Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Konsumsi energi akan meningkat bersamaan dengan meningkatnya aktivitas manusia. Hingga kini, sumber energi terbesar masih diperoleh dari bahan bakar fosil, namun berdasarkan LAPAN (Indonesia) diperkirakan pada abad 22 akan ada kelangkaan bahan bakar fosil. Dampak lingkungan pun menjadi alasan untuk mencari sumber energi alternatif seperti energi dari angin. Berdasarkan kebijakan energi nasional, Pemerintah Indonesia akan menambah kapasitas terpasang mesin pembangkit energi dari angin (PLTB) sebesar 0,79 GW pada tahun 2025. Dalam rangka mengoptimalkan mesin pembangkit energi, besar kecepatan angin harus ditentukan secara akurat, dan distribusi probabilitas adalah salah satu cara untuk menjelaskan bagaimana penyebaran besar kecepatan angin tersebut. Beberapa tahun yang lalu, ilmuan menggunakan distribusi Weibull untuk memodelkan penyebaran besar kecepatan angin, namun terjadi masalah pada daerah asal dari distribusi Weibull. Tidak adanya besar kecepatan angin sekitar 0 m/s menyebabkan banyak peneliti untuk memikirkan alternatif atau modifikasi dari distribusi weibull. Pada 2013, Ramadan telah memodifikasi distribusi weibull dengan menambahkan parameter shape dan menghasilkan distribusi weighted weibull. Pada skripsi ini akan dijelaskan bagaimana membangun distribusi weighted Weibull dan karakteristik-karakteristiknya. Untuk melengkapi skripsi ini, data kecepatan angin di Bali (Indonesia) akan dianalisis untuk menjelaskan bagaimana distribusi weighted weibull dan distribusi weibull menggambarkan karakteristik kecepatan angin di Bali. ......Energy consumption will increase simultaneously with increasing human activity. The most common source of energy used is still derived from fossil fuels, and based on LAPAN(Indonesia) is estimated in the 22nd century there will be scarcity of fossil fuels. Environmental impact becomes a reason to seek alternative energy sources such as wind energy. The Ministry of Energy and Mineral Resources and the Agency for the Assessment and Application of Technology (BPPT, Indonesia) tries to take advantage of wind for electrical power and refers to the national energy policy, the Government of Indonesia will add installed capacity of the power generating machine (PLTB) station of 0.79 GW in 2025. In order to optimize machine used to generate energy, the characteristics of wind speed should be specified accurately, and the probability distribution is one way to describe the characteristics. Many years ago, the scientist used weibull distribution to modelling wind speed but there is problem with the support area of weibull distribution. There is no wind speed around 0 m/s led researchers to think of alternatives or modifications of weibull distribution. In 2013, Ramadan has modifed weibull distribution by adding a shape parameter to generate weighted weibull distribution. In this project will decribes how to construct weighted weibull distribution and characteristics of weighted Weibull distribution. To complete this project, wind speed data from Bali (Indonesia) will be analyzed to explain how weighted weibull distribution and weibull distribution describes about characteristics of the wind speed in Bali.

Abstrak :
Data lifetime biasanya digunakan peneliti untuk mengetahui tingkat survival atau tingkat kegagalan suatu objek. Distribusi Weibull merupakan distribusi probabilitas yang sering digunakan untuk memodelkan data lifetime. Namun, distribusi Weibull hanya dapat memodelkan data lifetime dengan tingkat kegagalan atau hazard rate yang monoton. Sehingga dibutuhkan distribusi baru yang dapat memodelkan data lifetime dengan karakteristik tingkat kegagalan atau hazard rate yang beragam. Distribusi inverse Weibull adalah distribusi hasil transformasi inverse dari distribusi Weibull. Distribusi inverse Weibull merupakan distribusi yang dapat memodelkan data lifetime dengan hazard rate monoton (turun) maupun  non-monoton (upside-down bathtub shaped). Namun, untuk membuat kepadatan fleksibel dengan berbagai macam bentuk diperlukan generalisasi dari distribusi ini dengan menambahkan suatu parameter shape. Distribusi generalized inverse Weibull merupakan generalisasi dari distribusi inverse Weibull yaitu yang dibentuk dengan memangkatkan fungsi distribusi inverse Weibull dengan suatu parameter baru. Distribusi generalized inverse Weibull memiliki 2 parameter shape dan 1 parameter scale sehingga distribusi ini dapat menggambarkan shape dari fungsi hazard yang lebih beragam. Pada  skripsi ini, akan dibahas mengenai pembentukan distribusi inverse Weibull dan pembentukan distribusi generalized inverse Weibull, serta fungsi kepadatan probabilitas, fungsi distribusi, fungsi survival, fungsi hazard, dan karakteristik-karakteristik dari kedua distribusi tersebut. Penaksiran parameter dari distribusi generalized inverse Weibull menggunakan metode maksimum likelihood.

---

Lifetime data is usually used by researchers to determine the level of survival or failure rate of an object. Weibull distribution is a probability distribution that is often used to model the lifetime data. However, the Weibull distribution is only used to model the lifetime data with monotone failure rate or monotone hazard rate. So that, a new distribution is needed to model the lifetime data with varying characteristics of failure rates or hazard rates. Inverse Weibull distribution is a distribution that is formed from the inverse transformation of the Weibull distribution. Inverse Weibull distribution is a continued distribution which can model lifetime data with a monotone hazard rate (constant, increase, and decrease) or non-monotone hazard rate (upside-down bathtub shaped). However, to make a density flexible with wide variety of shapes the generalizations from this distribution are needed by adding a shape parameter. Generalized inverse Weibull distribution is derived from generalization of inverse Weibull distribution that is formed by raising the inverse Weibull distribution function with a new parameter. Generalized inverse Weibull distribution has two shape parameters and one scale parameter. So, this distribution can describe a more diverse shapes of hazard function. In this skripsi, we will discuss how to construct inverse Weibull distribution and Generalized inverse Weibull distribution, and probability distribution function, cumulative distribution function, survival function, hazard function, and characteristics of these distributions. Parameter estimation of the generalized inverse Weibull distribution is using the maximum likelihood method.

Abstrak :
Tugas akhir ini berisi pembahasan mengenai distribusi Invers Weibull Marshall-Olkin IWMO yang merupakan distribusi probabilitas untuk peubah acak kontinu. Distribusi IWMO dibentuk dari distribusi Invers Weibull IW dengan metode Marshall-Olkin, metode ini adalah metode penambahan parameter yang diperkenalkan oleh Albert W Marshall dan Ingram Olkin pada tahun 1997. Distribusi IW sendiri diperoleh dari distribusi Weibull dengan melakukan tranformasi terhadap peubah acak. Distribusi IWMO mampu menggambarkan bentuk data seperti distribusi asalnya dalam hal ini distribusi IW dan bentuk data dari distribusi invers Eksponensial selain itu distribusi IWMO dapat menjelaskan data outlier lebih baik dibandingkan distribusi IW disebabkan oleh penambahan parameter Marshall-Olkin. Selanjutnya akan dibahas mengenai fungsi kepadatan probabilitas, fungsi distribusi, Moment Generating Function MGF, momen ke-r, mean, variansi, koefisien skewness, koefisien kutrosis, kuantil dan median dari IWMO. Penaksiran parameter menggunakan metode maksimum likelihood. Distribusi Weibull, IW dan IWMO akan diterapkan pada data yang memiliki outlier. Perbandingan model menggunakan log likelihood, AIC, BIC menunjukan distribusi IWMO sesuai dengan data lebih baik dibandingkan Weibull dan IW. ......This final project contains a discussion of the distribution of Inverse Weibull Marshall Olkin IWMO which is the probability distribution for continuous random variables. The IWMO distribution is formed from the Inverse Weibull IW distribution by Marshall Olkin method, this method is the parameter addition method introduced by Albert W Marshall and Ingram Olkin in 1997. IWull distribution itself is obtained from the Weibull distribution by transforming the random variables. IWMO distribution able to describe data form like its original distribution that is IW distribution and data form from Exponential inverse distribution beside that IWMO distribution can explain data outlier better than IW distribution caused by addition of Marshall Olkin parameter. The next will be discussed about probability density function, distribution function, Moment Generating Function MGF, rth moment, mean, variance, skewness coefficient, coefficient kutrosis, quantitative and median from IWMO. Parameter estimation using likelihood maximum method. Weibull, IW and IWMO distributions will be applied to data that has an outlier. Comparison of models using log likelihood, AIC, BIC shows IWMO distribution in accordance with better data than Weibull and IW.

Abstrak :
Kebutuhan energi listrik dari segi ketersediaan, kapasitas, dan energi meningkat sangat tinggi seiring dengan rencana perkembangan dari sebuah negara. Energi panas bumi merupakan salah satu sumber energi bersih dan rendah karbon yang dapat dimanfaatkan menjadi energi listrik dengan menggunakan teknologi konversi energi (PLTP). Namun, penelitian yang membahas tentang PLTP sendiri masih belum banyak terkhusus yang membahas penilaiain keandalan (reliability assessment). Penilaian Keandalan menjadi hal sangat penting untuk menjamin operasi yang optimal dan pemeliharaan yang efektif. Sehingga, penelitian ini bertujuan untuk mendapatkan hasil dari nilai keandalan aktual yang mengacu pada data kegagalan sebuah PLTP dengan menggunakan beberapa metodologi yang berguna untuk menjadi sebuah acuan dalam mengoptimalkan kinerja dari operasi dan pemeliharaan PLTP.Penelitian mengkombinasikan beberapa metodologi (Weibull Distribution, FMEA, FTA, dan RBD) dalam prosesnya. Dari setiap metodologi akan mempengaruhi metodologi selanjutnya sehingga dapat dijadikan menjadi satu kesatuan metodologi dalam mendapatkan nilai keandalan dari PLTP.Metode Weibull Distribution menghasilkan nilai reliabilitas sebesar 0,315 atau setara dengan 31,5%. Metode FMEA menunjukkan bahwa hasil perhitungan yang perlu dijadikan acuan pada proses operasi dan pemeliharaan terdapat pada sistem Turbin dan Perangkat Lainnya. Sedangkan pada metode FTA-RBD menghasilkan nilai keandalan sebesar 0,435 atau setara dengan 43,5%. Perbedaan hasil nilai dikarenakan pada metode Weibull berfokus pada keseluruhan PLTP sedangkan pada metode FTA-RBD memiliki fokus kepada sistem yang terdapat pada PLTP.Setiap metode memberikan hasil yang berbeda - beda menyesuaikan dengan data kegagalan yang telah didapatkan dan pengolahan data yang dilakukan. Sehingga, setiap metode dapat dikembangkan agar menjadi sebuah metodologi yang baru atau dapat mengkombinasikan setiap metode untuk mendapatkan nilai yang aktual. ......The need for electrical energy in terms of availability, capacity, and energy increases very high along with the development plan of a country. Geothermal energy is one of the clean and low-carbon energy sources that can be utilized for electricity using energy conversion technology (PLTP). However, there are still not many studies that discuss PLTP itself, especially those that discuss reliability assessment. Reliability assessment is very important to ensure optimal operation and effective maintenance. So, this research aims to get the results of the actual reliability value that refers to the failure data of a GPP by using several methodologies that are useful to be a reference in optimizing the performance of PLTP operations and maintenance. The research combines several methodologies (Weibull Distribution, FMEA, FTA, and RBD) in the process. Each methodology will affect the next methodology so that it can be used as a unified methodology in obtaining the reliability value of GPP. Weibull Distribution method produces a reliability value of 0.315 or equivalent to 31.5%. The FMEA method shows that the calculation results that need to be used as a reference in the operation and maintenance process are in the Turbine and Other Devices system. While the FTA-RBD method produces a reliability value of 0.435 or equivalent to 43.5%. The difference in value results is because the Weibull method focuses on the entire GPP while the FTA-RBD method focuses on the system contained in the PLTP. Each method provides different results according to the failure data that has been obtained and the data processing performed. So, each method can be developed into a new methodology or can combine each method to get the actual value.

Abstrak :
Tesis ini mengestimasi peluang lapse nasabah yang mempunyai polis untuk produk asuransi berjangka lini usaha agency pada PT Asuransi XYZ. Penelitian ini menggunakan data dalam kurun waktu 1 Januari 2013 sampai dengan 31 Desember 2017 dengan menggunakan truncated dan sensor kanan. Metode penelitian yang digunakan adalah metode non parametrik dan parametrik. Untuk metode non parametrik, peneliti menggunakan metode Kaplan Meier dan Nelson Aalen, hasil yang diperoleh menggunakan kedua metode ini tidak berbeda jauh dimana tingkat lapse pada tahun pertama lebih besar dibandingkan dengan tahun-tahun berikutnya yang mana pada tahun pertama didapatkan tingkat lapse sebesar 59% pada tahun pertama, 3,7% pada tahun kedua dan menurun seterusnya. Metode parametrik stepwise selection diperoleh distribusi dari data adalah distribusi Weibull dan diperoleh hasil bahwa gender, usia, jumlah premi, durasi pembayaran premi, tipe pembayaran premi dan cabang mempengaruhi terjadinya lapse. Model terbaik didapatkan dengan cara Mean Standard Error dan AIC. ......This thesis estimates probability time to default of the customer who has a policy for insurance product at PT Asuransi XYZ. This study uses data from January 1, 2013 to December 31, 2017 using truncated and right sensors. The research method used is a nonparametric and parametric method. For nonparametric methods, researchers used the Kaplan Meier and Nelson Aalen methods, the results obtained using these two methods were not much different where the level of lapse in the first year was greater than the following years which in the first year obtained a lapse rate of 59% in first year, 3.7% in the second year and so on. Parametric method stepwise selection is obtained from the distribution of data is the Weibull distribution and results are obtained that gender, age, premium amount, duration of premium payment, type of premium and branch affect the occurrence of lapse. The best model is obtained by means of the Mean Standard Error

Abstrak :
Dalam bahasan ini, penulis melakukan studi kelayakan untuk pembangkit tenaga angin di daerah Nusa Tenggara Timur secara umum dan kupang. Data-data yang diperoleh di analisa dalam suatu distribusi weibull, kemudian di hitung secara teoritis berapa besar potensi angin yang ada untuk dikonversikan menjadi energi, dan berapa luasan bilah turbin yang cocok dengan potensi angin yang dimiliki daerah tersebut. ......In this discussion, the author conduct a feasibility study for wind power plants in East Nusa Tenggara region in general and to be specified at kupang. The data obtained and analyzed in a weibull distribution, then the theoretically calculated how much wind potential to be converted into energy, and how much area of the turbine blades that match the potential of the wind which owned the area.

Abstrak :
ABSTRAK
Count 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.

---

ABSTRACT
Count 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.

Abstrak :
Data lifetime merupakan data yang berisi lama waktu hidup suatu individu ataupun suatu produk yang diukur dari awal waktu penelitian hingga terjadinya suatu event. Salah satu distribusi yang sering digunakan untuk analisis data lifetime adalah distribusi Weibull karena memiliki bentuk fungsi hazard konstan, naik, dan turun. Akan tetapi, terdapat data lifetime dengan bentuk fungsi hazard lain yaitu bentuk unimodal. Oleh karena itu, dilakukan pengembangan distribusi Weibull menggunakan metode compounding sehingga menghasilkan distribusi Weibull-Geometrik (WG) yang dapat memodelkan data lifetime dengan bentuk fungsi hazard unimodal. Pada kenyataannya, terdapat data lifetime yang berbentuk diskrit (count data). Oleh karena itu, pada skripsi ini dibahas pembentukan distribusi yang dapat memodelkan data lifetime diskrit, yang diperoleh dengan cara melakukan diskritisasi pada distribusi WG kontinu. Diskritisasi yang dilakukan yaitu dengan mempertahankan salah satu karakteristik yang dimiliki distribusi Weibull-Geometrik, yaitu fungsi survivalnya. Distribusi yang dihasilkan yaitu distribusi Discrete Weibull Geometrik (DWG), memiliki bentuk fungsi hazard turun, naik, dan unimodal serta cukup baik dalam memodelkan data lifetime diskrit (count data). Diakhir skripsi ini, juga dibahas penggunaan distribusi DWG yang diilustrasikan pada data waktu hidup pasien lupus nephritis dalam waktu hari sehingga merupakan data diskrit. Kemudian, ditunjukkan bahwa distribusi DWG sesuai untuk memodelkan data waktu hidup pasien lupus nephritis.

---

Lifetime data is data that contains the lifetime of an individual or a product that is measured from the beginning of the research time until an event occurs. One distribution that is often used for lifetime data analysis is Weibull distribution, because it has a constant, increasing, and decreasing hazard function. However, there is lifetime data with another form of the hazard function, that is the unimodal form (upside-down bathtub). Because of this, we developed Weibull distribution using the compounding method to produce a Weibull-Geometric distribution that can model lifetime data in unimodal hazard function form. But in fact, there are discrete lifetime data (count data). Hence, this paper discuss the formation of distributions that can model discrete lifetime data, which is obtained by discretizing a continuous Weibull-Geometric distribution (WG). Discretization is carried out by maintaining one of the characteristics of the Weibull-Geometric distribution, that is, its survival function. The result distribution, discrete Weibull Geometric distribution (DWG), has a form of increasing, decreasing, and unimodal hazard function, and quite good at modelling discrete lifetime data (count data). At the end of paper, the DWG distribution is used to illustrate dataset of lifetime patients lupus nephritis and shown that the DWG distribution is the appropriate model.