Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas mengenai principal covariate regression pada suatu data runtun waktu. Principal covariate regression adalah suatu model regresi yang menggambarkan hubungan antara variabel respon dengan banyak variabel kovariat dengan taksiran parameternya diperoleh melalui peminimuman sebuah fungsi kriteria. Fungsi kriteria merupakan fungsi dari error peramalan dan error kompresi informasi variabel-variabel kovariat yang masing-masing sudah terboboti. Selanjutnya taksiran parameter ini disubstitusikan dalam Persamaan peramalan dan kemudian digunakan untuk meramal nilai variabel respon pada periode selanjutnya. Selain itu, pada tugas akhir ini juga diberikan contoh aplikasi peramalan runtun waktu dengan menggunakan principal covariate regression.

---

This paper discusses about principal covariate regression on time series data. Principal covariate regression is a regression model describes a relation between response variable and a large number of covariate variables with the estimation parameters are obtained by minimizing a single criterion. A single criterion is a weighted of forecast error and of predictor compression error. Furthermore, the estimation parameters are substituted in forecast equation and used to forecast value of response variable for next period. Besides, this paper also gives an application of time series forecasting by principal covariate regression."

"Structural Equation Model (SEM) merupakan salah satu metode statistik yang digunakan untuk menganalisis hubungan simultan antar variabel laten. Selain digunakan untuk menganalisis hubungan simultan antar variabel pada data yang tidak berpasangan, ternyata SEM juga dapat digunakan untuk menganalisis hubungan simultan antar variabel pada data yang berpasangan, baik pasangan yang dapat dibedakan maupun pasangan yang tidak dapat dibedakan. Pada tugas akhir ini akan dibahas SEM untuk data berpasangan yang tidak dapat dibedakan. Ada 3 model pada SEM untuk data berpasangan yang tidak dapat dibedakan, yaitu model actor-partner, model mutual-influence dan model mixed. Pada penelitian ini akan digunakan model mixed yang merupakan penggabungan dari model actor-partner dan model mutual-influence. Tidak seperti pada metode SEM pada umumnya, SEM untuk data berpasangan yang tidak dapat dibedakan menggunakan 2 matriks input, yaitu matriks between-dyad dan matriks within-dyad. Selain itu digunakan pula variabel phantom yang selain berguna untuk merepresentasikan pengaruh pasangan, juga membantu proses estimasi parameter dalam model. "

"

Model regresi varying intercept adalah salah satu model regresi yang diterapkan pada nested data, yaitu data yang terdiri dari beberapa grup dan setiap grupnya mengandung beberapa observasi individu. Terdapat beberapa karakteristik yang sering dijumpai pada nested data, yaitu adanya variansi antar grup dan obervasi-observasi individu yang berasal dari grup yang sama saling berkorelasi. Dengan mempertimbangkan error di dua tingkat, yaitu tingkat individu dan tingkat grup, model regresi varying intercept lebih sesuai untuk diterapkan pada nested data karena model regresi tersebut mengakomodir kedua karakteristik tersebut. Pada tugas akhir ini, dibahas model regresi varying intercept tanpa variabel prediktor dan dengan satu variabel prediktor. Model regresi tersebut mengandung beberapa parameter yang perlu ditaksir, yaitu koefisien regresi dan komponen variansi. Adapun efek acak, yaitu efek grup yang merupakan variabel acak pada model regresi tersebut yang perlu diprediksi. Metode penaksiran koefisien regresi pada model regresi varying intercept yang dibahas pada tugas akhir ini adalah Generalized Least Squares (GLS) dan Maximum Likelihood (ML) dengan algoritma Expectation-Maximization (EM). Efek acak pada model regresi varying intercept diprediksi dengan menggunakan Best Linear Unbiased Prediction (BLUP). Sedangkan, komponen variansi pada model regresi varying intercept ditaksir dengan menggunakan metode Maximum Likelihood (ML) dengan algoritma Expectation-Maximization (EM). Pada tugas akhir ini, simulasi dilakukan untuk mengetahui efek standar deviasi dari komponen error pada model regresi varying intercept dan efek banyaknya observasi individu di setiap grup terhadap standar deviasi dari komponen error. Hasil simulasi menunjukkan bahwa apabila nilai standar deviasi dari komponen error tingkat individu lebih besar dibandingkan nilai standar deviasi dari komponen error tingkat grup, pengelompokan observasi-observasi individu dapat diabaikan. Sebaliknya, apabila nilai standar deviasi dari komponen error tingkat individu lebih kecil atau sama dengan nilai standar deviasi error tingkat grup, pengelompokan observasi-observasi individu tidak dapat diabaikan. Hasil simulasi juga menunjukkan bahwa banyaknya observasi individu di setiap grup tidak berasosiasi dengan standar deviasi dari komponen error, baik standar deviasi dari komponen error di tingkat individu maupun standar deviasi dari komponen error di tingkat grup.

---

Varying intercept model is a regression model that is applied in nested data, which is data that consists of several groups and each group contains several individual observations. Several characteristics are often found in nested data, namely, the variance between groups and individual observations from the same group are correlated. By considering errors in two different levels, that is individual level and group level, varying intercept model is more suitable than the linear regression model in nested data because varying intercept model accommodates those characteristics. In this thesis, discussed varying intercept model without the predictor variable and varying intercept model with one predictor variable. The varying intercept model consists of several parameters that must be estimated, namely regression coefficients and variance components. There is also a random effect, which is a group effect which is a random variable. The regression coeficients are estimated using Generalized Least Squares (GLS) and Maximum Likelihood (ML) via the EM (Expectation-Maximization) Algorithm. The random effect in varying intercept model is predicted using Best Linear Unbiased Prediction (BLUP). On the other side, the variance components in varying intercept model are estimated using Maximum Likelihood via EM (Expectation-Maximization) Algorithm. In this thesis, simulation is done to analyze the effect of the standard deviation of the error components in varying intercept model and the effect of the number of individual observations in each group toward the standard deviation of the error components. The simulation results show that if the standard deviation of the error component in the individual level is larger than the standard deviation of the error component in the group level, then the classifications of individual observations into several groups should be ignored. On the other side, if the standard deviation of the error component in the individual level is smaller or equal to the standard deviation of the error component in the group level, then the classifications of individual observations into several groups should not be ignored. The simulation results also show that the number of individual observations in each group is not associated with the standard deviation of the error components.

"

"Kami melakukan perhitungan konduktivitas optis pada layered (perovskite) Pr0.5Ca1.5MnO4untuk mengidentifikasi fenomena charge-ordering. Pemodelan melibatkan orbital Mn dan O yang berada pada bidang MnO2 dari layered Pr0.5Ca1.5MnO4. Interaksi yang diperhitungkan dalam pemodelan yaitu interaksi Coulomb inter-orbital dan intra-orbital, distorsi Jahn-Teller dan exchange interaction dengan menerapkan beberapa asumsi. Perhitungan dilakukan menggunakan Dynamical Mean Field Theory untuk mencapai self-consistency. Hasil perhitungan menunjukkan profile yang mendekati hasil eksperimen dengan puncak charge-ordering berada di bawah 1 eV dan puncak charge-transfer pada 3-3.7 eV. Di bawah temperatur TCO=OO ( 325 K), puncak charge-ordering mengalami blue shift seiring dengan penurunan temperatur.

---

We calculate the optical conductivity of layered (perovskite) Pr0.5Ca1.5MnO4 to capture charge-ordering phenomena. The calculations are based on a model which considers Mn and O orbitals within the MnO2 plane of layered Pr0.5Ca1.5MnO4. Interaction terms included in the model with some assumptions are the inter-orbital and intra-orbital Coulomb repulsions, the static Jahn-Teller distortion and the exchange interaction. We calculate within Dynamical Mean Field Theory to achieve self-consistency. The result shows a profile similar to recent experimental data, where the charge-ordering peak appears below 1 eV and charge-transfer peak at 3-3.7 eV. For temperaturelower than TCO=OO ( 325 K), the charge-ordering peak undergoes a blue shift as the temperature is decreased."

"Penuaan adalah salah satu faktor utama resiko terjadinya penyakit dan kematian. Lajupenuaan individu dengan usia kronologis yang sama terbukti bervariasi. Maka dariitu, muncul kebutuhan untuk alat pengukuran penuaan yang lebih akurat, robust, dandapat diandalkan dibandingkan usia kronologis, yakni usia biologis. Pada penelitianini, penulis membangun model menggunakan Metode Random Forest Regression (RF)dan Metode Support Vector Regression (SVR) untuk memprediksi umur biologis padadata pemeriksaan medis, menilai dan mengevaluasi hasil kinerjanya, serta melakukankomparasi kinerja kedua metode. Terkait metode yang digunakan, Metode RF adalahmetode yang mengaplikasikan Teknik Ensemble Learning dengan cara menggabungkanbeberapa decision tree untuk menghasilkan prediksi. Sedangkan, Metode SVR adalahmetode yang berkerja dengan cara membangun hyperplane atau kumpulan hyperplanedalam ruang berdimensi tinggi yang dapat digunakan untuk regresi linier atau nonlinier.Dataset yang digunakan adalah data medis yang berasal dari Kementrian KesehatanRepublik Indonesia. Pada dataset dilakukan data preprocessing, yakni data diproses padaaspek missing values handling, encoding, dan outliers detection and outliers handling.Kemudian, dilakukan feature selection menggunakan Spearman’s Rank CorrelationCoefficient. Setelah itu, dilakukan pembangunan model dengan Metode RF dan modeldengan Metode SVR secara terpisah untuk masing - masing jenis kelamin. Terakhir,performa model dievaluasi dan dibandingkan kinerjanya menggunakan metrik evaluasiRoot Mean Square Error (RMSE), Coefficient of Determination (R2), Adjusted R2, danrunning time. Metode RF menggunakan hyperparameter terbaik {’max depth’: 15,’n estimators’: 1150} untuk dataset pria, dan {’max depth’: 15, ’n estimators’: 1250}untuk dataset wanita. Sedangkan, Metode SVR menggunakan hyperparameter terbaik{’C’: 2,’epsilon’: 0,2, ’gamma’: ’scale’, ’kernel’: ’rbf’, ’tol’: 0,005} untuk dataset pria,dan {’C’: 3, ’epsilon’: 0,2, ’gamma’: ’scale’, ’kernel’: ’rbf’, ’tol’: 0,005} untuk datasetwanita. Metode RF memiliki kinerja yang cukup baik, dengan nilai RMSE = 7,532; R2= 0,403; Adjusted R2 = 0,351; running time = 0,154 untuk pria dan RMSE = 6,889;R2 = 0,340; Adjusted R2 = 0,264; running time = 0,179 untuk wanita. Selain itu, SVRjuga memiliki performa yang cenderung sama namun sedikit lebih buruk, dengan nilaiRMSE = 7,692; R2 = 0,376; Adjusted R2 = 0,321; running time = 0,035 untuk pria danRMSE = 6,905; R2 = 0,337; Adjusted R2 = 0,306; running time = 0,080 untuk wanita.Berdasarkan analisis kinerja model yang dilakukan pada penelitian ini model yangdibangun dengan Metode Random Forest Regression lebih unggul dalam memprediksiusia biologis dibandingkan dengan Metode Support Vector Regression.

---

Aging is one of the main risk factors for disease and death. The aging rate of individ- uals of the same chronological age has been shown to vary. So therefore, a need arises for a more accurate, robust, and reliable aging measurement tool than chronological age, namely biological age. In this research, the author build a model using the Random For- est Regression (RF) Method and the Support Vector Regression (SVR) Method to predict biological age from patient clinical data, assess and evaluate the performance results, and compare the performance of the two models. Regarding the method used, the Random Forest Regression Method is a method that applies the Ensemble Learning Technique by combining several decision trees to produce predictions. Meanwhile, the Support Vector Regression Method is a method that works by building a hyperplane or collection of hy- perplane in high-dimensional space which can be used for linear or nonlinear regression. The dataset used is medical data originating from the Ministry of Health of the Republic of Indonesia. On the dataset, data preprocessing is carried out, namely the data is processed in the aspects of missing values handling, encoding, and outliers detection and outliers handling. Then, feature selection is carried out using Spearman’s Rank Correlation Co- efficient. After that, machine learning model using RF Method and machine learning model using SVR Method were created separately for each gender. Finally, the model performance is evaluated and its performance compared using evaluation metrics, namely Root Mean Square Error (RMSE), Coefficient of Determination (R2), and Adjusted R2, as well as running time. The RF Method used best hyperparameters {’max depth’: 15, ’n estimators’: 1150} for the male dataset, and {’max depth’: 15, ’n estimators’: 1250 } for the female dataset. Meanwhile, the SVR Method used best hyperparameters {’C’: 2, ’epsilon’: 0.2, ’gamma’: ’scale’, ’kernel’: ’rbf’, ’toll’: 0.005} for the male dataset, and {’C’: 3, ’epsilon’: 0, 2, ’gamma’: ’scale’, ’kernel’: ’rbf’, ’toll’: 0.005} for female dataset. The result is that the model built using the RF Method has quite good performance, with an RMSE value of = 7.532; R2 = 0.403; Adjusted R2 = 0.351; running time = 0.154 for men and RMSE = 6.889; R2 = 0.340; Adjusted R2 = 0.264; running time = 0.179 for women. Apart from that, SVR also has performance that tends to be the same but slightly worse, with an RMSE value of = 7,692; R2 = 0.376; Adjusted R2 = 0.321; running time = 0.035 for men and RMSE = 6.905; R2 = 0.337; Adjusted R2 = 0.306; running time = 0.080 for women. Based on the model performance analysis carried out in this research, the model built using the Random Forest Regression Method is superior in predicting biological age compared to the Support Vector Regression Method."

"Konflik adalah hal yang biasa muncul dalam berelasi sosial dan penyelesaiannya bergantung pada kemampuan mengatasi konflik seseorang. Diduga tingkat kemampuan mengatasi konflik seseorang selain dipengaruhi oleh kestabilan emosi yang terdapat pada dirinya sendiri juga dipengaruhi oleh kestabilan emosi pada sahabatnya. Kebenaran dugaan tersebut akan diteliti dalam tulisan ini dengan menggunakan metode structural equation model (SEM) dengan variabel laten untuk data interchangeable dyads. Metode SEM dengan variabel laten untuk data interchangeable dyads mempunyai dua matriks input yaitu matriks between-dyad dan matriks within-dyad serta menggunakan variabel panthom dalam proses estimasi parameter. Dalam SEM dengan variabel laten untuk data interchangeable dyads terdapat tiga macam model yaitu model actor-partner, mutuall-influence, dan model mixed. Namun dalam tulisan ini hanyalah membahas model actor-partner. Pada model actor-partner variabel panthom juga berfungsi untuk merepresentasikan pengaruh kestabilan emosi seseorang terhadap tingkat kemampuan mengatasi konflik dari sahabatnya. Hasil penelitian menunjukkan bahwa tingkat kemampuan menyelesaikan konflik dari seseorang sangat dipengaruhi oleh kestabilan emosi dari orang tersebut namun tidak dipengaruhi oleh kestabilan emosi sahabatnya. Dari hasil tersebut dapat disarankan bahwa dalam memperbaiki tingkat kemampuan mengatasi konflik dari mahasiswa Universitas Indonesia jenjang strata 1 dan iv diploma 3 kampus Depok, seseorang atau peneliti harus melihat kestabilan emosi pada dari orang tersebut. "