Bayesian Time Series & Modeling menawarkan cara berpikir yang lentur, seperti memberi napas pada data deret waktu. Alih-alih memaksa satu angka pasti, pendekatan ini memelihara ketidakpastian sebagai bagian dari cerita. Setiap parameter diperlakukan sebagai besaran acak, dengan prior yang memuat pengetahuan awal dan likelihood yang membawa suara data. Keduanya berpadu dalam posterior yang terus diperbarui seiring informasi baru muncul. Pendekatan Bayesian memudahkan pemodelan struktur kompleks—tren, musiman, perubahan rezim, hingga ketergantungan spasial—tanpa kehilangan transparansi inferensi. Hasil akhirnya bukan hanya prediksi, tetapi pemahaman yang lebih kaya tentang dinamika waktu yang mendasari proses.

Analisis Regresi Tingkat Lanjut adalah ruang di mana hubungan antarvariabel mulai menunjukkan sisi liarnya—interaksi, nonlinieritas, multilevel struktur, hingga dinamika waktu. Pendekatan ini menuntut kita untuk tidak berhenti pada garis lurus, tetapi menjelajahi bentuk hubungan yang lebih kaya. Dengan model seperti regresi penalti, regresi robust, mixed models, hingga spline dan Bayesian regression, kita belajar membaca pola yang tidak tampak pada metode dasar. Tujuannya bukan sekadar meningkatkan akurasi, tetapi memahami cerita lengkap di balik data. Ketika fenomena menjadi lebih kompleks, regresi tingkat lanjut memberikan bahasa matematis yang mampu menangkap kedalaman hubungan tersebut.

Machine Learning adalah ruang bermain tempat data, algoritma, dan intuisi saling bertemu untuk membangun model yang mampu belajar dari pengalaman. Mata kuliah ini mengajak mahasiswa memahami bagaimana pola tersembunyi dalam data dapat diterjemahkan menjadi prediksi cerdas, mulai dari regresi, klasifikasi, hingga model berbasis pohon dan jaringan saraf. Setiap metode bukan hanya rumus, tetapi cara pandang tentang bagaimana dunia bekerja. Mahasiswa akan belajar mengolah data, melatih model, mengevaluasi kinerja, dan memahami batasan serta etika penggunaannya. Tujuannya sederhana: membangun kemampuan analitis yang membuat mesin—andai bisa—ikut memikirkan persoalan nyata bersama kita.

Analisis data kategori adalah cara membaca dunia dalam “kotak-kotak makna”. Ketika data tidak berbentuk angka kontinu, tetapi berupa kelompok seperti jenis kelamin, tingkat kepuasan, pilihan produk, atau kategori risiko, analisis kategori membantu menangkap pola di balik pengelompokan itu. Pendekatan ini mencakup tabulasi silang, uji chi-kuadrat, model logistik, hingga visualisasi sederhana yang menjelaskan hubungan antarkategori. Intinya, kita mencari pola perilaku, kecenderungan, dan perbedaan tanpa perlu skala numerik yang rumit. Dengan memahami bagaimana kelompok berperilaku, kita bisa menarik kesimpulan yang lebih tajam, membuat keputusan yang lebih tepat, dan memetakan realitas sosial secara lebih terstruktur.

Analisis epidemiologi adalah disiplin yang menghubungkan statistik, ilmu kesehatan masyarakat, dan logika penyebab. Secara umum, epidemiologi didefinisikan sebagai “studi tentang distribusi dan penentu kondisi-terkait kesehatan atau kejadian dalam populasi tertentu, dan penerapan studi itu untuk pengendalian masalah kesehatan”.

From Frequentist to Bayesian

Model OLS menjelaskan hubungan linear antara variabel dependen dan independen dengan meminimalkan jumlah kuadrat galat, menjadi dasar analisis regresi klasik. Model IV digunakan ketika ada endogenitas, dengan memakai variabel instrumen yang berkorelasi dengan variabel penjelas tetapi tidak dengan error. Model DiD membandingkan perubahan rata-rata antara kelompok perlakuan dan kontrol sebelum dan sesudah intervensi untuk menaksir efek kausal kebijakan. Model SCM membangun unit kontrol sintetis dari kombinasi unit lain yang meniru tren pra-perlakuan, sehingga perbedaan pasca-intervensi mencerminkan dampak kebijakan. Model VAR menganalisis hubungan dinamis antar variabel endogen dalam sistem multivariat melalui nilai lag-nya untuk mengungkap keterkaitan jangka waktu, peramalan, serta efek kejut antar variabel.

Laporan ini menganalisis data penjurusan siswa dari berbagai perspektif stakeholder pendidikan. Analisis mencakup demografi responden dan persepsi mereka terhadap sistem penjurusan baru.

Tracer Study 2024/2025 memetakan penyebaran, peran, dan kepuasan kerja lulusan S2 Statistika Terapan, serta menghimpun masukan kurikulum terkait kebutuhan AI dan data modern.

Multinomial and Ordinal Logit Model

Introducing Spatial Econometrics

Support Vector Machine (SVM) adalah algoritma pembelajaran mesin yang digunakan untuk klasifikasi dan regresi, dengan tujuan menemukan hyperplane optimal yang memisahkan data ke dalam kelas-kelas berbeda. Dalam R, SVM dapat diimplementasikan menggunakan paket seperti e1071, caret, atau kernlab, yang menyediakan fungsi-fungsi untuk membangun dan melatih model SVM. SVM bekerja dengan memaksimalkan margin antara kelas-kelas data, dan dapat menangani data yang tidak terpisahkan secara linear melalui penggunaan fungsi kernel seperti radial basis function (RBF). Algoritma ini efektif dalam berbagai aplikasi, termasuk pengenalan pola, klasifikasi teks, dan bioinformatika.

"Data Cleaning: From Unstructured to Structured Data (with R)" is the process of transforming messy, raw data into a clean, organized format that can be easily analyzed. Using R, we remove errors, fill in missing values, and restructure the data into tidy tables ready for analysis.

Contoh Kriging

UserStatisfaction

n the rapidly evolving landscape of data science and analytics, the importance of a robust and adaptive curriculum for a Master’s in Applied Statistics cannot be overstated. As we navigate the complexities of the 5.0 society—a term that encapsulates the fusion of digital, physical, and biological realms driven by technological advancements—the necessity for an education system that remains relevant, responsive, and innovative is paramount. To this end, we undertake a rigorous and systematic evaluation of our Master’s in Applied Statistics curriculum to ensure it meets the ever-changing demands of our stakeholders and aligns with the latest technological developments.

The "Advanced Spatial Statistics" major focuses on the sophisticated analysis and interpretation of spatial data. Students learn to create detailed maps, develop spatial models, and perform spatiotemporal forecasting using advanced statistical techniques, preparing them for research and professional roles in various fields requiring spatial data expertise.