Hasil Pencarian  ::  Simpan CSV :: Kembali

"Statistical game dapat digambarkan sebagai suatu permainan antara dua pemain, dimana pemain I adalah nature dan pemain II adalah pembuat keputusan atau agen. Strategi dari nature adalah state of nature dan strategi dari agen adalah tindakan yang dipilih oleh agen. Dalam statistical game, untuk menduga state of nature, agen dapat mencari informasi sampel yang berhubungan dengan state of nature. Untuk memilih tindakan berdasarkan pada informasi sampel, diperlukan suatu aturan keputusan (decision rule) sedemikian sehingga untuk setiap hasil yang mungkin, aturan tersebut menentukan tindakan yang harus dipilih. Terdapat dua aturan keputusan, yaitu nonrandomized decision rule dan randomized decision rule. Dalam skripsi ini, aturan keputusan yang akan digunakan adalah randomized decison rule. Tugas agen adalah menentukan aturan keputusan yang optimal, yang sedapat mungkin akan memiliki resiko yang sangat kecil. Untuk menentukan aturan keputusan yang optimal, digunakan prinsip minimax. Dengan prinsip minimax, akan dicari resiko maksimum dari semua aturan keputusan untuk setiap state of nature, dan kemudian dipilih aturan keputusan yang meminimumkan resiko maksimum ini. Metode yang digunakan pada skripsi ini untuk menentukan aturan keputusan berdasarkan prinsip minimax adalah testing simple hypothesis. "

"Dalam pengujian hipotesis prinsip metode statistika parametrik adalah mencocokkan data di bawah asumsi distribusi dari populasinya. Namun pada kenyataannya, banyak permasalahan yang tidak memenuhi asumsi ini. Permasalahan seperti itu dapat diselesaikan dengan dua pendekatan. Pendekatan pertama adalah menggunakan prosedur bebas distribusi. Pendekatan kedua adalah mentransformasi data ke dalam bentuk yang bisa mendekati distribusi normal, seperti transformasi log, transformasi akar kuadrat dan lainnya. Transformasi rank (TR) merupakan prosedur yang mengkombinasikan kedua pendekatan tersebut. Prosedur ini mentransformasi data yang bebas distribusi ke dalam bentuk rank kemudian mengaplikasikan metode parametrik pada data yang telah ditransformasi. Dalam skripsi ini dibahas mengenai aplikasi dari transformasi rank pada data rating televisi. Nilai yang diperoleh dengan prosedur transformasi rank dapat disetarakan dengan nilai yang diperoleh dengan metode parametrik maupun nonparametrik. "

"Dalam melakukan klasifikasi, tidak jarang terdapat data dengan jumlah anggota kategori yang tidak seimbang. Khususnya dalam dunia kesehatan dimana kategori yang diamati umumnya lebih jarang terjadi. Jika ketidakseimbangan ini tidak ditangani terlebih dahulu maka dapat memberikan hasil klasifikasi yang bias dan kurang akurat. Terdapat beberapa metode rebalancing konvensional untuk menanganinya seperti random oversampling dan random undersampling, namun keduanya diklaim memiliki beberapa kelemahan sehingga beberapa metode yang lebih kompleks dikembangkan. Namun jumlah metode yang dapat digunakan untuk menangani data kategorik selain metode konvensional tersebut masih minim. Salah satu metode yang dapat menangani data kategorik adalah synthetic minority over sampling-technique nominal continuous atau SMOTE-NC yang merupakan ekstensi dari SMOTE yang dikembangkan untuk menangani dataset dengan variabel campuran. Skripsi ini membahas perbandingan dari metode random oversampling dan SMOTE-NC juga metode gabungannya dengan undersampling yaitu random oversampling + undersampling dan SMOTE-NC + undersampling untuk menangani ketidakseimbangan data. Masing-masing metode tersebut akan diterapkan untuk klasifikasi tingkat keparahan COVID-19 berdasarkan urgensi perawatan rumah sakit dengan menggunakan metode random forest dimana selanjutnya dapat dilihat kombinasi metode yang menghasilkan performa terbaik. Penelitian ini juga bertujuan untuk melihat faktor-faktor manakah yang paling penting dalam memprediksi tingkat keparahan COVID-19 berdasarkan urgensi rumah sakit. Digunakan metode Leave-One-Out Cross-Validation untuk mengukur konsistensi model. Diperoleh hasil bahwa metode SMOTE-NC dengan undersampling memberikan performa terbaik dengan komorbid paru-paru, kadar c-reactive protein dan prokalsitonin merupakan variabel terpenting dalam model. Selain itu diperoleh kesimpulan bahwa pemilihan metode rebalancing yang tepat bergantung pada karakteristik data yang dimiliki.

---

In conducting classification, it is not uncommon for data with an unbalanced number of category members. Especially in the world of health where the categories we observe are generally less common. If this imbalance is not handled first, it can give biased and less accurate classification results. There are several conventional rebalancing methods to handle it, such as random oversampling and random undersampling, but both are claimed to have several weaknesses so that several more complex methods were developed. However, the number of methods that can be used to handle categorical data other than the conventional methods is still minimal. One method that can handle categorical data is synthetic minority over sampling-technique nominal continuous or SMOTE-NC which is an extension of SMOTE which was developed to handle datasets with mixed variables. This thesis discusses the comparison of random oversampling and SMOTE-NC methods as well as their combined methods with undersampling, namely random oversampling + undersampling and SMOTE-NC + undersampling to handle data imbalances. These methods will be applied to the classification of the severity of COVID-19 based on the urgency of hospital care using the random forest method, wherein the combination of methods that produces the best performance will be seen. This study also aims to see which factors are the most important in predicting the severity of COVID-19 based on hospital urgency. The Leave-One-Out Cross-Validation method is used to measure the consistency of the model. It was found that the SMOTE-NC method with undersampling gave the best performance with lung comorbidities, c-reactive protein and procalcitonin levels were the most important variables in the model. In addition, it can be concluded that the selection of the right rebalancing method depends on the characteristics of the data held."

"Metode Bornhuetter-Ferguson merupakan salah satu metode yang paling sering digunakan dalam menentukan estimasi cadangan klaim. Metode ini tidak hanya memanfaatkan data historis perusahaan, melainkan juga data eksternal, seperti besar premi, yang disebut sebagai prior information. Dalam tugas akhir ini, prior information yang dimaksud adalah rata-rata klaim. Pada metode Bornhuetter-Ferguson klasik, estimasi prior dari rata-rata klaim diperoleh berdasarkan pengamatan aktuaris terhadap data historis perusahaan. Akan tetapi, apabila terjadi kekeliruan dalam pemilihan estimasi prior, maka akan dihasilkan error yang besar antara prediksi cadangan klaim dengan besar klaim sebenarnya. Maka dari itu, perlu dibangun model Bayesian dalam menentukan estimasi prior untuk rata-rata klaim. Namun pada praktiknya, cukup sulit untuk menentukan distribusi prior dari rata-rata klaim yang tepat. Berdasarkan hal tersebut, akan digunakan model kredibilitas Buhlmann-Straub untuk mengestimasi rata-rata klaim. Selain itu, dilakukan pula estimasi untuk parameter-parameter yang akan digunakan dalam membangun model kredibilitas Buhlmann-Straub. Setelah estimasi rata-rata klaim didapatkan, maka estimasi dari cadangan klaim pada metode Bornhuetter-Feguson dapat diperoleh. Hasil estimasi tersebut akan dibandingkan dengan hasil estimasi metode Chain Ladder klasik dan metode Bornhuetter-Ferguson klasik. Hasil pada simulasi numerik menunjukkan bahwa, metode Bornhuetter-Ferguson dengan rata-rata klaim yang kredibel memberikan persentase error yang lebih kecil dibandingkan dengan kedua metode lainnya.

---

Bornhuetter-Ferguson is one of the most widely used method in predicting claim reserve. This method considers not only historical data but also external data, for example, premium data, which is called as prior information. In this thesis, the claim means are used as the prior information. In traditional Bornhuetter-Ferguson method, prior estimate of claim means are obtained by actuary based on his personal experience or observation of the historical data. However, if these prior estimates are wrongly chosen, then greater error is brought to the claim reserve prediction. Therefore, it is necessary to construct Bayesian model in determining the prior estimate of claim means. Nevertheless in practice, it is still very difficult how to choose the appropriate prior distribution for claim means. Therefore, the Buhlmann-Straub credibility model will be introduced and a research is conducted to estimate the claim means along with estimation of parameters in the model. The estimate of claim means are then used to calculate the claim reserve in Bornhuetter-Ferguson method. The result of the estimation will be compared to the estimate from the traditional Chain Ladder method and traditional Bornhuetter-Ferguson method. In numerical simulation, it is found that Bornhuetter-Ferguson method with credible claim means obtained less error percentage than that of the other two methods."

"Subscription Video on Demand (SVoD) merupakan layanan video streaming dengan metode subscription yang dibayarkan pengguna pada periode tertentu untuk dapat mengakses seluruh konten yang disediakan SVoD. Banyaknya judul program baik film, series, tv show, dan konten video lainnya yang ada pada SVoD memberikan penggunanya semakin banyak pilihan untuk menentukan program mana yang ingin ditonton. Untuk menghindari kebingungan dan kesulitan yang dirasakan pengguna dari banyaknya pilihan program, SVoD menyediakan rekomendasi yang disesuaikan dengan personalisasi pengguna dengan harapan dapat mempermudah pengguna dalam menentukan tontonan program yang mungkin disukai. Dalam rangka mengidentifikasi faktor-faktor yang dapat memengaruhi niat keberlanjutan penggunaan SVoD, penelitian ini menyertakan kualitas rekomendasi untuk menganalisis pengaruhnya terhadap kepuasan, manfaat yang dirasakan, dan experience pengguna dalam menggunakan SVoD. Flow theory digunakan dalam penelitian ini untuk mengukur pengalaman holistik pengguna ketika dalam keterlibatan dan merasakan kenikmatan dari menggunakan SVoD. Metode analisis yang digunakan pada penelitian ini yaitu mixed-method dengan melakukan analisis kuantitatif terlebih dahulu, lalu dilanjutkan dengan analisis kualitatif. Analisis data kuantitatif dilakukan dengan metode PLS-SEM dengan data yang berhasil terkumpul melalui penyebaran kuesioner online sebanyak 394 pengguna SVoD. Hasil dari pengolahan analisis data didapatkan bahwa recommendation accuracy, recommendation novelty, dan recommendation diversity memengaruhi perceived usefulness dan flow. Selain itu, kualitas rekomendasi yang memengaruhi satisfaction hanya recommendation novelty dan satisfaction juga dipengaruhi oleh perceived usefulness dan flow. Selanjutnya, satisfaction, perceived usefulness, dan flow terbukti memengaruhi continuance intention. Hasil yang didapatkan dari penelitian ini diharapkan dapat memberikan saran praktis bagi penyedia layanan SVoD untuk meningkatkan pengembangan kualitas rekomendasi yang dapat memengaruhi niat keberlanjutan penggunaan SVoD.

---

Subscription Video on Demand (SVoD) is one of the video streaming service kind with a subscription method that the user pays within a certain period of time to get full access to watch all content provided by SVoD. The increasing number of program titles, including movies, series, tv shows, and other video content provided by SVoD gives users more choices to determine which programs they want to watch. SVoD provides recommendations that are customized to the user’s personalization in the hope that it can make it easier for users to determine which programs they might like to watch. In order to identify factors that may affect the continuance intention of using SVoD, this research included the quality of recommendation to analyze its influence on user’s satisfaction, perceived usefulness, and experience in using SVoD. Flow theory is used in this research to measure the user’s holistic experience when engaging and feel the enjoyment of using SVoD. Mixed-method is used in this research as an analysis method by conducting the quantitative method first, then continued with the qualitative method. Quantitative data analysis was carried out using the PLS-SEM method with data collected through the distribution of online questionnaires with a total of 394 SVoD users as respondents in this research. The result of processing data analysisi found that recommendation accuracy, recommendation novelty, and recommendation diversity affects perceived usefulness and flow. In addition, the quality of recommendations that affect satisfaction is only recommendation novelty, and satisfaction is also influenced by perceived usefulness and flow. Lastly, satisfaction, perceived usefulness, and flow are proven to affect continuance intention. The results obtained from this research are expected to provide practical advice for SVoD service providers to improve the development of the recommendation quality that can affect the continuance intention on using SVoD."

"Subscription Video on Demand (SVoD) merupakan layanan video streaming dengan metode subscription yang dibayarkan pengguna pada periode tertentu untuk dapat mengakses seluruh konten yang disediakan SVoD. Banyaknya judul program baik film, series, tv show, dan konten video lainnya yang ada pada SVoD memberikan penggunanya semakin banyak pilihan untuk menentukan program mana yang ingin ditonton. Untuk menghindari kebingungan dan kesulitan yang dirasakan pengguna dari banyaknya pilihan program, SVoD menyediakan rekomendasi yang disesuaikan dengan personalisasi pengguna dengan harapan dapat mempermudah pengguna dalam menentukan tontonan program yang mungkin disukai. Dalam rangka mengidentifikasi faktor-faktor yang dapat memengaruhi niat keberlanjutan penggunaan SVoD, penelitian ini menyertakan kualitas rekomendasi untuk menganalisis pengaruhnya terhadap kepuasan, manfaat yang dirasakan, dan experience pengguna dalam menggunakan SVoD. Flow theory digunakan dalam penelitian ini untuk mengukur pengalaman holistik pengguna ketika dalam keterlibatan dan merasakan kenikmatan dari menggunakan SVoD. Metode analisis yang digunakan pada penelitian ini yaitu mixed-method dengan melakukan analisis kuantitatif terlebih dahulu, lalu dilanjutkan dengan analisis kualitatif. Analisis data kuantitatif dilakukan dengan metode PLS-SEM dengan data yang berhasil terkumpul melalui penyebaran kuesioner online sebanyak 394 pengguna SVoD. Hasil dari pengolahan analisis data didapatkan bahwa recommendation accuracy, recommendation novelty, dan recommendation diversity memengaruhi perceived usefulness dan flow. Selain itu, kualitas rekomendasi yang memengaruhi satisfaction hanya recommendation novelty dan satisfaction juga dipengaruhi oleh perceived usefulness dan flow. Selanjutnya, satisfaction, perceived usefulness, dan flow terbukti memengaruhi continuance intention. Hasil yang didapatkan dari penelitian ini diharapkan dapat memberikan saran praktis bagi penyedia layanan SVoD untuk meningkatkan pengembangan kualitas rekomendasi yang dapat memengaruhi niat keberlanjutan penggunaan SVoD.

---

Subscription Video on Demand (SVoD) is one of the video streaming service kind with a subscription method that the user pays within a certain period of time to get full access to watch all content provided by SVoD. The increasing number of program titles, including movies, series, tv shows, and other video content provided by SVoD gives users more choices to determine which programs they want to watch. SVoD provides recommendations that are customized to the user’s personalization in the hope that it can make it easier for users to determine which programs they might like to watch. In order to identify factors that may affect the continuance intention of using SVoD, this research included the quality of recommendation to analyze its influence on user’s satisfaction, perceived usefulness, and experience in using SVoD. Flow theory is used in this research to measure the user’s holistic experience when engaging and feel the enjoyment of using SVoD. Mixed-method is used in this research as an analysis method by conducting the quantitative method first, then continued with the qualitative method. Quantitative data analysis was carried out using the PLS-SEM method with data collected through the distribution of online questionnaires with a total of 394 SVoD users as respondents in this research. The result of processing data analysisi found that recommendation accuracy, recommendation novelty, and recommendation diversity affects perceived usefulness and flow. In addition, the quality of recommendations that affect satisfaction is only recommendation novelty, and satisfaction is also influenced by perceived usefulness and flow. Lastly, satisfaction, perceived usefulness, and flow are proven to affect continuance intention. The results obtained from this research are expected to provide practical advice for SVoD service providers to improve the development of the recommendation quality that can affect the continuance intention on using SVoD."

"Pandemi COVID-19 telah memberikan dampak negatif pada aspek-aspek kehidupan masyarakat, salah satunya kesehatan mental. Dampak negatif pada kesehatan mental secara global ditandai dengan meningkatnya tingkat stres masyarakat selama masa pandemi. Berdasarkan hal tersebut, penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang dapat menjelaskan tingkat stres masyarakat pada masa pandemi COVID-19. Pada penelitian ini, data yang digunakan berasal dari hasil survei global COVIDiSTRESS yang dilakukan untuk menganalisis keadaan individu dan tanggapan psikologis terhadap pandemi beserta kebijakan yang berlaku selama masa pandemi. Tingkat stres pada survei ditinjau dengan pengukuran perceived stress scale (PSS-10). Metode yang digunakan adalah analisis regresi multilevel yang merupakan salah satu bentuk spesifikasi dari linear mixed model. Analisis ini dinilai lebih baik daripada regresi biasa karena dapat mengatasi masalah dependensi pada data hierarki. Besarnya dependensi pada regresi multilevel dapat dinyatakan sebagai intraclass correlation coefficient. Model regresi multilevel terbaik yang didapatkan dari hasil penelitian ini adalah model koefisien acak. Hasil penelitian ini menunjukkan bahwa terdapat beragam faktor yang dapat menjelaskan tingkat stres pada masa pandemi COVID-19. Tingkat kesendirian (loneliness) dan intoleransi terhadap ketidakpastiaan (uncertainty) memiliki dampak yang berbeda dalam menjelaskan tingkat stres di berbagai negara. Selain itu, dukungan sosial juga dapat menjelaskan tingkat stres masyarakat pada tingkat negara selama masa pandemi COVID-19.

---

The COVID-19 pandemic has had a negative impact on aspects of people's lives, one of which is mental health problem. The negative impact on mental health globally is marked by the increasing level of stress in society during the pandemic. Based on this, this study aims to identify factors that can explain the level of community stress during the COVID- 19 pandemic. This study used the result data of the COVIDiSTRESS global survey which was conducted to analyze individual circumstances and psychological responses to the pandemic and the policies that were in effect during the pandemic. The stress level in the survey was reviewed by measuring the perceived stress scale (PSS-10). The method used is multilevel regression analysis which is a specification form of the linear mixed model. This analysis is considered better than ordinary regression because it can overcome the problem of dependency on hierarchical data. The dependency on multilevel regression can be expressed as the intraclass correlation coefficient. The best multilevel regression model obtained from the results of this study is the random coefficient model. The results of this study indicate that there are various factors that can explain stress levels during the COVID-19 pandemic. The level of loneliness and intolerance to uncertainty have different effects on explaining stress levels in different countries. In addition, social support can also explain the stress level at the country level during the COVID-19 pandemic."

"Curah hujan menjadi faktor cuaca yang sangat berpengaruh terhadap aktivitas penerbangan, mulai dari saat pesawat akan lepas landas, ketika berada di udara, dan saat akan melakukan pendaratan. Oleh karena itu, penelitian ini bertujuan untuk mengembangkan sebuah model prediksi curah hujan di Bandara Silangit, Tapanuli Utara yang memiliki variasi curah hujan yang tinggi, karena dipengaruhi oleh posisi geografisnya di dekat garis khatulistiwa. Model prediksi curah hujan tersebut dibangun dengan memanfaatkan data dari AWOS dan menerapkan algoritma XGBoost dan selanjutnya dioptimasi dengan menggunakan dua metode, yaitu random search dan bayesian optimization untuk mencari kombinasi hyperparameter optimal dan meningkatkan akurasi model prediksi tersebut. Hasil penelitian menunjukkan bahwa model XGBoost sebelum dioptimasi berhasil mencapai akurasi prediksi 74.8%. Sementara itu, dengan hyperparameter tuning melalui metode bayesian optimization, akurasi model meningkat hingga 76.6%, dengan kombinasi nilai hyperparameter optimal yang didapatkan, diantaranya max_depth: 17, min_child_weight: 3, learning_rate: 0.1, n_estimators: 100, subsample: 0.91, dan colsample_bytree: 0.88. Temuan ini menegaskan potensi yang besar dalam penggunaan teknologi canggih untuk prediksi curah hujan dalam rangka mendukung keselamatan penerbangan di wilayah dengan kondisi cuaca yang kompleks dan dinamis.

---

Rainfall is a weather factor that significantly affects aviation activities, from takeoff and in-flight operations to landing. Therefore, this study aims to develop a rainfall prediction model for Silangit Airport in North Tapanuli, an area with high rainfall variability due to its geographic location near the equator. The rainfall prediction model is constructed using data from the Automated Weather Observing System (AWOS) and employs the XGBoost algorithm, which is further optimized using two methods: random search and Bayesian optimization. These methods are used to find the optimal hyperparameter combinations and improve the model's prediction accuracy.The results of the study show that the XGBoost model achieved a prediction accuracy of 74.8% before optimization. However, with hyperparameter tuning using Bayesian optimization, the model's accuracy increased to 76.6%. The optimal hyperparameter values obtained were max_depth: 17, min_child_weight: 3, learning_rate: 0.1, n_estimators: 100, subsample: 0.91, and colsample_bytree: 0.88. These findings highlight the significant potential of advanced technology in predicting rainfall, thereby supporting aviation safety in regions with complex and dynamic weather conditions."