Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kemiskinan berdasarkan buku Analisis dan Perhitungan Tingkat Kemiskinan 2008, ditentukan berdasarkan ketidakmampuan untuk mencukupi kebutuhan pokok minimum seperti pangan, sandang, kesehatan, perumahan, dan pendidikan yang diperlukan untuk dapat hidup dan bekerja. Kebutuhan pokok minimum diterjemahkan sebagai ukuran finansial dalam bentuk uang. Nilai kebutuhan pokok minimum tersebut dikenal dengan istilah garis kemiskinan. Jadi penduduk miskin adalah penduduk yang memiliki rata-rata pengeluaran perkapita per bulan di bawah Garis Kemiskinan (GK). Data dan informasi kemiskinan yang akurat dan tepat sasaran sangat diperlukan untuk memastikan keberhasilan pelaksanaan program – program penanggulangan kemiskinan khususnya untuk tingkat daerah yang lebih kecil seperti kecamatan maupun kelurahan/desa. Dalam tugas akhir ini akan ditaksir proporsi kemiskinan di setiap kecamatan di Kabupaten Gresik. Populasi dalam penelitian tugas akhir ini adalah seluruh rumah tangga di Kabupaten Gresik. Sampel diambil diambil secara acak dari data survei BPS 2008. Untuk menaksir proporsi kemiskinan di setiap kecamatan di Kabupaten Gresik digunakan metode Hierarchical Bayes (HB) pada Small Area Estimation (SAE) dan dilakukan penaksiran langsung. Setelah diperoleh hasil taksiran dengan menggunakan penaksiran langsung dan metode HB, akan dibandingkan variansi penaksiran langsung dan variansi metode HB. Diperoleh bahwa variansi metode HB lebih kecil dibandingkan variansi penaksiran langsung sehingga taksiran metode HB lebih akurat."

"Dalam dunia epidemiologi, dibutuhkan suatu pemetaan untuk menggambarkan distribusi penyakit pada populasi, yang disebut dengan disease risk map. Mapping tersebut dibuat berdasarkan nilai SMR (Standardized Morbidity or Mortality Ratio) yang diperoleh dari informasi mengenai banyaknya penderita suatu penyakit di daerah tertentu. Semakin kecil skala disease risk map tersebut, maka semakin tepat sasaran untuk melakukan pencegahan terhadap suatu penyakit. Namun, masalah yang sering dijumpai adalah data banyaknya penderita penyakit hanya tersedia pada lingkup area yang besar. Sedangkan data mengenai penyebab terjangkitnya penyakit tersebut, tersedia dalam skala area yang lebih kecil. Ketidakseimbangan nilai-nilai variabel inilah yang disebut sebagai spatial misalignment. Sehingga digunakan pemodelan Bayesian berhierarki yang memanfaatkan fungsi likelihood dari variabel respon yang tersedia pada skala area lebih besar dan nilai-nilai kovariat yang tersedia pada area yang lebih kecil. Kemudian, dari distribusi posterior yang diperoleh, digunakan metode Markov Chain Monte Carlo (MCMC) untuk mencari nilai taksiran parameter. Berdasarkan persamaan linier dari log SMR pada model, diperoleh nilai estimasi SMR untuk skala area lebih kecil. Pemodelan Bayesian berhierarki ini diterapkan untuk membuat disease risk map skala area puskesmas Kota Depok pada kasus kelahiran bayi mati.

---

In epidemiology, mapping is needed to describe the distribution of disease in an area or among population, which is called disease risk map. The construction of disease risk map is based on the value of SMR (Standardized Morbidity or Mortality Ratio), that is obtained from the information about the number diagnosed of a disease in an area. If the scale of disease risk map is smaller, the prevention of the disease is more effective. However, the data about the number of cases of a disease is available from a larger scale area. On the other hand, data about the causes or factors of that disease is available at the smaller scale area. Such unbalance sources of those variables is called spatial misalignment. So that, it is needed to apply Bayesian hierarchical modeling that uses the likelihood of response variable which is available at the larger scale area and the value of covariates which is available at the smaller scale area. Then, by using the Markov Chain Monte Carlo (MCMC) method which build samples from the posterior distribution, the value of estimated parameters are obtained. Furthermore, based on the linear model for SMR, the estimated SMRs for the smaller scale area are obtained. To give an illustration, Bayesian hierarchical modeling is applied to construct the disease risk map at clinic scale area for stillbirths cases in Depok."

"ABSTRAKMenampilkan data seismic dalam bentuk probabilitas merupakan cara yang umum dilakukan untuk mengikutsertakan informasi ketidak pastian dari pekerjaan pemetaan prospek hidrokarbon Hal tersebut memberikan interpreter peluang untuk mengukur seberapa yakin mereka terhadap prospek yang sudah dibuat dengan memanfaatkan informasi nilai ldquo most probable rdquo Pada sisi lain ketersediaan pre stack data sudah sangat umum dijumpai sehingga hal ini merubah cara pandang terhadap inversi seismic yang semula hanya dilakukan terhadap data post stack menjadi inversi pre stack Hal tersebut memang beralasan karena dengan inversi pre stack interpreter tidak hanya dimungkinkan mendapatkan informasi litologi namun juga informasi tentang fluida Aturan Bayes adalah merupakan bentuk lain dari probabilitas terkondisi aturan ini telah banyak dimanfaatkan oleh berbagai disiplin ilmu seperti penginderaan jauh peramalan cuaca pemasaran dan ilmu medis untuk membantu dalam meminimalkan resiko saat pengambilan keputusan Hal yang sama juga bias kita terapkan pada bidang ilmu bumi dimana keluaran dari proses inversi pre stack dapat ditransformasi menjadi bentuk volum probabilitas dengan supervisi data sumuran Penelitian ini menggunakan Acoustic impedance dan VP VS sebagai input karena kombinasi keduanya merupakan indikator yang baik untuk memisahkan litologi maupun hidrokarbon Dengan menggunakan supervisi dari data sumuran kedua volume tersebut kemudian di transformasi menjadi bentuk kelas most probable 1 shale 2 wet sand 3 compacted sand dan 4 hydrocarbon sand

---

ABSTRACTPresenting seismic data in probability form is common practice in order to assess the uncertainty in hydrocarbon prospecting. It gives interpreters the ability to measure how sure they are about prospect they dealing with by looking at most probable value. In another side pre-stack data is now commonly available; it changes the paradigm about seismic inversion from just post-stack inversion turn into pre-stack inversion. The reason is obvious, by inverting pre-stack data will allow interpreter to obtain not only lithology information but fluid as well.The Bayes’ Rule is extension of conditional probability, it has been utilizes in many disciplines such us remote sensing, broadcasting, marketing and medical science to support in decision making. Bayes’ Rule is used to revise a probability value based on additional information that is later obtained. The same concept can also be applied to help decision making in hydrocarbon prospect evaluation where the output of pre-stack inversion can be transformed to probability volume supervised by well log data.This study uses P-Impedance and VP/VS as inputs because their combination is good indicator of lithology and hydrocarbon. Using training set from well log the volumes then transformed into four most probable classes: (1) shale, (2) wet sand, (3) compacted sand, and (4) hydrocarbon sand."

"Google mampu meningkatkan keuntungan hingga $200 juta dengan melakukan sebuah eksperimen di mana mereka menguji beberapa warna biru pada tulisan iklan di tampilan website nya. Namun demikian, dalam menemukan tampilan website yang memberikan performa terbaik dari jutaan pengunjung tidaklah mudah. Salah satu kriteria bahwa sebuah website memiliki performa yang baik adalah dengan tingginya click through rate yang dimiliki website tersebut. Untuk menangani permasalahan ini, salah satu metode yang dapat digunakan adalah A/B testing. Cara A/B testing bekerja adalah  dengan membagi pengunjung laman website menjadi dua kelompok; treatment group dan control group. Masing-masing kelompok akan disajikan varian laman website yang berbeda. Respons dari pengunjung atas laman website kemudian dicatat dan diuji performa antara varian A dan varian B. Pada tahap pengujian, ada dua metode yang dapat digunakan yaitu frequentist dan Bayesian. Metode frequentist membuat prediksi hanya menggunakan data yang ada dari percobaan yang dilakukan. Sedangkan metode Bayesian menggunakan prior yang akan akan diperbarui seiring dengan bertambahnya data yang diterima. Output dari metode Bayesian A/B testing berupa keyakinan akan rentang nilai sebenarnya dari click through rate. Keyakinan ini dituangkan dalam bentuk distribusi posterior. Dari penelitian yang dilakukan, diperoleh hasil bahwa metode Bayesian A/B testing  mampu memberikan inferensi yang cukup baik meskipun dengan pemilihan prior yang tidak informatif. Dari hasil tersebut, maka sebuah perusahaan bisa memanfaatkan metode ini menguji tampilan laman website.

---

Google was able to increase profits by up to $200 million by conduction experiments where they tested some shades of blue of the advertisement link in their website display. However, finding the website display which provides the best performance from millions of visitors is not easy. One of the criteria that a website has a good performance is that it has a high number of click through rate. To solve this problem, one of the method that can be used is A/B testing. A/B testing works by dividing the website visitors into two groups; treatment group and control group. Each group will be presented with different website page variants. The responses from visitors are recorded and tested for knowing which variant performs better. At the testing stage, there are two methods that can be used, frequentist and Bayesian. The frequentist method makes predictions using only the data available from the experiments. While the Bayesian method uses priors that will be updated as the data is received. The output from Bayesian A/B testing method is a belief of range from the actual value of click through rate. This belief is expressed in the form of posterior distribution. From this research, Bayesian A/B testing method is able to provide quite good inference even though we select a non informative prior. From this result, a company can apply this method to test the website display."

"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."

"Analisis survival membutuhkan data survival yang terdiri dari waktu survival sekumpulan objek. Data survival dapat berbentuk data lengkap maupun tersensor. Namun data survival biasanya merupakan data tersensor. Salah satu data tersensor yang sering digunakan adalah data tersensor kanan tipe II yaitu merupakan data waktu kejadian dimana pengamatan dihentikan setelah diperoleh r objek pertama yang mengalami kejadian dari n objek yang diuji. Dilakukan pengamatan data survival tersensor kanan tipe II diperoleh grafik fungsi survival, fungsi survival serta fungsi kepadatan probabilitas yang merepresentasikan data tersebut. Fungsi kepadatan probabilitas data tersebut merupakan fungsi dari sebuah variabel random berdistribusi Rayleigh. Karena parameter tidak diketahui selanjutnya dilakukan penaksiran parameter. Dalam skripsi ini dicari penaksir parameter distribusi Rayleigh pada data survival tersensor kanan tipe II dengan metode Bayes menggunakan dua fungsi loss yaitu Square Error Loss Function SELF dan Precautionary Loss Function PLF. Selanjutnya dilihat sifat bias dari penaksir parameter tersebut. Kemudian membandingkan hasil taksiran parameter dari kedua fungsi loss berdasarkan Mean Square Error MSE yang dihasilkan melalui simulasi data. Misalkan adalah parameter yang akan ditaksir, untuk diperoleh PLF memberikan hasil taksiran yang baik dan untuk diperoleh SELF memberikan hasil taksiran yang baik. Taksiran dikatakan baik apabila nilai MSE yang dihasilkan semakin kecil.

---

The survival analysis requires survival data consisting of survival time of a set of objects. Survival data can be either complete or censored data. However, survival data is usually censored data. One of the censored data that is then used is the right type censored data type II that is the time data of the events used to find the objects that exist. Recurrence of right type categorized survival data is obtained by graph of survival function, survival function and probability function which represents the data. The probability data relation function is a randomly distributed Rayleigh variable. Because the parameter is unknown, parameter estimation is performed.

In this thesis is searched the estimator of Rayleigh distribution parameter on the right type categorized survival data type II with Bayes method using two loss function that is Square Error Loss Function SELF and Precautionary Loss Function PLF. A bias viewpoint of the estimator 39s parameter. Then compare the parameter estimation results of the second function based on Mean Square Error MSE generated through data simulation. Let be the parameter to be estimated, for le 1 obtaining the PLF gives good estimates and for 1 the SELF result gives a good estimation result. The estimate that the resulting MSE values is getting smaller."

"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."

"Providing travelers with accurate bus arrival time is an essential need to plan their traveling and reduce long waiting time for buses. In this paper, we proposed a new approach based on a Bayesian mixture model for the prediction. The Gaussian mixture model (GMM) was used as the joint probability density function of the Bayesian network to formulate the conditional probability. Furthermore, the Expectation maximization (EM) Algorithm was also used to estimate the new parameters of the GMM through an iterative method to obtain the maximum likelihood estimation (MLE) as a convergence of the algorithm. The performance of the prediction model was tested in the bus lanes in the University of Indonesia. The results show that the model can be a potential model to predict effectively the bus arrival time."

"Penelitian bioinformatika sering diterapkan untuk mempelajari penyakit dalam tubuh manusia. Penelitian yang sampai saat ini masih aktif dilakukan ialah penelitian terhadap pasien penderita kanker. Tujuan dari berbagai penelitian ini yaitu untuk menemukan pengobatan terbaik bagi pasien penderita kanker. Salah satu pengobatan yang baru ini muncul dikenal sebagai imunoterapi. Imunoterapi memungkinkan sel-sel imun tubuh kita sendiri digunakan untuk melawan sel-sel kanker. Instrumen utama dalam penelitian terhadap efektifitas imunoterapi juga kasus bioinformatika lainnya ialah data ekspresi gen. Namun, pada data ekspresi gen seringkali ditemukan nilai yang hilang atau missing values yang biasanya disebabkan oleh kerusakan gambar atau kesalahan dalam proses hibridisasi. Keberadaan missing values pada data ekspresi gen dapat menyebabkan kesulitan pada analisis lebih lanjut, di mana banyak analisis ekspresi gen memerlukan data yang lengkap seperti klasifikasi dan pengelompokan. Oleh karena itu, perlu dilakukan imputasi terhadap missing values agar analisis yang dilakukan dapat lebih akurat. Pada penelitian ini dilakukan imputasi menggunakan metode Bi-BPCA. Bi-BPCA merupakan metode imputasi dengan mengombinasikan analisis biclustering dan imputasi BPCA. Metode Bi-BPCA diterapkan pada data ekspresi gen di sekitar kanker setelah dilakukan imunoterapi. Setelah itu, performa dari metode Bi-BPCA dilihat dengan membandingkan hasil imputasi metode Bi-BPCA dengan metode imputasi lainnya diantaranya imputasi menggunakan rata-rata baris, rata-rata kolom, dan metode imputasi BPCA melalui nilai NRMSE. Selain itu, koefisien korelasi Pearson digunakan untuk menghitung korelasi antara nilai hasil imputasi metode Bi-BPCA dengan nilai aslinya. Berdasarkan penelitian ini metode Bi-BPCA menghasilkan NRMSE kurang dari 0.6 untuk missing rate 1-30%, lebih rendah dibandingkan NRMSE dari metode imputasi lainnya. Kemudian, metode Bi-BPCA menghasilkan nilai koefisien korelasi Pearson mayoritas di atas 0.9 mendekati 1. Hasil ini menunjukkan bahwa metode Bi-BPCA menghasilkan nilai imputasi yang lebih baik untuk menggantikan missing values dibandingkan dengan metode imputasi BPCA, rata-rata kolom, dan rata-rata baris.

---

Bioinformatics research is often applied to study diseases in the human body. Research that is still actively being carried out is research on cancer patients. The aim of those studies is to find the best treatment for cancer patients. One treatment that has recently emerged is known as immunotherapy. Immunotherapy allows our body's own immune cells to be used to fight cancer cells. The main instrument in research on the effectiveness of immunotherapy as well as other cases of bioinformatics is gene expression data.. However, in gene expression data, it is often found missing values which are usually caused by image defects and errors in the hybridization process. The existence of missing values in gene expression data can cause difficulties in further analysis, where many analysis of gene expression requires complete data such as classification and clustering. Therefore, it is necessary to impute the missing values so that the analysis can be carried out more accurately. In this study, imputation was carried out using the Bi-BPCA method. Bi-BPCA is an imputation method by combining biclustering analysis and BPCA imputation. The Bi-BPCA method was applied to gene expression data around cancer after immunotherapy. After that, the performance of the Bi-BPCA method was seen by comparing the imputation results of the Bi-BPCA method with other imputation methods including imputation using row averages, column averages, and the BPCA imputation method through the NRMSE value. In addition, the Pearson correlation coefficient was used to calculate the correlation between the imputed value of the Bi-BPCA method and the original value. Based on this study, the Bi-BPCA method produces NRMSE values less than 0.6 for missing rates 1 to 30 percent, which is lower than NRMSE from other imputation methods. In addition, the Bi-BPCA method produces in a majority Pearson correlation coefficient above 0.9. These results indicate that the Bi-BPCA method produces better imputation values to replace the missing values."