Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu metode yang cocok untuk mengatasi data berkorelasi adalah Generalized Estimating Equations (GEE). GEE dibagi menjadi 2 model regresi, yaitu model regresi population-averaged (PA) dan model regresi cluster-specific (CS). Pada kenyataannya, apabila model regresi CS-GEE yang lebih sesuai, namun model regresi PA-GEE yang digunakan, maka GEE akan menghasilkan penaksiran yang bias. Untuk mengatasinya, dapat digunakan metode yang menggabungkan model regresi PA dan model regresi CS. Metode tersebut dinamakan Exact Generalized Estimating Equations (EGEE). EGEE merupakan perluasan dari Generalized Estimating Equations (GEE) dengan menggunakan matriks varians-kovarians yang sebenarnya yang diperoleh dari variansi total. EGEE dibagi menjadi 2 model regresi, yaitu model regresi dengan single-random effect dan model regresi dengan multiple-random effects. Tugas akhir ini membahas mengenai penaksiran parameter model regresi dengan metode EGEE untuk multiple-random effects pada kasus variabel respon yang berdistribusi Poisson.

---

One of the appropriate method to solve the correlated data is Generalized Estimating Equations (EGEE). GEE is divided into 2 regression models, there are population average (PA) regression model and clustered-specific (CS) regression model. In fact, if the data follow CS regression model, but PA regression model is used, then GEE leads to biased estimates.

To solve this problem, it can be used the method for combining PA regression model and CS regression model. The method is Exact Generalized Estimating Equations. EGEE is an extension of Generalized Estimating Equations (GEE) with the exact variance-covariance matrix. EGEE is divided into 2 regression models, there are regression model for single-random effect and regression model for multiple-random effects.

This thesis discussed about estimating regression parameter of EGEE for multiple-random effects with the response variable from Poisson distribution."

"ABSTRAKCadangan klaim merupakan salah satu permasalahan utama pada perusahaan asuransi. Kurang tepatnya perhitungan estimasi cadangan klaim dapat mempengaruhi kesehatan dari perusahaan asuransi. Banyak metode yang telah dikembangkan peneliti-peneliti untuk mengestimasi nilai cadangan klaim. Salah satu metode yang paling sering digunakan dalam mengestimasi cadangan klaim di dunia asuransi adalah metode Chain-Ladder dan variasinya. Selain Metode tersebut Hudecova dan Pesta 2013 mengembangkan metode terbaru yaitu Generalized Estimating Equations GEE . Metode GEE merupakan pengembangan dari metode Generalized Linear Method. Keunggulan metode GEE dengan metode GLM adalah pada metode GEE memiliki pemodelan dari hubungan antara periode kejadian dan periode pengembangan pada data. Metode ini juga dapat melakukan estimasi tanpa memerlukan informasi distribusi dari data.Pada penelitian ini akan mencoba untuk melakukan estimasi perhitungan cadangan klaim dengan menggunakan metode Generalized Estimating Equations GEE . Tujuan utama dalam penelitian ini adalah menerapkan serta membandingkan metode GEE dengan Chain-Ladder. Data yang digunakan dalam penelitian ini adalah data klaim lini bisnis asuransi kendaraan bermotor PT XYZ selama tahun 2015 yang masuk pada jenis bisnis short-tail. Hasil estimasi metode GEE lebih akurat dibandingkan dengan estimasi yang dihasilkan metode Chain-Ladder berdasarkan data klaim yang terjadi pada tahun 2016. MAPE GEE dengan struktur korelasi exchangeable yang digabungkan dengan fungsi varians linier memiliki tingkat kesalahan terkecil, yaitu sebesar 55 .

---

ABSTRACTClaim reserve is one of the biggest problem in insurance company. Inaccurate calculations of claim reserve could lead to downfall of insurance company. There is a lot of methods developed by the experts to estimate the amount of claim reserve. One of the most famous method is Chain Ladder. In addition to the method that already mentioned, Hudecova and Pesta 2013 have developed a new method, which called as Generalized Estimating Equation GEE . This method form as the development of Generalized Linear Method method. The advantage of GEE method with GLM method is the method has modelling out of the relation between the accident period and the development period of the data. This research would like to test making claim reserve estimation using the Generalized Estimating Equations GEE method. The goals of this research is to apply and compare the GEE method with the most famous method, which is Chain Ladder. The data that been used is historical data from PT XYZ motor insurance company from year 2015 2016 that come under the type of short tail business. The result shows, that the estimation value from GEE method base on actual claim in 2016 period. MAPE GEE with exchangeable correlation structure combined with linear variance function has the smallest error rate, which is 55 ."

"Tugas akhir ini bertujuan menjelaskan prosedur penaksiran parameter model survival bivariat yang dibangun melalui copula dengan menggunakan metode Pseudo likelihood. Pada tugas akhir ini diberikan suatu contoh penggunaan copula dalam memodelkan data pasangan survival time yang tersensor kanan. Fungsi survival bivariat dari pasangan-pasangan survival time yang tersensor kanan ini dibentuk dengan menggunakan copula yang berasal dari famili copula Clayton. Pada model survival bivariat yang berbasis copula, diperoleh parameter yang merupakan parameter dependensi. "

"Generalized Estimating Equation (GEE) adalah metode penaksiran parameter model regresi yang pengamatan-pengamatannya saling berkorelasi, yang dapat disebabkan oleh lokasi atau kelompok, yang biasa disebut sebagai data terklaster. Penaksiran parameter dalam metode GEE menggunakan suatu fungsi yang dibangun dari bentuk umum distribusi keluarga eksponensial yang erat kaitannya dengan Generalized Linear Model (GLM). Ada dua model pendekatan dalam menganalisis data terklaster menggunakan metode GEE yaitu Population Averaged (PA) dan Clustered Specific (CS). Tugas akhir ini membahas mengenai bagaimana menaksir parameter model regresi linier Clustered Specific Generalized Estimating Equation (CS-GEE) pada data terklaster, serta aplikasinya pada data kemiskinan di Provinsi Jawa Timur. Uji kesesuaian model regresi linier CS-GEE yang digunakan adalah Uji Wald dengan menggunakan Naïve standard error.

---

Generalized Estimating Equation (GEE) is a regression model parameter estimation method where correlation exist in the observations due to the locations or groups, used known as clustered data. Parameter estimation of GEE method using a function constructed from a general form of exponential family distributions that closely related to the Generalized Linear Model (GLM). There are two models approach in analyzing the clustered data that is Population Averaged (PA) and Clustered Specific (CS).

This skripsi discusses about how to estimate linear regression model parameters of Clustered Specific Generalized Estimating Equation (CS-GEE) on clustered data, as well as its application on the poverty data in East Java. Goodness of fit testing of this model is Wald test by using the Naïve standard error."

"Jumlah penderita HIV/AIDS semakin bertambah di Indonesia. Anti Retroviral Therapy (ART) dapat meningkatkan kualitas hidup penderita, karena dapat memperbaiki status imunitas yang ditandai dengan kenaikan limfosit-CD4. Tujuan penelitian: menilai peningkatan CD4 dan faktor-faktor yang mempengaruhinya pada Injecting Drug Users (IDU) dan non-IDU penderita HIV/AIDS. Penelitian menggunakan data sekunder Klinik Teratai RSUP Dr.Hasan Sadikin Bandung, tahun 2007-2009. Data lengkap berasal dari 198 subjek (161 IDU, 37 non-IDU). Data dianalisis dengan Chi-square test, Fisher's exact test, General linear model (GLM) dan Generalized estimating equations (GEE). Analisis GEE memungkinkan evaluasi peningkatan CD4 pada pengukuran berulang pada kelompok kohort yang mendapat ART. Hasil penelitian: secara keseluruhan antara kelompok IDU dan non-IDU (between group) perbedaan peningkatan CD4 tidak bermakna (P=0,230); pada Fase II (bulan ke 6-12) peningkatannya berbeda bermakna (P=0,016); dibandingkan Fase I (bulan ke 0-6) yang tidak berbeda bermakna (P=0,077). Faktor-faktor: Waktu, total lymphocyte count (TLC) dan CD4-awal berpengaruh bermakna; sedangkan umur, IDU, viral load (VL), body mass index (BMI), Hemoglobin, ko-infeksi Hepatitis B dan/C, Pengobatan Tuberkulosis dan Stadium HIV merupakan perancu (konfounder). Jenis kelamin pengaruhnya tidak bermakna. Saran: penelitian dilanjutkan dengan penambahan jumlah subjek Non-IDU, waktu pengamatan sampai 3 tahun untuk melihat pengaruh jangka panjang ART, serta menambah upaya menghentikan penggunaan narkoba suntik.

---

New cases of HIV/AIDS infection are still increased in Indonesia nowadays. Anti Retroviral Therapy (ART) can give better quality of life for HIV/AIDS patients by improving the immune status which can be detected by the increase of CD4 count.

The aim of this study was to evaluate the increase of CD4, and factors which influence it, between Injecting Drug Users (IDU) and non-IDU with HIV/AIDS infection. This study used secondary data from Klinik Teratai RSUP Dr.Hasan Sadikin Bandung at 2007-2009. Complete data was taken from 198 subjects (161 IDUs, and 37 Non-IDUs). Data was analyzed by Chi-square test, Fisher's exact test, General linear model (GLM), and Generalized estimating equations (GEE); GEE provides an analysis of repeated measures of outcomes from these ART cohort groups.

Results: overall, between IDUs and non-IDUs, there was insignificant CD4 increase (Pvalue = 0,230). Non-IDUs showed better CD4 increase; the difference was statistically significant in Phase II (0-6th month) with Pvalue = 0.016, but not significant in Phase I (6-12th month) with Pvalue = 0.077. Factors that significantly influenced CD4 increase were Time, total lymphocyte count (TLC), and baseline CD4; whereas Age, IDU, viral load (VL), Hemoglobine, body mass index (BMI), Hepatitis B and/C co-infections, Tuberculous therapy, HIV-stages were roled as confounders. Gender did not give any influence.

Further study was needed with equal subject numbers of Non-IDU, longer observation time up to 3 years to observe long-term effect of ART, and more efforts in reducing numbers of IDUs."

"ABSTRACTModel Generalized Space Time Autoregressive adalah suatu model spatio temporal yang merupakan pengembangan model Space Time Autoregressive (STAR). Model STAR adalah model spatio temporal dengan asumsi parameter-parameter sama untuk setiap lokasi. Model GSTAR dibentuk sebagai pengembangan dari model STAR yang memungkinan untuk mengestimasi parameter yang berbeda untuk setiap lokasinya. Borovkova, Lopuhaa dan Ruchjana (2002) mengembangkan model Generelized Space Time Autoregressive (GSTAR) dimana paramater-parameter pada model, berbeda untuk setiap lokasi. Metode kuadrat terkecil (least square method) digunakan untuk mengestimasi parameter pada model GSTAR. Metode kuadrat terkecil merupakan metode pendugaan parameter yang meminimumkan jumlah kuadrat error. Penggunaan model GSTAR pada data penyakit Hepatitis A di 5 kotamadya DKI Jakarta pada tahun 2011-2017 menghasilkan model GSTAR(4,1) sebagai model yang dipilih.

---

ABSTRACTGeneralized Space Time Autoregressive(GSTAR) model is a spatio temporal model which is the development of the Space Time Autoregressive (STAR) model. The STAR model is a spatio temporal model assuming the same parameters for each location. The GSTAR model was formed as a development of the STAR model which makes it possible to estimate different parameters for each location. Borovkova, Lopuhaa and Ruchjana (2002) developed the Generelized Space Time Autoregressive (GSTAR) model where parameters in the model differ for each location. The least square method is used to estimate the parameters in the GSTAR model. The least squares method is a parameter estimation method that minimizes the number of squared errors. The use of the GSTAR model on Hepatitis A data in 5 DKI Jakarta municipalities in 2011-2017 produced the GSTAR (4.1) model as the chosen model."

"Analisis regresi digunakan untuk mengetahui hubungan antara satu variabel respon dan satu atau lebih variabel penjelas. Ketika variabel respon berupa data count yaitu data yang berupa bilangan bulat non-negatif, analisis regresi yang sering digunakan adalah analisis regresi Poisson. Pada regresi Poisson terdapat asumsi kesamaan nilai mean dengan nilai variansinya. Dalam data count sering didapati kondisi dimana nilai variansi lebih besar dari nilai meannya atau disebut overdispersi. Pada data yang overdispersi, regresi Poisson kurang tepat jika digunakan karena nilai standard error dari taksiran parameter yang dihasilkan akanunderestimate sehingga beresiko memberikan kesimpulan yang tidak tepat. Model regresi Poisson-Inverse Gaussian dapat digunakan pada data count yang overdispersi dan memiliki tail panjang. Penaksiran parameter model regresi Poisson-Inverse Gaussian menggunakan metode maksimum likelihood dan solusi dari fungsi log -likelihood-nya menggunakan pendekatan numerik yaitu Newton-Raphson. Uji kesesuaian model yang digunakan mencakup statistik pseudo R-Squared, uji rasio likelihood, dan Uji Wald.

---

Regression analysis is used to investigate the relationship between one response variable and one or more regressor variables. If the response variable is count data, that has non negative integer value, the regression analysis that usually used is Poisson Regression. Poisson regression has an assumption that mean of response variable equal to its variance. On count data frequently found that the variance is greater than mean, or called overdispersion. On overdispersion case, poisson regression is inconvenient to used because it may underestimate the standard error of regression parameters and consequently it risk to give misleading inference. Poisson Inverse Gaussian regression model can be used on overdispersion and long tail count data. Parameter estimation of Poisson Inverse Gaussian Regression Model can be obtained through the maximum likelihood method and the solution of log likelihood function may be solved by using numerical method called Newton Raphson. Goodness of fit testing of this model includes pseudo R Squared, rasio likelihood test, and Wald test."

"Nilai hilang merupakan suatu masalah yang sering dijumpai di berbagai bidang dan harus diatasi untuk memperoleh inferensi statistik yang baik seperti penaksiran parameter. Nilai hilang dapat ditemukan pada setiap jenis data, salah satunya pada jenis data cacah/ count data yang berdistribusi Poisson. Solusi untuk mengatasi masalah nilai hilang berjenis data cacah tersebut dapat diatasi dengan menerapkan teknik imputasi ganda. Teknik imputasi ganda merupakan suatu cara mengatasi nilai hilang dengan mengganti setiap nilai yang hilang dengan beberapa nilai estimasi. Teknik imputasi ganda untuk kasus data cacah terdiri dari tiga tahap utama yaitu tahap imputasi berdasarkan model linier normal, tahap analisis dengan metode generalized linear model Poisson regression dan tahap penggabungan pooling parameter yang didasarkan pada aturan Rubin. Studi ini juga dilengkapi dengan simulasi numerik yang bertujuan untuk komparasi akurasi berdasarkan nilai bias yang dihasilkan. Parameter yang digunakan pada simulasi ini yaitu sebesar 5,10 dan 15 dengan jumlah sampel sebesar 200 untuk tujuan mengaproksimasi sifat kenormalan dan simulasi ini diulang untuk empat skenario yang bertingkat untuk setiap parameter berdasarkan besarnya persentase observasi nilai hilang (0%, 10%, 20% dan 30%). Berdasarkan studi literatur dan simulasi numerik yang dilakukan, solusi yang diajukan untuk mengatasi nilai hilang pada data cacah menghasilkan hasil yang cukup memuaskan terutama saat parameter bernilai besar dan persentase observasi nilai hilang yang kecil. Hal ini diindikasikan dengan ukuran bias dan variansi total dari taksiran rata-rata yang kecil. Namun nilai bias cenderung meningkat seiring meningkatnya persentase observasi nilai yang hilang dan saat nilai parameter yang kecil.

---

Missing values are a problem that is often encountered in various fields and must be addressed to obtain good statistical inference such as parameter estimation. Missing values can be found in any type of data, included count data that has Poisson distributed. One solution to overcome that problem is applying multiple imputation techniques. The multiple imputation technique is a way of dealing with missing values by replacing each missing value with some estimated values. The multiple imputation technique for the case of count data consists of three main stages, namely the imputation stage based on the normal linear model, the analysis stage using the generalized linear model Poisson regression and the last stage is pooling parameter based on Rubins rules. This study is also equipped with numerical simulations which aim to compare accuracy based on the resulting bias value. The parameters used in this simulation are 5, 10 and 15 with a sample size of 200 for the purpose of approximating normal properties and this simulation is repeated for four multilevel scenarios for each parameter based on the percentage of observation of missing values (0%, 10%, 20% and 30%). Based on the study of literature and numerical simulations carried out, the solutions proposed to overcome the missing values in the count data yield satisfactory results, especially when the parameters are large and the percentage of observation of the missing values is small. This is indicated by the size of the bias and the total variance of the small average estimate. But the bias value tends to increase with increasing percentage of observation of missing values and when the parameter values are small."