Hasil Pencarian  ::  Simpan CSV :: Kembali

"Seringkali analisis statistik beranggapan suatu data hanya berasal dari satu populasi saja. Padahal pada kenyataannya terdapat kondisi dimana suatu data bisa dibagi menjadi beberapa sub-populasi. Gaussian Finite Mixture Model adalah salah satu metode untuk memodelkan data heterogen yang memungkinkan berasal dari sub-populasi yang berbeda. Model ini berbentuk superposisi dari beberapa distribusi Gaussian. Jumlah distribusi akan ditentukan dengan menggunakan Akaikes Information Criterion dan model diagnostik. Estimasi parameter pada model ini menggunakan metode Bayesian, yaitu dengan menentukan distribusi prior untuk parameter model, digabungkan dengan likelihood yang akan menghasilkan distribusi posterior. Kemudian, Markov chain Monte Carlo-Gibbs Sampler digunakan untuk menarik sampel pada parameter dari distribusi poteriornya masing-masing.

---

Commonly statistical analysis assume data comes from one population. But there are conditions where data might be generated from several sub-populations. Gaussian Finite Mixture Model (GFMM) is one of the methods to model heterogeneous data that might come from different sub-populations. This model was formed as a superposition of several Gaussian distribution, with different location parameter. Number of distributions will be determined using Akaike`s Information Criterion and model diagnostic. Parameter estimation is conducted using Bayesian method, that is by specifying the prior distribution for the models parameters, combined with the likelihood to produce the posterior distribution. Finnally, Markov chain Monte Carlo-Gibbs Sampler is implemented to withdraw sampel of parameters from the corresponding posterior distributions."

"Providing travelers with accurate bus arrival time is an essential need to plan their traveling and reduce long waiting time for buses. In this paper, we proposed a new approach based on a Bayesian mixture model for the prediction. The Gaussian mixture model (GMM) was used as the joint probability density function of the Bayesian network to formulate the conditional probability. Furthermore, the Expectation maximization (EM) Algorithm was also used to estimate the new parameters of the GMM through an iterative method to obtain the maximum likelihood estimation (MLE) as a convergence of the algorithm. The performance of the prediction model was tested in the bus lanes in the University of Indonesia. The results show that the model can be a potential model to predict effectively the bus arrival time."

"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."

"ABSTRAKTeknik yang digunakan untuk Sistem Pemantau Lalu Lintas pada masa sekarangini banyak tergantung pada sensor-sensor yang mempunyai kemampuan yangterbatas, kurang fleksibel, dan seringkali mahal dan sulit untuk dipasang.Penggunaan kamera digabungkan dengan teknologi Computer Vision menjadialternatif yang menarik dari sensor yang ada saat ini. Sensor berbasis kamera inimempunyai potensi yang lebih besar untuk mengamati kondisi lalu lintas yangada dibanding sensor konvensional saat ini yaitu sensor ini lebih murah danmudah untuk dipasang.Di dalam penelitian ini dikembangkan sistem pemantaulalu lintas menggunakan metode Optical Flow dan Gaussian Mixture Model.Eksperimen dilakukan menggunakan handycam, berlokasi di salah satu tol dalamkota Jakarta. Kondisi pengambilan gambar adalah pada kondisi yang berbedabedayaitu pada saat pagi, siang, dan sore, cuaca cerah, dan mendung, sertakondisi arus lalu lintas padat dan lancar. Setelah pengujian dilakukan, algoritmaOptical Flow memberikan hasil yang lebih baik dibandingkan algoritma GaussianMixture Model yaitu dengan akurasi mencapai 92% dibanding Gaussian yanghanya mencapai 72%. Faktor-faktor yang mempengaruhi tingkat akurasi adalahkondisi waktu, cuaca, dan arus kendaraan serta lokasi pengambilan gambar.

---

AbstractCurrent techniques for Sistem Pemantau Lalu Lintas rely on sensors which havelimited capabilities, inflexible and often, costly and disruptive to be installed.Video camera, coupled with Computer Vision techniques offers an attractivealternative to current sensors which is portable and low cost . In this research, atraffic monitoring system using handy camera is developed using Optical Flowand Gaussian Mixture Model (GMM) methods. The experiment took place in oneof the Jakarta city highway. The condition of the experiment is when the time is inthe morning, afternoon, evening, when it is clear, and cloudy, and also when thetraffic is light and heavy. The experiments shows that Optical Flow algorithmgives better results regarding to accuracy rate, better than Gaussian MixtureModel Algorithm. The Optical Flow reach 92% accuracy while Gaussian Mixtureonly got to 72% accuracy. Some factors that influenced the accuracy rate of thesystem are time, weather, traffic and location."

"Sudah sejak lama tanda tangan menjadi salah satu cara untuk melakukan otentikasi dalam kehidupan sehari-hari mulai dari pengesahan dokumen, surat- surat penting bahkan untuk transaksi perbankan. Namun tingkat keamanan dari penggunaan tanda tangan ini tergolong rendah karena tanda tangan dapat ditiru dengan mudah. Seiring dengan perkembangan teknologi, digunakan teknik verifikasi tanda tangan online untuk meningkatkan keamanan dalam otentikasi tanda tangan. Penelitian ini akan menganalisa performa sistem verifikasi tanda tangan online dengan menggunakan algoritma SVM dan GMM pada database SVC 2004 yang mengandung 7 fitur pada setiap tanda tangan. Database ini memiliki 40 dataset tanda tangan dimana setiap dataset terdiri dari 20 tanda tangan asli dan 20 tanda tangan tiruan atau 1600 tanda tangan secara keseluruhan. Berdasarkan hasil simulasi dengan menggunakan 10 data training, sistem verifikasi GMM menghasilkan FRR sebesar 4,5%, FAR 3% dan waktu komputasi rata-rata 21,3 detik sedangkan pada SVM dihasilkan FRR 2,625%, FAR 1,25% dan waktu komputasi rata-rata 1,84 detik.

---

For a long time, signature has become one of many authentication methods that commonly used in daily life such as document and other obligations authentication, even for banking transaction. However the use of signature could be classified as low level security authentication because it can easily forged. With the advanced of technology, online signature verification has been used to increase the security level in signature authentication.

This research will analyze the performance of online signature verification using SVM and GMM algorithm on SVC 2004 signature database which contains 7 features of each signature. The database has 40 contributors who sign 20 authentic signatures, while 20 other are forged ones. In total the database has 1600 signatures.

Based on simulation results using 10 training data, signature verification using GMM resulted in 4,5% FRR, 3% FAR and average computation time of 21,3 seconds, while SVM has 2,625% FRR, 1,25% FAR and average computation time 1,84 second."

"Dalam pengenalan objek pada sistem pengawasan lalu lintas dibutuhkan sebuah metode yang mampu membedakan antara objek dan non objek. Salah satu metode umum yang biasa digunakan adalah background subtraction. Background subtraction menjadi bagian awal yang penting dari sebuah aplikasi dalam metode computer vision. Hasil dari background subtraction biasanya digunakan dalam proses pada level yang lebih tinggi. Kami mengajukan sebuah metode Gaussian Mixture Model (GMM) dengan algoritma Hole Filling(HF). Ide utama dari pendekatan yang diajukan karena hasil dari GMM menghasilkan noisy image yang berasal dari kesalahan klasifikasi. Hal ini terjadi karena berbagai situasi (waving trees, rippling water dan illumination change). Metode HF yang sederhana mampu meningkatkan akurasi hingga 97,9% dan Kappa statistic hingga 0,74 dengan mengurangi kesalahan klasifikasi dari GMM. Hasil eksperimen and evaluasi pada pixel level menunjukkan bahwa GMMHF mampu unggul dari metode yang lain. Dengan peningkatan kinerja deteksi kendaraan menggunakan GMMHF, estimasi kecepatan kendaraan mendapatkan perbaikan. GMMHF yang dipadukan dengan Pin Hole model menghasilkan estimasi kecepatan terbaik dibandingkan skenario lainnya, dimana simpangan ratarata sebesar 7,4 Km/jam.

---

.There is a necessity in traffic control system using camera to have the capability to discriminate between an object and non-object in the image. One of the procedure to discriminate between those two is usually performed by background subtraction. Gaussian Mixture Model (GMM) is popular method that has been employed to tackle the problem of background subtraction. However, the output of GMM is a rather noisy image which comes from false classification. This situation may arise because several conditions in the video input such as, waving trees, rippling water, and illumination changes. In this paper, a version of GMM technique which is combined with Hole Filling Algorithm (HF) classifier is proposed to alleviate those has problems. The experimental result shows that the proposed method improved the accuracy up to 97.9% and Kappa statistic up to 0.74. This result has outperformed many similar methods that is used for evaluation. With improvement of vehicles detection performance using GMMHF, vehicle?s speed estimation also improved. GMMHF that combined with Pin Hole Model produce the best speed estimation compared with other scenarios, where standard deviation is 7,4 Km/hr."

"Bank dipersyaratkan oleh pemerintah untuk mengelola risiko-risiko perbankan, salah satunya adalah risiko operasional. Risiko operasional merupakan salah satu jenis risiko yang melekat pada setiap aktifitas fungsional bank. Bank mengelola risiko operasional dengan cara menghitung kerugian yang diperkirakan sebagai kebutuhan modal bagi risiko operasional (Economic Capital). Loss distribution Approach (LDA) merupakan salah satu metode untuk perhitungan Economic Capital (EC). Dalam metode LDA, bank harus mengestimasi loss severity distribution (distribusi severitas) dan frequency distribution (distribusi frekuensi) kemudian membentuk compound distribution (distribusi majemuk). Nilai EC diperoleh dari Value at Risk (VaR) dari distribusi majemuk dengan tingkat kepercayaan 99,9%. Estimasi distribusi severitas umumnya menggunakan model distribusi tertentu yang telah ada, namun pada banyak kasus kurang baik dalam menggambarkan data. Estimasi distribusi severitas berbasis data diharapkan mampu menjadi solusi permasalahan ini. Salah satu metode yang mengestimasi distribusi severitas dengan berbasis pada data adalah Gaussian Mixture Model (GMM). GMM merupakan suatu metode parametrik untuk mengestimasi fungsi distribusi probabilitas dari suatu variabel acak. Model GMM ini merupakan model kombinasi linear sederhana dari beberapa komponen distribusi Gaussian. Hasil penelitian menunjukkan bahwa GMM mampu menggambarkan data lebih baik dibandingkan dengan menggunakan model distribusi yang ada. Nilai EC yang dihasilkan oleh metode LDA yang distribusi severitasnya menggunakan GMM lebih kecil 2-2,8% dibandingkan nilai EC yang dihasilkan oleh metode LDA yang menggunakan model distribusi tersebut.

---

Bank must be able to manage all of banking risk, on of them is operational risk. Operational risk is a risk that come from any functional activity of bank. Bank manage operational risk by calculate estimated risk (Economic Capital). Loss Distribution Approach (LDA) is a popular method to estimate Economic Capital (EC) of operational risk on banking. In LDA method, loss severity distribution (severity distribution) and loss frequency distribution (frequency distribution) must be estimated and then compound distribution is formed from both of them. Through LDA method, the value of EC can be gotten from Value at Risk (VaR) in compound distribution with the level of confidence reaches 99,9%. Severity distribution estimation that used a model on particular distribution cannot describe a data well through. So, Severity distribution estimation based on data is used to solved this problem. One of methode that estimated severity distribution based on data is Gaussian Mixture Model (GMM). GMM is parametric methode that estimate probability density of random variable. Model of GMM is a linear combination of many Gaussian distribution . The result on this research is estimation of severity distribution through GMM is better than existing distribution model in describing the data. The value at EC of LDA method using GMM is smaller 2 % - 2,8 % than the value at EC of LDA using existing distribution model."

"Analisis regresi digunakan untuk mengetahui hubungan antara satu variabel respon dan satu atau lebih variabel penjelas. Ketika variabel respon berupa data count yaitu data yang berupa bilangan bulat non-negatif, analisis regresi yang sering digunakan adalah analisis regresi Poisson. Pada regresi Poisson terdapat asumsi kesamaan nilai mean dengan nilai variansinya. Dalam data count sering didapati kondisi dimana nilai variansi lebih besar dari nilai meannya atau disebut overdispersi. Pada data yang overdispersi, regresi Poisson kurang tepat jika digunakan karena nilai standard error dari taksiran parameter yang dihasilkan akanunderestimate sehingga beresiko memberikan kesimpulan yang tidak tepat. Model regresi Poisson-Inverse Gaussian dapat digunakan pada data count yang overdispersi dan memiliki tail panjang. Penaksiran parameter model regresi Poisson-Inverse Gaussian menggunakan metode maksimum likelihood dan solusi dari fungsi log -likelihood-nya menggunakan pendekatan numerik yaitu Newton-Raphson. Uji kesesuaian model yang digunakan mencakup statistik pseudo R-Squared, uji rasio likelihood, dan Uji Wald.

---

Regression analysis is used to investigate the relationship between one response variable and one or more regressor variables. If the response variable is count data, that has non negative integer value, the regression analysis that usually used is Poisson Regression. Poisson regression has an assumption that mean of response variable equal to its variance. On count data frequently found that the variance is greater than mean, or called overdispersion. On overdispersion case, poisson regression is inconvenient to used because it may underestimate the standard error of regression parameters and consequently it risk to give misleading inference. Poisson Inverse Gaussian regression model can be used on overdispersion and long tail count data. Parameter estimation of Poisson Inverse Gaussian Regression Model can be obtained through the maximum likelihood method and the solution of log likelihood function may be solved by using numerical method called Newton Raphson. Goodness of fit testing of this model includes pseudo R Squared, rasio likelihood test, and Wald test."