini, dikonstruksi beberapa GMM dengan 2, 3 dan 4 jumlah komponen untuk pemodelan data jumlah kasus baru harian COVID-19 di Indonesia dari 1 Januari 2021 sampai 31 Maret 2022 dengan interval waktu 455 hari. Parameter dari setiap GMM tersebut diestimasi menggunakan metode maximum likelihood estimation (MLE) melalui algoritma Expectation-Maximization (EM). Berdasarkan nilai Akaike Information Criteria (AIC), diperoleh GMM dengan 4 komponen merupakan model terbaik untuk pemodelan data jumlah kasus baru harian COVID-19 di Indonesia. Dengan GMM 4 komponen, diperoleh probabilitas jumlah kasus baru harian COVID-19 di Indonesia kurang dari jumlah kasus harian terendah adalah 0,009598, lebih dari jumlah kasus harian rata-rata adalah 0,299443 dan lebih dari jumlah kasus harian tertinggi adalah 0,017669.

---

Coronavirus Disease 2019 (COVID-19) is an infectious disease caused by Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). This virus was first found in Wuhan, China in December 2019 and first got into Indonesia on March 2, 2020. During the pandemic, there are a lot of sudden spikes in new COVID-19 daily cases which indicates that there is a struggle in anticipating the sudden increase in COVID-19 transmission. This research discuss about the modeling of new COVID-19 daily cases in Indonesia using Gaussian Mixture Model (GMM) which is a part of Mixture Model. Mixture Model is a linear weighted sum of some distribution function where each function is called a mixture component. In GMM, every mixture components are assumed to be normally distributed. In this research, three GMMs with 2,3 and 4 components were constructed to model new COVID-19 daily cases in Indonesia from January 1, 2021 to March 31, 2022 with a total of 455 days of observation. The parameters of each GMM were estimated with maximum likelihood estimation (MLE) method through Expectation-Maximization (EM) algorithm. According to Akaike Information Criteria (AIC) value, it was found that GMM with 4 components was the best model for modeling new COVID-19 cases in Indonesia. With this model, the probability of new COVID-19 daily cases in Indonesia are less than the lowest daily cases is 0,009598, more than the average daily cases is 0,299443 and more than the highest daily cases is 0,017669."

"Distribusi Generalized Exponential diperkenalkan oleh Rameshwar D. Gupta dan Debasis Kundu pada tahun 2007. Distribusi Generalized Exponential tersebut merupakan hasil transformasi generalized dari distribusi Exponential. Skripsi ini menjelaskan distribusi Generalized Exponential Marshall Olkin yang merupakan hasil dari perluasan distribusi Generalized Exponential menggunakan metode Marshall Olkin. Distribusi Generalized Exponential Marshall Olkin lebih fleksibel dari distribusi sebelumnya terutama pada fungsi hazardnya yang memiliki berbagai bentuk, baik monoton (naik atau turun) maupun non monoton (bathub atau upside down bathup) sehingga dapat memodelkan data survival dengan lebih baik. Sifat fleksibelitas ini disebabkan karena penambahan parameter baru ke dalam distribusi Generalized Exponential. Selanjutnya dijelaskan beberapa karakteristik dari distribusi Generalized Exponential Marshall Olkin antara lain fungsi kepadatan peluang (fkp), fungsi distribusi kumulatif, fungsi survival, fungsi hazard, momen ke-n, mean, dan variansi. Penaksiran parameter dilakukan dengan metode maximum likelihood. Pada bagian aplikasi ditunjukkan data survival yang berasal dari data Aarset (1987) berdistribusi Generalized Exponential Marshall Olkin. Selanjutnya distribusi Generalized Exponential Marshall Olkin dibandingkan dengan distribusi Alpha Power Weibull untuk mencari distribusi mana yang lebih cocok dalam memodelkan data Aarset (1987). Dengan menggunakan AIC dan BIC distribusi Generalized Exponential Marshall Olkin lebih cocok dalam memodelkan data Aarset (1987).

---

Generalized Exponential distribution was introduced by Rameshwar D. Gupta and Debasis Kundu in 2007. Generalized Exponential distribution was generated by generalized transformation of the Exponential distribution. This thesis explained the Generalized Exponential Marshall-Olkin distribution which is the result of the expansion of the Generalized Exponential distribution using the Marshall-Olkin method. The Generalized Exponential Marshall Olkin distribution has a more flexible form than the previous distribution, especially in its hazard function which has various forms that it can represent survival data better. The flexibility characteristic is due to the addition of new parameters to the Generalized Exponential distribution. Futhermore, some characteristics of the Generalized Exponential Marshall Olkin distribution was explained such as, the probability density function (PDF), cumulative distribution function, survival function, hazard function, moment, mean, and variance. Parameter estimation was conducted by using the maximum likelihood method. In the application section was shown survival data from Aarset data (1987) which distributed Generalized Exponential Marshall-Olkin distribution. Futhermore, Generalized Exponential Marshall Olkin distribution was compared with Alpha Power Weibull distribution to decided the prominent distribution in modeling Aarset data (1987). Using AIC and BIC, Generalized Exponential Marshall Olkin distribution more suitable in modeling Aarset data (1987)."

"Model tingkat bunga yang akan dibahas pada Tesis ini adalah model ekuilibrium satu faktor, yaitu model Rendleman - Bartter (RB) yang diasumsikan dalam ukuran risk-neutral. Tesis ini membahas mengenai stabilitas model RB, yaitu stabilitas stokastik asimtotik dan stabilitas mean-square. Stabilitas model RB ini terkait dengan parameter model RB. Namun, nilai parameter model RB tidak diketahui nilainya sehingga untuk implementasi model diperlukan penaksiran parameter model RB. Penaksiran parameter model RB membutuhkan data historis tingkat bunga. Model RB terkait dengan data historis berada pada ukuran aktual (actual measure). Sedangkan, model RB berada pada ukuran riskneutral, sehingga sebelum menentukan taksiran parameter dilakukan perubahan ukuran pada model RB menggunakan Teorema Girsanov. Metode yang digunakan dalam penaksiran parameter adalah Maximum Likelihood Estimation (MLE) dan dilanjutkan dengan metode numerik Newton ? Raphson. Dengan menggunakan data tingkat bunga bulanan suatu zero-coupon bond dengan maturity time 5 tahun periode Januari tahun 1982 hingga Februari 2011 yang diunduh dari http://www.bankofengland.co.uk dapat diperoleh nilai taksiran parameter yang memenuhi stabilitas model RB.

---

The Rendleman-Bartter (RB) model is a one-factor equilibrium interest rate model under risk-neutral measure. This thesis presents the stability of RB model, that is, stochastically asymptotically stable and mean-square stable, and their stability corresponds to parameter RB model. However, in the application the value of parameters RB model is unknown and needs to be estimated. Parameter estimation of RB model requires historical data of interest rates under actual measure. Therefore, Girsanov Theorem is used to change measure. Also, Maximum Likelihood Estimation (MLE) and Newton-Raphson method can be used to estimate these parameters. Parameter estimators are obtained by data of a zero-coupon bond with maturity time of five years from January 1982 to February 2011. This data can be downloaded from http://www.bankofengland.co.u."

"ABSTRAKDistribusi Burr adalah distribusi Burr Tipe XII yang merupakan salah satu dari dua belas tipe distribusi kontinu dalam sistem Burr. Distribusi Burr mempunyai peran penting dalam berbagai bidang ilmu, antara lain dalam analisis reliabilitas, life testing, analisis survival, aktuaria, ekonomi, kehutanan, hidrologi, dan meteorologi. Distribusi Burr merupakan distribusi yang menceng kanan dan mempunyai tail yang tebal. Pembentukan dan karakteristik-karakteristik dari distribusi ini dibahas. Karakteristik-karakteristik yang dibahas meliputi fungsi distribusi, fungsi kepadatan peluang, fungsi survival, hazard rate, modus, median, momen, mean, variansi, koefisien skewness, dan koefisien kurtosis. Kedua parameter yang dimiliki distribusi Burr, yaitu k dan c, merupakan parameter-parameter shape, sehingga fungsi kepadatan peluangnya dapat berupa fungsi turun atau berupa fungsi unimodal. Selain itu, hazard rate-nya dapat berupa fungsi turun atau berbentuk upside-down bathtub. Dengan menggunakan metode maximum likelihood, dicari taksiran titik untuk parameter k dan c. Namun, taksiran tersebut tidak dapat dihitung secara analitik, sehingga diperlukan perhitungan secara numerik. Kemudian, jika diasumsikan parameter c diketahui, dicari penaksir titik terbaik, yaitu penaksir yang takbias, mempunyai variansi minimum, dan konsisten, untuk parameter k. Data lama waktu serat Kevlar sampai putus digunakan sebagai ilustrasi."

---

""ABSTRACT"Burr distribution is Burr Type XII distribution which is one of twelve types of continuous distribution in Burr system. Burr distribution has an important role in various fields of science, such as in reliability analysis, life testing, survival analysis, actuarial science, economic, forestry, hydrology, and meteorology. Burr distribution is a right skewed and heavy tailed distribution. The formation and characteristics of this distribution are discussed. The characteristics discussed include distribution function, probability density function, survival function, hazard rate, mode, median, moments, mean, variance, coefficient of skewness, and coefficient of kurtosis. Two parameters of Burr distribution, i.e. k and c, are shape parameters, so its probability density function can be either decreasing or unimodal. In addition, its hazard rate can be either decreasing or upside down bathtub shaped. By using maximum likelihood method, point estimates for parameters k and c are found. However, these estimates cannot be calculated analytically, so numerical calculations are required. Then, if it is assumed that parameter c is known, best point estimator, i.e. estimator that are unbiased minimum variance and consistent, for parameter k is found. The data representing the stress rupture life of Kevlar strands are used as an illustration."

"ABSTRAKSalah satu alternatif ukuran kekuatan prediksi yang dapat diterapkan pada model GLM dimana variabel responnya berdistribusi tidak hanya normal yaitu dengan menggunakan koefisien korelasi regresi regression correlation coefficient ndash; RCC . Koefisien korelasi regresi dibangun berdasarkan definisi koefisien korelasi dengan menggunakan model GLM. Sehingga RCC dapat didefinisikan sebagai nilai yang menyatakan kekuatan hubungan antara variabel respon dan ekspektasi bersyarat dari variabel respon. Koefisien korelasi regresi merupakan salah satu alternatif ukuran kekuatan prediksi yang dapat memenuhi sifat applicability, interpretability, consistency, dan affinity. Pada umumnya bentuk eksplisit dari RCC pada GLM sulit ditemukan. Namun, ketika RCC diterapkan pada model regresi Poisson dan variabel prediktor diasumsikan berdistribusi multivariat normal, maka akan ditemukan bentuk eksplisit. Bentuk eksplisit ini masih memuat parameter ndash; parameter dari model regresi Poisson yang tidak diketahui. Oleh karena itu, perlu dicari estimasi dari parameter - parameter tersebut sehingga diperoleh estimator dari RCC. Metode yang digunakan untuk mengestimasi parameter pada model regresi Poisson adalah metode maximum likelihood."

---

""ABSTRACT"The regression correlation coefficient RCC is one alternative measure of predictive power that can be applied to the GLM model in which the distribution of response variable is not only normal. The regression correlation coefficient is constructed based on the definition of correlation coefficient by using generalized linear model GLM . So, the RCC can be defined as a value that states the strength of the relationship between the response variable and the conditional expectation of the response variable. The regression correlation coefficient is one of predictable strength measure that can satiesfies the property like applicability, interpretability, consistency, and affinity. In general, the explicit form of RCC on GLM is difficult to find. However, when RCC is applied to the Poisson regression model and the predictor variable is assumed to be a normal multivariate distribution, an explicit form is found. This explicit form still contains the unknown parameters of the Poisson regression model. Therefore, we need to find an estimate of these parameters to obtain an estimator from the RCC. The method used to estimate the parameters in Poisson regression model is maximum likelihood method."

"

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.

 

"