Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPelacakan objek secara visual adalah proses melokalisasi terus menerus entitas visual pada suatu urutan video. Disertasi ini menyelidiki masalah short-term model-free tracking yang mempunyai tujuan utama untuk melacak sembarang objek berdasarkan satu kotak anotasi dari objek dan oleh karena itu disebut sebagai model-free. Short-term di sini berarti bahwa pelacak tidak melakukan deteksi ulang setelah target menghilang dalam pelacakan. Banyak faktor yang mempengaruhi kinerja algoritma pelacakan. Dalam Visual Tracker Benchmark, terdapat sebelas tantangan dalam pelacakan objek, yaitu: variasi iluminasi, variasi skala, oklusi, deformasi, blur, gerakan yang cepat, in-plane rotation, out-of-plane rotation, keluar dari pandangan, latar belakang yang kusut, dan resolusi yang rendah. Selama ini belum ada satu pelacak yang berhasil menangani semua skenario tersebut dengan kokoh robust . Selain itu, implementasi dari pelacak ini harus cukup cepat fast agar berguna dalam aplikasi nyata. Disertasi ini mengusulkan algoritma pelacakan yang baru dalam kerangka Bayesian. Algoritma yang diusulkan dikonstruksi dengan memecahkan optimal particle filter OPF secara efisien menggunakan metode spektral. Oleh karena itu, pelacak yang dikonstruksi disebut sebagai spectral tracker ST . Walaupun pelacak ini dapat melakukan komputasi posisi secara efisien, tetapi tidak dapat mengestimasi skala dan rotasi. Untuk mengatasi kelemahan ini, diusulkan penggunaan banyak titik observasi sekaligus dan menggunakan informasi pergerakan titik-titik observasi ini untuk mengestimasi skala dan rotasi. Selanjutnya dilakukan eksperimen untuk melihat pengaruh pra-pemrosesan citra meliputi warna, tekstur dan saliensi pada kinerja pelacakan dengan membangun 6 variasi model observasi dari pelacak ST. Akhirnya, kinerja variasi pelacak ST ini dibandingkan dengan 9 pelacak pembanding yang relevan pada 100 himpunan data. Hasil secara keseluruhan terdapat sebuah peningkatan unjuk kerja terutama dalam hal kekokohan dan kecepatan. Tetapi pada evaluasi yang lebih rinci dalam menghadapi 11 tantangan, ternyata pendekatan yang berbeda dari setiap pelacak ternyata menghasilkan unjuk kerja yang berlainan dalam menghadapi setiap tantangan tersebut.

---

ABSTRACTVisual object tracking is the process of continuously localizating a visual entity or visual entities in a video sequence. This dissertation investigates short term model free tracking which the main purpose is tracking of arbitrary objects based on a single bounding box annotation of the object, which then called as model free. The short term tracking means that the tracker does not perform re detection after the target is lost. Numerous factors affect the performance of a tracking algorithm. In Visual Tracker Benchmark, there are eleven main tracking challenges, including illumination variation, scale variation, occlusion, deformation, motion blur, fast motion, in plane rotation, out of plane rotation, out of view, background clutters, and low resolution. There exists no single robust tracker that successfully handles all scenarios nowadays. Moreover, the implementation of tracker should be fast enough to be useful in real applications. We propose a novel algorithm based on Bayesian paradigm that works in frequency domain and exploits spectral method for solving optimal particle filter scheme in Bayesian framework. Therefore the tracker is called as spectral tracker ST . In order to able to estimate scaling and rotation, we modify the tracker to use multiple observation points. Futhermore, several experiments is done to see impact of observation model by manipulating image in color, texture and saliency. As result, we design six variation of spectral tracker based on the observation model. Finally, the performance of the tracker is compared with other relevant trackers on benchmark dataset sequences. An improvement over state of the art methods is achieved, in term of robustness and speed. Nevertheless, the evaluation of eleven tracking challenges shows that different approaches of tracker have unique performance in each challenge. "

"A study of those statistical ideas that use a probability distribution over parameter space. The first part describes the axiomatic basis in the concept of coherence and the implications of this for sampling theory statistics. The second part discusses the use of Bayesian ideas in many branches of statistics."

"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)"

"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"

"Analisis survival merupakan analisis statistika yang digunakan untuk menyelidiki waktu tahan hidup suatu benda atau individu pada keadaan tertentu. Dalam melakukan analisis survival dibutuhkan data survival yang meliputi waktu survival dan status waktu survival dari objek yang diteliti. Data survival yang diperoleh dapat berupa data lengkap atau data tidak lengkap. Data tidak lengkap data tersensor dapat berupa data tersensor kanan, kiri, atau interval. Data tersensor kanan dapat berupa data tersensor kanan tipe I atau data tersensor kanan tipe II. Dalam penelitian ini akan digunakan data tersensor kanan tipe II. Fungsi survival yang akan digunakan adalah fungsi survival dari distribusi Lomax. Distribusi Lomax memiliki dua paremeter, yaitu parameter bentuk dan parameter skala. Dalam penelitian ini, parameter yang akan ditaksir adalah parameter bentuk dengan asumsi parameter skala telah diketahui. Metode yang digunakan dalam penelitian ini adalah metode Bayes. Penelitian ini akan menggunakan prior Gamma sebagai distribusi conjugate prior dan fungsi Loss yang akan digunakan dalam penelitian ini adalah balanced squared error loss function BSELF.

---

Survival analysis is a statistical analysis used to investigate the life time of an object or an individual in a special case. In survival analysis, survival data is needed which includes the survival time and status of the survival time of the object under study. The survival data obtained can be either complete data or incomplete data. Incomplete data censored data can be either right, left, or interval censored data. The right censored data can be either right censored data type I or type II.

In this study will be used the right censored data type II. The survival function to be used is the survival function of the Lomax distribution. The Lomax distribution has two parameters, that is the shape parameter and the scale parameter. In this study, the parameter will be estimate is the shape parameter with the assumption of scale parameters has been known. The method used in this study is Bayes method. This study will use prior Gamma as conjugate prior distribution and Loss function will be used in this study is balanced squared error loss function BSELF."

"Asuransi mobil merupakan aspek penting dalam masyarakat modern untuk melindungi individu dari kerugian finansial akibat kejadian tak terduga pada kendaraan mereka. Model penetapan tarif asuransi mobil yang digunakan sebelumnya umumnya mengasumsikan bahwa frekuensi klaim dan tingkat keparahan klaim adalah independen. Namun, seiring perkembangan waktu, penelitian lebih lanjut telah menghasilkan model klaim asuransi yang lebih canggih dengan mempertimbangkan adanya ketergantungan antara frekuensi klaim dan tingkat keparahan klaim. Meski begitu, model-model tersebut memiliki beberapa keterbatasan yang menyebabkan mereka belum mampu menangkap sepenuhnya interaksi kompleks antara frekuensi dan tingkat keparahan klaim. Selain itu, pembahasan mengenai proses yang mendasari ketergantungan tersebut masih sangat terbatas. Oleh karena itu, penelitian ini bertujuan untuk menunjukkan hubungan ketergantungan antara frekuensi klaim dan tingkat keparahan klaim, serta mempelajari dan memahami konsep bonus hunger sebagai elemen perilaku pengemudi yang menjadi fenomena umum dalam kontrak asuransi dengan sistem bonus-malus. Dalam penelitian ini, konsep bonus hunger dimasukkan ke dalam model frekuensi-keparahan klaim yang digabungkan dengan sistem bonus-malus standar dan direpresentasikan sebagai tingkat retensi optimal, yang dihitung menggunakan algoritma Lemaire. Model frekuensi-keparahan klaim ini didasarkan pada kerangka Generalized Linear Model (GLM), di mana frekuensi klaim dimodelkan menggunakan model regresi binomial negatif, sementara tingkat keparahan klaim dimodelkan menggunakan model regresi Gamma. Sementara itu, sistem bonus-malus dimodelkan dengan pendekatan model relasi tipe Bayesian. Hasil aplikasi data menunjukkan adanya hubungan ketergantungan antara frekuensi klaim dan tingkat keparahan klaim, serta mengonfirmasi fenomena bonus hunger sebagai tingkat retensi optimal dalam sistem bonus-malus.

---

Automobile insurance is a necessary aspect of modern society for protecting individuals from the financial losses of their vehicles due to accidents, theft, natural disasters, or other unforeseen events. Within the automobile insurance industry, actuarial ratemaking models are essential in modeling both premiums and insurance claims for each policyholder. Earlier auto-ratemaking models have traditionally assumed independence between claim frequency and severity. Since then, subsequent studies have developed more sophisticated insurance claim models that accommodate dependence between claim frequency and severity. However, these models have several limitations that prevent them from accurately capturing the complex interactions between claim frequency and severity. Moreover, there has been little discussion as to the underlying process that causes this dependence. Therefore, this study aims to showcase the dependent relationship between claim frequency and severity, as well as study and understand bonus hunger as a behavioral element of the driver and a prevalent phenomenon in insurance contracts within the bonus-malus system. The bonus hunger is incorporated into a frequency-severity model coupled with the standard bonus-malus system and represented as an optimal retention level, calculated using the Lemaire algorithm. The frequency-severity model is based on a generalized linear model (GLM) framework in which the frequency is modeled using the negative binomial regression model. In contrast, the severity is modeled using the Gamma regression model. Meanwhile, the bonus-malus system is modeled using a Bayesian-type relativity model. The data application results show the dependent relationship between claim frequency and severity, as well as the bonus hunger phenomenon as an optimal retention level."

"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."