NURTITI SUNUSI
Unknown Affiliation

Published : 4 Documents
Articles

Found 4 Documents
Search

Updating Reservoir Models Using Ensemble Kalman Filter

STATISTIKA: Forum Teori dan Aplikasi Statistika Vol 10, No 1 (2010)
Publisher : Program Studi Statistika Unisba

Show Abstract | Original Source | Check in Google Scholar | Full PDF (299.924 KB)

Abstract

The Ensemble Kalman Filter (EnKF) has gain popularity as a methodology for real time updates ofreservoir models. A sample of models is updated whenever observation data available. Successfulapplication of EnKF to estimate reservoir properties has been reported. A flow modeling is missing inthis research area. This paper presents the applicability of EnKF in flow modeling for three cases:infinite reservoir, bounded reservoir and one dimensional composite reservoir. The solution of flowequation was derived and used as a modeling component of state space modeling of Kalman filterupdating formula. This three reservoir models shows that the EnKF methodology can be used forupdating the reservoir models.

Estimasi Hazard Rate Temporal Point Process

Jurnal Matematika Statistika dan Komputasi Vol 9, No 1: July 2012
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Original Source | Check in Google Scholar | Full PDF (408.196 KB)

Abstract

sifatnya acak baik dalam ruang maupun waktu. Point process dikarakterisasikan oleh intensitas bersyaratnya (conditional Intensity). Pada penelitian ini intensitas bersyarat proses titik temporal (temporal point process)  dipandang sebagai proses pembaruan (renewal process) dimana selisih waktu sejak kejadian terakhir tidak tergantung pada selang sebelumnya. Intensitas bersyarat yang bersesuaian pada model ini disebut hazard rate. Untuk mengestimasi parameter  hazard rate digunakan metode Hazard Rate Single Decrement (HRSD) yang diadaptasi  dari metode estimasi dalam studi aktuaria yang dipakai dalam pembentukan tabel mortalita. Pada metode ini, satu individu diasosiasikan dengan satu kejadian. Jika informasi yang digunakan pada pembentukan tabel mortalita adalah tanggal lahir dan tanggal meninggal, maka pada temporal point process digunakan informasi waktu mulai dan berakhirnya suatu kejadian. Selanjutnya pada bagian akhir,  ditinjau dua kasus yaitu estimasi hazard rate dengan waktu antar kejadian berdistribusi uniform dan eksponensial.

ANALISIS KOVARIANSI RANCANGAN PETAK TERBAGI PADA RANCANGAN ACAK KELOMPOK (RAK) DENGAN DATA HILANG

Jurnal Matematika Statistika dan Komputasi Vol 14, No 2 (2018): January 2018
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Original Source | Check in Google Scholar | Full PDF (397.883 KB)

Abstract

Pada skripsi ini akan di kaji analisis kovariansi rancangan petak terbagi (split plot design) pada Rancangan Acak Kelompok (RAK) dengan satu data hilang. Analisis kovariansi pada rancangan petak terbagi dilakukan melalui dua analisis yaitu analisis petak utama dan analisis anak petak. Sebagai aplikasi selanjutnya diberikan studi kasus pada percobaan dengan satu data hilang. Dari  hasil analisis rancangan petak terbagi pada Rancangan Acak Kelompok (RAK) dengan satu data hilang diperoleh nilai koefisien keragaman dari analisis variansi lebih kecil dibandingkan analisis kovariansi. Hal ini menunjukkan analisis variansi lebih baik dibandingkan analisis kovariansi pada rancangan petak terbagi (split plot design) pada Rancangan Acak Kelompok (RAK) dengan satu data hilang. 

Penerapan Sparse Principal Component Analysis dalam Menghasilkan Matriks Loading yang Sparse

Jurnal Matematika Statistika dan Komputasi Vol 15, No 2 (2019): JMSK Vol. 15, No. 2, January 2019
Publisher : Department of Mathematics, Hasanuddin University

Show Abstract | Original Source | Check in Google Scholar | Full PDF (582.269 KB)

Abstract

Abstract Sparse Principal Component Analysis (Sparse PCA) is one of the development of  PCA. Sparse PCA modifies new variables as a linier combination of  p old variables (original variable) which  is yielded by PCA method. Modifying new variables is conducted by producing a loading yang sparse matrix, such that old variable which is not effective (value of loading is zero) able be exit from PCA.  In this study, Sparse PCA method was applied on data of Indonesia Poverty population in 2015, that contains 13 variables and 34 observation with variable reduction such that yields 4 (four) new variables, which can explain 80.1% of total variance data. This study show, the loading matrix that has been yielded by using Sparse PCA method to become sparse with there exist 11 elements (loading value) zero entry of matrix, such that the model that has been produced to be simpler and easy to be interpreted. Keywords:  Principal Component Analysis, Sparse Principal Component Analysis, reduksi dimensi, matriks loading yang sparse Abstrak Sparse Principal Component Analysis (Sparse PCA) merupakan salah satu pengembangan dari metode PCA. Sparse PCA memodifikasi variabel-variabel baru yang merupakan kombinasi linear dari  variabel lama (variabel asli) yang dihasilkan oleh metode PCA. Pemodifikasian variabel baru ini dilakukan dengan dengan menghasilkan matriks loading yang sparse sehingga variabel lama yang tidak efektif (memiliki nilai loading sama dengan nol) dapat dikeluarkan dari model PCA. Pada penelitian ini, metode Sparse PCA diterapkan pada data Indikator Kemiskinan Penduduk Indonesia Tahun 2015 yang memuat 13 variabel dan 34 observasi dengan reduksi variabel menghasilkan 4 (empat) variabel baru yang telah mampu menjelaskan 80,1% dari total variansi data. Hasil penelitian menunjukkan, matriks loading yang dihasilkan menggunakan metode Sparse PCA menjadi sparse dengan terdapat 11 elemen (nilai loading) matriks bernilai nol sehingga model yang dihasilkan menjadi lebih sederhana dan mudah untuk diinterpretasikan. Kata Kunci: Principal Component Analysis, Sparse Principal Component Analysis, reduksi dimensi, matriks loading yang sparse