Hasil Pencarian  ::  Simpan CSV :: Kembali

"Distribusi posterior adalah distribusi dari parameter dengan informasi lainnya telah diketahui. Distribusi posterior dari seluruh parameter pada model dibutuhkan untuk menaksir parameter dengan pendekatan Bayesian melalui Gibbs sampling. Gabungan dari model small area tingkat unit dan model kesalahan pengukuran dapat diselesaikan menggunakan pendekatan Bayesian. Terdapat delapan parameter (𝜃𝑖,𝑥𝑖,𝒃,𝜇𝑥,𝜎𝑒2,𝜎𝑢2,𝜎𝜂2 dan 𝜎𝑥2) pada model tersebut yang akan diperoleh distribusi posteriornya. Dalam memperoleh distribusi posterior, kesalahan dapat terjadi pada penentuan fungsi likelihood dan prior jika semua parameter lain digunakan dalam perhitungan. Sifat d-separation pada Bayesian network digunakan untuk mereduksi parameter-parameter yang tidak dibutuhkan untuk memperoleh suatu distribusi posterior. Langkah selanjutnya adalah menggunakan teorema Bayes dengan parameter yang telah tereduksi. Berdasarkan hasil teorema Bayes, dilakukan manipulasi aljabar sedemikian sehingga p.d.f. dari distribusi posterior parameter tersebut sama atau sebanding dengan p.d.f. dari suatu distribusi.

---

Posterior distribution is a distribution of a parameter with other informations are knowns. Posterior distribution of all parameter in model are required to parameter estimation by Bayesian approach with Gibbs sampling. The conjugation of small area unit level model and measurement error model could be solved by Bayesian approach. There are eight parameters (𝜃𝑖,𝑥𝑖,𝒃,𝜇𝑥,𝜎𝑒2,𝜎𝑢2,𝜎𝜂2 and 𝜎𝑥2) in the model that each posterior distribution will be obtained. In approach of obtaining posterior distribution, fallacy of likelihood function and prior selection might occur if all parameter are included. D-separation property in Bayesian network is used to reduce unnecessary parameters in obtaining the posterior distribution. In the next step, Bayes' theorem is used on reduced parameters. Based on Bayes' theorem result, aljabar manipulation is used such that posterior probability density function (p.d.f.) is same or proportional to a well-known p.d.f"

"Distribusi posterior adalah distribusi dari parameter dengan informasi lainnya telah diketahui. Distribusi posterior dari seluruh parameter pada model dibutuhkan untuk menaksir parameter dengan pendekatan Bayesian melalui Gibbs sampling. Gabungan dari model small area tingkat unit dan model kesalahan pengukuran dapat diselesaikan menggunakan pendekatan Bayesian. Terdapat delapan parameter pada model tersebut yang akan diperoleh distribusi posteriornya. Dalam memperoleh distribusi posterior, kesalahan dapat terjadi pada penentuan fungsi likelihood dan prior jika semua parameter lain digunakan dalam perhitungan. Sifat d-separation pada Bayesian network digunakan untuk mereduksi parameter-parameter yang tidak dibutuhkan untuk memperoleh suatu distribusi posterior. Langkah selanjutnya adalah menggunakan teorema Bayes dengan parameter yang telah tereduksi. Berdasarkan hasil teorema Bayes, dilakukan manipulasi aljabar sedemikian sehingga p.d.f. dari distribusi posterior parameter tersebut sama atau sebanding dengan p.d.f. dari suatu distribusi.

---

Posterior distribution is a distribution of a parameter with other informations are knowns. Posterior distribution of all parameter in model are required to parameter estimation by Bayesian approach with Gibbs sampling. The conjugation of small area unit level model and measurement error model could be solved by Bayesian approach. There are eight parameters in the model that each posterior distribution will be obtained. In approach of obtaining posterior distribution, fallacy of likelihood function and prior selection might occur if all parameter are included. D separation property in Bayesian network is used to reduce unnecessary parameters in obtaining the posterior distribution. In the next step, Bayes rsquo theorem is used on reduced parameters. Based on Bayes rsquo theorem result, aljabar manipulation is used such that posterior probability density function p.d.f. is same or proportional to a well known p.d.f."

"Penilaian konsumsi gizi/dietary assessment merupakan metode penilaian status gizi untuk mendapatkan informasi terkait pola makan, baik berupa jumlah, jenis, hingga frekuensi pangan yang dikonsumsi. Salah satu metode yang sering digunakan dalam penelitian dengan topik pangan dan kesehatan adalah metode semiquantitative food frequency questionnaires (SFFQ). Namun, SFFQ memiliki berbagai kelemahan, salah satunya yaitu daftar makanan dalam kuesioner tidak dapat ditanyakan seluruhnya kepada seluruh kelompok populasi, sehingga diperlukan adaptasi serta tes validitas. Bahan makanan dalam SFFQ disusun berdasarkan penelitian terdahulu, hasil uji coba, dan observasi lingkungan sasaran. SFFQ yang terbentuk terdiri dari 19 bahan makanan dan 135 jenis pangan. Perbandingan dilakukan kepada satu kali pengambilan SFFQ untuk mencatat asupan selama sebulan terakhir dengan dua kali pengambilan 24-hour food recall untuk mewakili weekday dan weekend sebagai real intake. Sebanyak 73 siswa kelas 11 dengan rentang usia 16-18 tahun ikut serta dalam penelitian. Hasil uji t berpasangan menunjukkan adanya perbedaan signifikan antara asupan energi, karbohidrat, dan protein SFFQ dengan recall. Setelah dilakukan energy adjustment, hasil uji korelasi menunjukkan tidak adanya hubungan yang signifikan antara asupan SFFQ dengan recall. Hasil uji validitas menunjukkan tingkat validitas sedang (fair) dengan catatan hasil recall weekend saja tidak dapat dianggap sebagai asupan rata-rata harian akibat variance yang terlalu besar.

---

Dietary assessment is a method used to evaluate nutritional status by collecting information on eating patterns, including the quantity, types, and frequency of foods consumed. One commonly used tool in public health nutrition research is the semi-quantitative food frequency questionnaire (SFFQ). However, SFFQ has several limitations, including the fact that its food list may not be universally applicable across different population groups, requiring cultural adaptation and validation. The food items included in SFFQ were selected based on previous studies, preliminary testing, and environmental observations of the target population. The finalized SFFQ consisted of 19 food groups and 135 food items. A single SFFQ reflecting intake over the previous month was compared against two 24-hour food recalls representing weekday and weekend as the real intake. A total of 73 eleventh-grade students aged 16–18 years participated in the study. Paired t-test showed significant differences in energy, carbohydrate, and protein intake between SFFQ and recalls. After energy adjustment, correlation analysis showed no significant associations between nutrients derived from SFFQ and those from recalls. The validation results indicated a fair level of validity. However, recall data from the weekend alone should not be considered representative of usual daily intake due to high variability."