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."

"Berdasarkan UU RI no.7 tahun 1996, ketahanan pangan adalah kondisi terpenuhinya pangan bagi rumah tangga yang tercermin dari tersedianya pangan yang cukup, baik jumlah maupun mutunya, aman, merata dan terjangkau. Jika kondisi ini tidak terpenuhi maka akan terjadi kerawanan pangan. Dalam Penelitian ini akan dicari taksiran proporsi terjadinya rawan pangan pada kecamatan di kabupaten Bondowoso. Dalam mencari proporsi di tingkat kecamatan digunakan Small Area Estimation (SAE). Small Area Estimation merupakan suatu teknik statistika untuk menduga parameter-parameter subpopulasi yang ukuran sampelnya kecil. Teknik penaksiran ini memanfaatkan data dari domain besar (seperti sensus, survey) untuk menaksir parameter yang menjadi perhatian domain yang lebih kecil. Salah satu metode yang digunakan dalam Small Area Estimation adalah metode Empirical Bayes. Metode Empirical Bayes digunakan untuk mencari taksiran parameter pada small area dengan cara menggunakan informasi dari direct survey estimator dan dari variabel pendukung yang tersedia di setiap small area. Dalam metode Empirical Bayes, informasi prior tidak tersedia sehingga informasi prior dapat diestimasi dari sampel. Untuk mengukur seberapa baik taksiran parameter yang diperoleh digunakan Mean Square Error (MSE). Dalam penelitian ini akan ditunjukkan bahwa MSE dari penaksir EB akan lebih kecil dibandingkan dengan MSE dari penaksir langsung."

"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"

"Data survei biasanya dimanfaatkan oleh pemerintah suatu negara sebagai dasar untuk membuat kebijakan yang bertujuan untuk mengatasi masalah yang sedang dihadapi. Agar kebijakan yang dibuat tepat sasaran, kelompok daerah yang sangat bermasalah harus menjadi prioritas. Oleh karena itu, digunakan metode spatial scan statistics yang bertujuan untuk mendeteksi kelompok daerah bermasalah tersebut. Survei umumnya didesain untuk memperoleh kesimpulan pada daerah yang besar (lingkup nasional). Masalah terjadi ketika dari data survei tersebut ingin diperoleh informasi mengenai area yang lebih kecil, misalnya informasi pada tingkat kecamatan. Ukuran sampel pada area tersebut biasanya sangat kecil sehingga statistik yang diperoleh akan memiliki ragam yang besar. Bahkan mungkin penaksiran tidak dapat dilakukan karena area tersebut tidak terpilih menjadi sampel dalam survei. Sehingga kesimpulan yang dihasilkan mungkin tidak dapat menggambarkan keadaan populasi yang sebenarnya. Untuk mengatasi masalah tersebut, digunakan metode Empirical Bayes pada Small Area Estimation (SAE) untuk memperbaiki penaksiran parameter small area yang akan digunakan pada metode spatial scan statistics. Dengan metode Empirical Bayes pada SAE, dihasilkan penaksiran proporsi sukses untuk setiap small area yang digunakan sebagai informasi tentang subpopulasi pada metode spatial scan statistics. Selanjutnya menggunakan metode spatial scan statistics dideteksi kelompok small area dengan proporsi sukses tertinggi."

"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."

"Multiple Decision Procedures: Theory and Methodology of Selecting and Ranking Populations provides an encyclopedic coverage of the literature in the area of ranking and selection procedures, summarizing and surveying in a unified manner a majority of more than 600 main references in the bibliography. It also deals with related problems, such as the estimation of unknown ordered parameters. A separate chapter is devoted to information about several tables available in the literature for carrying out various specific procedures. Examples are given in another chapter illustrating applications of these procedures in various practical contexts. Although several books have appeared to date in this area, many of them deal with specific aspects of the field and a limited number of topics. This book contains substantial material not discussed in other books."