Estimasi Parameter pada Model Highly Multivariate Spatio-temporal Log Gaussian Cox Process menggunakan Probabilistic Deep Learning

Sakti, Ekky Rino Fajar (2024) Estimasi Parameter pada Model Highly Multivariate Spatio-temporal Log Gaussian Cox Process menggunakan Probabilistic Deep Learning. Masters thesis, Institut Teknologi Sepuluh Nopember.

Text [SIGNED]Tesis - Ekky Rino Fajar Sakti_v1.1.pdf Download (6MB)

Abstract

Data multivariate spatio-temporal point pattern semakin mudah dijumpai akhir-akhir ini karena pesatnya perkembangan teknologi dalam pengambilan data, seperti lokasi banyak spesies pohon pada sebuah hutan tropis yang diobservasi pada banyak waktu dan lokasi beberapa tipe kriminal di suatu daerah pada rentang periode waktu tertentu. Salah satu analisis statistika yang penting dilakukan terhadap data multivariate spatio-temporal point pattern adalah estimasi parameter untuk mengetahui pola persebaran titik dan hubungan antar tipe multivariate dan waktu. Namun demikian, penerapan estimasi parameter menggunakan metode berbasis likelihood sulit dilakukan karena tingginya kompleksitas model dan jumlah parameter yang harus diestimasi. Salah satu alternatif ketika metode parametrik sulit digunakan adalah deep learning. Walaupun deep learning telah terbukti mampu untuk memodelkan data berukuran besar dengan akurasi yang baik, hanya sedikit penelitian yang menerapkan deep learning untuk menyelesaikan permasalahan multivariate spatio-temporal point pattern. Oleh sebab itu, penelitian ini bertujuan untuk menerapkan deep learning sebagai estimator parameter untuk model multivariate spatio-temporal Log Gaussian Cox Process (LGCP). Penelitian ini menggunakan konsep probabilistic deep learning sehingga setiap parameter yang diestimasi memiliki distribusi yang sesuai dengan asumsinya. Model probabilistic deep learning dievaluasi pada studi simulasi. Pada studi terapan, model probabilistic deep learning digunakan sebagai estimator parameter untuk dataset Barro Colorado Island (BCI). Dataset ini berisi data point pattern dari ratusan spesies pohon yang diobservasi pada beberapa waktu. Hasil analisis pada studi simulasi menunjukkan bahwa probabilistic deep learning memiliki waktu pelatihan 68% lebih singkat, nilai MSE yang lebih kecil hingga 69%, serta nilai RMSE yang lebih kecil pada parameter α sebesar 33%, parameter ϕ sebesar 27%, dan parameter ψ sebesar 46% daripada penelitian sebelumnya. Pada studi terapan, probabilistic deep learning memiliki waktu pelatihan yang lebih singkat hingga 10 kali lipat dan nilai MSE yang lebih kecil hingga 50% daripada penelitian sebelumnya.

Item Type:	Thesis (Masters)
Uncontrolled Keywords:	LGCP, Multivariate Point Pattern, Neural Network, Probabilistic Deep Learning
Subjects:	Q Science > QA Mathematics > QA76.87 Neural networks (Computer Science) Q Science > QA Mathematics > QA278 Cluster Analysis. Multivariate analysis. Correspondence analysis (Statistics)
Divisions:	Faculty of Mathematics and Science > Statistics > 49101-(S2) Master Thesis
Depositing User:	Ekky Rino Fajar Sakti
Date Deposited:	12 Aug 2024 06:31
Last Modified:	12 Aug 2024 06:31
URI:	http://repository.its.ac.id/id/eprint/114180

Actions (login required)

View Item