Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPenyakit Parkinson merupakan penyakit neurodegeneratif terbanyak kedua setelah dimensia Alzheimer. Penyakit ini merupakan penyakit yang disebabkan oleh menurunnya dopamin di dalam otak, yang menyebabkan otak bekerja secara tidak normal. Hingga saat ini belum diketahui penyebab pasti dari penyakit Parkinson. Beberapa pengukuran dinyatakan dengan total skor. Akan tetapi total skor hanya dapat mengetahui seberapa tinggi tingkat keparahan yang dialami penderita Parkinson tanpa mengetahui faktor dominan yang menyebabkannya. Maka diperlukan suatu metode alternatif yang dapat menjelaskan faktor yang menyebabkan penderita Parkinson kondisinya memburuk, salah satunya adalah dengan metode Bayesian network. Dengan metode ini dapat dilihat hubungan keterkaitan antar satu faktor dengan faktor lainnya yang menggambarkan kondisi dari penderita penyakit Parkinson. Pada tugas akhir ini digunakan dataset dari Parkinson rsquo;s Progression Markers Initiative PPMI . Data diambil dari periode baseline BL, kunjungan pertama bulan ke-0, kunjungan di bulan ke-12 VO4 , kunjungan di bulan ke-24 V06 , kunjungan di bulan ke-36 V08 , kunjungan di bulan ke-48 V10 , dan kunjungan di bulan ke-60 V12 . Dari ke-6 periode yang diamati didapatkan pengukuran sebanyak 293 penderita Parkinson. Data tersebut akan diukur menggunakan suatu alat pengukuran Movement Disorder Society-Unified Parkinson Disease Rating Scale MDS-UPDRS. MDS-UPDRS merupakan suatu alat ukur umum yang digunakan dalam menilai kondisi penderita Parkinson. MDS-UPDRS terdiri dari 4 bagian. Penelitian ini akan menggunakan MDS-UPDRS part 2 mengenai penilaian aspek motorik dari penderita Parkinson. Terdapat 13 variabel aspek motorik yang akan digunakan dalam analisis penentuan variabel aspek motorik apa yang paling memengaruhi tingkat keparahan penderita Parkinson. Hasil analisis data penderita Parkinson dalam penelitian ini menyatakan bahwa faktor tremor selalu memberikan efek yang signifikan terhadap kemampuan menulis handwritten penderita Parkinson, dengan nilai probabilitas terbesar di setiap periode pengamatan.

---

ABSTRACTParkinson 39 s disease is the second most neurodegenerative disease after Alzheimer 39 s dementia. This type of disease is caused by dopamine that decreset inside brain, which causes the brain to work abnormally. Until today the spesific cause of Parkinson 39 s disease is unknown. A few measurements are being declared by the total score. However, the total score only tell how high the severity experienced by Parkinson 39 s patients without knowing the dominant factors that cause it. So needed an alternative method that can explain the factors that cause it. Then it is necessary for an alternative method which can explain the factor causing the patient rsquo s condition gets worse, one of them with the Bayesian network method. With this method, relations between one factor and another can be seen by describing the condition of the patient. In this final project it rsquo s using the dataset from Parkinson 39 s Progression Markers Initiative PPMI . The data was taken on baseline period BL, first visit month 0, visit at month 12 VO4 , visit at month 24 V06 , visit at month 36 V08 , visit on month to month 48 V10 , and visits in the 60th month V12 . From the 6 periods observed was measured 293 Parkinson 39 s patients. The data will be measured using a Movement Disorder Society Unified Parkinson Disease Rating Scale MDS UPDRS measurement tool. MDS UPDRS is a common measure used in assessing the condition of people with Parkinson 39 s. MDS UPDRS consists of 4 parts. This study will use MDS UPDRS part 2 on the assessment of motor aspects of Parkinson 39 s patients. There are 13 motor aspect variables that will be used in determining analysis of motor aspect variable which most influence the severity of Parkinson 39 s. The results of data analysis of Parkinson 39 s patients in this study stated that the tremor factor always gives a significant effect on the writing ability handwritten of Parkinson 39 s patients, with the greatest probability value in each observation period. "

"ABSTRAKKlasifikasi merupakan proses pengelompokan suatu himpunan data ke kelas-kelas yang sudah ada sebelumnya. Pada umumnya, himpunan data dibagi menjadi dua bagian, yaitu training data dan testing data. Dibutuhkan suatu metode klasifikasi yang dapat mengelompokkan training data dan testing data ke dalam suatu kelas dengan tepat. Sering kali metode klasifikasi hanya dapat mengelompokkan training data dengan tepat saja, namun tidak demikian untuk testing data. Artinya, model yang terbentuk tidak cukup stabil atau model tersebut mengalami overfitting. Secara umum, overfitting merupakan kondisi saat akurasi yang dihasilkan pada training data cukup tinggi, namun cenderung tidak mampu memprediksi testing data. Penentuan metode klasifikasi yang rentan terhadap overfitting perlu dipertimbangkan. Random forest merupakan salah satu metode klasifikasi yang rentan terhadap masalah overfitting. Hal tersebut sekaligus menjadi salah satu kelebihan dari metode random forest. Oleh karena itu, pada tugas akhir ini akan dibahas metode random forest serta mengaplikasikannya pada data penderita penyakit Parkinson yang dibagi berdasarkan 2 sub-tipe, yaitu tremor dominant TD dan postural instability gait difficulty PIGD dominant. Selanjutnya, dari data tersebut diperoleh hasil akurasi model yang dihasilkan dalam mengklasifikasi training data, yaitu sekitar 94,25 . Sementara itu, akurasi metode ini dalam melakukan klasifikasi pada data yang tidak terkandung dalam membentuk model sebesar 94,26.

---

ABSTRACTClassification is the process of grouping a set of data into pre existing classes. In general, the data set is divided into two parts. There are training data and testing data. It takes a classification method that can classify both training data and testing data of its class appropriately. However, some of the classification methods only fit in training data, but it can not apply in testing data. It means that the model is unstable or the model occurs overfitting. In general, overfitting is a condition when the model too fit in training, but unable to predict testing data. In other words, the accuracy of predicting the testing data is decreasing. Therefore, the determination of classification methods that are vulnerable to overfitting need to be considered. Random forest is one of the classification methods that is vulnerable to overfitting. It is also one of the advantages of the random forest method. Therefore, in this final project will be discussed random forest method and applying it to the data of Parkinson 39 s disease patients that is divided by 2 sub types. There are dominant tremor TD and postural instability gait difficulty PIGD dominant. Furthermore, from the data obtained the results of model accuracy in classifying the training data is about 94.25 . Meanwhile, the accuracy of this method in classifying the data not contained in forming a model is about 94.26."

"Kejadian berulang atau kekambuhan kanker payudara bukan hanya menyerang kembali fisik, namun juga kondisi psikis pasien kanker payudara. Serangkaian pemeriksaan untukmemprediksi kemungkinan kambuh kanker payudara sangat dibutuhkan untuk mencegah terjadinya kekambuhan kanker payudara. Pemeriksaan darah lengkap merupakan salah satu rangkaian peme iksaan awal pasien kanker payudara yang relatif murah dan mudah. Belum ada penelitian sebelumnya mengenai perhitungan inter rasio pada pemeriksaan darah lengkap untuk mendiagnosis penyakit kanker, khususnya kemungkinan kambuh kanker payudara. Hasil penelitian ini diharapkan dapat membantu tenaga medis dalam memprediksi kemungkinan pasien kambuh berdasarkan klasifikasi dari hasil perhitungan inter rasio pemeriksaan darah lengkap. Data dalam penelitian ini diambil dari rumah sakit XYZ di Jakarta dengan 47 pasien. Algoritma klasifikasi yang digunakan dalam penelitian ini yaitu Classification and Regression Tree (CART) untuk mengetahui variabel yang berpengaruh dalam klasifikasi pasien kambuh dan tidak kambuh. Pada penelitian ini digunakan teknik SMOTE untuk mengatasi permasalahan data tidak seimbang. Variabel inter rasio pemeriksaan darah lengkap antara rasio dari neutrofil terhadap limfosit dan rasio dari platelet terhadap sel darah putih, inter rasio pemeriksaan darahlengkap antara rasio dari limfosit terhadap monosit dan rasio dari limfosit terhadap sel darah putih, inter rasio pemeriksaan darah lengkap antara rasio dari hemoglobin terhadap platelet dan rasio dari platelet terhadap sel darah putih, inter rasio pemeriksaan darah lengkap antara rasio dari platelet terhadap limfosit dan rasio dari hemoglobin terhadap platelet merupakan variabel yang berpengaruh dalam mendiagnosis kekambuhan dengan tingkat akurasi 93.7%, sensitivity 100%, specificity 87.5% pada training data yang sudah seimbang dengan teknik SMOTE. Selanjutnya hasil klasifikasi tersebut dikuantifikasi menggunakan metode regresi logistik untuk mengetahui seberapa besar peran masingmasing variabel dalam memprediksi kekambuhan pasien.

---

Repeated events or recurrences of breast cancer not only re-attack the condition of breast cancer patients physically, but also psychologically. Diagnostics checking to predict the relapse possibility of breast cancer patients is needed to prevent the recurrence of breast

cancer. Complete blood count are one of the diagnostic checking of early breast cancer patients that relatively cheap and easy. There has been no previous research on the calculation of inter-ratios for complete blood count to diagnose cancer, especially possibility relapse of breast cancer. The results of this study are expected to help medical personnel in predicting the relapse possibility of breast cancer patients based on the classification of

the results of the inter ratio calculation of complete blood count. The data in this study were taken from XYZ hospital in Jakarta with 47 patients. The classification algorithm used in this study is Classification and Regression Tree (CART) to determine the effect of the variables in the classification of relapse and non-relapse patients. In this study, the SMOTE technique was used in handling imbalanced data problems. Inter ratio of complete

blood tests between the ratio of neutrophils to lymphocytes and the ratio of platelets to white blood cells, inter ratio of complete blood tests between the ratio of lymphocytes to monocyte and the ratio of lymphocytes to white blood cells, inter ratio of complete

blood tests between the ratio of hemoglobin to platelet and the ratio of platelet to white blood cells, and inter ratio of complete blood tests between the ratio of platelet to lymphocytes and the ratio of hemoglobin to platelet are the variables that influence in diagnosing

recurrence with 93.7% accuracy rate, 100% sensitivity, and 87.5% specificity on training data that balanced using SMOTE technique. Furthermore, the results of the classification are quantified using the logistic regression method to determine how substantial the role

of each variable in predicting patients relapse."

"ABSTRAKKanker adalah penyebab kematian nomor dua di dunia dan diperkirakan mencapai 9,6 juta kematian pada tahun 2018, dengan kanker payudara menjadi kanker kedua yang sering terjadi setelahnya kanker paru-paru. Kanker payudara terjadi karena pertumbuhan sel abnormal yang tidak terkendali, yang dimulai di saluran yang membawa susu ke puting susu atau kelenjar pembuat susu. Pengobatan kanker payudara tergantung pada subtipe tumor, stadium, penanda genetik, usia pasien, kesehatan pasien umum, status menopause, dan mutasi pada gen kanker payudara yang diwariskan. Di akhir pengobatan pasien diberikan terapi tambahan yang bertujuan meminimalkan risiko kekambuhan. Meskipun terapi ini telah dilakukan, risiko kekambuhan tetap ada. Penanda pengganti adalah penanda yang digunakan untuk menggantikan titik akhir dari uji klinis yang biasanya digunakan mempercepat penanganan pasien. Tujuan dari penelitian ini adalah untuk mengetahui rasio hematologi pengukuran yang dapat digunakan sebagai penanda pengganti dalam kekambuhan kanker payudara sepanjang dengan titik cut-off. Pohon keputusan digunakan untuk menemukan titik batas rasio hematologi pengukuran yang mempengaruhi kekambuhan kanker payudara, dan kemudian hutan acak itu digunakan untuk mengetahui urutan variabel penting dalam klasifikasi. Hasil keduanyametode dikuantifikasi menggunakan regresi logistik. Berdasarkan analisis, ditemukan bahwa rasio jumlah trombosit ke darah putih (titik potong 47.560) dan neutrofil terhadap rasio limfosit (titik potong 1,953) mempengaruhi kekambuhan kanker payudara.

---

ABSTRACTCancer is the number two cause of death in the world and is estimated to reach 9.6 million deaths in 2018, with breast cancer becoming the second most common cancer that follows lung cancer. Breast cancer occurs because of uncontrolled abnormal cell growth, which starts in the ducts that carry milk to the nipples or milk glands. Treatment of breast cancer depends on the tumor subtype, stage, genetic markers, patient age, general patient health, menopausal status, and mutations in inherited breast cancer genes. At the end of treatment the patient is given additional therapy aimed at minimizing the risk of recurrence. Despite this therapy, the risk of recurrence remains. A surrogate marker is a marker used to replace the endpoints of clinical trials that are usually used to speed up patient management. The aim of this study is to determine the hematological ratio measurements that can be used as surrogate markers in breast cancer recurrence along with the cut-off point. The decision tree is used to find the hematological ratio boundary point measurements that affect breast cancer recurrence, and then the random forest is used to determine the order of important variables in the classification. Both results the method is quantified using logistic regression. Based on the analysis, it was found that the ratio of platelet count to white blood (cut point 47,560) and neutrophils against lymphocyte ratio (cut point 1.953) influences breast cancer recurrence."

"Model regresiZero Inflated Poisson (ZIP) digunakan untuk memodelkan count data dengan overdispersi yang disebabkan oleh nilai nol yang berlebih pada pengamatannya(excess zero). Namun, ketika overdispersi berasal dariexcess zerodan datacount, makaZIP tidak lagi cocok. Model regresi Zero Inflated Negative Binomial (ZINB) bertujuan untuk mengetahui variabel apa saja yang berpengaruh secara signifikan terhadap variabelrespon. Data untuk regresi ZINB ini memiliki dua sumber overdispersi. Terdapat dua proses pada variabel respon, yang mendasari pengamatan masuk ke dalam structural zeros atau Negative Binomial (NB) counts. Jadi, regresi ZINB terdiri dari dua model. Pada kedua model tersebut dilakukan penaksiran parameter menggunakan metode Bayesian. Metode ini menganggap parameter-parameter yang digunakan merupakan variabel acakyang memiliki distribusi sebagai informasi prior, dan mengkombinasikannya dengan data yang dimiliki. Kombinasi tersebut selanjutnya disebut sebagai distribusi posterior. Sampling parameter dari distribusi posterior dilakukan dengan simulasi Markov Chain Monte Carlo (MCMC). Sebagai penerapan, digunakan data Parkinson dari Parkinsons Progression Markers Initiative (PPMI). Variabel responnya yaitu frekuensi seberapa sering pasien mengalami komplikasi setelah meminum obat atau tidak, dan variabel prediktornya berupa skor pemeriksaan aspek motorik, non-motorik, dan respon-respon tubuh. Diperoleh hasil bahwa model ZINB cocok untuk memodelkan data tersebut yangditandai dengan hasil simulasi yang konvergen.

---

Zero Inflated Poisson (ZIP) regression model is a standard framework for modeling discrete data with over-dispersion caused by excess zero. When over-dispersion has comefrom excess zero and count data, ZIP is no longer matches. A Zero Inflated Negative Binomial (ZINB) regression model aims to analyze the variables affecting data with two sources of over-dispersion. Hence there are two processes at the response variable, which make an observation classified as structural zeros or Negative Binomial (NB) counts. So, ZINB regression consists oftwo models. This paper will use Bayesian method forestimating parameter in both models. The Bayesian method considers parameters to bea random variable that has distribution known as prior distribution, and combine with information of the data. This combination referred as posterior distribution. Sampling parameter from posterior distribution is done using Markov Chain Monte Carlo (MCMC) simulation. As an application, the Parkinsons data is used from Parkinsons Progression Markers Initiative (PPMI). Frequency of how often the patient has complications aftertaking the drug or not is the response, and the predictive variables are motoric aspect, non-motoric aspect, and body responses test scores. The simulation result shows that it isconvergent, indicate that ZINB model is suitable for modeling Parkinsons data."

"ABSTRACTKlasifikasi adalah proses menugaskan satu set data ke dalam kelas yang ada berdasarkan nilai setiap atribut. Pengklasifikasi pohon keputusan diklaim lebih cepat dan berproduksi akurasi yang lebih baik. Namun, ia memiliki beberapa kelemahan di mana pengklasifikasi rentan untuk overfitting. Overfitting adalah suatu kondisi di mana model tidak mampu menarik kesimpulan data baru dengan cara yang benar. Overfitting di pohon keputusan dapat dihindari dengan memotong subtree pengaruh kecil dalam melakukan klasifikasi ketika pohon ditanam, disebut post-pruning, yang bertujuan untuk meningkatkan kinerja model dalam memprediksi data. Tesis ini mengusulkan metode pasca pemangkasan dengan menerapkan Risiko Bayes, di mana estimasi risiko setiap simpul induk dibandingkan dengan simpul daunnya. Sebagai perbandingan, pemangkasan pasca lainnya Metode yang diterapkan, yaitu Reduced Error Pruning (REP). Kedua metode tersebut diterapkanuntuk tiga dataset klasifikasi churn pelanggan dari situs Kaggle dan IBM Datasets. Untuk hasilnya, Bayes Risk Post-Pruning dapat meningkatkan kinerja Decision Tree lebih baik dari Reduced Error Pruning dengan meningkatkan nilai akurasi, presisi, dan daya ingat. Kedua metode juga diterapkan pada tiga proporsi berbeda untuk data pelatihan (60%, 70% dan 80%). Hasilnya menunjukkan bahwa semakin besar ukuran dataset pelatihan dikaitkan akurasi, presisi, dan daya ingat model yang lebih tinggi.

---

ABSTRACTClassification is the process of assigning a set of data to an existing class based on the value of each attribute. Decision tree classifiers are claimed to be faster and produce better accuracy. However, it has several disadvantages where the classifier is prone to overfitting. Overfitting is a condition in which the model is unable to draw new data conclusions in the right way. Overfitting in the decision tree can be avoided by cutting the subtree of small influence in classifying when the tree is planted, called post-pruning, which aims to improve the performance of the model in predicting data. This thesis propose a post-pruning method by applying Bayes Risk, where the estimated risk of each parent node is compared to the leaf node. As a comparison, other post pruning methods are applied, namely Reduced Error Pruning (REP). Both methods are applied for three customer churn classification datasets from the Kaggle site and IBM Datasets. For the results, Bayes Risk Post-Pruning can improve Decision Tree performance better than Reduced Error Pruning by increasing the value of accuracy, precision, and memory. Both methods are also applied to three different proportions for training data (60%, 70% and 80%). The results show that the greater the size of the training dataset is associated with higher model accuracy, precision, and recall."

"Kanker payudara adalah penyakit di mana sel-sel di payudara tumbuh di luar kendali dan menjadi salah satu jenis kanker paling umum di dunia. Di Indonesia, kanker payudara merupakan kanker dengan prevalensi tertinggi pada wanita. Tinggi Angka kejadian kanker payudara sangat erat kaitannya dengan faktor risiko yang ada, diantaranya kelebihan berat badan dan obesitas. Pengukuran berat badan dan obesitas dapat dilakukan dengan menggunakan pengukuran yang dikenal sebagai indeks massa tubuh (BMI). Obesitas tidak hanya digambarkan sebagai penyimpanan lemak berlebih tetapi juga akumulasi jaringan adiposa yang dideregulasi. Ini bisa diidentifikasi melalui zat yang dikenal sebagai CD36. CD36 ditemukan memiliki berpotensi menjadi penanda prognostik karena perannya dalam proses metastasis kanker payudara. Tapi selain sebagai penanda prognostik yang terkait dengan metastasis, CD36 juga diduga berpotensi menjadi penanda diagnosis kanker payudara. Karena itu, Dalam studi ini, analisis hubungan antara BMI dan CD36 dan insiden dilakukan kanker payudara. Data yang digunakan dalam penelitian ini adalah rekam medis dari salah satu rumah sakit di Jakarta dengan total 84 subjek yang terdiri dari 3 kategori status, yaitu penderita kanker payudara, kanker selain payudara, dan sehat. Metode Keputusan Tree digunakan untuk memperoleh informasi tentang hubungan antara BMI dan CD36 terhadap kejadian kanker payudara. Selanjutnya digunakan metode Regresi Logistik untuk mengetahui peran masing-masing faktor dalam kejadian kanker payudara. Hasil penelitian menunjukkan bahwa terdapat hubungan antara CD36 dengan kejadian kanker payudara, dimana ciri-ciri subjek dengan status kanker payudara memiliki nilai konsentrasi CD36 antara 0,17-0,34 dan di bawah 0,14 (dalam ng / mL). Kemudian diperoleh juga bahwa peningkatan skor CD36 menurunkan risiko kanker payudara awal, padahal peningkatan nilai BMI akan meningkatkan risiko.ABSTRACTBreast cancer is a disease in which cells in the breast grow out of control and is one of the most common types of cancer in the world. In Indonesia, breast cancer is a cancer with the highest prevalence in women. The high incidence of breast cancer is closely related to the existing risk factors, including being overweight and obese. Weight and obesity measurements can be made using a measurement known as body mass index (BMI). Obesity is not only described as excess fat storage but also the accumulation of deregulated adipose tissue. This can be identified through a substance known as CD36. CD36 was found to have potential to be a prognostic marker because of its role in the metastatic process of breast cancer. But apart from being a prognostic marker associated with metastasis, CD36 is also thought to be a potential marker of breast cancer diagnosis. Therefore, in this study, an analysis of the relationship between BMI and CD36 and incidence of breast cancer was carried out. The data used in this study were medical records from a hospital in Jakarta with a total of 84 subjects consisting of 3 status categories, namely breast cancer patients, non-breast cancer, and healthy. The Decision Tree method was used to obtain information about the relationship between BMI and CD36against the incidence of breast cancer. Furthermore, the Logistic Regression method is used to determine the role of each factor in the incidence of breast cancer. The results showed that there was a relationship between CD36 and the incidence of breast cancer, where the characteristics of subjects with breast cancer status had a CD36 concentration value between 0.17-0.34 and below 0.14 (in ng / mL). Then it was also found that an increase in CD36 score decreased the risk of early breast cancer, whereas an increase in the BMI value would increase the risk."

"Model Cox merupakan model yang sering digunakan untuk menganalisis time-tovent data, yaitu data yang pengamatannya bergantung pada waktu. Terkadang, Selain informasi tentang waktu, data time-to-event juga dilengkapi dengan informasi tambahan (variabel penjelas). Analisis data waktu ke acara seperti ini dengan menggunakan model Cox akan menghasilkan perkiraan bahaya. Model Cox memiliki dua komponen utama yaitu baseline hazard dan mengandung fungsi eksponensial koefisien regresi. Bahaya didefinisikan sebagai produk antara dua komponen ini. Untuk dapat memperoleh bahaya spesifik, bahaya baseline dan koefisien regresi di model Cox harus diperkirakan. Dalam tesis ini, asumsi konstanta akan didefinisikan sebagai bahaya dasar dari model Cox. Kemudian, konstanta dan koefisien regresi dimasukkan Model ini akan diestimasi dengan menggunakan metode Bayesian dimana sampel diambil Parameter distribusi posterior dilakukan dengan menggunakan metode Markov chain Monte Carlo dengan algoritma pengambilan sampel Gibbs. Untuk metode Bayesian, distribusi sebelumnya untuk Bahaya baseline diasumsikan mengikuti distribusi gamma dan untuk koefisien regresi diasumsikan mengikuti distribusi normal. Data EKG (echocardiogram) yang terdiri dari106 observasi dan enam variabel penjelas digunakan dalam analisis. Mendapatkan hasil bahwa estimasi parameter yang diperoleh konvergen.

---

The Cox model is a model that is often used to analyze time-to-event data, namely data whose observations are time dependent. Sometimes, in addition to information about time, time-to-event data is also supplemented with additional information (explanatory variables). Analysis of time-to-event data like this using the Cox model will yield hazard estimates. The Cox model has two main components, namely the baseline hazard and contains an exponential regression coefficient function. Hazard is defined as a product between these two components. In order to obtain a specific hazard, the baseline hazard and regression coefficient in the Cox model must be estimated. In this thesis, the constant assumption will be defined as the basic hazard of the Cox model. Then, the constants and regression coefficients are entered. This model will be estimated using the Bayesian method where the sample is taken. Posterior distribution parameters are carried out using the Markov chain Monte Carlo method with the Gibbs sampling algorithm. For the Bayesian method, the previous distribution for baseline hazard is assumed to follow the gamma distribution and for the regression coefficient it is assumed to follow a normal distribution. EKG (echocardiogram) data which consists of

106 observations and six explanatory variables were used in the analysis. Obtain the result that the parameter estimates obtained are convergent."

"Data hitung merupakan contoh data diskrit non negatif yang sering dijumpai di penerimaan data. Analisis yang biasa digunakan dalam pemodelan data hitung adalah Analisis regresi poisson, dimana salah satu asumsi dari regresi ini adalah equidispersion yaitu ketika mean dan varians datanya sama. Namun dalam praktiknya, keadaan overdispersi lebih umum daripada equidispersion. Data berpengalaman Overdispersi ini tentunya membutuhkan penanganan khusus untuk dapat dianalisis. Model Regresi yang dapat menangani masalah dispersi berlebih ini adalah model Quasi-regresi. Poisson, dimana model ini memperhitungkan elemen parameter dispersi penyebabnya varians data tidak sama dengan mean. Metode yang digunakan dalam penilaian Parameter dari model regresi Quasi-Poisson adalah Maximum Quasi-Likelihood yang bukan perhatikan secara khusus bentuk distribusi variabel respon. Perhitungan numerik yang digunakan dalam penelitian ini adalah Newton Raphson setara dengan Iterative Weighted Least Square (IWLS). Tujuan dari penelitian ini adalah dengan mengaplikasikan metode estimasi Maximum Quasi-Likelihood dalam melakukan estimasi Parameter regresi Quasi-Poisson. Hasil studi kasus pada data yang bermasalah pada di atas menunjukkan bahwa, dalam kasus penyebaran berlebih, metode regresi Quasi-Poisson Kemungkinan Kuasi Maksimum menyajikan model yang lebih baik daripada Regresi Poisson.Calculated data is an example of non-negative discrete data that is often found in data reception. The analysis commonly used in calculating data modeling is regression analysis, where one of the assumptions of this regression is equidispersion, which is when the mean and variance of the data are the same. In practice, however, the overdispersion state is more generally equidispersion. Experienced data. This overdispersion certainly requires special handling to be analyzed. A regression model that can address this excess dispersion problem is a Quasi-regression model. Poisson, where this model takes into account the dispersion parameter because the variance of the data is not the same as the mean. The method used in the sample The parameter of the Quasi-Poisson regression model is the Maximum Quasi-Likelihood which is not a specific form of the distribution of the response variable. The numerical calculation used in this study is Newton Raphson equivalent to the Iterative Weighted Least Square (IWLS). The purpose of this study is to apply the Quasi-Likelihood Maximum method in estimating Quasi-Poisson regression parameters. The results of the case study on the problematic data above show that, in case of excess spread, the Quasi-Poisson regression method of Quasi-Maximum Likelihood presents a better model than Poisson Regression."

"Regresi Poisson adalah model regresi umum yang digunakan untuk menghitung data dengan equidispersion. Namun, perhitungan data tidak selalu memenuhi asumsi ini. Hitungan data tidak terpenuhi asumsi ini ketika overdispersi muncul. Overdispersion adalah suatu kondisi dimana varians lebih besar dari rata-rata. Dalam data verdispersi karena kelebihan nol dan tambahan penyebaran berlebihan dalam nilai-nilai positif, salah satu model alternatif yang dapat digunakan adalah rintangan model binomial negatif. Rintangan model binomial negatif terdiri dari model dua bagian model biner dan model binomial negatif terpotong nol. Tugas akhir ini akan membahas tentang model rintangan konstruksi binomial negatif dan metode Bayesian untuk memperkirakan parameter dalam model binomial negatif rintangan. Algoritma metode Bayesian digunakan dalam proyek ini adalah Markov Chain Monte Carlo-Gibbs Sampling (MCMC-GS). Rintangan negatif model binomial akan diterapkan pada data Parkinson dari Parkinsons Growth Markers Database inisiatif (PPMI). Model diterapkan untuk menemukan faktor risiko dari komplikasi motorik kejadian dan frekuensinya berdasarkan Gerakan Disorder Society-Unified Parkinson Data Skala Timbangan Penyakit (MDS-UPDRS). Variabel signifikan untuk model bagian satu adalah skor total MDS-UPDRS Bagian III dan variabel total skor MDS-UPDRS Bagian II dan III untuk model bagian dua. Hasil lain yang diperoleh dari aplikasi data ini adalah parameter estimasi konvergen.

---

Poisson regression is a general regression model used to calculate data with equidispersion. However, data calculations do not always fit this consideration. Count data not met Suppose this overdispersion compilation appears. Overdispersion is a place where variants are greater than average. In data verdispersion due to zero excess and additional excessive spread in positive values, one alternative model that can be used is the constraints of the negative binomial model. The negative binomial obstacle model consists of a two-part binary model and the negative binomial zero-truncated model. This final project will discuss about the negative binomial constraint construction model and the Bayesian method for estimating parameters in the negative binomial resistance model. The Bayesian method algorithm is used in this project is the Markov Monte Carlo-Gibbs Sampling Chain (MCMC-GS). The negative barriers of the binomial model will be applied to Parkinsons data from Parkinsons Growth Markers Database Implementation (PPMI). The model applied to find risk factors for motor complications of events and their frequency is based on the Disorder-Unified Parkinsons Movement Disease Scale Data (MDS-UPDRS). The significant variable for the part one model is MDS-UPDRS Part III total score and MDS-UPDRS Part II and III total variable variables for the part two model. The results obtained from the application of this data are convergent estimation parameters."