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 6003221012-Master_Thesis.pdf - Accepted Version Restricted to Repository staff only until 1 October 2026. Download (6MB) | Request a copy

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
=====================================================================================================================================
Multivariate spatio-temporal point pattern data is increasingly easy to find lately due to the rapid development of technology in data collection, such as the location of many tree species in a tropical forest observed at many times and the location of several types of crime in an area over a certain period of time. One of the important statistical analyses carried out on multivariate spatio-temporal point pattern data is parameter estimation to determine the distribution pattern of points and the relationship between multivariate types and time. However, the application of parameter estimation using likelihood-based methods is difficult to do because of the high complexity of the model and the number of parameters that must be estimated. One alternative when parametric methods are difficult to use is deep learning. Although deep learning has been proven to be able to model large data with good accuracy, only a few studies have applied deep learning to solve multivariate spatio-temporal point pattern problems. Therefore, this study aims to apply deep learning as a parameter estimator for the multivariate spatio-temporal Log Gaussian Cox Process (LGCP) model. This study uses the concept of probabilistic deep learning so that each estimated parameter has a distribution that matches its assumptions. The probabilistic deep learning model is evaluated in a simulation study. In the applied study, the probabilistic deep learning model is used as a parameter estimator for the Barro Colorado Island (BCI) dataset. This dataset contains point pattern data from hundreds of tree species observed at several times. The results of the analysis in the simulation study show that probabilistic deep learning has a 68% shorter training time, a smaller MSE value of up to 69%, and a smaller RMSE value for the α parameter of 33%, the ϕ parameter of 27%, and the ψ parameter of 46% than previous studies. In the applied study, probabilistic deep learning has a shorter training time of up to 10 times and a smaller MSE value of up to 50% than previous studies

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 Science and Data Analytics (SCIENTICS) > Statistics > 49101-(S2) Master Thesis
Depositing User:	Ekky Rino Fajar Sakti
Date Deposited:	12 Aug 2024 06:31
Last Modified:	26 Aug 2024 06:53
URI:	http://repository.its.ac.id/id/eprint/114180

Actions (login required)

View Item