Hasil Pencarian  ::  Simpan CSV :: Kembali

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 :
Penelitian ini dilakukan untuk memvalidasi Coefficient of Variation sebagai alat ukur yang memenuhi kriteria uji Goodness of Fit dengan menggunakan prosedur uji analisis sensitivitas yaitu Morris dan Fourier Amplitude Sensitivity Test (FAST) sebagai pembanding. Penelitian ini dilakukan dengan bantuan perangkat lunak MATLAB® vR2020b dan GraphPad Prim 8 menggunakan data sekunder berupa data farmakokinetik 63 pasien yang melakukan terapi radiomolekuler ginjal dengan menggunakan radiofarmaka 177Lu-PSMA-617. Pengujian diawali dengan seleksi model terbaik dari hasil fitting 12 fungsi SOE menggunakan pemodelan NLME yang memenuhi kriteria Goodness of Fit (visualisasi grafis dan %CV) dan seleksi model AICc. Selanjutnya melakukan analisis sensitivitas parameter dari masing-masing fungsi fitting menggunakan metode Morris dan FAST sebagai pembanding. Diperoleh final model dari hasil analisis sensitivitas sama dengan final model yang memenuhi kriteria seleksi model Goodness of Fit dan AICc yaitu fungsi f6a. Dari hasil penelitian ini, diperoleh korelasi %CV dengan indeks sensitivitas uji Morris dan FAST penting dalam seleksi model dilihat dari koefisien gradien fungsi fitting yang memiliki korelasi positif yaitu pada fungsi f5a, f6b dan f6d. Pada penelitian ini, fungsi fitting f6d terpilih sebagai threshold karena memiliki hubungan positif secara statistik menggunakan regresi linier dan tidak memenuhi batas acceptable %CV<50%. Disimpulkan pada penelitian ini bahwa %CV masih menjadi parameter estimasi penting kriteria Goodness of Fit dalam seleksi model berdasarkan hasil analisis dari uji sensitivitas. ......This study was conducted to validate the Coefficient of Variation as a measuring instrument that meets the Goodness of Fit test criteria by using sensitivity analysis test procedures, namely Morris and Fourier Amplitude Sensitivity Test (FAST) as comparisons. This study was conducted with the help of MATLAB® vR2020b and GraphPad Prim 8 software using secondary data in the form of pharmacokinetic data of 63 patients who underwent renal radiomolecular therapy using radiopharmaceutical 177Lu-PSMA-617. The test begins with the selection of the best model from the results of fitting 12 SOE functions using NLME modeling that meets the Goodness of Fit criteria (graphic visualization and %CV) and AICc model selection. Next, perform parameter sensitivity analysis of each fitting function using the Morris and FAST methods as a comparison. The final model obtained from the results of sensitivity analysis is the same as the final model that meets the selection criteria of the Goodness of Fit and AICc models, namely the f6a function. From the results of this study, the correlation of %CV with the sensitivity index of the Morris test and FAST is important in model selection seen from the gradient coefficient of the fitting function which has a positive correlation, namely f5a, f6b and f6d. In this study, the fitting function f6d was chosen as the threshold because it has a statistically positive relationship using linear regression and does not meet the acceptable limit of %CV<50%. It was concluded in this study that %CV is still an important estimation parameter of Goodness of Fit criteria in model selection based on the results of analysis from sensitivity tests.

Abstrak :
This book seeks to effectively blend theory and applications while presenting readers with many practical examples. For instance, in the medical device environment, it is important to know if the newly established lab can reproduce the instrument/assay results from the established but outdating lab. When there is a disagreement, it is important to differentiate the sources of disagreement. In addition to agreement coefficients, accuracy and precision coefficients are introduced and utilized to characterize these sources.

Abstrak :
Presents a coherent body of theory for the derivation of the sampling distributions of a wide range of test statistics. Emphasis is on the development of practical techniques. A unified treatment of the theory was attempted, e.g., the author sought to relate the derivations for tests on the circle and the two-sample problem to the basic theory for the one-sample problem on the line. The Markovian nature of the sample distribution function is stressed, as it accounts for the elegance of many of the results achieved, as well as the close relation with parts of the theory of stochastic processes.