Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas akhir ini secara umum bertujuan untuk membahas latent class model yaitu suatu model yang menghubungkan probabilitas respon suatu individu untuk variabel-variabel indikator dengan suatu variabel laten yang bersifat kategorik. Penaksiran parameter dalam latent class model menggunakan taksiran Maximum Likelihood, yang dicari melalui algoritma EM (Expectation-Maximization). Kecocokan model diuji dengan uji rasio likelihood. Model terbaik dengan banyak kelas optimal dipilih berdasarkan reduksi 2 L , dimana 2 L adalah nilai statistik uji untuk banyak kelas terkait. Berdasarkan banyak kelas yang terbentuk pada model terbaik ini, individu-individu akan dikelompokkan ke dalam kelas-kelas tersebut. Metode tersebut akan diterapkan untuk mencari latent class model dengan tingkatan gejala pasien demam berdarah sebagai variabel laten kategorik yang dibentuk dari 5 variabel indikator kategorik, yaitu transfusi, nadi, tekanan darah, hb darah, dan trombosit. Hasil analisis data menunjukkan bahwa tingkatan gejala demam berdarah dapat dikategorikan menjadi 3 kelas."

"Survei umumnya ditujukan untuk melakukan pendugaan parameter populasi seperti total maupun rata-rata nilai suatu domain area dengan jumlah sampel yang besar. Salah satu pendekatan dalam menduga parameter populasi dihasilkan melalui metode pendugaan langsung. Namun, pendugaan langsung seringkali kurang presisi saat ukuran sampel suatu area berukuran kecil. Selain itu, terdapat permasalahan ketika pendugaan langsung tersebut digunakan untuk suatu area dengan ukuran sampel yang kecil, yaitu akan menimbulkan standard error yang besar. Permasalahan ini kemudian diatasi dengan mengembangkan metode pendugaan parameter yang dikenal dengan metode pendugaan area kecil Small Area Estimation, SAE. Dalam skripsi ini, akan dijelaskan prosedur untuk mencari dugaan rata-rata nilai populasi pada area kecil dengan metode Spatial Empirical Best Linear Unbiased Prediction SEBLUP yang mengikuti model Simultaneously Autoregressive SAR . Secara umum, prosedur ini diawali dengan mendefinisikan model tingkat area. Kemudian, model tingkat area tersebut diperluas dengan menambahkan pengaruh spasial ke dalam pengaruh acak area. Model spasial tingkat area tersebut yang selanjutnya digunakan sebagai dasar untuk melakukan pendugaan rata-rata nilai populasi pada area kecil.

---

Surveys are generally intended to predict population parameters such as the total or mean value of a domain area with a large sample size. One approach in estimating population parameters is obtained through direct estimation methods. However, direct estimation are often less precise when the sample size of an area is small. In addition, there is a problem when the direct estimation is used for an area with a small sample size, which will cause a large standard error. This problem was then addressed by developing a method of parameter estimation known as the Small Area Estimation SAE method. In this mini thesis, we will describe the procedure to find the mean population value in a small area using Spatial Empirical Best Linear Unbiased Prediction SEBLUP method which follows Simultaneously Autoregressive SAR model. In general, this procedure begins with defining an area level model. Then, the area level model is expanded by adding spatial effects into the random effects of the area. The spatial model of the area level is then used as the basis for estimating the mean population value in a small area."

"Adaptive statistical tests, developed over the last 30 years, are often more powerful than traditional tests of significance, but have not been widely used. To date, discussions of adaptive statistical methods have been scattered across the literature and generally do not include the computer programs necessary to make these adaptive methods a practical alternative to traditional statistical methods. Until recently, there has also not been a general approach to tests of significance and confidence intervals that could easily be applied in practice. Modern adaptive methods are more general than earlier methods and sufficient software has been developed to make adaptive tests easy to use for many real-world problems. Applied Adaptive Statistical Methods: Tests of Significance and Confidence Intervals introduces many of the practical adaptive statistical methods developed over the last 10 years and provides a comprehensive approach to tests of significance and confidence intervals. It shows how to make confidence intervals shorter and how to make tests of significance more powerful by using the data itself to select the most appropriate procedure.Adaptive tests can be used for testing the slope in a simple regression, testing several slopes in a multiple linear regression, and for the analysis of covariance. The increased power is achieved without compromising the validity of the test, by using adaptive methods of weighting observations and by using permutation techniques. An adaptive approach can also be taken to construct confidence intervals and to estimate the parameters in a linear model. Adaptive confidence intervals are often narrower than those obtained from traditional methods and maintain the same coverage probabilities."

"Tugas akhir ini secara umum bertujuan untuk membahas latent class model yaitu suatu model yang menghubungkan probabilitas respon suatu individu untuk variabel-variabel indikator dengan suatu variabel laten yang bersifat kategorik. Penaksiran parameter dalam latent class model menggunakan taksiran Maximum Likelihood, yang dicari melalui algoritma EM (Expectation-Maximization). Kecocokan model diuji dengan uji rasio likelihood. Model terbaik dengan banyak kelas optimal dipilih berdasarkan reduksi L2 , dimana L2 adalah nilai statistik uji untuk banyak kelas terkait. Berdasarkan banyak kelas yang terbentuk pada model terbaik ini, individu-individu akan dikelompokkan ke dalam kelas-kelas tersebut. Metode tersebut akan diterapkan untuk mencari latent class model dengan tingkatan gejala pasien demam berdarah sebagai variabel laten kategorik yang dibentuk dari 5 variabel indikator kategorik, yaitu transfusi, nadi, tekanan darah, hb darah, dan trombosit. Hasil analisis data menunjukkan bahwa tingkatan gejala demam berdarah dapat dikategorikan menjadi 3 kelas."

"Seperti halnya model Gravity maka model Intervening Opportunities merupakan model sintetis. Pendistribusian perjalanan dari asal perjalanan ke masing-masing tujuan perjalanan berdasarkan model Intervening Opportunities sangat ditentukan oleh parameter model yang disebut dengan parameter L. Parameter L merupakan parameter yang menyatakan bahwa probabilitas perjalanan yang keluar dari suatu lokasi asal perjalanan akan berhenti pada sembarang lokasi tujuan. Nilai parameter L ini sangat sensitif didalam model sehingga penentuan nilai sangat penting didalam analisis distribusi perjalanan dengan model Intervening Opportunities. Berdasarkan hal tersebut dilakukan analisis metode estimasi parameter (hipotesis pertama) dan analisis pola perjalanan yang sesuai model Intervening Opportunities (hipotesis kedua). Metode estimasi yang diuji adalah metode Regresi, Regresi dengan Optimasi, NLLS, VNLLS dan metode Maksimum Likelihood (ML). Untuk pengujian hipotesis pertama digunakan matrik asal tujuan buatan (artifisial) yang sembarang, sedangkan untuk pengujian hipotesis kedua digunakan matrik artifisial yang dipolakan. Pengujian hipotesis pertama dan kedua juga didukung oleh data matrik A -T kota Jakarta dan kota Balikpapan. Pengujian dan merupakan data matrik kecil. Sedangkan untuk pengujian data matrik besar diambil data matrik asal tujuan yang sesungguhnya yaitu data matrik asal tujuan kota Jakarta dan kota Balikpapan. Hasil analisis data artifisial dan data kota menunjukkan metode NLLS dan metode regresi (optimasi) yang diterapkan pada model Intervening Opportunities "Memaksa" merupakan metode estimasi yang cukup baik dilihat dari hasil uji statistik dan dari total probabilitas yang didapat."

"Pada skripsi ini dibahas model SIS dengan intervensi berupa pemberian obat dan penggunaan masker kesehatan pada individu terinfeksi. Model ini digunakan untuk menggambarkan perilaku dinamik dari data insiden lapangan pada penyakit SARS di Hong Kong. Pada model yang telah terbentuk dilakukan estimasi parameter beta secara periodik dan konstan yang bersamaan dengan estimasi parameter gamma_0 secara konstan agar sesuai dengan data insiden lapangan tersebut. Pendekatan yang digunakan dalam estimasi ini adalah teori kontrol optimum dengan metode langsung yang meminimumkan euclidian distance antara hasil simulasi I dan data I pada insiden lapangan dengan menentukan nilai parameter yang sesuai dengan model tersebut. Hasil simulasi menunjukkan bahwa nilai parameter beta periodik lebih baik daripada nilai parameter beta konstan dalam menghampiri data insiden lapangan tersebut. Selanjutnya nilai parameter beta dan gamma_0 terbaik yaitu nilai parameter yang membuat hasil simulasi mendekati data insiden lapangan, digunakan untuk mengestimasi nilai parameter u_1 dan u_2 yang paling optimum terkait dengan proporsi pemberian obat dan penggunaan masker yang meminimalkan jumlah individu yang terinfeksi dengan jumlah biaya minimal menggunakan pendekatan teori kontrol optimum dengan metode langsung. Selain teori kontrol optimum, beberapa hasil kajian analitik yang terkait dengan analisis model tersebut proses non minus;dimensional, penentuan titik keseimbangan, analisis kestabilan sistem, penentuan R_0, dan analisis bifurkasi sistem , serta simulasi numerik beserta interpretasi dibahas dalam skripsi ini.

---

In this thesis discussed SIS model with intervention is given medical treatment and the use of health masks on infected individuals. This model is used to describe the dynamic behavior from daily incident data of SARS disease in Hong Kong. On the model that has been formed carried out beta parameter estimation periodically and constantly which simultaneously with gamma 0 parameter estimation constantly to fit on the daily incident data. The approach used in this thesis is the optimal control theory with the direct method which minimizes the euclidian error between the simulation results and the daily incident data by determining the parameter values corresponding to the model.

The simulation results show that the periodic beta parameter value is better than the constant beta parameter value in approaching the daily incident data. Next, the best of beta and gamma 0 parameter value i.e. the parameter value that can make the simulation results fit with the daily incidence data be used to estimate the most optimal u 1 and u 2 parameter values related to proportion the user of medical treatment and medicinal masks intervention that minimizes the number of the infected human with minimal cost using the optimal control theory approach with the direct method. In addition to the above optimal control studies, some analytical result related to the model analysis non dimensionalization process, determination of equilibrium point, system stability analysis, determination of the basic reproduction number, and system bifurcation analysis , and numerical simulations with the interpretation of the result are discussed in this thesis."

"Model regresi ordinal dua level merupakan model yang digunakan untuk menganalisis data respon ordinal tercluster dan longitudinal. Dalam hal ini variabel respon ordinal yang diketahui, dibentuk dari suatu variabel laten kontinu yang tak diketahui nilainya. Nilai batas kategorik (threshold) pada variabel laten perlu diestimasi bersama-sama dengan koefisien regresi ordinal dua level. Untuk mengestimasi parameter-parameter dan threshold pada model regresi ordinal dua level, digunakan metode estimasi maximum marginal likelihood (MMLE) melalui pendekatan numerik dengan metode Fisher scoring. Pada setiap iterasi metode Fisher Scoring, digunakan Gauss-Hermite Quadrature untuk menghitung secara numerik persamaan marginal likelihood. Untuk mengilustrasikan penerapan model regresi ordinal dua level untuk data ordinal tercluster, digunakan data TVSFP di mana siswa bersarang dalam kelas. Sedangkan untuk mengilustrasikan penerapan model regresi ordinal dua level untuk data ordinal longitudinal, akan digunakan data psikiatrik di mana pasien diklasifikasikan pada beberapa tingkat keparahan penyakit terhadap beberapa titik waktu (time points). Struktur data dua level yang digunakan untuk data longitudinal adalah perulangan observasi bersarang dalam individu (pasien)."

"Model Cox merupakan model yang sering digunakan untuk menganalisis time-tovent data, yaitu data yang pengamatannya bergantung pada waktu. Terkadang, Selain informasi tentang waktu, data time-to-event juga dilengkapi dengan informasi tambahan (variabel penjelas). Analisis data waktu ke acara seperti ini dengan menggunakan model Cox akan menghasilkan perkiraan bahaya. Model Cox memiliki dua komponen utama yaitu baseline hazard dan mengandung fungsi eksponensial koefisien regresi. Bahaya didefinisikan sebagai produk antara dua komponen ini. Untuk dapat memperoleh bahaya spesifik, bahaya baseline dan koefisien regresi di model Cox harus diperkirakan. Dalam tesis ini, asumsi konstanta akan didefinisikan sebagai bahaya dasar dari model Cox. Kemudian, konstanta dan koefisien regresi dimasukkan Model ini akan diestimasi dengan menggunakan metode Bayesian dimana sampel diambil Parameter distribusi posterior dilakukan dengan menggunakan metode Markov chain Monte Carlo dengan algoritma pengambilan sampel Gibbs. Untuk metode Bayesian, distribusi sebelumnya untuk Bahaya baseline diasumsikan mengikuti distribusi gamma dan untuk koefisien regresi diasumsikan mengikuti distribusi normal. Data EKG (echocardiogram) yang terdiri dari106 observasi dan enam variabel penjelas digunakan dalam analisis. Mendapatkan hasil bahwa estimasi parameter yang diperoleh konvergen.

---

The Cox model is a model that is often used to analyze time-to-event data, namely data whose observations are time dependent. Sometimes, in addition to information about time, time-to-event data is also supplemented with additional information (explanatory variables). Analysis of time-to-event data like this using the Cox model will yield hazard estimates. The Cox model has two main components, namely the baseline hazard and contains an exponential regression coefficient function. Hazard is defined as a product between these two components. In order to obtain a specific hazard, the baseline hazard and regression coefficient in the Cox model must be estimated. In this thesis, the constant assumption will be defined as the basic hazard of the Cox model. Then, the constants and regression coefficients are entered. This model will be estimated using the Bayesian method where the sample is taken. Posterior distribution parameters are carried out using the Markov chain Monte Carlo method with the Gibbs sampling algorithm. For the Bayesian method, the previous distribution for baseline hazard is assumed to follow the gamma distribution and for the regression coefficient it is assumed to follow a normal distribution. EKG (echocardiogram) data which consists of

106 observations and six explanatory variables were used in the analysis. Obtain the result that the parameter estimates obtained are convergent."