Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Salah satu metode yang digunakan untuk menentukan taksiran fungsi densitas secara nonparametrik adalah Metode Pendekatan Model Campuran (Mixed Model Approach). Perhitungannya dilakukan terlebih dahulu dengan pembagian data dalam n buah kelas (n ?1) yang lebarnya sama, sebut d . Misalkan titik-titik tengah kelas adalah xi. Akan ditaksir fi yaitu nilai fungsi densitas di xi. Menaksir i i x =Nf d , dengan N adalah banyaknya data, ekivalen dengan menaksir i l dari data Poisson. Model campuran yang digunakan adalah ln i i l = _x0008_ +b , dengan bi random dan _x0008_ fixed. Menggunakan syarat pemulusan normal, yaitu d i D b iid berdistribusi N(0, s 2 b ), dengan i i i 1 b b b - D = - dan 1 1 1 d d d i i i b - b - b - D = D - D , untuk d = 2, 3, 4, . . . n-1. Sehingga diperoleh taksiran fungsi densitas ? if yaitu ? ?i i f N l d = .

Salah satu metode yang digunakan untuk menentukan taksiran fungsi densitas secara parametrik adalah Algoritma EM (Expectation Maximization Algorithm). Algoritma EM mencari nilai taksiran parameter dan probabilitas pencampuran melalui proses iterasi yang dimulai dengan suatu nilai awal. Setiap iterasi merupakan proses EM yang terdiri atas E-Step (Langkah Ekspektasi) dan M-Step (Langkah Maksimisasi).

Untuk mengaplikasikan metode di atas digunakan data waiting time (dalam menit) antar erupsi dari geyser Old Faitful di Taman Nasional Yellowstone pada tahun 1990 sebanyak 299 pengamatan [Paw01]. Dari hasil pengolahan diperoleh data tersebut berdibusi campuran (mixture distribution) Gamma -Gamma dengan probabilitas pencampuran 1 ? p = 0,3230 dan parameter ? a = 106,6821, ?l = 1,9510 untuk distribusi Gamma (kiri) serta probabilitas pencampuran 2 ? p = 0,6770 dan parameter ? a = 127,2793, ?l = 1,5766 untuk distribusi Gamma (kanan). Kata kunci: Algoritma EM (Expectation Maximization Algorithm), Distribusi Campuran (Mixture Distribution), Metode Pendekatan Model Campuran (Mixed Model Approach Method), Probabilitas Pencampuran (Mixing Probability).

Abstrak :
Tugas akhir ini secara umum bertujuan untuk membahas latent class model yaitu suatu model yang menghubungkan probabilitas respon suatu individu untuk variabel-variabel indikator dengan suatu variabel laten yang bersifat kategorik. Penaksiran parameter dalam latent class model menggunakan taksiran Maximum Likelihood, yang dicari melalui algoritma EM (Expectation-Maximization). Kecocokan model diuji dengan uji rasio likelihood. Model terbaik dengan banyak kelas optimal dipilih berdasarkan reduksi L2 , dimana L2 adalah nilai statistik uji untuk banyak kelas terkait. Berdasarkan banyak kelas yang terbentuk pada model terbaik ini, individu-individu akan dikelompokkan ke dalam kelas-kelas tersebut. Metode tersebut akan diterapkan untuk mencari latent class model dengan tingkatan gejala pasien demam berdarah sebagai variabel laten kategorik yang dibentuk dari 5 variabel indikator kategorik, yaitu transfusi, nadi, tekanan darah, hb darah, dan trombosit. Hasil analisis data menunjukkan bahwa tingkatan gejala demam berdarah dapat dikategorikan menjadi 3 kelas.

Abstrak :
Tugas akhir ini secara umum bertujuan untuk membahas latent profile model yaitu suatu model yang menghubungkan sejumlah variabel indikator yang bersifat kontinu dengan variabel laten kategorik yang dibentuknya. Kelas-kelas dari variabel laten pada latent profile model disebut kelas laten. Tiap kelas laten memiliki profil yang dapat diwakili oleh vektor mean dan vektor variansi dari variabel indikator pada tiap kelas. Dalam analisis laten profil, yang akan dilakukan adalah membentuk kelas dari variabel laten berdasarkan sejumlah variabel indikator kontinu sedemikian sehinga di dalam setiap kelas laten, variabel-variabel indikator akan saling bebas, kemudian menentukan mean dan variansi (profil) dari variabel-variabel indikator pada setiap kelas laten. Penaksiran parameter dalam latent profile model menggunakan taksiran maksimum likelihood, yang diselesaikan dengan algoritma EM (Expectation-Maximization). Kecocokan model dan banyaknya kelas laten optimal dalam latent profile model diuji dengan uji rasio likelihood. Metode tersebut akan diterapkan untuk membentuk kategori dari variabel laten “tingkat mengatur diri sendiri” berdasarkan variabel indikator “tingkat ketaktergantungan”, “skor tanggung jawab, dan “tingkat ketenangan” pada mahasiswa baru matematika FMIPA UI angkatan tahun 2010. Hasil analisis data menunjukkan bahwa tingkat mengatur diri sendiri pada mahasiswa baru matematika FMIPA UI angkatan 2010 dapat dikategorikan menjadi 2 kelas.

Abstrak :
Abstrak. Imputasi missing values berperan penting dalam pre-processing data untuk menghasilkan data yang lengkap dan berkualitas. Dalam penelitian ini, dilakukan kombinasi dari Decision Tree dan algoritma Expectation Maximization (EM) sebagai metode imputasi dalam mengestimasi missing values. Namun, terdapat kekurangan pada metode ini, yaitu algoritma Expectation Maximization (EM) cenderung memberikan hasil imputasi yang lebih akurat jika terdapat banyak kemiripan antar atribut. Hal ini dapat diatasi dengan mempartisi segmen horisontal menggunakan algoritma Decision Tree. EM diterapkan pada berbagai segmen horisontal dari data set agar diperoleh banyak kemiripan antar atribut. Metode yang diusulkan ini kemudian dievaluasi dengan membandingkan kinerjanya dengan imputasi menggunakan mean dalam mengestimasi missing values data numerik dan dipilih Decision Tree sebagai classifier. Data yang digunakan untuk simulasi dalam penelitian ini yaitu data set PPOK-OSA. Penelitian ini menunjukkan bahwa metode imputasi missing values yang diusulkan menghasilkan akurasi yang lebih tinggi jika dibandingkan menggunakan nilai mean dalam mengestimasi missing values. Hasil akurasi tertinggi dari metode ini yaitu83.3%, diperoleh pada saat persentase data training 10% dan rata-rata akurasi pada berbagai persentase data training sebesar 70.3%, sedangkan hasil akurasi tertinggi menggunakan nilai mean yaitu 58.3%, diperoleh pada saat persentase data training 20% dengan rata-rata akurasi pada berbagai persentase data training sebesar 50.5%.

---

Abstract. Missing values imputation plays a vital role in data pre-processing for ensuring good quality of data. In this study, we present a combination of Decision Tree and Expectation Maximization (EM) algorithm as imputation method to estimate missing values. However, there are shortcomings of method, where the Expectation Maximization algorithm tends to give more accurate imputation results if there are many similarities among attributes. Therefore, this can be overcome by partitioning the horizontal segments using the Decision Tree algorithm. We applied EM on various horizontal segments of a data set where there are many similarities among attributes. Besides, we evaluate our proposed method by comparing its performance with mean values to impute missing values, and we choose the Decision Tree as a classifier. Data used in this research is COPD-OSA data set. In this study shows that ourproposed method leads to higher accuracy than mean imputation. The highest accuracy results obtained from our proposed method is 83.3% when the percentage of training data is 10% and average accuracy in various percentage of training data is 70.3%, while the highest accuracy results using the mean value is 58.3% when the training data percentage is 20% and the average accuracy in various percentage of training data is 50.5%.