Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penyakit kronis merupakan salah satu permasalahan bidang kesehatan yang cukup serius di seluruh dunia. Menurut WHO tahun 2017, 70 penyebab kematian di seluruh dunia diakibatkan oleh penyakit kronis.Pemerintah telah membuat beberapa kebijakan seperti kebijakan yang diatur dalam Peraturan Menteri Kesehatan Republik Indonesia nomor 71 tahun 2017 untuk mengatasi masalah penyakit kronis tersebut. Data dan informasi terkait banyaknya pegidap penyakit kronis diperlukan untuk menginformasikan keberhasilan dari pelaksanaan kebijakan tersebut. Tujuan dari penelitian ini adalah untuk mengetahui proporsi pengidap penyakit kronis pada kecamatan Duren Sawit. Data yang digunakan dalam penelitian ini adalah data primer berupa data survei secara langsung serta data sekunder berupa data sensus dari Dinas Kesehatan Dinkes 2017 dan Badan Pusat Statistika BPS 2017. Metode sampling yang digunakan adalah probability sampling, yaitu simple random sampling dengan ukuran sampel sebesar 1 dari total kepala keluarga yang tinggal di kecamatan Duren Sawit, yaitu sebanyak1229 kepala keluarga. Pada penaksiran langsung, menduga suatu parameter hanya berdasarkan data survei dari subpopulasi merupakan tindakan yang kurang tepat, dikarenakan ukuran sampel yang didapat relatif sedikit atau terdapat subpopulasi yang tidak terpilih menjadi sampel. Untuk mengatasi hal tersebut, akan dilakukan penaksiran tidak langsung dengan metode small area estimation SAE, yaitu meminjam informasi tambahan seperti data administratif atau data sensus dari area lain atau area itu sendiri serta adanya penambahan pengaruh acak area ke dalam model. Pada penelitian ini, akan dicari taksiran proporsi pengidap penyakit kronis di kecamatan Duren Sawit menggunakan penaksiran langsung dan penaksiran tidak langsung dengan metode hierarchical Bayes pada SAE. Hasil taksiran yang didapat dari penaksiran langsung dan penaksiran tidak langsung akan dibandingkan nilai variansinya untuk menentukan taksiran mana yang lebih reliable. ...... Chronic disease is one of the health problems that are serious enough in the rest of the world. According to WHO 2017, 70 of the causes of deaths worldwide are caused by chronic disease. The Government has made some policies such as the policy that is set in a regulation of the Minister of health of the Republic of Indonesia number 71 years 2017 to control problem of chronic disease. Data and information related to the chronic diseases sufferer are required to inform the success of the implementation of the policy. The purpose of this research is to know the proportion of chronic disease sufferer in the subdistrict Duren Sawit. The data used in this research is the primary data in the form of survey data directly as well as secondary data in the form of census data from Dinas Kesehatan Dinkes 2017 and Badan Pusat Statistik BPS 2017. The sampling method used is probability sampling, thesimple random sampling with a sample size is 1 of the total heads of families living in the subdistrict Duren Sawit, that is 1229 heads of families. On direct estimation, estimating a parameter only based on survey data of subpopulations is inappropriate action, because the sample size that obtained from subpopulations relatively few or there is a subpopulation that is not selected as the sample. To overcome this, indirect estimation will be carried out with small area estimation SAE methods, which borrowed extra information such as administrative data or census data from other areas or area itself and there rsquo s an addition random area effect into the model. In this study, will look estimation of proportion for people with chronic diseasein subdistrict Duren Sawit use direct estimation and indirect estimation with hierarchical Bayes at SAE method. The results of the estimates obtained from the valuation of the direct and indirect estimation will be compared to the value of variance to determine which estimates are more reliable.

Abstrak :
Distribusi posterior adalah distribusi dari parameter dengan informasi lainnya telah diketahui. Distribusi posterior dari seluruh parameter pada model dibutuhkan untuk menaksir parameter dengan pendekatan Bayesian melalui Gibbs sampling. Gabungan dari model small area tingkat unit dan model kesalahan pengukuran dapat diselesaikan menggunakan pendekatan Bayesian. Terdapat delapan parameter (𝜃𝑖,𝑥𝑖,𝒃,𝜇𝑥,𝜎𝑒2,𝜎𝑢2,𝜎𝜂2 dan 𝜎𝑥2) pada model tersebut yang akan diperoleh distribusi posteriornya. Dalam memperoleh distribusi posterior, kesalahan dapat terjadi pada penentuan fungsi likelihood dan prior jika semua parameter lain digunakan dalam perhitungan. Sifat d-separation pada Bayesian network digunakan untuk mereduksi parameter-parameter yang tidak dibutuhkan untuk memperoleh suatu distribusi posterior. Langkah selanjutnya adalah menggunakan teorema Bayes dengan parameter yang telah tereduksi. Berdasarkan hasil teorema Bayes, dilakukan manipulasi aljabar sedemikian sehingga p.d.f. dari distribusi posterior parameter tersebut sama atau sebanding dengan p.d.f. dari suatu distribusi.

---

Posterior distribution is a distribution of a parameter with other informations are knowns. Posterior distribution of all parameter in model are required to parameter estimation by Bayesian approach with Gibbs sampling. The conjugation of small area unit level model and measurement error model could be solved by Bayesian approach. There are eight parameters (𝜃𝑖,𝑥𝑖,𝒃,𝜇𝑥,𝜎𝑒2,𝜎𝑢2,𝜎𝜂2 and 𝜎𝑥2) in the model that each posterior distribution will be obtained. In approach of obtaining posterior distribution, fallacy of likelihood function and prior selection might occur if all parameter are included. D-separation property in Bayesian network is used to reduce unnecessary parameters in obtaining the posterior distribution. In the next step, Bayes' theorem is used on reduced parameters. Based on Bayes' theorem result, aljabar manipulation is used such that posterior probability density function (p.d.f.) is same or proportional to a well-known p.d.f

Abstrak :
Dalam penerapan statistika di masyarakat, metode pengambilan sampel dilakukan untuk mendapatkan informasi tentang populasi yang menjadi fokus pengamatan. Namun karena keterbatasan dalam menjalankan metode pengambilan sampel, banyaknya sampel tersebut seringkali tidak mencukupi untuk mendapatkan taksiran yang presisi untuk populasi. Oleh karena itu, dikembangkan beberapa metode alternatif untuk menaksir parameter tersebut dengan area sampel yang jumlahnya kecil yang dibahas dalam topik Small Area Estimation. Dalam skripsi ini, dijelaskan tentang bagaimana mencari taksiran titik dari rata-rata populasi pada Small Area dengan metode Empirical Bayes berdasarkan model tingkat area. Secara umum, metode ini diawali dengan pendefinisian Model Spasial Tingkat Area, yaitu model dasar tingkat area dengan tambahan definisi model efek acak spasial pada . Model tersebut selanjutnya menjadi dasar untuk menaksir parameter rata-rata populasi dengan menggunakan Metode Empirical Bayes. Pada bagian akhir skripsi ini juga diberikan contoh penerapan metode Spatial Empirical Bayes untuk menaksir tingkat kemiskinan di Kota Depok pada tahun 2012. ...... In the application of statistics in society, sampling methods are conducted to obtain information about the populations that become a focus of observation. However, due to limitations in carrying out of sampling methods, the number of samples is often not sufficient to obtain precise estimates for the population. Therefore, several alternative methods are developed for estimating the parameters with a small number of sample areas which has covered in the topics Small Area Estimation. This paper is described about how to find a point estimation of population mean on small area with Empirical Bayes method based on area level model. In general, this method starts with defining the Spatial Area Level Model, which is the basic area level model with an additional definition of spatial random effects model for . That model then becomes basis for estimate parameter of population mean using Empirical Bayes methods. At the end, this paper also give an example of the application of Spatial Empirical Bayes methods for estimating poverty in Depok in 2012.

Abstrak :
Distribusi posterior adalah distribusi dari parameter dengan informasi lainnya telah diketahui. Distribusi posterior dari seluruh parameter pada model dibutuhkan untuk menaksir parameter dengan pendekatan Bayesian melalui Gibbs sampling. Gabungan dari model small area tingkat unit dan model kesalahan pengukuran dapat diselesaikan menggunakan pendekatan Bayesian. Terdapat delapan parameter pada model tersebut yang akan diperoleh distribusi posteriornya. Dalam memperoleh distribusi posterior, kesalahan dapat terjadi pada penentuan fungsi likelihood dan prior jika semua parameter lain digunakan dalam perhitungan. Sifat d-separation pada Bayesian network digunakan untuk mereduksi parameter-parameter yang tidak dibutuhkan untuk memperoleh suatu distribusi posterior. Langkah selanjutnya adalah menggunakan teorema Bayes dengan parameter yang telah tereduksi. Berdasarkan hasil teorema Bayes, dilakukan manipulasi aljabar sedemikian sehingga p.d.f. dari distribusi posterior parameter tersebut sama atau sebanding dengan p.d.f. dari suatu distribusi. ......Posterior distribution is a distribution of a parameter with other informations are knowns. Posterior distribution of all parameter in model are required to parameter estimation by Bayesian approach with Gibbs sampling. The conjugation of small area unit level model and measurement error model could be solved by Bayesian approach. There are eight parameters in the model that each posterior distribution will be obtained. In approach of obtaining posterior distribution, fallacy of likelihood function and prior selection might occur if all parameter are included. D separation property in Bayesian network is used to reduce unnecessary parameters in obtaining the posterior distribution. In the next step, Bayes rsquo theorem is used on reduced parameters. Based on Bayes rsquo theorem result, aljabar manipulation is used such that posterior probability density function p.d.f. is same or proportional to a well known p.d.f.

Abstrak :
Survei umumnya ditujukan untuk melakukan pendugaan parameter populasi seperti total maupun rata-rata nilai suatu domain area dengan jumlah sampel yang besar. Salah satu pendekatan dalam menduga parameter populasi dihasilkan melalui metode pendugaan langsung. Namun, pendugaan langsung seringkali kurang presisi saat ukuran sampel suatu area berukuran kecil. Selain itu, terdapat permasalahan ketika pendugaan langsung tersebut digunakan untuk suatu area dengan ukuran sampel yang kecil, yaitu akan menimbulkan standard error yang besar. Permasalahan ini kemudian diatasi dengan mengembangkan metode pendugaan parameter yang dikenal dengan metode pendugaan area kecil Small Area Estimation, SAE. Dalam skripsi ini, akan dijelaskan prosedur untuk mencari dugaan rata-rata nilai populasi pada area kecil dengan metode Spatial Empirical Best Linear Unbiased Prediction SEBLUP yang mengikuti model Simultaneously Autoregressive SAR . Secara umum, prosedur ini diawali dengan mendefinisikan model tingkat area. Kemudian, model tingkat area tersebut diperluas dengan menambahkan pengaruh spasial ke dalam pengaruh acak area. Model spasial tingkat area tersebut yang selanjutnya digunakan sebagai dasar untuk melakukan pendugaan rata-rata nilai populasi pada area kecil. ...... Surveys are generally intended to predict population parameters such as the total or mean value of a domain area with a large sample size. One approach in estimating population parameters is obtained through direct estimation methods. However, direct estimation are often less precise when the sample size of an area is small. In addition, there is a problem when the direct estimation is used for an area with a small sample size, which will cause a large standard error. This problem was then addressed by developing a method of parameter estimation known as the Small Area Estimation SAE method. In this mini thesis, we will describe the procedure to find the mean population value in a small area using Spatial Empirical Best Linear Unbiased Prediction SEBLUP method which follows Simultaneously Autoregressive SAR model. In general, this procedure begins with defining an area level model. Then, the area level model is expanded by adding spatial effects into the random effects of the area. The spatial model of the area level is then used as the basis for estimating the mean population value in a small area.