Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Tugas akhir ini membahas mengenai metode Bayes dalam penaksiran parameter skala dari distribusi Nakagami menggunakan dua fungsi loss, yaitu Square Error Loss Function dan Precautionary Loss Function. Pada tugas akhir ini juga akan dicari Resiko Posterior dari masing-masing taksiran. Sebagai pembanding untuk taksiran dengan menggunakan metode Bayes, akan dicari juga taksiran parameter skala dari distribusi Nakagami menggunakan metode Maksimum Likelihood. Sebagai ilustrasi, akan dilakukan simulasi dengan data yang berdistribusi Nakagami ( ). Setelah taksiran telah didapatkan, akan dihitung Mean Square Error dari masing-masing taksiran. Hal tersebut dilakukan untuk mengetahui seberapa baik taksiran yang dihasilkan oleh metode Bayes.

---

ABSTRACT
This paper discusses about Bayesian Method in estimating the scale parameter of Nakagami Distribution using two loss function, that is Square Error Loss Function and Precautionary Loss Function. This paper will also find the posterior risk from each of the estimator. As the comparison of the Bayesian estimate, the estimator using Maximum Likelihood method will also be considered. For the illustration, simulation with Nakagami distributed data ( ) will be performed. Once the estimate have been obtained, Mean Square Error on each estimate will be calculated. This is done to measure the performance of the estimate produced by Bayesian method.

Abstrak :
Penyakit mata berat yang telat tertangani seperti katarak, glaukoma, serta retinopati diabetik merupakan salah satu penyebab utama gangguan penglihatan dan kebutaan. Pencegahan dapat dilakukan dengan melakukan pendektesian dini melalui citra fundus. Untuk mengatasi minimnya dokter mata dan persebarannya yang masih belum merata, dilakukan pendektesian penyakit mata secara otomatis melalui gambar mata dengan pendekatan deep learning. Dalam penelitian ini, digunakan metode Transfer Learning U-Net dengan VGG16 sebagai pretrained model (V-Unet) yang telah dilatih pada online database, ImageNet. Data yang digunakan dalam penelitian ini merupakan data citra fundus yang diperoleh dari platform Kaggle. Preprocessing data pada citra fundus yang dilakukan untuk meningkatkan kinerja model adalah centered crop, resize, dan rescale. Fungsi optimasi Adam digunakan untuk meminimalkan fungsi loss ketika melatih model. Pada penelitian ini, dilakukan pemisahan data training, validasi, testing dengan 3 rasio berbeda, yaitu kasus I dengan rasio 60:20:20, kasus II dengan rasio 70:20:10, dan kasus III dengan rasio 80:10:10. Hasil penelitian ini menunjukkan bahwa V-Unet memiliki kinerja paling baik pada kasus II berdasarkan skor AUC dan running time dengan nilai rata-rata skor AUC 0,8622 dan rata-rata running time 3,7079 detik sedangkan berdasarkan nilai akurasinya V-Unet memiliki kinerja paling baik pada kasus III dengan rata-rata nilai akurasi sebesar 66,34%. ......Untreated severe eye diseases such as cataracts, glaucoma, and diabetic retinopathy is one of the main causes of visual impairment and blindness. Prevention can be done by doing early detection through fundus images. To overcome the lack of ophthalmologists and their uneven distribution, an automatic detection of eye diseases is carried out through eye images using a deep learning approach. In this study, Transfer Learning U-Net method was used with VGG16 as a pre-trained model (V-Unet) which had been trained on the online database, ImageNet . The data used in this study is fundus image data that obtained from the Kaggle platform. Preprocessing data on the fundus image that is carried out to improve model performance is centered crop, resize, and rescale. Adam's optimization function used to minimize the loss function when training the model. In this study, the training, validation, testing data was separated with 3 different ratios, namely case I with a ratio of 60:20:20, case II with a ratio of 70:20:10, and case III with a ratio of 80:10:10. The results of this study indicate that V-Unet has the best performance in case II based on the AUC score and running time with an average AUC score of 0.8622 and an average running time of 3.7079 seconds while based on accuracy value the best case is case III with an average accuracy value of 66.34%.

Abstrak :
Distribusi Weibull digunakan untuk menyelesaikan masalah-masalah yang menyangkut lama waktu suatu objek yang mampu bertahan hingga akhirnya objek tersebut tidak berfungsi (dengan kata lain rusak atau mati). Distribusi Weibull merupakan salah satu solusi untuk masalah fleksibilitas yang tidak dimiliki oleh distribusi Exponensial, yaitu hanya memiliki bentuk fungsi hazard yang konstan. Dalam melakukan inferensi dari kasus yang dimodelkan dengan distribusi Weibull, perlu dilakukan penaksiran terhadap parameternya. Distribusi Weibull dua parameter memiliki parameter skala dan parameter shape. Pada skripsi ini, akan dilakukan penaksiran parameter skala dari distribusi Weibull pada data terpancung kiri dan tersensor kanan dengan asumsi bahwa parameter shape diketahui menggunakan metode Bayesian. Prosedur dalam penaksiran parameter meliputi penentuan distribusi prior, fungsi dan distribusi posterior. Kemudian penaksir titik Bayes diperoleh dengan meminimumkan ekspektasi dari fungsi. Fungsi yang digunakan adalah Squared Error Loss Functio (SELF) dan Precautionary Loss Function (PLF). Kemudian dilakukan simulasi data untuk membandingkan nilai Mean Squared Error (MSE) dari taksiran parameter skala menggunakan fungsi. Hasil simulasi menunjukan bahwa taksiran parameter menggunakan fungsi memiliki nilai MSE yang lebih kecil untuk parameter skala lebih kecil atau sama dengan satu sedangkan taksiran parameter menggunakan fungsi PLF memiliki nilai MSE yang lebih kecil untuk parameter skala lebih besar daripada satu. ......Weibull distribution is used to solve problems that involve the length of time an object is able to survive until the object is not function (in other words damaged or dead). Weibull distribution is one of many solutions to the flexibility problem that is not owned by an Exponential distribution, which only has the form of a constant hazard function. In making inferences from cases modeled with the Weibull distribution, it is necessary to estimate the parameters. The two-parameter Weibull distribution has a scale parameter and a shape parameter. In this thesis, the scale parameter of the Weibull distribution will be estimated on left truncated and right censored data assuming that the shape parameter are known using Bayesian method. The procedure in parameter estimation includes the determination of the prior distribution, the likelihood function and the posterior distribution. Then the point estimator of the scale parameter is obtained by minimizing the expectation of loss function. The loss function used in this thesis are Squared Error Loss Function (SELF) and Precautionary Loss Function (PLF). Data simulation is done to compare the value of Mean Squared Error (MSE) from the estimated parameters using SELF and PLF. The simulation result shows that the estimated parameter using SELF has a smaller MSE value for scale parameter below or equal one while the estimated parameter using PLF has a smaller MSE value for scale parameter above one.