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."

"Model regresiZero Inflated Poisson (ZIP) digunakan untuk memodelkan count data dengan overdispersi yang disebabkan oleh nilai nol yang berlebih pada pengamatannya(excess zero). Namun, ketika overdispersi berasal dariexcess zerodan datacount, makaZIP tidak lagi cocok. Model regresi Zero Inflated Negative Binomial (ZINB) bertujuan untuk mengetahui variabel apa saja yang berpengaruh secara signifikan terhadap variabelrespon. Data untuk regresi ZINB ini memiliki dua sumber overdispersi. Terdapat dua proses pada variabel respon, yang mendasari pengamatan masuk ke dalam structural zeros atau Negative Binomial (NB) counts. Jadi, regresi ZINB terdiri dari dua model. Pada kedua model tersebut dilakukan penaksiran parameter menggunakan metode Bayesian. Metode ini menganggap parameter-parameter yang digunakan merupakan variabel acakyang memiliki distribusi sebagai informasi prior, dan mengkombinasikannya dengan data yang dimiliki. Kombinasi tersebut selanjutnya disebut sebagai distribusi posterior. Sampling parameter dari distribusi posterior dilakukan dengan simulasi Markov Chain Monte Carlo (MCMC). Sebagai penerapan, digunakan data Parkinson dari Parkinsons Progression Markers Initiative (PPMI). Variabel responnya yaitu frekuensi seberapa sering pasien mengalami komplikasi setelah meminum obat atau tidak, dan variabel prediktornya berupa skor pemeriksaan aspek motorik, non-motorik, dan respon-respon tubuh. Diperoleh hasil bahwa model ZINB cocok untuk memodelkan data tersebut yangditandai dengan hasil simulasi yang konvergen.

---

Zero Inflated Poisson (ZIP) regression model is a standard framework for modeling discrete data with over-dispersion caused by excess zero. When over-dispersion has comefrom excess zero and count data, ZIP is no longer matches. A Zero Inflated Negative Binomial (ZINB) regression model aims to analyze the variables affecting data with two sources of over-dispersion. Hence there are two processes at the response variable, which make an observation classified as structural zeros or Negative Binomial (NB) counts. So, ZINB regression consists oftwo models. This paper will use Bayesian method forestimating parameter in both models. The Bayesian method considers parameters to bea random variable that has distribution known as prior distribution, and combine with information of the data. This combination referred as posterior distribution. Sampling parameter from posterior distribution is done using Markov Chain Monte Carlo (MCMC) simulation. As an application, the Parkinsons data is used from Parkinsons Progression Markers Initiative (PPMI). Frequency of how often the patient has complications aftertaking the drug or not is the response, and the predictive variables are motoric aspect, non-motoric aspect, and body responses test scores. The simulation result shows that it isconvergent, indicate that ZINB model is suitable for modeling Parkinsons data."

"Regresi Poisson sering digunakan untuk menganalisis data diskrit count data. Regresi ini memiliki asumsi equidispersi. Namun, dalam banyak kasus sering dijumpai asumsi tersebut tidak terpenuhi karena adanya overdispersi pada data. Salah satu penyebab overdispersi adalah excess zero. Model regresi yang dapat digunakan untuk mengatasi masalah tersebut adalah regresi Zero-Inflated Poisson ZIP . Regresi ZIP menyelesaikan masalah excess zero dengan mengidentifikasi structural zeros di tahap pertama dan model Poisson counts di tahap kedua. Pada penelitian ini, parameter regresi ditaksir menggunakan metode Bayesian. Pada metode Bayesian, unsur ketidakpastian parameter dipertimbangkan model dalam bentuk distribusi prior. Dengan mengombinasikan distribusi prior dan likelihood, diperoleh distribusi posterior dari parameter yang menjadi perhatian dalam penelitian. Teknik komputasional Markov Chain Monte Carlo-Gibbs Sampling MCMC-GS digunakan untuk melakukan sampling nilai-nilai parameter dari distribusi posterior tersebut. Metode ini kemudian diterapkan untuk memodelkan frekuensi komplikasi motorik pada 215 penderita penyakit Parkinson. Diperoleh hasil bahwa total skor MDS-UPDRS Part 2 dan 3 berasosiasi dengan konsumsi atau tidaknya obat-obatan pada pasien. Lebih lanjut, untuk mereka yang mengonsumsi obat, total skor MDS-UPDRS Part 1 berasosiasi dengan frekuensi komplikasi motorik.

---

Poisson regression is commonly used for analizing count data. This method requires equidispersion assumption. However, in the case of overdispersion, this assumption is not always fulfilled. Overdispersion may exist when there is excess zeros in the data. One of the regression models which might solve it is Zero Inflated Poisson ZIP regression. ZIP regression solves the excess zero problem by identifying the structural zeros at the first stage, then Poisson counts model at the second stage. In this research, the regression parameters are estimated using Bayesian method. Bayesian method acomodates the uncertainty parameters through prior distribution. Combining the prior distribution and likelihood from the data results in the posterior distribution of the parameters of interest. True parameters are then sampled using Markov Chain Monte Carlo Gibbs Sampling MCMC GS. Therefore, this method is applied to model the frequency of motor complications in 215 Parkinson 39 s disease patients. The result shows that total score of MDS UPDRS Part 2 and 3 associated with those taking the medicines or not. Furthermore, for those taking the medicines, total score of MDS UPDRS Part 1 associated with motor complications frequency."

"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."

"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."

"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."