BAB I PENDAHULUAN. Cure rate models merupakan model survival yang memuat cured fraction dan
|
|
- Ivan Tan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Cure rate models merupakan model survival yang memuat cured fraction dan uncured fraction. Model ini dikembangkan untuk estimasi proporsi pasien yang sembuh (cure) dalam studi klinik. Model ini selain digunakan untuk mengestimasi proporsi pasien yang sembuh juga digunakan untuk mengestimasi probabilitas survival pasien yang tak sembuh sampai pada batas waktu yang diberikan. Oleh karena itu, model ini dinamakan model mixture. Model ini telah dikembangkan oleh Boag (1949) untuk mengestimasi proporsi pasien penderita kanker yang sembuh pada treatment yang dilakukan. Beberapa penelitian yang telah dilakukan terkait analisis berdasar model mixture di luar studi klinik dan pada studi klinik disajikan pada Tabel 1.1 dan 1.2. Tabel 1.1. Penelitian Terkait dengan Analisis Data Berdasar Model Mixture di Luar Studi Klinik No Peneliti Fokus Penelitian Model yang Digunakan 1. Lachlan dan Peel (2000) kasus kesalahan kain tenun kasus uji klinis betablocker model mixture regresi Poisson model mixture regresi logistik 2. Hum et al (2000) kasus pencemaran karbondioksida kasus kecelakaan di Michigan kasus aset finansial 3. Muthen dan Masyn (2005) kasus melanjutkan sekolah model mixture regresi linier model mixture regresi Poisson model mixture regresi logistik model mixture untuk waktu diskret 1
2 Tabel 1.2. Penelitian Terkait dengan Analisis Data Berdasar Model Mixture pada Studi Klinik No Peneliti Fokus Penelitian Model yang Digunakan 1. Boag (1949) estimasi proporsi model mixture parametrik penderita kanker yang sembuh pada treatment penderita kanker mulut dan kerongkongan, leher, kandungan, dan payudara 2. Farewell (1986) studi klinik penderita kanker payudara (PKPD) model mixture parametrik dengan algoritma EM (expectation maximization algorithm) dan asumsi PH 3. Kuk dan Chen (1992) pada distribusi failure time pasien tak sembuh 4. Maller dan Zhou (1992); Sposto et al (1992) analisis cure rate 5. Taylor (1995) estimasi distribusi failure time pasien tak sembuh 6. Ando et al (2004) analisis pada beberapa jenis penyakit kanker (tanpa missing data) metode nonparametrik dengan aplikasi asumsi PH (proportional hazard) estimator nonparametrik berdasar estimator Kaplan- Meier model mixture nonparametrik menggunakan estimator survivor Kaplan-Meier dan algoritma EM model kernel mixture survival Metode statistik standar dikembangkan untuk analisis himpunan data yang disusun dalam tabel kontingensi. Baris dari matriks data menyatakan unit, atau sering juga disebut kasus, atau subjek, tergantung pada konteks, dan kolom menyatakan variabel terukur untuk setiap unit. Entri dalam matriks data adalah bilangan real yang menyatakan nilai esensial variabel kontinu, seperti usia dan income; atau menyatakan kategori dari respon yang mungkin terurut, seperti level dalam pendidikan, atau tak terurut seperti jenis kelamin. Kadangkala nilai pada matriks data tidak terobservasi, sehingga terjadi missing data (data hilang). Missing data merupakan bagian pada hampir semua penelitian dari waktu ke waktu (Jamshidian, 2005). Missing data dapat terjadi karena suatu peralatan/perlengkapan 2
3 tidak berfungsi, suatu keadaan yang menakutkan, orang yang sedang diteliti tiba-tiba sakit atau meninggal (hilang dari pengamatan) atau pemasukan data yang tidak benar. Beberapa responden dalam suatu survey mungkin menolak melaporkan pendapatan (income) mereka, sehingga terjadi missing data. Pada percobaan industrial, missing data dapat terjadi karena kerusakan mesin atau mekanik berhenti bekerja sebelum proses eksperimen selesai. Pada survey yang menjaring opini, mungkin beberapa responden tidak dapat menyatakan pendapat mereka, sehingga tidak memberikan respon yang diinginkan. Salah satu metode yang dapat digunakan untuk analisis missing data adalah algoritma EM (Expectation Maximization Algorithm). Metode ini didasarkan pada 2 (dua) langkah yaitu: E-step dan M-step. Pada (1) E-step, menentukan distribusi missing data berdasar nilai observasi yang diketahui dan mengestimasi parameternya, dan (2) M-step yaitu substitusi missing data dengan nilai ekpektasi yang sudah diperoleh dari langkah (1). Pada studi pendahuluan untuk penderita kanker payudara (PKPD) yang dilakukan di RSUP Dr Sardjito Yogyakarta, ditemukan adanya missing data. Hal ini terungkap dari medical record five-years pasien PKPD di rumah sakit tersebut. Ada pasien-pasien yang meninggalkan kota, berpindah rumah sakit, atau berhenti berobat dalam jangka waktu tertentu, ada yang melanjutkan kembali proses perawatan dan berpotensi untuk sembuh, tetapi ada juga yang tidak diketahui status kesembuhannya. Analisis dengan model mixture yang ada, menggunakan data lengkap atau tersensor, sedangkan model mixture untuk analisis cure rate dengan missing data belum ada. Oleh karena itu, perlu dikembangkan model mixture untuk analisis cure rate dengan missing data. Pada model yang dikembangkan, algoritma EM diaplikasikan untuk mengestimasi parameter dalam model dengan langkah (1). E-step, menghitung ekspekstasi fungsi log-likelihood untuk estimasi fungsi densitas, fungsi survival dan mixture weight. M-step memuat maksimasi 3
4 fungsi log-likelihood terkait dengan estimasi fungsi densitas, fungsi survival dan mixture weight. Pada algoritma EM, baseline survival function tidak dapat dieliminasi secara lengkap. Untuk estimasi baseline survival function digunakan asumsi PH sebagaimana yang digunakan dalam model PH Cox Permasalahan Berdasarkan uraian pada latar belakang, masalah yang diteliti difokuskan pada pengembangan model mixture untuk analisis cure rate dengan missing data. Sebagai penuntun di dalam melakukan penelitian, dikemukakan pertanyaan-pertanyaan penelitian sebagai berikut. (1) Bagaimana model mixture untuk analisis cure rate dengan missing data? (2) Bagaimana mengestimasi parameter dalam model mixture untuk analisis cure rate dengan missing data? (3) Bagaimana sifat estimator dalam model mixture untuk analisis cure rate dengan missing data? (4) Bagaimana aplikasi model mixture untuk analisis cure rate PKPD dengan missing data? 1.3. Batasan Penelitian Penelitian ini merupakan penelitian yang cukup luas dan membutuhkan fasilitas yang cukup banyak, diantaranya hasil-hasil penelitian yang telah dilakukan peneliti sebelumnya, yang dipublikasikan di jurnal, data hasil studi klinik dan medical record PKPD, maupun software yang berhubungan dengan permasalahan di atas. Oleh karena itu, perlu diberikan 4
5 batasan ruang lingkup permasalahan agar lebih terfokus sesuai dengan interval waktu yang direncanakan. Adapun batasan penelitian sebagai berikut. (1) Model mixture dikembangkan dari model yang sudah ada baik model parametrik (menggunakan distribusi probabilitas standar seperti distribusi eksponensial, Weibull, Gompertz, generalized F, dan generalized gamma) maupun nonparametrik (tanpa menggunakan distribusi probabilitas standar) (2) Model ini diaplikasikan untuk estimasi cure rate PKPD dengan missing data berdasar data nyata dari studi klinik dan medical record PKPD tahun yang berobat di RSUP Dr Sardjito Yogyakarta Keaslian Penelitian Diskusi tentang model mixture parametrik dapat dilihat pada Boag (1949), Jones et al (1981), Farewell (1982, 1986), Cantor dan Shuster (1992), Ghitany et al (1994), serta Denham (1996). Secara spesifik, Farewell (1986) mengaplikasikan model ini untuk analisis pada studi klinik PKPD. Model yang telah dikembangkan, didasarkan pada data tanpa ada missing data. Model mixture nonparametrik dikembangkan oleh Kuk dan Chen (1992) untuk data lengkap, dengan mengaplikasikan asumsi PH ke distribusi failure time pasien yang tak sembuh. Metode yang digunakan analog dengan yang digunakan dalam model PH Cox. Walaupun demikian hasil dari metode ini tak dapat lepas dari pendekatan Monte-Carlo dalam hal fungsi likelihood yang sering digunakan. Taylor (1995) menggunakan estimator survivor Kaplan-Meier untuk mengestimasi distribusi failure time pasien yang tak sembuh dan algoritma EM, tetapi model ini tak menyertakan kovariat dalam distribusi failure time pasien yang tak sembuh. 5
6 Sebagaimana dikemukakan pada latar belakang, dalam praktek terutama pada studi klinik sering ditemukan adanya missing data. Hasil-hasil penelitian yang telah dilakukan (Tabel 1.1 dan 1.2) menunjukkan, analisis dengan model mixture yang tersedia menggunakan data tanpa missing data, sedangkan model mixture untuk analisis cure rate dengan missing data belum ada. Oleh karena itu, pada penelitian ini dikembangkan model mixture untuk analisis cure rate dengan missing data, disertai aplikasinya untuk analisis cure rate PKPD berdasar data nyata dari studi klinik dan medical record PKPD di RSUP Dr Sardjito Yogyakarta Manfaat Penelitian Pada penelitian ini ada 2 (dua) kajian utama, yaitu: kajian teoritik dan kajian aplikasi (terapan). Berdasar dua kajian tersebut diharapkan dapat memberikan manfaat sebagai berikut. (1) Hasil kajian dapat dimanfaatkan sebagai salah satu prosedur yang dapat memberi kemudahan penelitian lebih lanjut tentang analisis survival, khususnya yang terkait dengan model mixture. (2) Hasil kajian ini dapat dimanfaatkan untuk solusi problematika terkait dengan cure rate untuk pasien berpotensi sembuh, terutama jika terdapat missing data. (3) Hasil kajian ini merupakan sumbangan bagi pengembangan ilmu pengetahuan dan teknologi, terkait dengan analisis statistika dalam ilmu perilaku (behavioral science) dan studi klinik terkait dengan pasien dengan waktu penyembuhan yang lama (seperti kanker, tumor, HIV, dan sebagainya) 6
7 (4) Hasil analisis data berdasarkan medical record PKPD di RSUP Dr Sardjito Yogyakarta memberikan sumbangan untuk cleaning data yang sangat berguna untuk analisis terkait dengan pengobatan PKPD di RSUP Dr Sardjito Yogyakarta. (5) Pemrograman iterasi Newton Raphson berbantuan soft-ware Matlab yang dihasilkan dapat dimanfaatkan untuk analisis cure rate berdasar model mixture Weibull dan memberi inspirasi untuk pengembangan soft-ware yang lain untuk analisis pada model mixture untuk kasus yang berbeda Tujuan Penelitian Penelitian ini bertujuan untuk mengembangkan model mixture untuk analisis cure rate dengan missing data, melalui cara: (1) menentukan model mixture untuk analisis cure rate dengan missing data (2) melakukan estimasi parameter dalam model mixture untuk analisis cure rate dengan missing data (3) mengkaji sifat-sifat estimator yang diperoleh dalam model mixture untuk analisis cure rate dengan missing data (4) mengaplikasikan model mixture untuk analisis cure rate berbasis missing data berdasar data nyata yang diperoleh dari studi klinik dan medical record PKPD di RSUP Dr Sardjito Yogyakarta 1.7. Tinjauan Pustaka Model mixture pada awalnya dikembangkan oleh Boag (1949) untuk mengestimasi proporsi pasien yang sembuh pada treatment penderita kanker mulut dan kerongkongan, leher, kandungan, dan payudara. Model ini dinamakan model mixture karena dapat 7
8 mengestimasi proporsi pasien yang sembuh dan fungsi survival pasien tak sembuh. Dalam perkembangannya dikenal model mixture parametrik dan model mixture nonparametrik. Model mixture dikatakan model (cure) mixture parametrik jika menggunakan distribusi probabilitas standar seperti distribusi eksponensial, Weibull, Gompertz, dan generalized F. Secara umum, distribusi yang digunakan dalam model mixture parametrik adalah generalized gamma. Diskusi tentang model mixture parametrik dapat dilihat pada Boag (1949), Jones et al (1981), Farewell (1982, 1986), Cantor dan Shuster (1992), Ghitany et al (1994) serta Denham et al (1996). Model mixture tanpa menggunakan distribusi probabilitas standar dinamakan model (cure) mixture nonparametrik. Model mixture nonparametrik dikembangkan oleh Kuk dan Chen (1992), dengan mengaplikasikan asumsi PH pada distribusi failure time pasien tak sembuh. Metode ini analog dengan model PH Cox (nonparametrik) yang tak lepas dari pendekatan Monte-Carlo dan fungsi likelihood. Taylor (1995) menggunakan estimator survivor Kaplan-Meier untuk mengestimasi distribusi failure time pasien tak sembuh dan algoritma EM, tetapi model ini tidak menyertakan kovariat dalam distribusi failure time pasien yang tak sembuh. Farewell (1986) mengembangkan model mixture parametrik untuk analisis waktu kambuh atau meninggal untuk 3 (tiga) treatment theraphy 139 penderita kanker payudara sebagai kasus khusus. Pada studi yang dilakukan, Farwell juga mengamati 4 (empat) faktor lain yang diperkirakan mempengaruhi ketahanan hidup penderita kanker payudara, yaitu : clinical stage, pathological stage, histological stage dan banyak lymph nodes yang tertular. Problem yang menarik pada studi klinik tersebut adalah proporsi pasien yang mungkin sembuh dan efek treatment serta faktor-faktor yang mempengaruhi ketahanan hidup penderita kanker payudara serta distribusi failure time pasien yang tak sembuh (uncured). 8
9 Model mixture yang dikembangkan, didasarkan pada distribusi tahan hidup Weibull tanpa adanya missing data. Dalam perkembangannya, model mixture tidak hanya digunakan untuk pemodelan pada studi klinik, tetapi juga digunakan untuk studi di luar klinik sebagaimana dapat dilihat pada Tabel 1.1 dan Tabel 1.2 di atas. Model yang digunakan meliputi model mixture parametrik dan model mixture non parametrik. Aplikasi model mixture untuk berbagai kasus terkait memberikan inspirasi untuk penelitian lanjutan. Untuk mengestimasi parameter dalam model mixture dapat menggunakan metode maksimum likelihood (ML). Dempster et al (1977) menguraikan metode umum untuk menentukan MLE (maximum-likelihood estimates) jika ada missing data. Metode ini dapat digunakan seperti pada metode parametrik dengan asumsi model mixture untuk data dengan distribusi berbeda untuk cluster dan proporsi data hilang yang tak diketahui. Selain ML, metode yang dapat digunakan adalah algoritma EM (Expectation Maximization). Metode ini didasarkan pada 2 (dua) langkah, yaitu: (1) Epectation Step untuk menentukan distribusi missing data berdasar nilai observasi yang diketahui dan mengestimasi parameternya, dan (2) Maximization Step, yaitu subtitusi data hilang dengan nilai ekpektasi yang sudah diperoleh dari langkah (1) Algoritma EM merupakan pendekatan iterasi untuk mempelajari model dari data dengan nilai hilang melalui 4 (empat) langkah, yaitu (1) memilih himpunan inisial dari parameter untuk sebuah model, (2) menentukan nilai ekspektasi untuk data hilang, (3) membuat induksi parameter model baru dari gabungan nilai ekspekstasi dan data asli, dan (4) mengulangi langkah 2 menggunakan model baru jika parameter tidak converged. Jika statistik cukup dari data lengkap merupakan fungsi linier dari data, maka algoritmanya dapat dipecahkan dengan sederhana. Dalam E-step, observasi dengan missing 9
10 data, ekspektasi bersyarat dari data observasi yang diberikan ditukarkan dengan vektor parameter. Pada M-step, perbedaan dibuat antara data observasi dan data yang berkaitan. Schafer (1999) mengembangkan algoritma EM untuk data hilang. Jika diketahui nilai data yang hilang, maka estimasi model parameter menjadi sangat mudah. Demikian juga jika parameter model diketahui, maka estimasi tak bias untuk nilai data yang hilang dapat diperoleh. Metode yang dilakukan adalah dengan mengestimasi parameter pada basis data, kemudian mengestimasi data hilang pada basis data untuk parameter terkait. Dari langkah ini diperoleh estimasi varians, kovarians dan mean berdasar listwise deletion. Hasil estimasi digunakan untuk menentukan koefisien regresi, kemudian digunakan untuk mengestimasi data hilang berdasar koefisien regresi tersebut. Ada alternatif lain untuk MLE yang lebih baik dibandingkan dengan hasil dari algoritma EM, tetapi harus dipenuhi asumsi model (biasanya berdistribusi normal multivariat) untuk distribusi dari variabel dengan missing data. Alternatif untuk MLE tersebut dikenal dengan Multiple Imputation yang didasarkan pada matriks kovarians dan vektor mean. Di bawah model normal multivariat, imputasi dari observasi didasarkan pada regresi dari variabel dengan missing data atas variabel lain pada data set Outline Disertasi Disertasi ini terdiri dari 6 (enam) bab bahasan. Bab I, pendahuluan, mencakup tentang latar belakang masalah, permasalahan, batasan penelitian, keaslian penelitian, manfaat penelitian, tujuan penelitian, tinjauan pustaka dan outline disertasi. Bab II, konsep dasar analisis survival, berisi tentang teori-teori dan hasil-hasil penelitian terdahulu yang mendukung penyelesaian permasalahan penelitian dalam disertasi. Pada bab ini dikemukakan tentang konsep dasar distribusi tahan hidup, analisis survival penderita kanker payudara, 10
11 distribusi Weibull, missing data, dan model proporsional hazard Cox. Bab III, analisis survival berdasar model mixture, berisi model mixture, algoritma EM untuk model mixture, proporsional hazard untuk model mixture, serta metode Kuk dan Chen. Bab IV, model mixture untuk analisis cure rate jika ada missing data, berisi tentang model mixture untuk analisis cure rate jika ada missing data, estimasi parameter dalam model mixture untuk analisis cure rate jika ada missing data, dan kajian sifat-sifat estimator dalam model mixture untuk analisis cure rate jika ada missing data. Bab V, aplikasi model mixture untuk analisis cure rate dengan missing data berdasar data nyata yang diperoleh dari studi klinik PKPD. Pada bab ini diuraikan kajian tentang kanker payudara dan aplikasi model mixture untuk analisis cure rate PKPD dengan missing data. Bab VI, penutup, berisi simpulan dan masalah terbuka untuk penelitian lanjutan. 11
BAB II KAJIAN TEORI. Analisis survival atau analisis ketahanan hidup adalah metode yang
BAB II KAJIAN TEORI BAB II KAJIAN TEORI A. Analisis Survival Analisis survival atau analisis ketahanan hidup adalah metode yang berhubungan dengan jangka waktu, dari awal pengamatan sampai suatu kejadian
Lebih terperinciterdefinisi. Oleh karena itu, estimasi resiko kematian pasien dapat diperoleh berdasarkan nilai hazard ratio. Model hazard proporsional parametrik
BAB I PENDAHULUAN 1.1 Latar Belakang Waktu tahan hidup (survival) merupakan waktu tunggu hingga terjadinya suatu kejadian (event) tertentu. Pada bidang kesehatan, event dapat dianggap sebagai suatu kegagalan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Secara umum, analisis survival dapat didefinisikan sebagai seperangkat metode yang digunakan untuk menganalisis data di mana variabel outputnya berupa lama
Lebih terperinciBAB III PERLUASAN MODEL REGRESI COX PROPORTIONAL HAZARD DENGAN VARIABEL TERIKAT OLEH WAKTU
BAB III PERLUASAN MODEL REGRESI COX PROPORTIONAL HAZARD DENGAN VARIABEL TERIKAT OLEH WAKTU 3.1 Model Regresi Cox Proportional Hazard dengan Variabel Terikat oleh Waktu Model regresi Cox proportional hazard
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Dewasa ini banyak sekali penyakit berbahaya yang muncul dalam dunia kesehatan. Penyakit-penyakit ini bukan lagi diturunkan melalui faktor gen namun gaya hidup (pola
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Analisis regresi merupakan suatu metode dalam statistik yang popular, karena banyak digunakan pada penelitian dalam berbagai bidang. Contoh dari penggunaan
Lebih terperinciBAB III LANDASAN TEORI. analisis kesintasan bertujuan menaksir probabilitas kelangsungan hidup, kekambuhan,
17 BAB III LANDASAN TEORI 3.1 Data Analisis Survival (Survival Analysis) Analisis survival (survival analysis) atau analisis kelangsungan hidup atau analisis kesintasan bertujuan menaksir probabilitas
Lebih terperinciDAFTAR ISI. Halaman. viii
DAFTAR ISI Halaman HALAMAN JUDUL... i HALAMAN PENGESAHAN... ii KATA PENGANTAR... iv ABSTRAK... vi ABSTACT... vii DAFTAR ISI... viii DAFTAR SIMBOL... xi DAFTAR TABEL... xiii DAFTAR GAMBAR... xiv DAFTAR
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Analisis survival merupakan metode statistik yang digunakan untuk analisis pada data-data survival. Data survival merujuk pada data antar kejadian, yaitu data
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang Permasalahan Estimasi fungsi survival atau biasa disebut regresi fungsi survival merupakan bagian penting dari analisis survival. Estimasi ini biasa digunakan dalam
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis survival adalah analisis data yang memanfaatkan informasi kronologis dari suatu kejadian atau peristiwa (event). Respon yang diperhatikan adalah waktu sampai
Lebih terperinciBAB II TINJAUAN PUSTAKA. diperhatikan adalah jangka waktu dari awal pengamatan sampai suatu event
BAB II TINJAUAN PUSTAKA A. Analisis Survival Analisis survival merupakan suatu analisis data dimana variabel yang diperhatikan adalah jangka waktu dari awal pengamatan sampai suatu event terjadi dengan
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Data tahan hidup atau data survival adalah lama waktu sampai suatu peristiwa terjadi. Istilah data survival sendiri banyak digunakan dalam bidang ilmu kesehatan, epidemiologi,
Lebih terperinciMODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL SKRIPSI
MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL SKRIPSI Oleh : WINDA FAATI KARTIKA J2E 006 039 PRODI STATISTIKA JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN
Lebih terperinciBAB I PENDAHULUAN. Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang
BAB I PENDAHULUAN 1.1 Latar Belakang Waktu hidup adalah waktu terjadinya suatu peristiwa. Peristiwa yang dimaksud di sini adalah peristiwa kegagalan yang dapat berupa tidak berfungsinya benda tersebut
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 21 Beberapa Pengertian Definisi 1 [Ruang Contoh] Ruang contoh adalah himpunan semua hasil yang mungkin dari suatu percobaan acak, dan dinotasikan dengan (Grimmet dan Stirzaker,1992)
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam penelitian-penelitian di bidang kesehatan sering dijumpai salah satu jenis data yang disebut dengan data antar kejadian atau data survival. Data survival
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Data antar kejadian (time-to-event data) adalah data lama waktu sampai suatu peristiwa terjadi atau sering disebut data survival. Untuk memperoleh data antar
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam kehidupan sehari-hari manusia selalu dihadapkan dengan berbagai macam kejadian/peristiwa (event). Meskipun begitu, tidak semua peristiwa tersebut menjadi
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis survival adalah suatu metode yang berhubungan dengan waktu, mulai dari time origin atau start point sampai terjadinya suatu kejadian khusus atau end point.
Lebih terperinciPenerapan Model Frailty Weibull-Eksponensial pada Data Tabel Mortalitas Indonesia Tahun 1999
Prosiding Statistika ISSN: 2460-6456 Penerapan Model Frailty Weibull-Eksponensial pada Data Tabel Mortalitas Indonesia Tahun 1999 1 Anjalina Kusumawardhani, 2 Aceng Komarudin Mutaqin, 3 Lisnur Wachidah
Lebih terperinciBAB 1 PENDAHULUAN Latar Belakang
BAB 1 PENDAHULUAN 1.1. Latar Belakang Dalam pembicaraan statistik, jawaban yang diinginkan adalah jawaban untuk ruang lingkup yang lebih luas, yakni populasi. Tetapi objek dari studi ini menggunakan sampel
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Ada banyak penelitian yang outcome nya berkaitan dengan lama waktu. Secara umum waktu ini dikatakan waktu kesintasan. Banyak metode analisis yang dapat digunakan untuk
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis data survival merujuk pada sekumpulan metode statistika digunakan untuk menganalisis data antar kejadian, dimana variabel outputnya berupa lama waktu
Lebih terperinciMODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL. Jln. Prof. H. Soedarto, S.H., Tembalang, Semarang.
MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI EKSPONENSIAL Winda Faati Kartika 1, Triastuti Wuryandari 2 1, 2) Program Studi Statistika Jurusan Matematika FMIPA Universitas Diponegoro
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Di negara-negara berkembang termasuk di Indonesia terdapat banyak kasus yang berkaitan dengan kesehatan, salah satunya adalah munculnya penyakit, baik menular
Lebih terperinciBAB II TINJAUAN PUSTAKA. penulisan skripsi. Teori penunjang tersebut adalah: Regresi logistik, analisis survival,
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Sebelum melalukan pembahasan mengenai permasalahan dari skripsi ini, pada bab ini akan diuraikan beberapa teori penunjang yang dapat membantu dalam penulisan skripsi.
Lebih terperinciLANDASAN TEORI. menyatakan hubungan antara variabel respon Y dengan variabel-variabel
5 II. LANDASAN TEORI 2.1 Model Regresi Poisson Analisis regresi merupakan metode statistika yang populer digunakan untuk menyatakan hubungan antara variabel respon Y dengan variabel-variabel prediktor
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis data survival yaitu kumpulan dari beberapa metode untuk menganalisis data yang terjadi dari titik asal sampai terjadinya event. Pada analisis survival terdapat
Lebih terperinciANALISIS CURE RATE PENDERITA KANKER PAYUDARA BERDASAR PEMODELAN REGRESI COX
ANALISIS CURE RATE PENDERITA KANKER PAYUDARA BERDASAR PEMODELAN REGRESI COX Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Negeri Semarang e-mail: noengkd_unnes@yahoo.co.id
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Banyak jenis data memiliki struktur hirarki, tercluster, atau bersarang (nested). Hirarki tersebut dapat hadir secara alami dalam pengamatan observasional
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciBAB I PENDAHULUAN. menganalisis data dimana variabel yang diperhatikan adalah jangka waktu
BAB I PENDAHULUAN A. Latar Belakang Masalah Analisis survival merupakan prosedur statistika yang digunakan untuk menganalisis data dimana variabel yang diperhatikan adalah jangka waktu dari awal pengamatan
Lebih terperinciBAB III MODEL REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON
BAB III MODEL REGRESI BINOMIAL NEGATIF UNTUK MENGATASI OVERDISPERSI PADA MODEL REGRESI POISSON 3.1 Regresi Poisson Regresi Poisson merupakan salah satu model regresi dengan variabel responnya tidak berasal
Lebih terperinciBAB 2 LANDASAN TEORI. 2.1 Analisis Survival
BAB 2 LANDASAN TEORI Pada bab ini akan dipaparkan teori-teori yang menjadi dasar dan landasan dalam penelitian sehingga membantu mempermudah pembahasan bab selanjutnya dan pembahasan utama dalam penelitian
Lebih terperinciANALISIS DATA UJI HIDUP
DESKRIPSI MATA KULIAH ANALISIS DATA UJI HIDUP Setelah mengikuti mata kuliah ini diharapkan mahasiswa memiliki pengetahuan, pemahaman dan kemampuan untuk mengkaji distribusi-distribusi waktu hidup, serta
Lebih terperinciSATUAN ACARA PERKULIAHAN MATA KULIAH : ANALISIS DATA UJI HIDUP KODE MATA KULIAH : MAA SKS
SATUAN ACARA PERKULIAHAN MATA KULIAH : ANALISIS DATA UJI HIDUP KODE MATA KULIAH : MAA 516 3 SKS MINGGU 1 Pendahuluan dan - Pengertian Dasar soal-soal 2 Konsep-Konsep Dasar untuk Hidup Model Kontinu 1.
Lebih terperinciBAB 1 PENDAHULUAN. Penyakit Tuberkulosis atau yg lebih dikenal dengan nama TB Paru merupakan
BAB 1 PENDAHULUAN 1.1. Latar belakang penelitian Penyakit Tuberkulosis atau yg lebih dikenal dengan nama TB Paru merupakan penyakit menular yang disebabkan oleh bakteri Mycobacteryum tuberculosis. Penyakit
Lebih terperinciREGRESI COX MULTIVARIAT DENGAN DISTRIBUSI WIEBULL MULTIVARIAT
1 Seminar Nasional Statistika IX Institut Teknologi Sepuluh Nopember, 7 November 2009 REGRESI COX MULTIVARIAT DENGAN DISTRIBUSI WIEBULL MULTIVARIAT 1 Irfan Wahyudi 1 Mahasiswa S-3 Statistika FMIPA ITS,
Lebih terperinciISSN: JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman Online di:
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 5, Nomor 4, Tahun 2016, Halaman 781-790 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian ANALISIS KETAHANAN HIDUP PENDERITA TUBERKULOSIS DENGAN MENGGUNAKAN
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Distribusi probabilitas binomial adalah distribusi probabilitas diskrit yang paling sering digunakan untuk merepresentasikan kejadian dalam kehidupan sehari-hari.
Lebih terperinciMasalah Overdispersi dalam Model Regresi Logistik Multinomial
Statistika, Vol. 16 No. 1, 29 39 Mei 2016 Masalah Overdispersi dalam Model Regresi Logistik Multinomial Annisa Lisa Nurjanah, Nusar Hajarisman, Teti Sofia Yanti Prodi Statistika, Fakultas Matematika dan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis regresi adalah suatu metode yang digunakan untuk menganalisa hubungan antara variabel respon dan variabel prediktor. Pada umumnya analisis regresi
Lebih terperinciBAB 1 PENDAHULUAN. namun adakalanya angka-angka tersebut semata-mata dikumpulkan tanpa maksud atau
1 BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Saat ini seringkali digunakan data yang umumnya berupa kumpulan angka, namun adakalanya angka-angka tersebut semata-mata dikumpulkan tanpa maksud atau alasan
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang Masalah
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Missing data atau data hilang adalah informasi yang tidak tersedia dalam sebuah subyek atau kasus. Fenomena missing data banyak dijumpai dalam survei. Banyak
Lebih terperinciANALISIS SURVIVAL UNTUK MENGETAHUI LAJU KESEMBUHAN PENYAKIT TB PARU di JAKARTA BERBASIS DESKTOP APPLICATION
ANALISIS SURVIVAL UNTUK MENGETAHUI LAJU KESEMBUHAN PENYAKIT TB PARU di JAKARTA BERBASIS DESKTOP APPLICATION Indra Maulana., Rokhana D.B., Franky H.M. Universitas Bina Nusantara Jl. Kebon Jeruk No. 27,
Lebih terperinciPenaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar
Vol.14, No. 2, 159-165, Januari 2018 Penaksiran Parameter Regresi Linier Logistik dengan Metode Maksimum Likelihood Lokal pada Resiko Kanker Payudara di Makassar Sutrianah Burhan 1, Andi Kresna Jaya 1
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Regresi Poisson telah mendapat banyak perhatian dalam literatur sebagai model untuk mendeskripsikan data hitungan yang mengasumsikan nilai bilangan bulat sesuai dengan
Lebih terperinciKAJIAN METODE IMPUTASI DALAM MENANGANI MISSING DATA. Triyani Hendrawati Staf Pengajar Statistika Universitas Padjadjaran
KAJIAN METODE IMPUTASI DALAM MENANGANI MISSING DATA Triyani Hendrawati Staf Pengajar Statistika Universitas Padjadjaran triyani.hendrawati@gmail.com ABSTRAK. Pada sebuah survey, adakalanya tidak semua
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Perkembangan teori statistika telah mempengaruhi hampir semua aspek kehidupan. Hal ini disebabkan statistika merupakan salah satu disiplin ilmu yang berperan
Lebih terperinciPEMODELAN REGRESI COX DAN REGRESI WEIBULL WAKTU SEMBUH DIARE PADA BALITA
Jurnal UJMC, Volume 2, Nomor 1, Hal. 50-55 pissn : 2460-3333 eissn : 2579-907X PEMODELAN REGRESI COX DAN REGRESI WEIBULL WAKTU SEMBUH DIARE PADA BALITA Siti Alfiatur Rohmaniah 1 dan Danardono 2 1 Universitas
Lebih terperinciBAB I PENDAHULUAN. Menurut Lee (2001), terdapat tiga faktor yang dibutuhkan dalam menentukan waktu survival, yaitu:
BAB I PENDAHULUAN 1.1. Latar Belakang Masalah Dalam kehidupan sehari-hari, manusia tidak terlepas dari berbagai macam peristiwa (event) yang dialami. Peristiwa-peristiwa tersebut dapat berupa kebahagiaan
Lebih terperinciESTIMASI INTERVAL KEPERCAYAAN (CONFIDENCE INTERVAL) PARAMETER MODEL PROSES GEOMETRIK WEIBULL PADA ANALISIS UJI HIDUP UNTUK DATA TERSENSOR TIPE II
ESTIMASI INTERVAL KEPERCAYAAN (CONFIDENCE INTERVAL) PARAMETER MODEL PROSES GEOMETRIK WEIBULL PADA ANALISIS UJI HIDUP UNTUK DATA TERSENSOR TIPE II Asep Solih A 1* Rini Cahyandari 2 Tarkinih 3 123 Program
Lebih terperinciBAB I PENDAHULUAN. tinjauan pustaka dan sistematika penulisan Tesis yaitu sebagai berikut.
BAB I PENDAHULUAN Pada bab ini dijelaskan mengenai latar belakang yang mendasari penelitian ini. Berdasarkan latar belakang yang telah disusun, ditentukan tujuan penelitian agar penelitian ini memiliki
Lebih terperinciII. TINJAUAN PUSTAKA. Analisis survival (survival analysis) atau analisis kelangsungan hidup bertujuan
II. TINJAUAN PUSTAKA 2.1 Analisis Survival Analisis survival (survival analysis) atau analisis kelangsungan hidup bertujuan menduga probabilitas kelangsungan hidup, kekambuhan, kematian, dan peristiwaperistiwa
Lebih terperinciMODEL REGRESI COX PROPORSIONAL HAZARD PADA DATA KETAHANAN HIDUP. Abstract
Model Regresi (Tuan Hanni) MODEL REGRESI COX PROPORSIONAL HAZARD PADA DATA KETAHANAN HIDUP Tuan Hanni 1, Triastuti Wuryandari 2 1 Alumni Jurusan Statistika FSM UNDIP 2 Staf Pengaar Jurusan Statistika FSM
Lebih terperinciPRODI S1 STATISTIKA FMIPA-ITS RENCANA PEMBELAJARAN Analisis Survival Kode/SKS: SS / (2/1/0) Dosen : SWP Semester :
RP-S1-SLK-03 Kurikulum 2014, Edisi : September-2014.Revisi : 00 Hal: 1 dari 5 A. CAPAIAN PEMBELAJARAN : 1. CP 3.2 : Melakukan analisis data dengan menggunakan program statistik 2. CP 5.1 : Menganalisis
Lebih terperinciBAB I PENDAHULUAN. statistik untuk menganalisis data dengan variabel terikat yang diperhatikan berupa
BAB I PENDAHULUAN BAB I PENDAHULUAN A. Latar Belakang Analisis survival atau analisis data ketahanan hidup adalah suatu metode statistik untuk menganalisis data dengan variabel terikat yang diperhatikan
Lebih terperinciPROSIDING Kajian Ilmiah Dosen Sulbar ISBN: FAKTOR-FAKTOR YANG MEMPENGARUHI WAKTU SEMBUH ALERGI DENGAN ANALISIS SURVIVAL
FAKTOR-FAKTOR YANG MEMPENGARUHI WAKTU SEMBUH ALERGI DENGAN ANALISIS SURVIVAL Hikmah FMIPA Universitas Sulawesi Barat hikmah.ugm@gmail.com Abstrak Faktor waktu sembuh penyakit alergi dan perbedaan waktu
Lebih terperinciII. TINJAUAN PUSTAKA. Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E
5 II. TINJAUAN PUSTAKA 2.1 Konsep Dasar Peluang Ruang sampel S adalah himpunan semua hasil dari suatu percobaan. Kejadian E adalah himpunan bagian dari ruang sampel. Peluang suatu kejadian P(E) adalah
Lebih terperinciBAB I PENDAHULUAN. yang perlu diketahui, yang disebut sebagai variabel. Variabel adalah sebuah
BAB I PENDAHULUAN 1.1. Latar Belakang Dalam melakukan inferensi terhadap populasi, tidak semua ciri populasi harus diketahui, hanya satu atau beberapa karakteristik populasi yang perlu diketahui, yang
Lebih terperinciRESIDUAL COX-SNELL DALAM MENENTUKAN MODEL TERBAIK DALAM ANALISIS SURVIVAL
Jurnal Dinamika, September 204, halaman - ISSN 2087-7889 Vol. 05. No. 2 RESIDUAL COX-SNELL DALAM MENENTUKAN MODEL TERBAIK DALAM ANALISIS SURVIVAL Rahmat Hidayat Program Studi Matematika, Fakultas Sains
Lebih terperinciBAB III PEMBAHASAN. extended untuk mengatasi nonproportional hazard dan penerapannya pada kasus
BAB III PEMBAHASAN BAB III PEMBAHASAN Pada Bab III ini akan dibahas tentang prosedur pembentukan model Cox extended untuk mengatasi nonproportional hazard dan penerapannya pada kasus kejadian bersama yaitu
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Analisis data survival merupakan salah satu bidang dalam statistika yang digunakan untuk menganalisis data yang mengukur waktu terjadinya suatu kejadian ( event).
Lebih terperinciKONSEP DASAR TERKAIT METODE BAYES
KONSEP DASAR TERKAIT METODE BAYES 2.3. Peubah Acak dan Distribusi Peluang Pada statistika kita melakukan percobaan dimana percobaan tersebut akan menghasilkan suatu peluang. Ruang sampel pada percobaan
Lebih terperinciOLEH : Riana Ekawati ( ) Dosen Pembimbing : Dra. Farida Agustini W, M.S
OLEH : Riana Ekawati (1205 100 014) Dosen Pembimbing : Dra. Farida Agustini W, M.S Salah satu bagian penting dari statistika inferensia adalah estimasi titik. Estimasi titik mendasari terbentuknya inferensi
Lebih terperinciBAB II TINJAUAN PUSTAKA. (Kleinbaum dan Klein, 2005). Persson (2002) mengatakan data sintasan adalah
BAB II TINJAUAN PUSTAKA 2.1. Analisis Sintasan 2.1.1. Pengertian Analisis Sintasan Analisis sintasan adalah kumpulan dari proses statistik untuk menganalisis data yang mana peubah yang diteliti adalah
Lebih terperinciBAB I PENDAHULUAN. Dalam penelitian di dunia teknologi, khususnya bidang industri dan medis
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Dalam penelitian di dunia teknologi, khususnya bidang industri dan medis sering kali analisis data uji hidup digunakan. Analisis data uji hidup sendiri bertujuan
Lebih terperinciBAB 4 ANALSIS DAN BAHASAN. Tuberculosis (TB Paru) berdasarkan variabel usia, jenis kelamin, perilaku
BAB 4 ANALSIS DAN BAHASAN 4.1. Analisis Data dan Bahasan 4.1.1. Analsis Deskriptif Analisis deskriptif berikut ini menjelaskan kateristik pasien penderita Tuberculosis (TB Paru) berdasarkan variabel usia,
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Analisis regresi merupakan salah satu analisis yang paling populer digunakan dalam sebuah penelitian untuk mengetahui bentuk hubungan antara variabel
Lebih terperinciBAB II TINJAUAN PUSTAKA. variabel prediktor terhadap variabel respons. Hubungan fungsional
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Dalam ilmu statistika, metode yang dapat digunakan untuk menganalisis pola hubungan antara satu variabel atau lebih dengan satu variabel atau lebih lainnya
Lebih terperinciBAB III SURVIVAL ANALYSIS UNTUK MENGUJI RELIABILITAS PRODUK DAN PENENTUAN GARANSI PRODUK 3.1 Garansi
BAB III SURVIVAL ANALYSIS UNTUK MENGUJI RELIABILITAS PRODUK DAN PENENTUAN GARANSI PRODUK 3.1 Garansi Garansi dapat diartikan sebagai jaminan yang diberikan secara tertulis oleh pabrik atau supplier kepada
Lebih terperinciKAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN SIX SIGMA. Victoria Dwi Murti 1, Sudarno 2, Suparti 3
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 241-248 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian KAJIAN DATA KETAHANAN HIDUP TERSENSOR TIPE I BERDISTRIBUSI EKSPONENSIAL DAN
Lebih terperinciAnalisis Survival Parametrik Pada Data Tracer Study Universitas Sriwijaya
Analisis Survival Parametrik Pada Data Tracer Study Universitas Sriwijaya Alfensi Faruk Jurusan Matematika, Fakultas MIPA, Universitas Sriwijaya e-mail: alfensifaruk@unsri.ac.id Abstract: In this study,
Lebih terperinciPENAKSIRAN PARAMETER MODEL REGRESI POISSON DENGAN METODE EXACT GENERALIZED ESTIMATING EQUATIONS (EGEE) UNTUK MULTIPLE-RANDOM EFFECTS
PENAKSIRAN PARAMETER MODEL REGRESI POISSON DENGAN METODE EXACT GENERALIZED ESTIMATING EQUATIONS (EGEE) UNTUK MULTIPLE-RANDOM EFFECTS Anisah Nurul Hayati Pembimbing : Dr. Yekti Widyaningsih, M.Si dan Dr.
Lebih terperinciPenaksiran Parameter Model Kalibrasi Linier yang Berdistribusi Skew-Normal dengan Algoritma-EM
Vol. 12, No. 1, 36-47, Juli 2015 Penaksiran Parameter Model Kalibrasi Linier yang Berdistribusi Skew-Normal dengan Algoritma-EM Try Widyaiswara Hairil 1, Anna Islamiyati 1, Raupong 1 Abstrak Sebuah penelitian
Lebih terperinciBAB IV HASIL DAN PEMBAHASAN
7 BAB IV HASIL DAN PEMBAHASAN Metode yang digunakan untuk menganalisis keberlanjutan studi dalam wajib belajar 6 tahun (SD/MI) adalah metode Life Table, Kaplan-Meier, dan hazard proporsional Cox. 4.1 Metode
Lebih terperinciMODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI LOG-LOGISTIK ABSTRAK
JURNAL GAUSSIAN, Volume 1, Nomor 1, Tahun 2012, Halaman 83-92 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian MODEL REGRESI DATA TAHAN HIDUP TERSENSOR TIPE III BERDISTRIBUSI LOG-LOGISTIK Ibnu
Lebih terperinciESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER
ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER 1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar belakang
BAB I PENDAHULUAN 1.1 Latar belakang Analisis regresi merupakan salah satu metode statistika yang digunakan untuk mengetahui hubungan antara variabel Y(variabel dependen, respon, tak bebas, outcome) dengan
Lebih terperinciAlgoritma Expectation-Maximization(EM) Untuk Estimasi Distribusi Mixture
Vol. 4, No., Oktober 04 Algoritma Expectation-Maximization(EM) Untuk Estimasi Distribusi Mixture Tomy Angga Kusuma ), Suparman ) ) Program Studi Matematika FMIPA UAD ) Program Studi Pend. Matematika UAD
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Di zaman sekarang, kemajuan sains dan teknologi sangat berkembang pesat. Salah satu ilmu yang berkembang adalah matematika yang merupakan induk dari semua ilmu
Lebih terperinciANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK.
ANALISA KEANDALAN PADA PERALATAN UNIT PENGGILINGAN AKHIR SEMEN UNTUK MENENTUKAN JADWAL PERAWATAN MESIN (STUDI KASUS PT. SEMEN INDONESIA PERSERO TBK.) I Gusti Ngr. Rai Usadha 1), Valeriana Lukitosari 2),
Lebih terperinciModel Regresi Zero Inflated Poisson Pada Data Overdispersion
Model Regresi Zero Inflated Poisson Pada Data Overdispersion Wirajaya Kusuma Fakultas MIPA, Universitas Mataram e-mail: Kusuma_Wirajaya@yahoo.co.id Desy Komalasari Fakultas MIPA, Universitas Mataram e-mail:
Lebih terperinciBAB IV KESIMPULAN DAFTAR PUSTAKA LAMPIRAN... 64
DAFTAR ISI Halaman HALAMAN JUDUL... ii HALAMAN PENGESAHAN... iii KATA PENGANTAR... v ABSTRAK... vii ABSTACT... viii DAFTAR ISI... ix DAFTAR SIMBOL... xii DAFTAR TABEL... xiv DAFTAR GAMBAR... xv DAFTAR
Lebih terperinciESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER
1 ESTIMASI PARAMETER DISTRIBUSI WEIBULL DENGAN TRANSFORMASI MODEL REGRESI MENGGUNAKAN METODE KUADRAT TERKECIL LINIER A. Musdalifa, Raupong, Anna Islamiyati Abstrak Estimasi parameter adalah merupakan hal
Lebih terperinciESTIMASI CONFIDENCE INTERVAL BOOTSTRAP UNTUK ANALISIS DATA SAMPEL TERBATAS
ESTIMASI CONFIDENCE INTERVAL BOOTSTRAP UNTUK ANALISIS DATA SAMPEL TERBATAS Asep Solih A* Abstrak Dalam analisis data seringkali peneliti ingin mengetahui karakteristik data penelitian seperti jenis distribusi,
Lebih terperinciAPLIKASI METODE KAPLAN MEIER UNTUK MENDUGA SELANG WAKTU KETAHANAN HIDUP (Studi Kasus: Pasien Kanker Payudara di Rumah Sakit Panti Rapih Yogyakarta)
APLIKASI METODE KAPLAN MEIER UNTUK MENDUGA SELANG WAKTU KETAHANAN HIDUP (Studi Kasus: Pasien Kanker Payudara di Rumah Sakit Panti Rapih Yogyakarta) Tugas Akhir Diajukan untuk Memenuhi Salah Satu Syarat
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang
BAB I PENDAHULUAN 1.1 Latar Belakang Analisis survival merupakan cabang dari ilmu statistika yang meliputi metode untuk menganalisis terjadinya suatu peristiwa (event) dengan waktu pengamatan tertentu.
Lebih terperinciBAB I PENDAHULUAN 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Terdapat beberapa analisis data dalam statistik, salah satunya adalah statistika inferensi. Statistika inferensi mempelajari salah satu metode untuk menentukan
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciREGRESI LOG-LOGISTIK UNTUK DATA TAHAN HIDUP TERSENSOR TIPE I. oleh NANDA HIDAYATI M
REGRESI LOG-LOGISTIK UNTUK DATA TAHAN HIDUP TERSENSOR TIPE I oleh NANDA HIDAYATI M0108098 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika JURUSAN
Lebih terperinciBAB II TINJAUAN PUSTAKA
BAB II TINJAUAN PUSTAKA 2.1. Analisis Survival Secara umum, analisis survival merupakan kumpulan dari prosedur statistik untuk analisis data yang variabel hasilnya berupa waktu sampai mengalami kejadian
Lebih terperinciPERBANDINGAN PENAKSIR KAPLAN MEIER DAN BERLINER HILL PADA ANALISIS TAHAN HIDUP PENDERITA KANKER PAYUDARA
PERBANDINGAN PENAKSIR KAPLAN MEIER DAN BERLINER HILL PADA ANALISIS TAHAN HIDUP PENDERITA KANKER PAYUDARA oleh USWATUN KHAYANATUN M 0106019 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciPENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION. Abstract
Pendugaan Data Hilang Mesra Nova) PENDUGAAN DATA HILANG DENGAN MENGGUNAKAN DATA AUGMENTATION Mesra Nova 1, Moch. Abdul Mukid 2 1 Alumni Program Studi Statistika UNDIP 2 Staf Pengajar Program Studi Statistika
Lebih terperinciBAB 2 LANDASAN TEORI. Definisi 1 Himpunan semua hasil yang mungkin dari suatu percobaan disebut ruang sampel dan dinyatakan dengan S.
BAB 2 LANDASAN TEORI 2.1 Ruang Sampel dan Kejadian Definisi 1 Himpunan semua hasil yang mungkin dari suatu percobaan disebut ruang sampel dan dinyatakan dengan S. Tiap hasil dalam ruang sampel disebut
Lebih terperinciBAB III NONLINEAR GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (N-GARCH)
BAB III NONLINEAR GENERALIZED AUTOREGRESSIVE CONDITIONAL HETEROSKEDASTICITY (N-GARCH) 3.1 Proses Nonlinear Autoregressive Conditional Heteroskedasticity (N-ARCH) Model Nonlinear Autoregressive Conditional
Lebih terperinciII. TINJAUAN PUSTAKA. Dalam bab ini akan dijelaskan pengertian tentang distribusi Weibull, maximum
4 II. TINJAUAN PUSTAKA Dalam bab ini akan dijelaskan pengertian tentang distribusi Weibull, maximum likelihood estimation, penyensoran, bias relatif, penduga parameter distribusi Weibull dan beberapa istilah
Lebih terperinciADLN Perpustakaan Universitas Airlangga
PENDEKATAN REGRESI COX PROPORSIONAL HAZARD DALAM PENENTUAN FAKTOR FAKTOR YANG BERPENGARUH TERHADAP LAMA STUDI MAHASISWA S-1 MATEMATIKA DI UNIVERSITAS AIRLANGGA SKRIPSI ARDI WAHYU AS ARI PROGRAM STUDI S-1
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Analisis Regresi adalah analisis statistik yang mempelajari bagaimana memodelkan sebuah model fungsional dari data untuk dapat menjelaskan ataupun meramalkan suatu
Lebih terperinci