Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTModel hurdle adalah model alternatif untuk mengatasi penyebaran berlebihan (varians datanya adalah lebih tinggi dari nilai rata-rata) yang disebabkan oleh kelebihan nol. Model rintangan dapat memodelkan secara terpisah variabel respons yang memiliki nilai nol dan positif, melibatkan dua proses yang berbeda. Proses pertama adalah proses biner yang menentukan apakah variabel respon memiliki nilai nol atau nilai positif, dan dapat dimodelkan dengan biner model, menggunakan regresi logistik. Untuk variabel respons positif, kemudian lanjutkan ke proses kedua, yaitu proses yang hanya mengamati jumlah positif. Yang positif count dapat dimodelkan dengan model Zero-Truncated menggunakan regresi Poisson. Rintangan model juga dikenal sebagai model dua bagian. Estimasi parameter menggunakan Bayesian metode. Kombinasi informasi sebelumnya dengan informasi dari data yang diamati membentuk distribusi posterior yang digunakan untuk memperkirakan parameter. Distribusi posterior bentuk yang diperoleh tidak tertutup, sehingga diperlukan teknik komputasi, yaitu Markov Chain Monte Carlo (MCMC) dengan algoritma Gibbs Sampling. Metode ini diterapkanke data Parkinson untuk memodelkan frekuensi komplikasi motorik pada 300 Parkinsonpasien. Data tersebut digunakan dari Parkinson's Progressive Markers Initiative (PPMI, 2018). Hasil yang diperoleh adalah MDS-UPDRS (Movement Disorder Society-Unified Skala Peringkat Penyakit Parkinson) bagian 1, MDS-UPDRS bagian 2, dan MDS-UPDRS bagian 3 terkait secara signifikan MDS-UPDRS bagian 4 di kedua tahap.

---

ABSTRACTThe obstacle model is an alternative model for overcoming excessive spread (the data variant is higher than the average value) which is questioned by zero excess. The obstacle model can separately model response variables that have zero and positive values, involving two different processes. The first process is a binary process that determines whether the response variable has a zero value or a positive value, and can be modeled with a binary model, using logistic regression. For positive response variables, then proceed to the second process, which is a process that is only positive. The positive one calculated can be modeled with a Zero-Truncated model using Poisson regression. The Obstacle Model is also known as the two part model. Parameter estimation using the Bayesian method. The combination of previous information with information from data collected collects the distributions used for parameter estimation. The posterior distribution of the obtained form is not closed, computational techniques are needed, namely Markov Chain Monte Carlo (MCMC) with Gibbs Sampling algorithm. This method is applied to Parkinson's data to model the frequency of motor complications in 300 Parkinson's patients. The data is used from Parkinson's Progressive Markers Initiative (PPMI, 2018). The results obtained are MDS-UPDRS (Movement Disorder-Community Parkinson's Disease Assessment Scale) part 1, MDS-UPDRS part 2, and MDS-UPDRS part 3 which significantly related MDS-UPDRS part 4 in both glasses."

"Scan statistic merupakan suatu analisis untuk mendeteksi daerah yang merupakan kejadian luar biasa atau KLB (outbreak). Salah satu metode yang mendasari analisis scan statistic adalah metode Bayesian Scan Statistic. Metode ini menerapkan prinsip teorema bayesian, yaitu memanfaatkan informasi prior untuk menghasilkan informasi posterior yang dapat memperbaiki informasi prior. Metode Bayesian Scan Statistic memilih keadaan atau kondisi yang memiliki posterior probability yang terbesar sebagai daerah KLB-nya. Fungsi marginal likelihood dan prior probability merupakan dua komponen penting yang digunakan dalam metode ini untuk menghitung posterior probability untuk tiap-tiap daerah. Fungsi marginal likelihood didapat dari data historis dan modelnya merupakan gabungan antara distribusi poisson dan distribusi gamma. Sedangan untuk prior probability juga didapat dari data historis atau berdasarkan pada pengalaman seseorang. Metode bayesian scan statistic ini dapat digunakan jika terdapat data masa lalu. Kata kunci : bayesian scan statistic, bayesian cluster detection, prior probability, posterior probability. x + 54 hlm. ; gamb. ; lamp. ; tab. Bibliografi : 9 (1986-2006)"

"ABSTRAKData bawah permukaan merupakan data yang sangat dibutuhkan dalam menentukan besar cadangan hidrokarbon di Indonesia. Selain itu, kualitas dari cadangan itu sendiri menentukan perkembangan industri migas kedepannya. Pemerintah telah secara agresif mendorong penggunaan gas alam dan saat ini pemerintah belum memiliki data mengenai cadangan gas secara efisien. Oleh karena itu, diperlukan penyusunan dalam manajemen data reservoir, khususnya reservoir gas. Penelitian ini menyajikan konsep sehingga pemerintah dapat dengan mudah melihat kualitas cadangan gas yang berasal dari data bawah permukaan. Dalam penelitian ini, manajemen data dilakukan dengan cara mengelompokkan data mentah sesuai parameter dari sistem evaluasi Sumber Daya Cadangan (eSDC). Salah satu sistem pengolahan data untuk analisa kualitas berproduksi suatu reservoir gas, menggunakan Bayesian Hierarchical Softmax Regression dengan perhitungan Markov Chain Monte Carlo untuk penyelesaian integral multi dimensi dari Bayesian. Penelitian ini menunjukkan bahwa dengan metode yang digunakan, dapat memprediksi keyakinan kualitas reservoir untuk berproduksi dan memberikan informasi ketidakpastian atas prediksi tersebut. Pada eSDC, terdapat lima klasifikasi status lapangan di Indonesia yaitu, on production, production on hold, production justified, production pending, dan recently discovered. Pada klasifikasi status On Production dengan 100 data lapangan gas, menghasilkan nilai precision 81%, recall 98%, dan f-measured sebesar 89%. Dengan demikian, dapat dikatakan bahwa lapangan gas dengan klasifikasi on production, keyakinan reservoir dalam berproduksi secara komersil tinggi.

---

ABSTRACTSubsurface data is data that is needed to determine the amount of hydrocarbon reserves in Indonesia. In addition, the quality of the reserves itself determines the future development of the oil and gas industry. The government has aggressively encouraged the use of natural gas and currently the government does not have data on gas reserves efficiently. Therefore, it is necessary to arrange in the management of reservoir data, especially gas reservoirs. This research presents a concept so that the government can easily see the quality of gas reserves from subsurface data. In this study, data management is done by grouping raw data according to parameters of the Reserve Resources evaluation system (eSDC). One of the data processing systems for analyzing the quality of producing a gas reservoir, using Bayesian Hierarchical Softmax Regression with Markov Chain Monte Carlo calculations for solving multi-dimensional integrals from Bayesian. This study shows that with the method used, it can predict reservoir quality beliefs for production and provide uncertainty information on these predictions. In eSDC, there are five classifications of field status in Indonesia, namely, on production, production on hold, production justified, production pending, and recently discovered. In the On Production status classification with 100 gas field data, it produces a precision value of 81%, recall 98%, and f-measured of 89%. Thus, it can be said that the gas field with the classification of on production, reservoir confidence in commercial production is high."

"Indonesia merupakan negara di dunia yang memiliki aktivitas seisimik yang tinggi. Jawa barat merupakan salah satu provinsi di Indonesia yang rawan terjadi gempa, karena di daerah Jawa Barat terdapat zona subduksi dan sesar geser. Kemunculan gempa berkekuatan besar dapat menyebabkan kerusakan dan menelan banyak korban jiwa. Oleh karena itu, ingin diketahui berapa probabilitas terjadinya gempa bumi berkekuatan besar di daerah Jawa Barat. Hal ini bertujuan untuk memprediksi kapan dan dimana gempa yang berkekuatan besar itu akan berpotensi besar terjadi. Salah satu metode statistika yang dapat digunakan untuk memecahkan masalah ini adalah pemodelan Bayesian. Penelitian ini menggunakan data gempa bumi di Jawa Barat pada tahun 1960-2009. Data tersebut berupa variabel lintang, bujur, kedalaman pusat gempa, dan kekuatan gempa. Variabel lintang, bujur, dan kedalaman pusat gempa digunakan untuk mengelompokkan titik-titik gempa menjadi wilayah-wilayah rawan gempa dengan menggunakan metode two step cluster. Selanjutnya, pemodelan bayesian dilakukan di setiap wilayah rawan gempa tersebut untuk memprediksi probabilitas kemunculan gempa berkekuatan besar di daerah ini. Ternyata wilayah yang memiliki potensi kemunculan gempa berkekuatan besar yang cukup tinggi adalah kabupaten Garut, Bandung, dan laut Indonesia."

"Tugas akhir ini membahas penaksiran parameter 0 (probabilitas sukses) pada m distribusi binmial, dimana ada keterkaitan antar parameter 0 pada masing-masing populasi. metode penaksiran yang digunakan adalah metode Bayes. pada metode ini, prosedur yang dilakukan meliputi transformasi parameter 0 ke bentuk logit yaitu a, penentuan prior dan likelihood, pembentukan posterior, modifikasi likelihood, hingga akhirnya diperoleh m taksiran dari a yang akan digunakan untuk menaksir 0 pada tiap populasi. hasil yang diperoleh diaplikasikan pada penaksiran proporsi jumlah perempuan di 10 kursus pada suatu lembaga"

"Distribusi Exponentiated Exponential (EE) adalah pengembangan dari distribusi Exponential dengan cara menambahkan sebuah parameter bentuk alpha. Distribusi ini digunakan untuk mengatasi masalah ketidakfleksibilitas dari distribusi Exponential. Untuk melakukan inferensi mengenai permasalahan yang dimodelkan dengan distribusi EE, perlu dilakukan penaksiran parameter. Pada skripsi ini akan dibahas mengenai penaksiran parameter distribusi dari distribusi Exponentiated Exponential pada data tersensor kiri menggunakan metode Bayesian. Prosedur penaksiran meliputi penentuan distribusi prior yaitu digunakan distribusi prior konjugat, pembentukan fungsi likelihood dari data tersensor kiri, dan pembentukan distribusi posterior. Penaksir Bayes kemudian diperoleh dengan cara meminimumkan risiko posterior berdasarkan fungsi loss Squared Error Loss Function (SELF) dan Precautionary Loss Function (PLF). Kemudian setelah diperoleh perumusan penaksir Bayes, simulasi data dilakukan untuk membandingkan hasil taksiran parameter menggunakan fungsi loss SELF dan PLF yang dilihat dari nilai Mean Square Error (MSE) yang dihasilkan. Fungsi loss dikatakan lebih efektif digunakan dalam merumuskan penaksir Bayes apabila penaksir Bayes yang diperoleh menghasilkan nilai MSE yang lebih kecil. Berdasarkan hasil simulasi, fungsi loss PLF lebih efektif digunakan untuk alpha≤1, sedangkan fungsi loss SELF lebih efektif digunakan untuk alpha>1.

---

Exponentiated Exponential (EE) distribution is the development of Exponential Distribution by adding alpha as a shape parameter. This distribution can solve unflexibility issue in Exponential distribution. In order to make inferences about any cases modeled with EE distribution, parameter estimation is required. This thesis will discuss about parameter estimation of Exponentiated Exponential distribution for left censored data using Bayesian method. Parameter estimation procedure are selection of prior distribution which is conjugate prior, likelihood construction for left censored data, and then forming posterior distribution. Bayes estimator can be obtained by minimize posterior risk based on Squared Error Loss Function (SELF) and Precautionary Loss Function (PLF). After Bayes estimator is obtained, simulation is done to compare the results of Bayes estimator using SELF and PLF which are seen from the result of Mean Square Error (MSE). Loss function is said to be more effective to obtain Bayes estimator if the resulting Bayes estimator yield smaller MSE. Based on simulation, PLF more effective for alpha ≤ 1, while SELF more effective for alpha>1."

"Dalam Penelitian ini akan dicari taksiran mean stratum pada sampling acak stratifikasi. Pada sampling acak stratifikasi, seringkali hanya tersedia beberapa pengamatan pada masing-masing strata. Kecilnya ukuran sampel akan menyebabkan penaksir langsung dari mean stratum menjadi kurang tepat. Metode alternatif yang dapat digunakan untuk menaksir mean dari stratum adalah dengan menggunakan metode Empirical Bayes. Metode Empirical Bayes digunakan untuk mencari taksiran mean stratum pada sampling acak stratifikasi dengan cara menggabungkan informasi awal atau informasi yang telah tersedia sebelumnya tentang parameter yang akan ditaksir dengan informasi dari data sampel. Informasi awal disebut juga informasi prior. Penggabungan dari informasi prior dan informasi dari data akan menghasilkan informasi posterior. Dalam metode Empirical Bayes, informasi prior tidak tersedia sehingga informasi prior diestimasi dari data.

---

In this research will find the estimated stratum mean in stratified random sampling. In the stratified random sampling, often only available a few observations in each strata. The small sample size would cause a direct estimator of the mean stratum becomes less precise. Alternative methods that can be used to estimate the mean of the stratum is to use the Empirical Bayes method. Empirical Bayes methods used to find the estimated mean stratum in stratified random sampling by combining the initial information or information that has been available previously on the parameters to be estimated with information from the data sample. Preliminary information also known as prior information. The incorporation of prior information and information from the data will result in posterior information. In the Empirical Bayes method, prior information is not available so the information estimated from prior data."

"Dalam dunia epidemiologi, dibutuhkan suatu pemetaan untuk menggambarkan distribusi penyakit pada populasi, yang disebut dengan disease risk map. Mapping tersebut dibuat berdasarkan nilai SMR (Standardized Morbidity or Mortality Ratio) yang diperoleh dari informasi mengenai banyaknya penderita suatu penyakit di daerah tertentu. Semakin kecil skala disease risk map tersebut, maka semakin tepat sasaran untuk melakukan pencegahan terhadap suatu penyakit. Namun, masalah yang sering dijumpai adalah data banyaknya penderita penyakit hanya tersedia pada lingkup area yang besar. Sedangkan data mengenai penyebab terjangkitnya penyakit tersebut, tersedia dalam skala area yang lebih kecil. Ketidakseimbangan nilai-nilai variabel inilah yang disebut sebagai spatial misalignment. Sehingga digunakan pemodelan Bayesian berhierarki yang memanfaatkan fungsi likelihood dari variabel respon yang tersedia pada skala area lebih besar dan nilai-nilai kovariat yang tersedia pada area yang lebih kecil. Kemudian, dari distribusi posterior yang diperoleh, digunakan metode Markov Chain Monte Carlo (MCMC) untuk mencari nilai taksiran parameter. Berdasarkan persamaan linier dari log SMR pada model, diperoleh nilai estimasi SMR untuk skala area lebih kecil. Pemodelan Bayesian berhierarki ini diterapkan untuk membuat disease risk map skala area puskesmas Kota Depok pada kasus kelahiran bayi mati.

---

In epidemiology, mapping is needed to describe the distribution of disease in an area or among population, which is called disease risk map. The construction of disease risk map is based on the value of SMR (Standardized Morbidity or Mortality Ratio), that is obtained from the information about the number diagnosed of a disease in an area. If the scale of disease risk map is smaller, the prevention of the disease is more effective. However, the data about the number of cases of a disease is available from a larger scale area. On the other hand, data about the causes or factors of that disease is available at the smaller scale area. Such unbalance sources of those variables is called spatial misalignment. So that, it is needed to apply Bayesian hierarchical modeling that uses the likelihood of response variable which is available at the larger scale area and the value of covariates which is available at the smaller scale area. Then, by using the Markov Chain Monte Carlo (MCMC) method which build samples from the posterior distribution, the value of estimated parameters are obtained. Furthermore, based on the linear model for SMR, the estimated SMRs for the smaller scale area are obtained. To give an illustration, Bayesian hierarchical modeling is applied to construct the disease risk map at clinic scale area for stillbirths cases in Depok."