Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Kementrian Kesehatan menyatakan Indonesia sudah memasuki kondisi ageing population, dimana kondisi tersebut ditandai dengan kenaikan persentase penduduk lanjut usia (lansia). Kondisi tersebut tentunya memerlukan perhatian khusus dari pemerintah. Demensia adalah istilah medis untuk menggambarkan gejala penurunan memori dan fungsi kognitif pada tubuh manusia. Indonesia termasuk sepuluh negara dengan jumlah penderita orang dengan demensia (ODD) tertinggi di dunia, dan pada tahun 2050 jumlahnya diprediksi mencapai empat juta jiwa. Prediksi tersebut dibuat berdasarkan perbandingan jumlah lansia di Indonesia dengan jumlah ODD di seluruh dunia. Penelitian bertujuan untuk mengetahui peran dari masing-masing uji klinis untuk mengidentifikasi penderita ODD dan mereduksi komponen uji klinis yang memiliki peran kontribusi rendah. Data yang digunakan adalah data uji klinis NIFD (Neuroimaging in Frontotemporal Dementia). Metode yang akan digunakan adalah Principal Component Analysis (PCA), dimana metode ini bertujuan untuk melihat komponen uji klinis yang memberikan peran kontribusi dalam mengidentifikasi penderita ODD. Selain itu, akan dilakukan proses imputasi missing value dengan menggunakan algoritma pengembangan dari PCA, yaitu SVD-Impute dan PPCA. Setelah dilakukan tiga kali iterasi, pengujian menunjukan bahwa metode PPCA lebih baik dalam melakukan imputasi missing value dibandingkan dengan metode SVDImpute berdasarkan nilai NRMSE dan koefisien korelasi Pearson. ......The Ministry of Health stated that Indonesia had entered a condition of an aging population, where an increase in the proportion of older people marks this condition. This condition certainly requires special attention from the government. Dementia is a medical term to describe symptoms of decreased memory and cognitive function in the human body. Indonesia is one of the ten countries with the highest number of people with dementia in the world, and by 2050 it is predicted to reach four million people. This prediction was based on comparing the number of older people in Indonesia with those with dementia worldwide. The research aims to determine each clinical trial's role in identifying people with dementia and reducing the components of clinical trials with a low role contribution. The data used is NIFD (Neuroimaging in Frontotemporal Dementia) clinical trial data. The method used is Principal Component Analysis (PCA), which aims to see clinical component tests that contribute to identifying people with dementia. In addition, the missing value imputation process will be carried out using the development algorithm from PCA, SVD-Impute and PPCA. After three iterations, the test showed that the PPCA method was better at imputing missing values than the SVDImpute method based on the NRMSE value and Pearson's correlation coefficient.

Abstrak :
Analisis regresi merupakan salah satu teknik dalam statistika yang digunakan untuk mengetahui hubungan antar variabel respon dan satuatau lebih variabel regressor. Metode penaksiran parameter regresi yang umum digunakan adalah metode least square. Dalam penaksiran parameter regresi, banyak permasalahan yang muncul salah satunya adalah multikolinearitas. Multikolinearitas menghasilkan taksiran yang tidak stabil, sehingga diperlukan metode lain untuk mengatasi multikolinearitas yang diperkenalkan oleh Hoerl dan Kennard 1970 yaitu metode ridge regression dengan cara kerjanya adalah menambahkan konstanta bias ridge pada matriks X 39;X. Sarkar 1992 dan Grob 2003 mengembangkan metode tersebut dengan memanfaatkan informasi prior dari parameter - dan memperkenalkan metode restricted ridge regression. Berger 1980 mendefinisikan informasi prior untuk parameter - adalah suatu informasi non sampel yang muncul dari pengalaman masa lalu dan keputusan dari ahli dengan situasi yang hampir sama dan memuat parameter ? yang sama. Dalam skripsi ini penggunaan metode restricted ridge regression diaplikasikan untuk mengatasi multikolinearitas pada data Portland Cement dan menghasilkan MSE yang lebih kecil dibandingkan metode least square dan ridge regression. ...... Regression analysis is a technique in stastisticsto analyse the relationship between a response variable and one or more regressor variable's. Ordinary Least Square method is commonly used to estimate parameter's. Most frequently occurring problem in multiple linier regression analysis is the presence of multicolinearity. Multicollinearityin least square estimation produces estimation with large variance, so another method is needed to overcome the multicollinearity. Hoerl and Kennard 1970 introduced a new method called ridge regression by addingaconstant bias ridge to matrix X 39 X. Sarkar 1992 and Gro 2003 developed a method usingthe prior information of the parameter and introduced the restricted ridge regression method. Berger 1980 defined prior information of the parameter as a non sample information arising from past experiences and based on the opinions of an expertice with similar situations and containing the same parameters. This thesis will explain the use of restricted ridge regression method to overcome the presence of multicolinearity in regression model for Portland Cement dataset and produce smaller MSE than least square and ridge regression estimator.

Abstrak :

Permasalahan statistik di dunia nyata umum diselesaikan dengan menggunakan generalized linear model. Fleksibilitas model regresi tersebut menjadi nilai tambah yang meningkatkan utilitasnya. Akan tetapi, di tengah penerapan generalized linear model, ditemukan isu terkait estimasi parameter, yakni multikolinearitas. Kondisi multikolinearitas mengindikasikan adanya korelasi antarvariabel penjelas yang berpengaruh terhadap keakuratan koefisien parameter. Keadaan ini menyebabkan maximum likelihood estimator, metode yang sangat umum digunakan pada generalized linear model untuk mencari parameter, memiliki eror dan variansi yang tinggi. Berbagai alternatif estimator telah dibuat untuk mengatasi masalah ini, salah satunya adalah Liu estimator. Metode ini merupakan bentuk modifikasi dari metode yang sudah diciptakan sebelumnya, yakni maximum likelihood estimator. Penelitian ini menelusuri konsep dan metode Liu estimator dalam menentukan suatu parameter dan dibandingkan dengan metode maximum likelihood estimator. Konstruksi gamma regression model, yakni generalized linear model dengan variabel respons yang berdistribusi gamma, digunakan sebagai aplikasi dalam penerapan Liu estimator. Simulasi dalam penelitian ini menggunakan dataset hydrocarbon yang mengukur keefektifan pemulihan polusi yang bersumber dari tangki gas. Dengan menggunakan model regresi gamma dan estimator Liu untuk mengestimasi parameter didapatkan prediksi terhadap jumlah gas hydrocarbon yang keluar. ......Generalized Linear Model, as the name says, is the general version for linear model, one of the method used to solve statistical and actuarial real-life problem, such as regression. In the midst of well-known generalized linear model utilization, researcher found issue related to parameter estimation. Multicolinearity, a condition which occur when there are two or more independent variabel with high correlation, has huge impact to the accuracy of parameter coeficient. This issue makes the maximum likelihood estimator, one of the most common method to estimate the parameter, produces high error and variance. To combat this issue, many other estimator has been proposed by various researcher all around the world, including Liu estimator. Liu estimator is a method that comes from the modification of maximum likelihood estimator. This research will explore the concept and method of Liu estimator for estimating model’s parameter and the difference when we compare it with maximum likelihood estimator. The model built in the research is gamma regression model, which is a generalized linear model with gamma distributed response variable. The application of the research is utilizing the data called hydrocarbon. The end product is the gamma regression model to predict the mass of hydrocarbon which escape to the air with the parameter estimated by Liu estimator method.

Abstrak :
ABSTRAK
Kanker payudara merupakan penyebab kematian pertama akibat kanker pada wanita. Pria juga dapat terkena kanker payudara. Penanganan kanker payudara terdiri dari operasi, terapi radiasi, dan terapi sistemik yang menggunakan obat. World Health Organization WHO telah mendaftarkan tiga puluh cytotoxic dan obat antikanker untuk mencegah dan mengurangi kanker payudara. Para ilmuwan sudah berusaha untuk menemukan obat lain untuk membantu orang yang terkena kanker payudara. Oleh karena itu, desain obat menjadi penting dalam menemukan obat baru yang potensial untuk menangani kanker payudara. Pada skripsi ini diajukan pendekatan multiple linear regression MLR menggunakan metode quantitative structure activity relationship QSAR untuk memodelkan desain obat kanker payudara dengan pemilihan variabel menggunakan metode algoritma genetika GA . Data yang diperoleh dari bank protein umum lebih sedikit dibandingkan banyaknya variabel, yang menyebabkan asumsi Analisis MLR gagal dan menyebabkan multikolinearitas. Model QSAR diragukan saat terjadi multikolinearitas. Algoritma Genetika GA diimplementasikan untuk menghilangkan multikolinearitas. GA bertindak sebagai penyeleksi variabel untuk mencari variabel yang signifikan dan membantu mendapatkan model QSAR yang paling cocok. Hasil eksperimen menunjukkan bahwa GA dan MLR dapat diimplementasikan pada desain obat kanker payudara.

---

ABSTRACT
Breast cancer is the first cause of death by cancer in women. Even so, men could have breast cancer. In the treatment of breast cancer there are surgery, radiation therapy and systemic therapy which treatments using drugs. World Health Organization WHO has listed thirty cytotoxic and anticancer drugs to prevent and reduce breast cancer risk. Researchers have been trying to find other drugs to help people with breast cancer. Thus, drug design becomes more important in discovering new potential drugs to treat breast cancer. In this study, we proposed multiple linear regression MLR approach using quantitative structure activity relationship QSAR method for modelling drug design of breast cancer with variable selection using genetic algorithm GA. The obtaining data from public protein bank leads to have lower number of compounds than the number of variables, it failed the assumptions of MLR analysis and led to multicollinearity. QSAR model appeared uncertain when multicollinearity arise. We implemented genetic algorithm GA to resolve multicollinearity. GA acted as a variable selector to obtain the most significant variables and helped getting the most fitted QSAR model. The experimental result shows that combining of GA and MLR can be implemented in breast cancers drug design.

Abstrak :
Ibu Kota memiliki peran penting dalam menggambarkan seberapa besar kekuatan politik, kultural, dan ekonomi suatu negara. Apabila Ibu Kota suatu negara memiliki banyak masalah yang tidak terselesaikan, permasalahan tersebut dapat menjadi faktor–faktor yang memengaruhi suatu negara memindahkan Ibu Kotanya. Setelah ditelusuri, terdapat banyak negara yang pernah memindahkan Ibu Kotanya termasuk Indonesia. Tujuan dari penelitian ini adalah untuk membentuk model dan menganalisis faktor–faktor yang memengaruhi negara–negara di dunia memindahkan Ibu Kota dengan data yang mengandung masalah: 1. Outlier, 2. Missing values, 3. Data tak seimbang, 4. Multikolinearitas. Jika data mengandung masalah, maka model yang terbentuk menjadi tidak representatif dan sulit untuk diinterpretasikan. Sehingga diperlukan metode yang dapat digunakan untuk menangani 4 (empat) masalah tersebut, yaitu berturut-turut: 1. Quantile–Based Flooring Capping, 2. K–Nearest Neighbor, 3. Adaptive Synthetic (ADASYN), dan 4. Menerapkan model Least Absolute Shrinkage and Selection Operator (LASSO) pada regresi logistik. Hasilnya menunjukkan bahwa faktor yang memengaruhi suatu negara memindahkan Ibu Kotanya adalah ukuran populasi di Ibu Kota, populasi negara, luas area (km2), Usia Negara, sistem pemerintahan, Income Category, dan Sedangkan faktor yang tidak masuk ke dalam model yaitu Gross Domestic Product (GDP), Logistic Performance Index (LPI) Score, Regulatory Quality Index, dan E–Government Development Index adalah prediktor yang mengalami multikolinearitas, sehingga model LASSO pada regresi logistik berhasil menyusutkan prediktor tersebut menjadi 0. Adapun model akhir dari Least Absolute Shrinkage and Selection Operator (LASSO) pada regresi logistik yang diperoleh adalah g(x) = 0,3399 – 0,8019 POP_CITY + 3,5925 POP_COUNTRY + 0,3406 AREA – 0,0156 AIRPOL + 0,0679 GEI + 0,8351 PS_AVT – 0,5682 GOV_EFFECT – 1,8643 AGE – 0,7043 SYSTEM_A – 1,4408 SYSTEM_B – 0,7036 INCOME_A – 0,5272 INCOME_B – 3,7404 INCOME_C – 0,9489 ARCHIPELAGO. ......The capital city plays an important role in portraying how much political, cultural and economic power a country has. If the capital city has many unresolved problems, these problems can become factors that influence the country to move its capital city. After being traced, there are many countries that have moved their capital cities, including Indonesia. The purpose of this study is to model and analyze the factors that influence countries in the world to move its capital city with data containing problems: 1. Outliers, 2. Missing values, 3. Imbalanced data, 4. Multicollinearity. If the data contains these problems, the model formed becomes unrepresentative and difficult to interpret. Therefore, the methods that can be used to handle these 4 (four) problems, respectively: 1. Quantile-Based Flooring Capping, 2. K-Nearest Neighbor, 3. Adaptive Synthetic (ADASYN), and 4. Applying the Least Absolute Shrinkage and Selection Operator (LASSO) model in logistic regression. The results showed that the factors that influence a country to move its capital city are population size in the capital city, country population, area (km2), air pollution level (mg/m3), Global Entrepreneurship Index (GEI), Political Stability and No Violence/Terrorism Index, Government Effectiveness Index, Country Age, government system, Income Category, and whether a country is an archipelago or not. While the factors that did not enter the model, namely the Gross Domestic Product (GDP), Logistic Performance Index (LPI) Score, Regulatory Quality Index, and E-Government Development Index were predictors that experienced multicollinearity, so the LASSO model in logistic regression successfully shrinks these predictors to 0. The final Least Absolute Shrinkage and Selection Operator (LASSO) model in logistic regression obtained is g(x) = 0,3399 – 0,8019 POP_CITY + 3,5925 POP_COUNTRY + 0,3406 AREA – 0,0156 AIRPOL + 0,0679 GEI + 0,8351 PS_AVT – 0,5682 GOV_EFFECT – 1,8643 AGE – 0,7043 SYSTEM_A – 1,4408 SYSTEM_B – 0,7036 INCOME_A – 0,5272 INCOME_B – 3,740