Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Tugas akhir ini membahas mengenai metode Bayes dalam penaksiran parameter skala dari distribusi Nakagami menggunakan dua fungsi loss, yaitu Square Error Loss Function dan Precautionary Loss Function. Pada tugas akhir ini juga akan dicari Resiko Posterior dari masing-masing taksiran. Sebagai pembanding untuk taksiran dengan menggunakan metode Bayes, akan dicari juga taksiran parameter skala dari distribusi Nakagami menggunakan metode Maksimum Likelihood. Sebagai ilustrasi, akan dilakukan simulasi dengan data yang berdistribusi Nakagami ( ). Setelah taksiran telah didapatkan, akan dihitung Mean Square Error dari masing-masing taksiran. Hal tersebut dilakukan untuk mengetahui seberapa baik taksiran yang dihasilkan oleh metode Bayes.

---

ABSTRACT
This paper discusses about Bayesian Method in estimating the scale parameter of Nakagami Distribution using two loss function, that is Square Error Loss Function and Precautionary Loss Function. This paper will also find the posterior risk from each of the estimator. As the comparison of the Bayesian estimate, the estimator using Maximum Likelihood method will also be considered. For the illustration, simulation with Nakagami distributed data ( ) will be performed. Once the estimate have been obtained, Mean Square Error on each estimate will be calculated. This is done to measure the performance of the estimate produced by Bayesian method.

Abstrak :
Dalam pengujian hipotesis berganda, dilakukan pengujian lebih dari satu hipotesis, yang diuji pada satu waktu secara simultan. Apabila masingmasing pengujian dalam suatu family hipotesis mempunyai probabilitas melakukan kesalahan tipe 1, maka secara keseluruhan pada pengujian hipotesis berganda akan terjadi penggandaan probabilitas kesalahan tipe 1. Probabilitas melakukan kesalahan tipe1 pada pengujian hipotesis berganda akan semakin membesar seiring dengan meningkatnya jumlah pengujian. Untuk mengatasi hal itu, ada beberapa cara untuk mengukur kesalahan tipe1 dalam family hipotesis diantaranya Family Wise Error Rate (FWER), False Discovery Rate (FDR), dan positif False Discovery Rate (pFDR). Untuk mengontrol kesalahan tersebut, diperlukan suatu metode sedemikian sehingga probabilitas kesalahan tipe 1 keseluruhan ≤ α. Pada tugas akhir ini, akan dibahas metode - metode pengujian untuk hipotesis berganda yaitu metode Bonferroni yang merupakan salah satu metode untuk FWER, metode Benjamin-Hochberg untuk FDR yang memperbaiki Metode Bonferroni dan metode Storey untuk pFDR yang memperbaiki Metode Benjamin-Hochberg.

Abstrak :
[Letak geografis Indonesia berada di pertemuan dua lempeng yaitu Asia dan Australia, hal ini menyebabkan banyak terdapat gunung merapi. Selain itu pegunungan di Indonesia didominasi oleh gunung yang aktif dan berpotensi meletus sewaktu-waktu. Kondisi tersebut mengharuskan warga negara Indonesia, khususnya yang tinggal di sekitaran pegunungan berapi aktif tanggap akan bencana yang letusan gunung berapi. Berkembangnya sains dan teknologi informasi dapat memberi kontribusi dalam rangka mitigasi bencana geologi yang diakibatkan aktivitas vulkanik dalam bentuk aplikasi pendeteksi potensi bencana gunung merapi. Penelitian ini menghasilkan suatu aplikasi pendeteksi status gunung berapi. Data latih yang digunakan diambil dari situs Pusat Vulkanologi dan Mitigasi Bencana Gunung Berapi yang diklasifikasikan dalam tiga status yaitu normal, siaga, dan waspada. Pengklasifikasi Bayesian digunakan karena merupakan metode berbasis probabilitas yang sederhana namun handal. Berdasarkan hasil pengujian dengan jumlah data latih terbesar mencapai tingkat akurasi 90%. Dengan demikian dapat dikatakan bahwa aplikasi pendeteksi potensi bencana gunung berapi memiliki performa yang baik dalam mengklasifikasi status gunung berapi., Letak geografis Indonesia berada di pertemuan dua lempeng yaitu Asia dan Australia, hal ini menyebabkan banyak terdapat gunung merapi. Selain itu pegunungan di Indonesia didominasi oleh gunung yang aktif dan berpotensi meletus sewaktu-waktu. Kondisi tersebut mengharuskan warga negara Indonesia, khususnya yang tinggal di sekitaran pegunungan berapi aktif tanggap akan bencana yang letusan gunung berapi. Berkembangnya sains dan teknologi informasi dapat memberi kontribusi dalam rangka mitigasi bencana geologi yang diakibatkan aktivitas vulkanik dalam bentuk aplikasi pendeteksi potensi bencana gunung merapi. Penelitian ini menghasilkan suatu aplikasi pendeteksi status gunung berapi. Data latih yang digunakan diambil dari situs Pusat Vulkanologi dan Mitigasi Bencana Gunung Berapi yang diklasifikasikan dalam tiga status yaitu normal, siaga, dan waspada. Pengklasifikasi Bayesian digunakan karena merupakan metode berbasis probabilitas yang sederhana namun handal. Berdasarkan hasil pengujian dengan jumlah data latih terbesar mencapai tingkat akurasi 90%. Dengan demikian dapat dikatakan bahwa aplikasi pendeteksi potensi bencana gunung berapi memiliki performa yang baik dalam mengklasifikasi status gunung berapi.]

Abstrak :
This book is an edited volume, the goal of which is to provide an overview of the current state-of-the-art in statistical methods applied to problems in structural bioinformatics (and in particular protein structure prediction, simulation, experimental structure determination and analysis). It focuses on statistical methods that have a clear interpretation in the framework of statistical physics, rather than ad hoc, black box methods based on neural networks or support vector machines. In addition, the emphasis is on methods that deal with biomolecular structure in atomic detail. Therefore, the book includes introductory chapters that contain a solid introduction to key topics such as Bayesian statistics and concepts in machine learning and statistical physics.