Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRACT
Elusive Population adalah populasi yang anggotanya sulit untuk dideteksi dan tidak mempunyai kerangka sampling yang lengkap dan jelas. Metode sampling yang khusus diperlukan untuk melakukan pengambilan sampel pada Elusive Population. Centre Sampling adalah salah satu metode pengambilan sampel yang dapat digunakan pada Elusive Population. Ide dari Centre Sampling ini adalah mengamati individu yang menjadi objek penelitian pada pusat berkumpulnya individu-individu tersebut atau yang disebut dengan pusat agregasi. Secara umum ada dua tahap pengambilan sampel pada Centre Sampling, yang pertama adalah memilih sebanyak m pusat agregasi dari M pusat yang sudah ditentukan. Kemudian yang kedua peneliti harus mengamati setiap individu yang ada di pusat yang terpilih. Centre Sampling mempunyai kondisi Inclusion Probability, dimana peluang setiap individu untuk dapat terplih menjadi anggota sampel berbeda-beda . Pada penulisan skripsi ini parameter populasi yang akan ditaksir menggunakan Centre Sampling adalah total populasi. Estimator yang akan digunakan untuk mencari taksiran total populasi adalah Horvitz ndash; Thompson Estimator yang diperkenalkan oleh Horvitz ndash; Thompson pada tahun 1952. Horvitz ndash; Thompson Estimator adalah penaksir yang tak bias untuk total populasi. Pada skripsi ini juga akan dicari taksiran variansi dari taksiran total populasi.

---

ABSTRACT
Exlusive Population is population which members are difficult to detect and does not have any complete and clear sampling frame. A particular sampling method is required to take samples from Elusive Population. Centre Sampling is one of the sampling method that can be used on Elusive Population. The idea of Centre Sampling is to observe individual who becomes an object of research in a centre where all individual gather, or called as a centre of aggregation. In general, there are two steps to take samples in Centre Sampling. First of all, choose as many as m of M centre of aggregation that have been listed. Then, researchers must observe every individual in the selected centre. Centre Sampling has an Inclusion Probability condition, which probability of every individual of being selected as a member of samples are different. In this undergraduate thesis, population parameter which will be estimated using Centre Sampling is total population. The estimator which will be used to find the estimated total population is Horvitz Thompson Estimator, introduced by Horvitz Thompson in 1952. Horvitz Thompson Estimator is an unbiased estimator for total population. This undergraduate thesis will also look for unbiased estimator of the variance for estimated total population.

Abstrak :
ABSTRAK
Suatu kejadian yang menyebabkan korban jiwa lebih dari suatu ambang batas tertentu disebut sebagai kejadian katastrofe. Pada dunia perasuransian, kejadian katastrofe menyebabkan banyak polis mengajukan klaim secara bersama-sama, sehingga dapat menyebabkan kerugian yang besar bagi perusahaan asuransi. Risiko dari kejadian katastrofe dapat diminimalisir dengan membeli kontrak reasuransi katastrofe. Perusahaan reasuransi kemudian menghitung besarnya risk premium reasuransi katastrofe yang harus dibayarkan oleh perusahaan asuransi. Model yang digunakan untuk menghitung besarnya risk premium adalah model peaks over threshold POT. Model POT pada umumnya digunakan untuk memodelkan kejadian-kejadian ekstrem. Pada model ini jumlah kejadian katastrofe dimodelkan dengan menggunakan distribusi Poisson. Kemudian, jumlah korban jiwa dimodelkan dengan menggunakan discrete generalized Pareto distribution DGPD. Untuk mengestimasi parameter dari model digunakan metode maximum likelihood dan menggunakan data jumlah korban jiwa akibat suatu kejadian tertentu di Indonesia. Selanjutnya jumlah klaim dimodelkan dengan distribusi Beta-Binomial dan besarnya klaim akibat dari suatu kejadian katastrofe dimodelkan dengan distribusi Eksponensial. Simulasi numerik kemudian dilakukan untuk mendapatkan total besarnya klaim akibat dari seluruh kejadian katastrofe dalam 1 tahun kontrak reasuransi katastrofe. Pada akhirnya besarnya risk premium dapat dihitung dengan menggunakan standard deviation premium principle dengan memanfaatkan nilai ekspektasi dan variansi dari total besarnya klaim.

---

ABSTRACT
An incident that cost more lives than a certain threshold is called a catastrophic event. In the world of insurance, the incidence of catastrophe causes many policies to make a claim together, so it can cause big losses for insurance companies. The risk of catastrophic events can be minimized by purchasing a catastrophic reinsurance contract. The reinsurance company then calculates the amount of risk premium for catastrophic reinsurance to be paid by the insurance company. The model used to calculate the risk premium is the peaks over threshold POT model. The POT model is generally used to model extreme events. In this model the number of catastrophic events is modeled using the Poisson distribution. Then, the number of casualties is modeled using the discrete generalized Pareto distribution DGPD. To estimate the parameters of the model, the maximum likelihood method is used and the data on the number of fatalities resulting from a particular event in Indonesia is collected and compiled. Furthermore the number of claims is modeled with the Beta Binomial distribution and the size of claims resulting from a catastrophic event is modeled by Exponential distribution. Numerical simulations are then performed to obtain the total size of claims resulting from all catastrophic events within 1 year of catastrophic reinsurance contracts. Ultimately the risk premium can be calculated using the standard deviation premium principle by utilizing the expected value and the variance of the total amount of the claim.

Abstrak :
ABSTRAK
Analisis survival merupakan analisis statistika yang digunakan untuk menyelidiki waktu tahan hidup suatu benda atau individu pada keadaan tertentu. Dalam melakukan analisis survival dibutuhkan data survival yang meliputi waktu survival dan status waktu survival dari objek yang diteliti. Data survival yang diperoleh dapat berupa data lengkap atau data tidak lengkap. Data tidak lengkap data tersensor dapat berupa data tersensor kanan, kiri, atau interval. Data tersensor kanan dapat berupa data tersensor kanan tipe I atau data tersensor kanan tipe II. Dalam penelitian ini akan digunakan data tersensor kanan tipe II. Fungsi survival yang akan digunakan adalah fungsi survival dari distribusi Lomax. Distribusi Lomax memiliki dua paremeter, yaitu parameter bentuk dan parameter skala. Dalam penelitian ini, parameter yang akan ditaksir adalah parameter bentuk dengan asumsi parameter skala telah diketahui. Metode yang digunakan dalam penelitian ini adalah metode Bayes. Penelitian ini akan menggunakan prior Gamma sebagai distribusi conjugate prior dan fungsi Loss yang akan digunakan dalam penelitian ini adalah balanced squared error loss function BSELF .

---

ABSTRACT
Survival analysis is a statistical analysis used to investigate the life time of an object or an individual in a special case. In survival analysis, survival data is needed which includes the survival time and status of the survival time of the object under study. The survival data obtained can be either complete data or incomplete data. Incomplete data censored data can be either right, left, or interval censored data. The right censored data can be either right censored data type I or type II. In this study will be used the right censored data type II. The survival function to be used is the survival function of the Lomax distribution. The Lomax distribution has two parameters, that is the shape parameter and the scale parameter. In this study, the parameter will be estimate is the shape parameter with the assumption of scale parameters has been known. The method used in this study is Bayes method. This study will use prior Gamma as conjugate prior distribution and Loss function will be used in this study is balanced squared error loss function BSELF.

Abstrak :
Satu parameter distribusi Lindley (𝜃) telah banyak digunakan di berbagai bidang seperti Biologi, teknik, medis, dan industri. Distribusi Lindley mampu memodelkan data dengan tingkat bahaya monoton yang meningkat. Namun, dalam kehidupan nyata, ada situasi di mana tingkat bahaya bukan monoton. Oleh karena itu, untuk meningkatkan kemampuan distribusi Lindley untuk pemodelan data, suatu modifikasi dapat digunakan dengan menggunakan metode transformasi Alpha Power. Hasil dari modifikasi distribusi Lindley biasa disebut distribusi Alpha Power Transformed Lindley (APTL) yang memiliki dua parameter (𝛼, 𝜃). Distribusi APTL baru ini sesuai dalam memodelkan data dengan bentuk pdf menurun atau unimodal dan meningkatkan, mengurangi, dan bak terbalik berbentuk tingkat bahaya. Berbagai sifat dari distribusi yang diusulkan dibahas termasuk kepadatan probabilitas fungsi, fungsi distribusi kumulatif, fungsi survival, fungsi tingkat bahaya, fungsi momen, dan momen r.Parameter model diperoleh dengan menggunakan metode kemungkinan maksimum. Data waktu tunggu digunakan "sebagai ilustrasi untuk menggambarkan kegunaan distribusi APTL"Satu parameter distribusi Lindley (𝜃) telah banyak digunakan di berbagai bidang seperti Biologi, teknik, medis, dan industri. Distribusi Lindley mampu memodelkan data dengan tingkat bahaya monoton yang meningkat. Namun, dalam kehidupan nyata, ada situasi di mana tingkat bahaya bukan monoton. Oleh karena itu, untuk meningkatkan kemampuan distribusi Lindley untuk pemodelan data, suatu modifikasi dapat digunakan dengan menggunakan metode transformasi Alpha Power. Hasil dari modifikasi distribusi Lindley biasa disebut distribusi Alpha Power Transformed Lindley (APTL) yang memiliki dua parameter (𝛼, 𝜃). Distribusi APTL baru ini sesuai dalam memodelkan data dengan bentuk pdf menurun atau unimodal dan meningkatkan, mengurangi, dan bak terbalik berbentuk tingkat bahaya. Berbagai sifat dari distribusi yang diusulkan dibahas termasuk kepadatan probabilitas fungsi, fungsi distribusi kumulatif, fungsi survival, fungsi tingkat bahaya, fungsi momen, dan momen r.Parameter model diperoleh dengan menggunakan metode kemungkinan maksimum. Data waktu tunggu digunakan " sebagai ilustrasi untuk menggambarkan kegunaan distribusi APTL. Satu parameter distribusi Lindley (𝜃) telah banyak digunakan di berbagai bidang seperti Biologi, teknik, medis, dan industri. Distribusi Lindley mampu memodelkan data dengan tingkat bahaya monoton yang meningkat. Namun, dalam kehidupan nyata, ada situasi di mana tingkat bahaya bukan monoton. Oleh karena itu, untuk meningkatkan kemampuan distribusi Lindley untuk pemodelan data, suatu modifikasi dapat digunakan dengan menggunakan metode transformasi Alpha Power. Hasil dari modifikasi distribusi Lindley biasa disebut distribusi Alpha Power Transformed Lindley (APTL) yang memiliki dua parameter (𝛼, 𝜃). Distribusi APTL baru ini sesuai dalam memodelkan data dengan bentuk pdf menurun atau unimodal dan meningkatkan, mengurangi, dan bak terbalik berbentuk tingkat bahaya. Berbagai sifat dari distribusi yang diusulkan dibahas termasuk kepadatan probabilitas fungsi, fungsi distribusi kumulatif, fungsi survival, fungsi tingkat bahaya, fungsi momen, dan momen r.Parameter model diperoleh dengan menggunakan metode kemungkinan maksimum. Data waktu tunggu digunakan sebagai ilustrasi untuk menggambarkan kegunaan distribusi APTL.

---

One Lindley distribution parameter (𝜃) has been widely used in fields such as Biology, engineering, medical, and industry. The Lindley distribution is able to model data with an increased level of monotonous danger. However, in real life, there are situations where the level of danger Therefore, to improve Lindleys distribution capabilities for data modeling, a modification can be used using the Alpha Power transformation method. The results of the Lindley distribution modification are commonly called the Alpha Power Transformed Lindley distribution (APTL) which has two parameters (𝛼 , 𝜃) This new APTL distribution is suitable for modeling pdf data in a declining or unimodal form and increasing, reducing, and inverted body in the form of hazard level.The various properties of the proposed distribution are discussed including probability density functions, cumulative distribution functions, survival functions, functions danger level, moment function, and moment r. Parameter model is obtained uh using the maximum likelihood method. Wait time data is used as an illustration to illustrate the usefulness of the APTL distribution. One Lindley distribution parameter (𝜃) has been widely used in fields such as Biology, engineering, medical, and industry. Distribution Lindley is capable modeling data with an increased level of monotonous danger. However, in real life, there are situations where the level of danger is not monotonous. Therefore, to improve Lindleys distribution capabilities for data modeling, a modification can be used using the Alpha Power transformation method. The result of the modification of the Lindley distribution is called the Alpha Power Transformed Lindley (APTL) distribution which has two parameters (𝛼, 𝜃). This new APTL distribution is suitable in modeling data in pdf format in a declining or unimodal form and increasing, reducing, and inverted like a hazard level. Various properties of the proposed distribution are discussed including the probability density function, cumulative distribution function, survival function, hazard level function, moment function, and moment r. Parameter models are obtained using the maximum likelihood method. The waiting time data is used as an illustration to illustrate the usefulness of the APTL distribution. One Lindley distribution parameter (𝜃) has been widely used in fields such as Biology, engineering, medical, and industry. The Lindley distribution is able to model data with an increased level of monotonous danger. However, in real life, there are situations where the level of danger is not monotonous. Therefore, to improve Lindleys distribution capabilities for data modeling, a modification can be used using the Alpha Power transformation method. The result of the modification of the Lindley distribution is called the Alpha Power Transformed Lindley (APTL) distribution which has two parameters (𝛼, 𝜃). This new APTL distribution is suitable in modeling data in pdf format in a declining or unimodal form and increasing, reducing, and inverted like a hazard level. Various properties of the proposed distribution are discussed including the probability density function, cumulative distribution function, survival function, hazard level function, moment function, and moment r. Parameter models are obtained using the maximum likelihood method. Wait time data is used as an illustration to illustrate the usefulness of the APTL distribution.

Abstrak :
ABSTRAK
Distribusi Beta-Burr Tipe X merupakan distribusi kontinu yang mampu memodelkan beberapa jenis distribusi dari data, seperti right skewed, left skewed, atau symmetrical. Distribusi Beta-Burr Tipe X merupakan hasil penggabungan dari fungsi distribusi beta dengan fungsi distribusi Tipe X Burr. Pembentukan distribusi Beta-Burr Tipe X, serta karakteristik distribusi Beta-Burr Tipe X yang meliputi fungsi densitas probabilitas, fungsi distribusi, momen ke - , momen pusat ke-, mean, varians, dan fungsi pembangkit momen dibahas dalam tesis ini. Estimasi parameter distribusi Beta-Burr Tipe X menggunakan metode kemungkinan maksimum dan hasilnya dapat diperoleh dengan metode numerik. Sebagai ilustrasi, data hormon luteinizing digunakan dalam sampel darah wanita yang dimodelkan dengan distribusi Beta-Burr Tipe X.
ABSTRACT
Beta-Burr Distribution Type X is a continuous distribution that is able to model several types of distributions from the data, such as right skewed, left skewed, or symmetrical. The Type X Beta-Burr distribution is the result of combining the beta distribution function with the Type X Burr distribution function. The formation of the Type X Beta-Burr distribution, as well as the characteristics of the Type X Beta-Burr distribution which include the probability density function, distribution function, th moment, th center moment, mean, variance, and moment generating function are discussed in this thesis. The parameter estimation of Beta-Burr Type X distribution uses the maximum likelihood method and the results can be obtained by numerical methods. To illustrate, luteinizing hormone data were used in a female blood sample modeled with a Type X Beta-Burr distribution.

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.