Pada Hari Ketiga MIDSEA Summer School 2025, Dr. Akira Endo, Asisten Profesor dari Saw Swee Hock School of Public Health, membahas Bayesian Inference dan Markov Chain Monte Carlo (MCMC) sebagai topik utama. Dr. Endo menjelaskan dasar-dasar Bayesian inference, yang merupakan proses pembaruan pengetahuan atau keyakinan berdasarkan data baru. Dengan menggunakan Bayes’ Theorem, pendekatan ini menggabungkan pengetahuan sebelumnya tentang parameter (prior) dengan data yang diamati untuk menghasilkan distribusi posterior, yang menggambarkan kemungkinan nilai parameter setelah memperhitungkan data.
Selain itu, dibandingkan pendekatan Bayesian dengan Frequentist (termasuk Maximum Likelihood Estimation (MLE)), menyoroti kelebihan Bayesian dalam menangani ketidakpastian dan memperbarui model dengan fleksibilitas yang lebih besar. Namun, seperti yang dijelaskan, proses ini memerlukan teknik sampling yang efisien, karena menghitung distribusi posterior secara langsung sering kali tidak memungkinkan dalam model yang kompleks.
Untuk mengatasi hal ini, MCMC diperkenalkan sebagai metode untuk menghasilkan sampel dari distribusi posterior. Dijelaskan bagaimana algoritma Metropolis-Hastings dalam MCMC bekerja dengan memindahkan posisi sampel secara iteratif berdasarkan fungsi probabilitas, mengarah pada sampel posterior setelah konvergensi tercapai.
Pada sesi ini, peserta tidak hanya mendengarkan penjelasan teori, tetapi juga diberikan kesempatan untuk mencoba kode R secara langsung. Peserta diminta untuk mencoba kode R yang dirancang untuk melakukan posterior sampling menggunakan teknik seperti importance sampling dan Metropolis-Hastings. Setelah mencoba kode tersebut, peserta diberi penjelasan terperinci mengenai langkah-langkah dalam kode, termasuk cara memilih distribusi proposal dan menghitung nilai Effective Sample Size (ESS) untuk mengevaluasi kualitas sampel yang diperoleh. Hal ini membantu peserta memahami bagaimana teori diterjemahkan ke dalam praktek dan bagaimana mengatasi masalah yang muncul selama implementasi kode.
Sesi ini sangat interaktif, dengan peserta aktif bertanya dan berdiskusi, mengungkapkan pemahaman mereka tentang tantangan dan penerapan Bayesian inference serta MCMC dalam penelitian statistik yang lebih kompleks. Dengan menggunakan Bayesian inference, peserta dapat menggabungkan pengetahuan sebelumnya dengan data baru untuk menghasilkan model yang lebih fleksibel dan akurat. Sementara itu, dengan mempelajari MCMC, peserta memperoleh keterampilan dalam mengatasi tantangan kompleksitas model statistik, seperti ketika distribusi posterior sulit dihitung secara langsung. Latihan langsung menggunakan R juga memberikan keterampilan praktis yang sangat berguna dalam riset statistik, memungkinkan peserta untuk menerapkan teknik ini dalam berbagai aplikasi ilmiah dan penelitian mereka.
Kata Kunci: MIDSEA, Modelling, Infectious Diseases Modelling
Penulis: Najida Humaira
Foto: Lucetta Amarakamini