Hasil Pencarian  ::  Simpan CSV :: Kembali

"Seringkali analisis statistik beranggapan suatu data hanya berasal dari satu populasi saja. Padahal pada kenyataannya terdapat kondisi dimana suatu data bisa dibagi menjadi beberapa sub-populasi. Gaussian Finite Mixture Model adalah salah satu metode untuk memodelkan data heterogen yang memungkinkan berasal dari sub-populasi yang berbeda. Model ini berbentuk superposisi dari beberapa distribusi Gaussian. Jumlah distribusi akan ditentukan dengan menggunakan Akaikes Information Criterion dan model diagnostik. Estimasi parameter pada model ini menggunakan metode Bayesian, yaitu dengan menentukan distribusi prior untuk parameter model, digabungkan dengan likelihood yang akan menghasilkan distribusi posterior. Kemudian, Markov chain Monte Carlo-Gibbs Sampler digunakan untuk menarik sampel pada parameter dari distribusi poteriornya masing-masing.

---

Commonly statistical analysis assume data comes from one population. But there are conditions where data might be generated from several sub-populations. Gaussian Finite Mixture Model (GFMM) is one of the methods to model heterogeneous data that might come from different sub-populations. This model was formed as a superposition of several Gaussian distribution, with different location parameter. Number of distributions will be determined using Akaike`s Information Criterion and model diagnostic. Parameter estimation is conducted using Bayesian method, that is by specifying the prior distribution for the models parameters, combined with the likelihood to produce the posterior distribution. Finnally, Markov chain Monte Carlo-Gibbs Sampler is implemented to withdraw sampel of parameters from the corresponding posterior distributions."

"Bayesian Nonparametrics via Neural Networks is the first book to focus on neural networks in the context of nonparametric regression and classification, working within the Bayesian paradigm. Its goal is to demystify neural networks, putting them firmly in a statistical context rather than treating them as a black box. This approach is in contrast to existing books, which tend to treat neural networks as a machine learning algorithm instead of a statistical model. Once this underlying statistical model is recognized, other standard statistical techniques can be applied to improve the model.The Bayesian approach allows better accounting for uncertainty. This book covers uncertainty in model choice and methods to deal with this issue, exploring a number of ideas from statistics and machine learning. A detailed discussion on the choice of prior and new noninformative priors is included, along with a substantial literature review. Written for statisticians using statistical terminology, Bayesian Nonparametrics via Neural Networks will lead statisticians to an increased understanding of the neural network model and its applicability to real-world problems.To illustrate the major mathematical concepts, the author uses two examples throughout the book: one on ozone pollution and the other on credit applications. The methodology demonstrated is relevant for regression and classification-type problems and is of interest because of the widespread potential applications of the methodologies described in the book."

"ABSTRACTDalam studi tentang kesehatan, salah satu hal yang cukup menarik untuk diteliti adalah rdquo;time-to-event rdquo;. Time-to-event umum digunakan dalam melakukan analisis survival, seperti analisis terhadap penyakit Parkinson. Penyakit Parkinson merupakan salah satu gangguan yang mempengaruhi penghasil dopamin pada daerah otak yang disebut sebagai substantia nigra. Gejala penyakit Parkinson diukur secara khusus melalui suatu tingkatan yang disebut tingkatan Hoehn dan Yahr. Tingkatan ini didistribusikan pada bilangan bulat antara 0 sampai dengan 5. Tingkat 0 merupakan tingkat yang tidaklah memiliki dampak besar dan tingkat 5 merupakan tingkat paling parah. Dalam penelitian ini, akan dikonstruksikan fungsi survival dari waktu pasien yang memiliki tingkatan Hoehn dan Yahr pada tingkat A hingga meningkat menuju tingkat B dengan A < B. Dengan A = 1, 2 dan B = 3, 4, 5 akan dihasikan enam buah grafik fungsi survival secara keseluruhan. Proses pengkonstruksian fungsi survival menggunakan algoritme Metropolis-Hastings dalam Metode Markov Chain Monte Carlo pada Inferensi Bayesian dan hasilnya dibandingkan dengan pendugaan Kaplan-Meier untuk fungsi survival. Hasil yang didapatkan melalui algoritme ini lebih merepresentasikan fungsi survival yang sebenarnya jika dibandingkan dengan penduga Kaplan-Meier, meskipun terdapat banyak sekali data tersensor dalam kumpulan data.

---

ABSTRACTIn medicine study, one of the thing that is interesting enough to be studied is rdquo time to event. In general, time to event is used in doing survival analysis, such as analysis of Parkinson disease. Parkinson disease is one of disease which affects dopamine producer in brain area that is called by substantia nigra. The symptom of Parkinson disease is measured specifically by stages that are called by Hoehn and Yahr stages. This stages are distributed on integers between 0 to 5. Stage 0 is stage that does not have big impact and stage 5 is the most severe level. In this study, the survival function will be constructed from the time that the patient has the Hoehn and Yahr stages at A until increase to stage B with A B. With A 1, 2 and B 3, 4, 5, overall it will be generated six graphs of survival function. The process of constructing survival function using the Metropolis Hastings algorithm in Markov Chain Monte Carlo Methods on Bayesian Inference, and the results are compared with Kaplan Meier estimator for survival function. The result that is obtained through this algorithm is more represents the actual survival function if it is compared with Kaplan Meier estimator, although there are so many censored data in the dataset."

"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."

"A study of those statistical ideas that use a probability distribution over parameter space. The first part describes the axiomatic basis in the concept of coherence and the implications of this for sampling theory statistics. The second part discusses the use of Bayesian ideas in many branches of statistics."

"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."

"Scan statistic merupakan suatu analisis untuk mendeteksi daerah yang merupakan kejadian luar biasa atau KLB (outbreak). Salah satu metode yang mendasari analisis scan statistic adalah metode Bayesian Scan Statistic. Metode ini menerapkan prinsip teorema bayesian, yaitu memanfaatkan informasi prior untuk menghasilkan informasi posterior yang dapat memperbaiki informasi prior. Metode Bayesian Scan Statistic memilih keadaan atau kondisi yang memiliki posterior probability yang terbesar sebagai daerah KLB-nya. Fungsi marginal likelihood dan prior probability merupakan dua komponen penting yang digunakan dalam metode ini untuk menghitung posterior probability untuk tiap-tiap daerah. Fungsi marginal likelihood didapat dari data historis dan modelnya merupakan gabungan antara distribusi poisson dan distribusi gamma. Sedangan untuk prior probability juga didapat dari data historis atau berdasarkan pada pengalaman seseorang. Metode bayesian scan statistic ini dapat digunakan jika terdapat data masa lalu. Kata kunci : bayesian scan statistic, bayesian cluster detection, prior probability, posterior probability. x + 54 hlm. ; gamb. ; lamp. ; tab. Bibliografi : 9 (1986-2006)"

"Efektivitas Wayfinding adalah kesuksesan interaksi antara faktor manusia dan faktor lingkungan yang mampu membuat seseorang berhasil berpindah dari posisi sekarang ke posisi yang ingin dituju dengan waktu yang sesuai dengan kebutuhan. Saat ini proses tersebut belum dimodelkan untuk menggambarkan hubungan dari kesuksesan efektivitas wayfinding tersebut. Penelitian ini bertujuan untuk memodelkan komplek sistem dari aktivita wayfinding dengan menggunakan Bayesian Network, dan model tersebut menyesuaikan dengan faktor-faktor yang di aplikasikan di Terminal 2 Bandara Soekarno Hatta. Model menjelaskan bahwa faktor manusia memiliki dampak yang lebih besar dari faktor lingkungan dalam mempengaruhi efektivitas wayfinding. Untuk Faktor manusia sendiri faktor yang paling berpengaruh adalah previous familiarity diikuti dengan cognitive spatial skill. Model ini juga memprediksi bahwa navigation pathway memiliki pengaruh lebih besar dari terminal design dalam memberikan dampak pada faktor lingkungan.

---

Effective Wayfinding is the successful interplay of human and environmental factors resulting in a person successfully moving from their current position to a desired location in a timely manner. To date this process has not been modelled to reflect this interplay. This paper proposes a complex modelling system approach of wayfinding by using Bayesian Networks to model this process, and applies the model to airports. The model suggests that human factors have a greater impact on effective wayfinding in airports than environmental factors. The greatest influences on human factors are found to be the level of previous experienced by travellers and their cognitive and spatial skills. The model also predicted that the navigation pathway that a traveller must traverse has a larger impact on the effectiveness of an airport rsquo s environment in promoting effective wayfinding than the terminal design."

"Indonesia merupakan negara di dunia yang memiliki aktivitas seisimik yang tinggi. Jawa barat merupakan salah satu provinsi di Indonesia yang rawan terjadi gempa, karena di daerah Jawa Barat terdapat zona subduksi dan sesar geser. Kemunculan gempa berkekuatan besar dapat menyebabkan kerusakan dan menelan banyak korban jiwa. Oleh karena itu, ingin diketahui berapa probabilitas terjadinya gempa bumi berkekuatan besar di daerah Jawa Barat. Hal ini bertujuan untuk memprediksi kapan dan dimana gempa yang berkekuatan besar itu akan berpotensi besar terjadi. Salah satu metode statistika yang dapat digunakan untuk memecahkan masalah ini adalah pemodelan Bayesian. Penelitian ini menggunakan data gempa bumi di Jawa Barat pada tahun 1960-2009. Data tersebut berupa variabel lintang, bujur, kedalaman pusat gempa, dan kekuatan gempa. Variabel lintang, bujur, dan kedalaman pusat gempa digunakan untuk mengelompokkan titik-titik gempa menjadi wilayah-wilayah rawan gempa dengan menggunakan metode two step cluster. Selanjutnya, pemodelan bayesian dilakukan di setiap wilayah rawan gempa tersebut untuk memprediksi probabilitas kemunculan gempa berkekuatan besar di daerah ini. Ternyata wilayah yang memiliki potensi kemunculan gempa berkekuatan besar yang cukup tinggi adalah kabupaten Garut, Bandung, dan laut Indonesia."