Hasil Pencarian  ::  Simpan CSV :: Kembali

"Di Indonesia, praktik radioterapi molekuler masih dilakukan dengan metode fixed dose. Sementara penelitian menyatakan bahwa metode fixed dose memiliki tingkat eror yang besar. Salah satu pemodelan yang dapat diandalkan untuk melakukan simulasi, fitting, dan menganalisis perbedaan kondisi fisiologis dan biodistribusi pada setiap individu pasien berdasarkan data pra-klinis pada Peptide-Receptor Radionuclide Therapy (PRRT) adalah pemodelan Physiologically-Based Pharmacokinetics (PBPK). Dalam penelitian ini dilakukan pengembangan sebuah in-house software berbasis General User Interface (GUI) untuk dapat mengaplikasikan pemodelan PBPK dalam proses dosimetri pada PRRT menggunakan perangkat lunak MATLAB r2018b beserta aplikasi bawaannya, yaitu Simbiology dan App Designer. Penulis menggunakan data sekunder dan data pasien virtual yang didapatkan dengan menambahkan eror sebesar 1%, 2%, dan 3% terhadap data sekunder secara acak. Metode estimasi yang digunakan dalam pengembangan in-house software ini adalah non-linear fit (nlinfit) dengan error model proportional karena memiliki persentase deviasi relatif (%RD) dan persentase Coefficient of Variation (%CV) yang paling baik. Secara kualitatif, In-house software yang dikembangkan menghasilkan grafik Area Under the Curve (AUC) yang saling berhimpit dengan literatur serta grafik hasil fitting yang baik, sementara secara kuantitatif menghasilkan nilai AUC dan Time-Integrated Activity Coefficient (TIAC) dengan rata-rata %RD di bawah 10% dan %CV di bawah 50%. Nilai %RD didapatkan dengan membandingkan nilai perhitungan AUC dan estimated parameters antara hasil dari in-house software dengan literatur. Dari hasil tersebut, in-house software berbasis GUI yang dibangun dalam penelitian ini telah berhasil dalam melakukan simulasi, fitting, menghitung besar nilai AUC serta nilai TIAC secara akurat pada PRRT dengan menggunakan pemodelan PBPK.

---

In Indonesia, the practice of molecular radiotherapy is still carried out using the fixed-dose method. Meanwhile, research states that the fixed-dose method has a large error rate. One of the reliable models for simulating, fitting, and analyzing differences in physiological conditions and biodistribution in each individual patient based on pre-clinical data on Peptide-Receptor Radionuclide Therapy (PRRT) is Physiologically-Based Pharmacokinetics (PBPK) modeling. In this research, an in-house software based on General User Interface (GUI) was developed to be able to apply PBPK modeling in the dosimetry process on PRRT using the MATLAB r2018b software and its default applications, namely Simbiology and App Designer. The author uses secondary data and virtual patient data obtained by adding errors of 1%, 2%, and 3% to the secondary data randomly. The estimation method used in the development of this in-house software is non-linear fit (nlinfit) with proportional model error because it has the best percentage of relative deviation (%RD) and percentage of Coefficient of Variation (%CV). Qualitatively, the developed In-house software produces an Area Under the Curve (AUC) graph that coincides with the literature as well as a good fit graph, while quantitatively it produces AUC and Time-Integrated Activity Coefficient (TIAC) ​​values ​​with an average of % RD below 10% and CV below 50%. The %RD value is obtained by comparing the calculated AUC and estimated parameters between the results from the in-house software and the literature. From these results, the GUI-based in-house software built in this study has succeeded in performing simulations, fittings, calculating the AUC value and TIAC value accurately on PRRT using PBPK modeling."

"Dalam menentukan perhitungan dosis serap yang optimal diperlukan nilai time-integrated activity coefficient (TIAC) yang akurat. Nilai TIAC diperoleh melalui fitting data menggunakan model fungsi matematis dengan metode Nonlinear Mixed-Effects Model (NLME). Fungsi terbaik diperoleh dengan melakukan model selection yang ditinjau melalui evaluasi Goodness of Fit. Namun, hasil dari model selection tidak selalu memenuhi Goodness of Fit sehingga sulit untuk mendapatkan fungsi terbaik, seperti halnya pada dosimetri lesi. Oleh karena itu, dibutuhkan metode yang dapat mengembangkan model selection dengan memperhatikan struktur parameter fungsi melalui optimisasi fixed effect dan random effect. Tujuan penelitian ini adalah mengetahui model fungsi matematis yang dapat menggambarkan data dan mengetahui pengaruh dari struktur parameter fungsi terhadap model selection. Data yang digunakan merupakan data biokinetik [111In]In-DOTATATE lesi dari 8 pasien yang diperoleh dari planar imaging. Fitting dilakukan menggunakan 13 fungsi Sum of Exponential (SOE). Fungsi yang tidak memenuhi Goodness of Fit dianalisa lebih lanjut dengan kombinasi fixed effectdan random effect. Pembobotan akaike digunakan untuk memilih fungsi yang paling merepresentasikan data. Fungsi terbaik yang diperoleh adalah fungsi dengan tidak mengestimasi nilai fixed effect dari parameter A1, Alpha, Lambda1 dan full random effectdimana memiliki nilai pembobotan akaike tertinggi sebesar 57,89%. Fungsi tersebut juga memiliki nilai maksimum Coefficient of Variation (CV) sebesar 39,71%. Penelitian ini berhasil menunjukan bahwa kombinasi fixed effect dan random effect berpengaruh terhadap model selection karena dapat mengurangi ketidakpastian dalam mengestimasi parameter melalui nilai Coefficient of Variation (CV) sehingga diperoleh fungsi terbaik dalam penentuan TIAC yang akurat pada dosimetri lesi.

---

In determining the calculation of the optimal absorbed dose, an accurate time-integrated activity coefficient (TIAC) value is required. TIAC values were obtained through data fitting using a mathematical function model with the Nonlinear Mixed-Effects Model (NLME) method. The best function is obtained by model selection which is determined by evaluated Goodness of Fit. However, the results of model selection do not always correspond to the Goodness of Fit, so it is difficult to obtain the best function, as is the case with lesion dosimetry. Therefore, a method is needed that can develop a model selection by examined the structure of function parameters through optimization of fixed effects and random effects. This study aims to determine the best function model that can describe the data and to determine the effect of the function parameter structure in model selection. Data lesion biokinetics of [111In]In-DOTATATE from eight patients acquired by planar imaging. Thirteen function Sum of Exponential (SOE) were used in fitting. The function not passing the Goodness of Fit test were fitted with a combination of fixed and random effect. The Akaike weights were used to select the fit function most supported by the data. The best function obtained is the function without estimating the fixed effect value of parameter A1, Alpha, Lambda1 dan full random effect which has the highest akaike weighting value of 57.89%. This function also has a maximum Coefficient of Variation (CV) value 39.71%. This study succeeded in showing that the combination of fixed effects and random effects had an effect on model selection because it reduced the Coefficient of Variation (CV) value so that the best function was obtained in determining the accurate TIAC in lesion dosimetry."

"Tujuan penelitian ini untuk menentukan model terbaik dengan menggunakan fungsi sum of exponential (SOE) untuk menggambarkan biodistribusi dari radiofarmaka 111In-DOTATATE, mengevaluasi pengaruh dataset terhadap seleksi model, dan mengevaluasi pengaruh dari model error intraindividual terhadap perhitungan AUC pada radioterapi molekular. Penelitian ini menggunakan data sekunder berupa data biokinetik tumor pasien PRRT dari 4 pasien tumor meningioma dan 5 neuroendokrin setelah injeksi pra-terapi 111In-DOTATATE. Dari data tersebut dilakukan digitasi, dan data hasil digitasi di-fitting menggunakan 16 fungsi SOE. Model terbaik ditentukan dengan kriteria goodness of fit dan nilai pembobotan Corrected Akaike Information Criterion (AICc). Kemudian, dilakukan metode jackknife dengan menghilangkan data 1 pasien dan menentukan model terbaiknya. Kemudian, semua data di-fitting menggunakan model terbaik dengan beberapa model error, terdiri dari error konstan, proporsional dan eksponensial. Hasil model terbaik yang dapat menggambarkan biodistribusi radiofarmaka 111In-DOTATATE pada tumor ditunjukkan fungsi dengan pembobotan AICc 94,7%. Perubahan dataset tidak terlalu mempengaruhi seleksi model, sebagian besar hasil jackknife menunjukkan f3b sebagai model terbaik = 77,78% dan bukan model terbaik = 22,22%. Selain itu, Semua model error di-fitting dengan model terbaik menghasilkan nilai AUC yang hampir sama yaitu konstan = (3,09±2,70) nmol·min, proporsional = (3,09±2,69) nmol·min, dan eksponensial = (3,09±2,70) nmol·min. Berdasarkan hasil penelitian yang diperoleh, seleksi model dengan NLME menunjukkan hasil yang cukup stabil dan bentuk error konstan, proporsional dan eksponensial dapat digunakan dengan baik untuk menentukan AUC pada pasien PRRT yang diinjeksi dengan radiofarmaka 111In-DOTATATE.

---

The aim of the study was to determine the best model using the sum of exponential (SOE) function to describe the biodistribution of 111In-DOTATATE radiopharmaceuticals, evaluate the effect of the dataset on model selection, and evaluate the effect of the intraindividual error model on AUC calculations in molecular radiotherapy. This study used secondary data in the form of tumor biokinetic data from PRRT patients from 4 meningioma and 5 neuroendocrine tumor patients after pre-therapy 111In-DOTATATE Injection. The data was digitized, and the digitized data was fitted using 16 SOE functions. The best model was determined by the goodness of fit criteria and the Corrected Akaike Information Criterion (AICc) weighting. Next, the jackknife method was carried out by removing 1 patient's data and the best model was determined. Then, all the data was fitted using the best function with several error models, consisting of constant, proportional, and exponential errors. The result obtained was the best model that can describe the biodistribution of 111In-DOTATATE radiopharmaceuticals in tumors which is shown by the function with an AICc weighting of 94,7%. The results showed that there is an influence of the dataset on model selection. In general, the jackknife results showed f3b as the best function = 77,78% and not the best function = 22,22%. In additional, all error model fitted with the best function tent to be similar in the AUC calculation, i.e. constant = (3,09±2,70) nmol·min, proportional = (3,09±2,69) nmol·min, and exponential = (3,09±2,70) nmol·min. Based on the results of the study, model selection with NLME showed quite stable results and constant, proportional and exponential error forms could be used well to determine AUC in PRRT patients injected with 111In-DOTATATE radiopharmaceutical.

"

"Hanscheid et al (2018) merumuskan suatu fungsi yang dapat menghitung Integrated Activity Coefficients (TIAC). Akan tetapi, Hanscheid et al., (2018) tidak mencantumkan proses untuk menentukan fungsi monoexponential yang digunakan sebagai acuan rumus tersebut. Adapun tujuan dari penelitian ini yaitu menentukan model terbaik untuk menghitung nilai Time- (TIAC) secara akurat melalui tahapan seleksi model, serta melihat pengaruh model terbaik yang diperoleh terhadap fungsi yang diformulasikan oleh Hanscheid et al., (2018) dalam menghitung TIAC. Data yang digunakan dalam penelitian ini yaitu 8 data biodistribusi radiofarmaka 177Lu-DOTATATE pada organ ginjal pasien peptide-receptor radionuclide therapy PRRT. Data di-fitting menggunakan sejumlah fungsi sum of exponential. Selanjutnya dilakukan seleksi model berupa analisis goodness of fit serta menghitung nilai error absolut dan pembobotan Corrected Akaike Information Criterion (AICc). Selanjutnya, dilakukan perhitungan nilai TIAC menggunakan fungsi terbaik, rumus one time point dosimetry (OTPD), dan persamaan monoeksponensial. Nilai relative deviation (RD) antara nilai TIAC OTPD terhadap nilai TIAC hasil seleksi model dan TIAC monoeksponensial dihitung. Hasil dari seleksi model menyatakan bahwa fungsi terbaik dalam menggambarkan biodistribusi radiofarmaka 177Lu-DOTATATE pada organ ginjal dari data 6 pasien PRRT adalah fungsi . Fungsi terbaik untuk data pasien 2 yaitu fungsi dan untuk pasien 8 yaitu fungsi Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC monoeksponensial pada ginjal kiri yaitu (86,33 6,76)% pada t1, (21,56 18,09)% pada t2, (16,48 6,34)% pada t3, dan (19,85 11,96)% pada t4. Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC model terbaik dari ginjal kiri yaitu yaitu (87,88 4,06)% pada t1, (25,69 19,95)% pada t2, (17,37 )% pada t3, dan (23,46 20,17)% pada t4. Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC monoeksponensial ginjal kanan yaitu (86,91 5,27)% pada t1, (19,64 16,26)% pada t2, (12,63 2,22)% pada t3, dan (18,86 11,06)% pada t4. Nilai mean dan standar deviasi dari RD TIAC OTPD terhadap TIAC model terbaik yaitu (86,98 4,98)% pada t1, (18,31 15,85)% pada t2, (11,92 )% pada t3, dan (18,41 12,33)% pada t4. Berdasarkan hasil penelitian yang diperoleh, rumus OTPD sudah cukup baik untuk diaplikasikan secara klinis pada pasien PRRT yang diinjeksi dengan radiofarmaka 177Lu-DOTATATE.

---

H�nscheid et al (2018) found a function that can calculate TIAC by using a single time point measurement, so that with only one measurement, TIAC values can be obtained only in patients. The purpose of this study is to determine the best model to calculate TIAC values ??accurately through the model selection stage, and to see the effect of the best model obtained on the function formulated by H�nscheid et al., (2018) in calculating TIAC. The data used in this study were 8 data on the biodistribution of the radiopharmaceutical 177Lu-DOTATATE on renal organ peptide receptor radionuclide therapy of PRRT patients. Data adjustment using a number of exponential functions. After the fitting process is carried out, the model selection is carried out in the form of goodness of fit analysis and calculates the absolute weighting value and the AICc weighting. Next, the TIAC value is calculated using the best function, the one time point dosimetry (OTPD) formula, and the monoexponential equation. The relative deviation value (RD) between the TIAC OTPD values to the TIAC values ??from the model selection and the monoexponential TIAC was calculated. The result of model selection stated that the best function in describing the biodistribution of the radiopharmaceutical 177Lu-DOTATATE in the kidney from the data of 6 PRRT patients was the function . Meanwhile, the best function for patient 2 is the function and for patient 8, the function is . The mean and standard deviation of RD from TIAC OTPD to monoexponential TIAC in the left kidney is (86.33±6.76)% at t1, (21.56±18.09)% at t2, (16, 48±16.34)% at t3, and (19.85±11.96)% at t4. The mean and standard deviation of RD from TIAC OTPD to the best model TIAC of the left kidney is (87.88±4.06)% at t1, (25.69±19.95)% at t2, (17 .37±24.37)% at t3, and (23.46±20.17)% at t4. The mean and standard deviation of RD from TIAC OTPD to monoexponential TIAC in the right kidney is (86.91±5.27)% at t1, (19.64±16.26)% at t2, (12.63 ±12.22)% at t3, and (18.86±11.06)% at t4. The mean and standard deviation of RD from TIAC monoexponential TIAC to the best TIAC model in the right kidney is (86.98±4.98)% at t1, (18.31±15.85)% at t2, (11.92± 13.29)% at t3, and (18.41±12.33)% at t4. Based on the research, the TIAC OTPD seems to be good enough for clinical application in PRRT patients injected with the radiopharmaceutical 177Lu-DOTATATE."

"Radionuklida [¹⁷⁷Lu]Lu bebas pengemban adalah sediaan radionuklida [¹⁷⁷Lu]Lu dengan aktifitas spesifik yang sangat tinggi namun dibutuhkan pemisahan yang sangat sulit untuk memperolehnya. Pada penelitian ini dikembangkan metode produksi [¹⁷⁷Lu]Lu bebas pengemban dari aktivasi tidak langsung isotop Ytterbium alam menggunakan metode pemisahan kromatografi penukar ion dengan fasa diam resin Dowex W50 X8 dan campuran eluen alpha Hydroxyisobutiric Acid (α-HIBA) dan HCl. Hasil penelitian menunjukan bahwa reaktor nuklir G.A Siwabessy telah mampu menghasilkan [¹⁷⁷Lu]Lu sebanyak 296 MBq/10 mg sampel Yb₂O₃. Dua metode pemisahan spesifik diperoleh, pertama dengan menahan radionuklida [¹⁷⁷Lu]Lu di dalam resin sedangkan ion dan radionuklida pengotor keluar dari kolom menggunakan campuran eluen HCl 0,25 M dan ɑ-HIBA 0,1 M yang dapat mengeluarkan pengotor [¹⁷⁵Yb]Yb  sekitar 1,6 x 10^-3 % yield/ml dan [¹⁶⁹Yb]Yb sekitar 4,2 % yield/ml. Metode kedua didapatkan dengan menggunakan peningkatan konsentrasi eluen α-HIBA 0,15 M yang menyebabkan [¹⁷⁷Lu]Lu keluar dari kolom sedangkan pengotor tetap berada di dalam kolom dengan kemurnian [¹⁷⁷Lu]Lu sekitar 81,9 % dan aktifitas spesifik (1,163 GBq/mg). Faktor peningkatan konsentrasi HCl diatas 0,25 M pada eluen menyebabkan penurunan selektifitas pemisahan [¹⁷⁷Lu]Lu dari matriks ytterbium. Sedangkan faktor peningkatan temperatur elusi 50 ^oC dapat menaikan selektifitas pemisahan dengan menahan lebih baik [¹⁷⁷Lu]Lu di dalam resin.

---

No-carrier added [¹⁷⁷Lu]Lu radionuclide is a [¹⁷⁷Lu]Lu radionuclide preparation with very high specific activity but requires very difficult separation to obtain it. In this research, a carrier-free [¹⁷⁷Lu]Lu production method was developed from indirect activation of natural Ytterbium isotopes using an ion exchange chromatography separation method with a Dowex W50 X8 resin and mixed eluent alpha hydroxyisobutyric acid (α-HIBA) and hydrochloric acid (HCl). The research results showed that the G.A Siwabessy nuclear reactor was able to produce [¹⁷⁷Lu]Lu as much as 296 MBq/10 mg Yb₂O₃ sample. Two specific separation methods were obtained, first by retaining the [¹⁷⁷Lu]Lu radionuclide in the resin while the impurity ions and radionuclides come out of the column using a mixture of 0.25 M HCl and 0.1 M ɑ-HIBA eluents which can remove [¹⁷⁵Yb]Yb impurities around 1.6 x 10-3 % yield/ml and [¹⁶⁹Yb]Yb around 4.2 % yield/ml. The second method was obtained by using an increase in the eluent concentration of 0.15 M α-HIBA which caused [¹⁷⁷Lu]Lu to come out of the column while the impurities remained in the column with a [¹⁷⁷Lu]Lu purity of around 81.9% and specific activity (1.163 GBq/mg ). The increasing factor of HCl concentration above 0.25 M in the eluent causes a decrease in the selectivity of [¹⁷⁷Lu]Lu separation from the ytterbium matrix. Meanwhile, increasing the elution temperature by 50 ^oC can increase separation selectivity by better retaining [¹⁷⁷Lu]Lu in the resin."

"Tujuan penelitian ini untuk menentukan model fungsi sum of exponential (SOE) terbaik dan membandingkan parameter fixed effect, random effect dan Area Under Curve (AUC) yang diperoleh pada NONMEM dan Matlab. Penelitian ini menggunakan data dari 10 pasien kanker prostat yang menerima injeksi ~3 GBq. Setlah diinjeksikan, dilakukan pemeriksaan menggunakan SPECT/CT pada waktu 1, 24, 48, 72, dan 168 jam. Data tersebut di-fitting menggunakan 54 fungsi SOE. Model fungsi terbaik ditentukan dengan kriteria nilai pembobotan Corrected Akaike Information Criterion (AICc). Fungsi terbaik yang dapat mendeskripsikan distribusi biokinetik data pada Organ at Risk (OAR) ditunjukkan fungsi f6f untuk ginjal, fungsi f4c untuk kelenjar ludah, dan fungsi f5g untuk hati. Perbedaan nilai parameter yang di fitting antara NONMEM dan Matlab memiliki nilai yang relatif besar hingga 1070%. Namun, perbedaan AUC pada NONMEM dan Matlab memiliki nilai yang kecil yaitu di bawah 1.5%.

---

The purpose of this study was to determine the best sum of exponential (SOE) function model and compare the fixed effect, random effect and Area Under Curve (AUC) parameters obtained in NONMEM and Matlab. This study used data from 10 prostate cancer patients who received ~3 GBq injection. After injection, SPECT/CT was performed at 1, 24, 48, 72, and 168 hours. The data were fitted using 54 SOE functions. The best function model was determined by weighting the Corrected Akaike Information Criterion (AICc). The best function that can describe the biokinetic distribution of data on Organ at Risk (OAR) is shown by the function f6f for kidney, function f4c for salivary gland, and function f5g for liver. The difference in the fitted parameter values between NONMEM and Matlab has a relatively large value of up to 1070%. However, the difference in AUC in NONMEM and Matlab has a small value which is below 1.5%."

"Beberapa metode telah diajukan untuk menggabungkan beberapa hasil forecasting dalam single forecast yang diberi nama simple averaging, pemberian rata-rata dengan bobot pada tahap validasi kinerja, atau skema kombinasi non-parametrik. Metode ini menggunakan kombinasi tetap pada individual forecast untuk mendapatkan hasil final dari forecast. Dalam paper ini, pendekatan berbeda digunakan untuk memilih metode forecasting, di mana setiap titik dihitung dengan menggunakan metode terbaik yang digunakan oleh dataset pelatihan sejenis. Dengan demikian, metode yang dipilih dapat berbeda di setiap titik perkiraan. Similarity measure yang digunakan untuk membandingkan deret waktu untuk pengujian dan validasi adalah Euclidean dan Dynamic Time Warping (DTW), di mana setiap titik yang dibandingkan diberi bobot sesuai dengan keterbaruannya. Dataset yang digunakan dalam percobaan ini adalah data time series yang didesain untuk NN3 Competition dan data time series yang di-generate dari paten-paten USPTO dan publikasi ilmiah PubMed di bidang kesehatan, yaitu pada Apnea, Aritmia, dan Sleep Stages. Hasil percobaan menunjukkan bahwa pemberian kombinasi bobot dari metode yang dipilih berdasarkan kesamaan antara data pelatihan dan data pengujian, dapat menyajikan hasil yang lebih baik dibanding salah satu kombinasi metode unweighted yang dipilih berdasarkan similarity measure atau kombinasi tetap dari individual forecast terbaik.

---

AbstractSeveral methods have been proposed to combine the forecasting results into single forecast namely the simple averaging, weighted average on validation performance, or non-parametric combination schemas. These methods use fixed combination of individual forecast to get the final forecast result. In this paper, quite different approach is employed to select the forecasting methods, in which every point to forecast is calculated by using the best methods used by similar training dataset. Thus, the selected methods may differ at each point to forecast. The similarity measures used to compare the time series for testing and validation are Euclidean and Dynamic Time Warping (DTW), where each point to compare is weighted according to its recentness. The dataset used in the experiment is the time series data designated for NN3 Competition and time series generated from the frequency of USPTO?s patents and PubMed?s scientific publications on the field of health, namely on Apnea, Arrhythmia, and Sleep Stages. The experimental result shows that the weighted combination of methods selected based on the similarity between training and testing data may perform better compared to either the unweighted combination of methods selected based on the similarity measure or the fixed combination of best individual forecast."

"Kejadian multivariat adalah kejadian-kejadian yang memiliki tidak hanya satu peristiwa yang mempengaruhi, tetapi bisa lebih banyak peristiwa yang memberi dampak pada peristiwa utamanya. Dampak yang dihasilkan dari suatu kejadian dapat berupa apa saja dan bisa diprediksi. Hal ini menyebabkan perlunya dibentuk sebuah model untuk memprediksi dampak dari sebuah kejadian sehingga dapat diambil keputusan penting berdasarkan kejadian tersebut. Saham merupakan salah satu contoh yang dapat direpresentasikan sebagai kejadian multivariat, seperti harga saham saat penutupan atau closing price, harga maksimal penutupan saham pada periode tertentu, dan durasi waktu (bulanan). Harga penutupan saham dan harga maksimal penutupan saham pada periode tertentu merupakan variabel acak kontinu yang masing-masing diasumsikan berdistribusi eksponensial dan truncated logistic. Durasi waktu (bulanan) merupakan variabel acak diskrit yang diasumsikan berdistribusi geometrik. Untuk mengakomodir kejadian multivariat yang melibatkan ketiga variabel acak tersebut digunakan distribusi trivariat yaitu, distribusi TETLG (Trivariate distribution with Exponential, Truncated Logistic, and Geometric marginals). Selanjutnya, untuk mengetahui pola hubungan antara ketiga variabel acak sebagai vektor respon dengan tiga kovariat yaitu, tingkat pengangguran, tingkat inflasi, dan tingkat obligasi 10 tahun, dikonstruksi sebuah Generalized Linear Model (GLM) untuk kejadian multivariat. Estimasi parameter model GLM kejadian multivariat, dilakukan menggunakan metode Maximum Likelihood. Sebagai implementasi pemodelan harga saham menggunakan GLM kejadian multivariat, diterapkan pada data harga penutupan saham dari Yahoo! Finance untuk periode 2 Januari 1958 hingga 17 April 2020. Berdasarkan uji likelihood ratio, diperoleh hasil bahwa hanya tingkat inflasi dan tingkat pengangguran yang memiliki pengaruh signifikan terhadap pemodelan harga saham.

---

Multivariate events are events that have not only one influencing event, but there can be more events that have an impact on the main event. The impact resulting from an event can be anything and can be predicted. This causes the need to establish a model to predict the impact of an event so that important decisions can be made based on the incident. Stocks are one example that can be represented as multivariate events, such as the closing price of a stock, the maximum closing price for a given period, the duration of time (monthly). The closing price of shares and the maximum closing price of shares in a certain period are continuous random variables which are assumed to have exponential distribution and truncated logistic respectively. Time duration (months) is a discrete random variable which is assumed to have a geometric distribution. To accommodate multivariate events involving the three random variables, a trivariate distribution is used, namely, the TETLG distribution (Trivariate distribution with Exponential, Truncated Logistic, and Geometric marginals). Furthermore, to determine the pattern of relationship between the three random variables as response vectors with three covariates, which are, the unemployment rates, the inflation rates, and the 10-year bond rates, a Generalized Linear Model (GLM) for multivariate events is constructed. Estimation of GLM model parameters for multivariate events was carried out using the Maximum Likelihood method. As an implementation of stock price modeling using GLM multivariate events, it is applied to closing stock price data from Yahoo! Finance for the period January 2, 1958 to April 17, 2020. Based on the likelihood ratio test, it was found that only the inflation rate and unemployment rate had a significant influence on stock price modelling."