Hasil Pencarian  ::  Simpan CSV :: Kembali

"[Dalam Bioinformatika, untuk menganalisis hubungan kekerabatan ataufilogenetika, dibutuhkan segmen CDS untuk keakuratan yang maksimal. Namun,analisis dengan menggunakan CDS membutuhkan biaya yang mahal dan waktuyang lama, sehingga dibutuhkan segmen pendek namun representatif dengan CDSyaitu segmen protein envelope atau NS3. Setelah dilakukan metode nested slidingwindow, ternyata dapat ditemukan segmen pendek yang lebih baik dalam segitopologi dari segmen protein envelope maupun NS3. Pada skripsi ini akan dibahasmetode matematika untuk menganalisis sekuen dengan menggunakan nestedsliding window untuk mencari segmen pendek yang representatif untukkeseluruhan Genom., In order to analyze phylogenetics in Bioinformatics, CDS segment is needed formaximal accuracy. However, analysis by CDS cost a lot of time and money, so arepresentative short segment by CDS, which is envelope protein segment or NS3 isnecessary. After sliding window is implemented, a better short segment thanenvelope protein segment and NS3 is found.This paper will discuss a mathematicalmethod to analyze sequences using nested sliding window to find a short segmentwhich is representative for whole genome.]"

"Model probit adalah salah satu jenis model pilihan diskrit dengan error yang diasumsikan saling bebas, berdistribusi normal, dan homoskesdastis. Model probit dengan komponen error dari observasi di suatu lokasi bergantung dengan komponen error dari observasi di lokasi lain disebut model probit spasial error. Parameter dari model probit spasial error akan ditaksir dengan metode maksimum likelihood parsial dalam dua cara. Cara pertama dengan memperhitungkan variansi dari error dalam pembentukan fungsi likelihood parsial. Cara kedua dengan membentuk n grup dari sejumlah 2n observasi dari lokasi berbeda, dimana setiap grup terdiri dari dua observasi di lokasi yang berbeda. Selanjutnya, dengan memperhatikan korelasi antar error di dalam grup, akan dibentuk fungsi kepadatan probabilitas dari setiap grup yang akan digunakan untuk membentuk fungsi likelihood parsial dalam penaksiran parameter.

---

Probit Model is one of discrete choice model whose error is assumed to be independent, normal distributed, and homoscedastic. Probit model whose error component from observations on a location that depends on error components on the other location is called spatial error probit model. Parameters of spatial error probit model will be estimated by partial maximum likelihood in two ways. The first way is to take into account the variance of the error in the form of the partial likelihood function.

The second is to form n groups from 2n observations at different location, which each group consists of two observations at different location. Furthermore, by taking into account the correlation between errors in a group, the probability density function of each group will be formed, and later will be used to form a partial likelihood function in parameter estimation."

"Tugas akhir ini membahas mengenai penggunaan metode Maksimum Likelihood (ML) dan Bayes dalam penaksiran parameter shape 𝛽 pada distribusi Kumaraswamy. Kedua metode tersebut akan dibandingkan berdasarkan Mean Square Error (MSE) yang diperoleh dari masing-masing taksiran. Pada metode Bayes digunakan dua fungsi Loss yaitu Square Error Loss Function (SELF) dan Precautionary Loss Function (PLF). Selanjutnya, akan dibandingkan Resiko Posterior yang diperoleh dari kedua fungsi loss tersebut. Hasil yang diperoleh dari perbandingan tersebut diterapkan pada data hidrologi sebagai rekomendasi metode terbaik yang dapat menggambarkan data tersebut.

---

This paper disscusses about Maximum Likelihood (ML) and Bayes method in estimating the shape β parameter in Kumaraswamy distribution. Both of the methods will be compared according to Mean Square Error (MSE) obtained from each estimator. At Bayes method, it will be used two Loss functions, those are Square Error Loss Function (SELF) and Precautionary Loss Function (PLF). Then, Posterior Risk obtained from both of loss functions will be compared. The comparison will be applied to hydrological data as a recommendation for the best method in representating the data."

"Estimasi parameter pada model regresi logistik pada umumnya menggunakan metode maximum likelihood dengan iterasi Newton Raphson. Pada model regresi logistik, estimasi parameter menggunakan metode maximum likelihood tidak dapat digunakan apabila ukuran sampel kecil dan proporsi kejadian sukses kecil. Permasalahan yang muncul saat ukuran sampel kecil dan proporsi sukses kecil, jika menggunakan metode maximum likelihood adalah proses iterasi yang tidak konvergen. Oleh sebab itu dalam kondisi tersebut, metode maximum likelihood tidak dapat digunakan untuk estimasi parameter. Salah satu cara untuk mengatasi ketidakkonvergenan pada iterasi tersebut adalah menggunakan modifikasi score function. Modifikasi score function dapat digunakan untuk mendapatkan estimasi parameter model regresi logistik dengan melakukan modifikasi pada fungsi likelihood. Contoh aplikasi diberikan untuk menunjukkan bahwa kemungkinan estimasi parameter model regresi logistik dengan ukuran sampel kecil dan proporsi sukses kecil menggunakan metode maximum likelihood dengan iterasi Newton Raphson memberikan hasil yang tidak konvergen dan hal ini dapat diselesaikan dengan menggunakan modifikasi score function.

---

The maximum likelihood method with Newton Raphson iteration is used in general to estimate the parameter on logistic regression model. This parameter estimation using the maximum likelihood method cannot be used if the size of the sample and proportion of successful events are small. It is because the iteration process will not convergent to some point. Therefore, the maximum likelihood method cannot be used to estimate the parameter.

One of the ways to resolve this convergent problem is using the score function modification. This modification is used to obtain the parameter estimation on logistic regression model by doing some modification on the likelihood function. The example of parameter estimation, using maximum likelihood method with small size of sample and proportion of successful events, is given to show may be the iteration process is not convergent and this can be solved with modification score function."

"ABSTRAKKabupaten Bandung sebagai salah satu kabupaten dengan penduduk terbanyak di Indonesia memiliki sumber daya alam yang beragam dengan segala pemanfaatannya sehingga jenis tutupan lahan yang ada pun berbeda-beda. Pemantauan terhadap penggunaan lahan perlu dilakukan untuk mencegah penyalahgunaan lahan dan penanggulangan akan bencana alam. Metode untuk pemantauan dapat dilakukan dengan klasifikasi jenis tutupan lahan menggunakan teknik penginderaan jarak jauh seperti penggabungan data satelit aktif dan pasif. Pada penelitian ini menggunakan citra satelit aktif (ALOS-2/PALSAR-2) dan satelit pasif (Landsat 8) untuk mendapatkan citra yang mudah untuk diinterpretasi dan terbebas dari gangguan atmosfer. Salah satu metode klasifikasi yang dapat dilakukan adalah maximum likelihood, yaitu metode yang menggunakan data acuan (training sample) serta kemungkinan suatu piksel terkelompok dalam suatu kelas. Penggunaan citra gabungan dengan metode maximum likelihood menghasilkan keakurasian citra lebih dari 60% dan lebih tinggi dari citra ALOS-2/PALSAR-2 yang diklasifikasikan tanpa Landsat 8 (40%)

---

ABSTRAKBandung regency is one of the biggest regency in Indonesia with large number of population which has nature resources with different utilization that cause land cover diversity. Land cover monitoring is necessary to prevent any land misuses and nature disasters. A way to monitor land cover is to classify the land cover uses remote sensing technique such as joint data of active and passive. This research is analyzing active satellite image (ALOS-2/PALSAR-2) and pasive satellite image (Landsat 8) that are being used to produce an image which is easy to interpret with less atmospheric disruption. One of the methods that can be used is maximum likelihood. Maximum likelihood is a supervised classification method which uses reference data (training sample) and probability of a pixel is clustered in a spesific class. The use of joint processing data with maximun likelihood method results in accuracy greater than 60% and is better than accuracy of ALOS-2/PALSAR-2?s image itself (40%)."

"Penelitian dilakukan untuk memperoleh model estimasi demand antara dua buah produk ketika terjadi stock-out pada salah satu produk. Agar stock-out dapat dikurangi dan dihilangkan karena merugikan semua pihak, baik konsumen, retailer, maupun produsen produk itu sendiri. Model estimasi demand untuk kedua produk ini didapatkan dengan menggunakan metode Maximum Likelihood Estimates (MLEs). Berdasarkan skenario penjualan didapatkan bahwa keadaan paling menguntungkan merupakan keadaan dimana kedua produk terdapat di stok. Keterbatasan stok dan besarnya tingkat penjualan menyebabkan keadaan stock-out sering terjadi. Hal ini harus disikapi karena dampaknya menjadi sangat merugikan. Melalui penelitian ini, didapatkanlah model estimasi demand konsumen untuk dua buah produk tersebut.

---

The study was conducted to obtain the estimated model of demand between two products when one of the product experiencing stock-out problem. In order that stock-outs can be reduced and eliminated because of disadvantage of all parties, like consumers, retailers, and manufacturers of the product. Estimation model of demand for both products can be obtained using Maximum Likelihood Estimates (MLEs) methods.

Under the sales scenario shows that the most favorable circumstances is a situation where both products are in stock. The limited amount of stock and sales levels cause stock-outs become very common. This must be addressed because of its impact will be very harmful. Through this research, it is concluded that the estimation model of consumer demand for two products."

"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 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)."

"Skripsi ini membahas tingkat seismisitas, kerapuhan batuan, dan tingkat periode ulang gempa bumi Jawa bagian barat dengan batas koordinat 105º1’11”-106º7’12” Bujur Timur dan 5º7’50”-7º1’11’’ Lintang Selatan. Analisis pengamatan menggunakan data kejadian gempa bumi selama periode 1981-2021, kedalaman h≤300 km, dan magnitudo 𝑀≥2. Metode yang digunakan adalah Magnitude Frequency Relation (MFR) dengan hasil nilai MC sebesar 4.8. Serta metode Maximum Likelihood dengan hasil nilai b sebesar 0.5 - 1.3 dan nilai a sebesar 3.5 – 8.0. Sedangkan nilai periode ulang gempa bumi yang didapatkan berbeda-beda tergantung besaran magnitudo pada wilayah penelitian. Pada gempa bumi dengan magnitudo 𝑀 = 5.0 dan 𝑀 = 5.5, secara berturutturut memiliki kisaran periode ulang gempa sekitar 1-4 tahun dan 2-7 tahun. Beda halnya dengan gempa bumi magnitudo 𝑀 = 6.0 dan 𝑀 = 6.5, memiliki kisaran periode ulang gempa sekitar 4-14 tahun dan 6-16 tahun.

---

This thesis discusses the level of seismicity, rock fragility, and the rate of return period for West part of the Java’s earthquake with coordinate boundaries of 105º1’11”- 106º7’12” East Longitude and 5º7’50”-7º1’11’’ South Latitude. Observational analysis uses earthquake data for the period 1981-2021, depth h≤300 km, and magnitude 𝑀≥2. The methods are used Magnitude Frequency Relation (MFR) with MC value of 4.8, also the Maximum Likelihood method with the results of a b value of 0.5 - 1.3 and a value of 3.5 – 8.0. While the value of the earthquake return period obtained varies depending on the magnitude of the study area. Earthquakes with a magnitude of 𝑀 = 5.0 and 𝑀 = 5.5, respectively, have an earthquake return period range of about 1-4 years and 2-7 years. Unlike the case with earthquakes of magnitude 𝑀 = 6.0 and 𝑀 = 6.5, they have a return period of around 4-14 years and 6-16 years."

"Tugas akhir ini bertujuan menjelaskan prosedur penaksiran parameter pada model shared gamma frailty dengan menggunakan metode penaksiran maximum likelihood. Model shared gamma frailty merupakan salah satu model frailty bivariat yang diperkenalkan untuk mengukur dependensi antara waktu-waktu survival terhadap faktor acak yang tidak teramati, yang terkadang diabaikan dalam penelitian. Model ini perluasan dari model Cox proportional hazard dengan memperhatikan adanya pemancungan kiri dan penyensoran kanan pada data yang diperoleh. Untuk melakukan penaksiran parameter maka dibentuk fungsi likelihood yang dibangun dari fungsi survival bersama pasangan observasi, lalu diperoleh parameter dependensinya. Semakin besar nilai parameter dependensi menyatakan bahwa heterogenitas antarpasangan observasi semakin besar dan asosiasi dalam tiap pasangan semakin kuat. Pada tugas akhir ini diberikan contoh penggunaan model dalam bidang demografi dan kesehatan. "