Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam pengujian hipotesis berganda, dilakukan pengujian lebih darisatu hipotesis, yang diuji pada satu waktu secara simultan. Apabila masingmasingpengujian dalam suatu family hipotesis mempunyai probabilitasmelakukan kesalahan tipe 1, maka secara keseluruhan pada pengujianhipotesis berganda akan terjadi penggandaan probabilitas kesalahan tipe 1.Probabilitas melakukan kesalahan tipe1 pada pengujian hipotesis bergandaakan semakin membesar seiring dengan meningkatnya jumlah pengujian.Untuk mengatasi hal itu, ada beberapa cara untuk mengukur kesalahan tipe1dalam family hipotesis diantaranya Family Wise Error Rate (FWER), FalseDiscovery Rate (FDR), dan positif False Discovery Rate (pFDR). Untukmengontrol kesalahan tersebut, diperlukan suatu metode sedemikiansehingga probabilitas kesalahan tipe 1 keseluruhan ≤ α. Pada tugas akhir ini,akan dibahas metode - metode pengujian untuk hipotesis berganda yaitumetode Bonferroni yang merupakan salah satu metode untuk FWER, metodeBenjamin-Hochberg untuk FDR yang memperbaiki Metode Bonferroni danmetode Storey untuk pFDR yang memperbaiki Metode Benjamin-Hochberg."

"Dalam pengujian hipotesis berganda, dilakukan pengujian lebih darisatu hipotesis, yang diuji pada satu waktu secara simultan. Apabila masingmasingpengujian dalam suatu family hipotesis mempunyai probabilitasmelakukan kesalahan tipe 1, maka secara keseluruhan pada pengujianhipotesis berganda akan terjadi penggandaan probabilitas kesalahan tipe 1.Probabilitas melakukan kesalahan tipe1 pada pengujian hipotesis bergandaakan semakin membesar seiring dengan meningkatnya jumlah pengujian.Untuk mengatasi hal itu, ada beberapa cara untuk mengukur kesalahan tipe1dalam family hipotesis diantaranya Family Wise Error Rate (FWER), FalseDiscovery Rate (FDR), dan positif False Discovery Rate (pFDR). Untukmengontrol kesalahan tersebut, diperlukan suatu metode sedemikiansehingga probabilitas kesalahan tipe 1 keseluruhan ≤ α. Pada tugas akhir ini,akan dibahas metode - metode pengujian untuk hipotesis berganda yaitumetode Bonferroni yang merupakan salah satu metode untuk FWER, metodeBenjamin-Hochberg untuk FDR yang memperbaiki Metode Bonferroni danmetode Storey untuk pFDR yang memperbaiki Metode Benjamin-Hochberg.Kata kunci : family hipotesis, kesalahan tipe 1, pengujian hipotesis bergandaix + 65 hlm.; lampBibliografi: 7 (1995-2003)"

"ABSTRAKTugas akhir ini membahas mengenai metode Bayes dalam penaksiran parameter skala dari distribusi Nakagami menggunakan dua fungsi loss, yaitu Square Error Loss Function dan Precautionary Loss Function. Pada tugas akhir ini juga akan dicari Resiko Posterior dari masing-masing taksiran. Sebagai pembanding untuk taksiran dengan menggunakan metode Bayes, akan dicari juga taksiran parameter skala dari distribusi Nakagami menggunakan metode Maksimum Likelihood. Sebagai ilustrasi, akan dilakukan simulasi dengan data yang berdistribusi Nakagami ( ). Setelah taksiran telah didapatkan, akan dihitung Mean Square Error dari masing-masing taksiran. Hal tersebut dilakukan untuk mengetahui seberapa baik taksiran yang dihasilkan oleh metode Bayes.

---

ABSTRACT

This paper discusses about Bayesian Method in estimating the scale parameter of Nakagami Distribution using two loss function, that is Square Error Loss Function and Precautionary Loss Function. This paper will also find the posterior risk from each of the estimator. As the comparison of the Bayesian estimate, the estimator using Maximum Likelihood method will also be considered. For the illustration, simulation with Nakagami distributed data ( ) will be performed. Once the estimate have been obtained, Mean Square Error on each estimate will be calculated. This is done to measure the performance of the estimate produced by Bayesian method."

"[Letak geografis Indonesia berada di pertemuan dua lempeng yaitu Asia dan Australia, hal ini menyebabkan banyak terdapat gunung merapi. Selain itu pegunungan di Indonesia didominasi oleh gunung yang aktif dan berpotensi meletus sewaktu-waktu. Kondisi tersebut mengharuskan warga negara Indonesia, khususnya yang tinggal di sekitaran pegunungan berapi aktif tanggap akan bencana yang letusan gunung berapi. Berkembangnya sains dan teknologi informasi dapat memberi kontribusi dalam rangka mitigasi bencana geologi yang diakibatkan aktivitas vulkanik dalam bentuk aplikasi pendeteksi potensi bencana gunung merapi. Penelitian ini menghasilkan suatu aplikasi pendeteksi status gunung berapi. Data latih yang digunakan diambil dari situs Pusat Vulkanologi dan Mitigasi Bencana Gunung Berapi yang diklasifikasikan dalam tiga status yaitu normal, siaga, dan waspada. Pengklasifikasi Bayesian digunakan karena merupakan metode berbasis probabilitas yang sederhana namun handal. Berdasarkan hasil pengujian dengan jumlah data latih terbesar mencapai tingkat akurasi 90%. Dengan demikian dapat dikatakan bahwa aplikasi pendeteksi potensi bencana gunung berapi memiliki performa yang baik dalam mengklasifikasi status gunung berapi., Letak geografis Indonesia berada di pertemuan dua lempeng yaitu Asia dan Australia, hal ini menyebabkan banyak terdapat gunung merapi. Selain itu pegunungan di Indonesia didominasi oleh gunung yang aktif dan berpotensi meletus sewaktu-waktu. Kondisi tersebut mengharuskan warga negara Indonesia, khususnya yang tinggal di sekitaran pegunungan berapi aktif tanggap akan bencana yang letusan gunung berapi. Berkembangnya sains dan teknologi informasi dapat memberi kontribusi dalam rangka mitigasi bencana geologi yang diakibatkan aktivitas vulkanik dalam bentuk aplikasi pendeteksi potensi bencana gunung merapi. Penelitian ini menghasilkan suatu aplikasi pendeteksi status gunung berapi. Data latih yang digunakan diambil dari situs Pusat Vulkanologi dan Mitigasi Bencana Gunung Berapi yang diklasifikasikan dalam tiga status yaitu normal, siaga, dan waspada. Pengklasifikasi Bayesian digunakan karena merupakan metode berbasis probabilitas yang sederhana namun handal. Berdasarkan hasil pengujian dengan jumlah data latih terbesar mencapai tingkat akurasi 90%. Dengan demikian dapat dikatakan bahwa aplikasi pendeteksi potensi bencana gunung berapi memiliki performa yang baik dalam mengklasifikasi status gunung berapi.]"

"This book seeks to effectively blend theory and applications while presenting readers with many practical examples. For instance, in the medical device environment, it is important to know if the newly established lab can reproduce the instrument/assay results from the established but outdating lab. When there is a disagreement, it is important to differentiate the sources of disagreement. In addition to agreement coefficients, accuracy and precision coefficients are introduced and utilized to characterize these sources."

"Penelitian ini dilakukan untuk memvalidasi Coefficient of Variation sebagai alat ukur yang memenuhi kriteria uji Goodness of Fit dengan menggunakan prosedur uji analisis sensitivitas yaitu Morris dan Fourier Amplitude Sensitivity Test (FAST) sebagai pembanding. Penelitian ini dilakukan dengan bantuan perangkat lunak MATLAB® vR2020b dan GraphPad Prim 8 menggunakan data sekunder berupa data farmakokinetik 63 pasien yang melakukan terapi radiomolekuler ginjal dengan menggunakan radiofarmaka 177Lu-PSMA-617. Pengujian diawali dengan seleksi model terbaik dari hasil fitting 12 fungsi SOE menggunakan pemodelan NLME yang memenuhi kriteria Goodness of Fit (visualisasi grafis dan %CV) dan seleksi model AICc. Selanjutnya melakukan analisis sensitivitas parameter dari masing-masing fungsi fitting menggunakan metode Morris dan FAST sebagai pembanding. Diperoleh final model dari hasil analisis sensitivitas sama dengan final model yang memenuhi kriteria seleksi model Goodness of Fit dan AICc yaitu fungsi f6a. Dari hasil penelitian ini, diperoleh korelasi %CV dengan indeks sensitivitas uji Morris dan FAST penting dalam seleksi model dilihat dari koefisien gradien fungsi fitting yang memiliki korelasi positif yaitu pada fungsi f5a, f6b dan f6d. Pada penelitian ini, fungsi fitting f6d terpilih sebagai threshold karena memiliki hubungan positif secara statistik menggunakan regresi linier dan tidak memenuhi batas acceptable %CV<50%. Disimpulkan pada penelitian ini bahwa %CV masih menjadi parameter estimasi penting kriteria Goodness of Fit dalam seleksi model berdasarkan hasil analisis dari uji sensitivitas.

---

This study was conducted to validate the Coefficient of Variation as a measuring instrument that meets the Goodness of Fit test criteria by using sensitivity analysis test procedures, namely Morris and Fourier Amplitude Sensitivity Test (FAST) as comparisons. This study was conducted with the help of MATLAB® vR2020b and GraphPad Prim 8 software using secondary data in the form of pharmacokinetic data of 63 patients who underwent renal radiomolecular therapy using radiopharmaceutical 177Lu-PSMA-617. The test begins with the selection of the best model from the results of fitting 12 SOE functions using NLME modeling that meets the Goodness of Fit criteria (graphic visualization and %CV) and AICc model selection. Next, perform parameter sensitivity analysis of each fitting function using the Morris and FAST methods as a comparison. The final model obtained from the results of sensitivity analysis is the same as the final model that meets the selection criteria of the Goodness of Fit and AICc models, namely the f6a function. From the results of this study, the correlation of %CV with the sensitivity index of the Morris test and FAST is important in model selection seen from the gradient coefficient of the fitting function which has a positive correlation, namely f5a, f6b and f6d. In this study, the fitting function f6d was chosen as the threshold because it has a statistically positive relationship using linear regression and does not meet the acceptable limit of %CV<50%. It was concluded in this study that %CV is still an important estimation parameter of Goodness of Fit criteria in model selection based on the results of analysis from sensitivity tests."

"This book is an edited volume, the goal of which is to provide an overview of the current state-of-the-art in statistical methods applied to problems in structural bioinformatics (and in particular protein structure prediction, simulation, experimental structure determination and analysis). It focuses on statistical methods that have a clear interpretation in the framework of statistical physics, rather than ad hoc, black box methods based on neural networks or support vector machines. In addition, the emphasis is on methods that deal with biomolecular structure in atomic detail. Therefore, the book includes introductory chapters that contain a solid introduction to key topics such as Bayesian statistics and concepts in machine learning and statistical physics."