Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAnalisis regresi linier memodelkan hubungan linier antara variabel respon dengan variabel regresor. Analisis regresi linier menghasilkan suatu model yang disebut model regresi linier. Metode yang sering digunakan untuk menaksir parameter pada model regresi linier adalah metode ordinary least square OLS . Metode OLS akan menghasilkan taksiran terbaik ketika semua asumsinya terpenuhi. Namun pada kenyataannya, asumsi-asumsi tersebut seringkali tidak terpenuhi. Asumsi yang seringkali tidak terpenuhi adalah adanya multikolinieritas dan outlier. Multikolinieritas akan menyebabkan variansi dari taksiran parameter regresi membesar, sedangkan outlier akan membuat taksiran parameter menjadi bias. Jika terdapat multikolinieritas dan outlier pada data, digunakan jackknife ridge M-estimator. Jackknife ridge M-estimator adalah taksiran koefisien regresi yang memiliki sifat robust sehingga tidak terpengaruh oleh outlier dan menggunakan metode ridge untuk mengatasi masalah multikolinieritas serta menggunakan metode jackknife untuk mereduksi bias yang dihasilkan metode ridge. Pada regresi linier berganda, model regresi dapat terdiri dari banyak kandidat variabel regresor. Metode subset selection digunakan untuk memilih sebagian kecil saja dari kandidat variabel regresor pada model regresi linier berganda yang paling baik dalam memprediksi nilai dari variabel respon. Kriteria seleksi yang dapat digunakan pada metode subset selection apabila terdapat outlier dan multikolinieritas pada data yaitu kriteria GSp yang merupakan generalized version dari kriteria Sp. Hal tersebut dikarenakan, kriteria GSp didasarkan oleh jackknife ridge M-estimator yang dapat mengatasi masalah outlier dan multikolinieritas. Selanjutnya, kriteria GSp diimplementasikan untuk mendapatkan model terbaik pada data IQ yang memiliki masalah outlier dan multikolinieritas. Berdasarkan analisis data, diperoleh bahwa untuk mengetahui IQ seseorang orang tersebut tidak harus melakukan 5 tes kepribadian berbeda, karena dengan hanya melakukan 3 tes kepribadian saja yaitu tes 1, tes 3 dan tes 5, sudah dapat diketahui besar IQ dari orang tersebut, dimana hal tersebut dapat mengurangi waktu, biaya dan tenaga yang diperlukan.

---

ABSTRACTLinear regression analysis model the linear relation between response variable with regressor variables. Linear regression analysis produce a linear regression model. Ordinary least squares OLS method is often utilized to estimate parameters of linear regression model. OLS method will produce the best estimates when all the assumptions are met. However, in real data, those assumptions are often not violated. Such as the multicollinearity and outliers. Multicollinearity will produce a large variance of the regression parameters, while outliers will cause a biased estimates. Jackknife ridge M estimator is recommended to be implemented in the model when these problems are present. Jackknife ridge M estimator is the regression with robust property, which makes it able not to be influenced by the presence of outlier, and ridge method is utilized to overcome multicollinearity, where the jackknife method is utilized to reduce the bias from the result of the ridge method. In multiple linear regression, regression model could possibly contain many regressor variable candidates. Subset selection method is utilized to select some of those regressor variable candidates on the multiple linear regression model that best predicts the value of the response variable. The selection criterion that can be utilized on the subset selection method when outlier and multicollinearity are present is the GSp criterion which is the generalized version of the Sp criterion. The reason for this is because the GSp criterion is based on jackknife ridge M estimator, which is able to solve the problem of outlier and multicollinearity. Furthermore, GSp criterion is implemented to obtain the best model on IQ data that has outlier and multicollinearity issues. Based on the data analysis, it was found that to know the IQ of a person the person does not need to do 5 different personality tests, because by only doing 3 personality test which is test 1, test 3 and test 5, it can be known the IQ of that person, where it can reduce the time, cost and energy required."

"Analisis regresi adalah salah satu metode yang digunakan dalam menganalisisdata. Metode yang sering digunakan untuk menaksir parameter dalam modelregresi linier adalah ordinary least square OLS. Metode OLS akan memberikantaksiran terbaik ketika semua asumsinya terpenuhi. Namun pada kenyataannya,asumsi tersebut seringkali tidak terpenuhi. Asumsi yang seringkali tidak terpenuhiadalah adanya multikolinieritas dan adanya pencilan outlier. Multikolinieritasakan membuat variansi taksiran parameter regresi menjadi sangat besar, sedangkanoutlier akan membuat taksiran parameter menjadi bias. Jika kedua pelanggaranasumsi ini terjadi pada data yang akan dianalisis digunakan robust jackknife ridgeregression. Robust jackknife ridge regression adalah regresi yang punya sifatrobust sehingga tidak terpengaruh oleh outlier dan menggunakan metode ridgeuntuk mengatasi masalah multikolinieritas serta menggunakan metode jackknifeuntuk mereduksi bias yang dihasilkan metode ridge. Metode yang digunakanuntuk mencapai sifat robust adalah MM-estimation sehingga taksiran yangdihasilkan punya breakdown point serta efficiency yang tinggi.

---

Regression Analysis is one of many methods used for analyzing data. Method thatusually used for estimating parameter in linear regression model is ordinary leastsquare OLS . OLS will give best estimator when all the assumptions are met. Butin reality, sometimes not all the assumptions are met. Assumptions that usuallyviolated are multicollinearity and outlier. Multicollinearity will make variance ofthe estimated parameter become large, while outlier will make the estimatedparameter become biased. If this two violation of assumptions happened, robustjackknife ridge regression is used. Robust jackknife ridge regression is regressionthat have robust property so that it will not affected by outlier and using ridgemethod to handle multicollinearity with jackknife method to reduce biased fromridge method. Method used to achieve robust property is MM estimation so thatthe estimated parameter have high breakdown point and high efficiency."

"Runtun waktu merupakan barisan data yang diukur pada interval waktu yang periodik. Pada pengambilan data runtun waktu seringkali ditemukan adanya outlier, yang dapat mempengaruhi taksiran parameter autoregressive dan peramalan data. Pada skripsi ini diperkenalkan teknik baru untuk mendeteksi outlier pada model autoregressive dan mengidentifikasi jenis outlier sebagai additive atau innovation. Teknik ini diperkenalkan oleh Allan McQuarrie dan Chih L. Tsay, dan dapat digunakan tanpa diketahuinya model order sebenarnya, waktu terjadinya outlier, dan jenis outlier. Pertama, akan dicari taksiran besaran outlier yang meminimumkan residual sum of square (SSE). Kemudian dari taksiran tersebut akan didapatkan pengurangan terhadap SSE yang nantinya akan digunakan untuk mendapatkan besaran pendeteksian outlier dan juga digunakan untuk mengidentifikasi jenis outlier. Akan dicari pula penaksir yang robust untuk standar deviasi."

"Penelitian ini bertujuan untuk mengetahui pengaruh: (1) Kriteria seleksi penyaluran terhadap pemenuhan kewajiban pabean; (2) Audit kepabeanan terhadap pemenuhan kewajiban pabean; dan (3) Kriteria seleksi penjaluran dan audit kepabeanan secara simultan terhadap pemenuhan kewajiban pabean. Kriteria seleksi penjaluran merupakan salah satu alat penerapan konsep risk management yaitu risiko yang terjadi di bidang kepabeanan meliputi ketidakpatuhan atas perundang-undangan kepabeanan dan peraturan perijinannya, pemberitahuan nilai pabean, peraturan asal barang, pembebasan bea masuk, larangan dan pembatasan maupun potensi kerugian yang disebabkan dan fasilitas perdagangan internasional.Audit kepabeanan bertujuan untuk mempertimbangkan apakah audit telah mengikuti prosedur atau aturan tertentu yang telah ditetapkan. Pemenuhan kewajiban kepabeanan mempunyai 5 (lima) kewajiban, yaitu pendaftaran diri, menyampaikan surat pemberitahuan, membayar dan menyetor pajak yang terutang, pembukuan dan pencatatan serta pemeriksaan. Populasi penelitian ini adalah seluruh importir yang telah melakukan registrasi importasi dan melakukan importasi barang di Kantor Pelayanan Bea dan Cukai Tanjung Priok I, II dan III yaitu sejumlah 1.150 importir. Sampel penelitian diambil dengan metode Proportionate Stratified Random Sampling dikarenakan populasi mempunyai anggota yang tidak homogen dan berstrata secara proporsional, yaitu sebesar 185 importir. Kurun waktu penelitian adalah selama 1 (satu) tahun takwin yaitu tahun 2005 untuk data sekunder dan 2 (dua) bulan pada bulan Maret 2006 sampai dengan bulan April 2006 untuk data primer.Penelitian ini menggunakan metode deskriptif dalam bentuk studi hubungan (correlation studies) dengan menggunakan pendekatan kuantitatif. Instrumen pengumpulan data disusun dalam kuesioner yang menggunakan skala Likert.Teknik analisis data dilakukan dengan 2 (dua) macam analisis, yaitu Teknik Analisis Deskriptif dan Teknik Analisis Statistik Inferensial. Kesimpulan dari penelitian ini adalah : (1) Terdapat pengaruh yang positif dan relatif cukup signifikan antara Kriteria Seleksi Penjaluran terhadap Pemenuhan Kewajiban Pabean. Koefisien korelasi untuk hubungan kedua variabel ini adalah sebesar 0,940 dan koefisien determinasi adalah sebesar 0,833. Hal ini menyatakan bahwa 83,30 % variansi yang terjadi pada Pemenuhan Kewajiban Pabean dapat dijelaskan oleh Kriteria Seleksi Penjaluran melalui regresi Y = 3,017 + 0,940 X1. Berdasarkan hasil pengujian signifikansi ternyata korelasi X, dengan Y relatif cukup signifikan, hal ini disebabkan karena 17,901 > usher 1,96. (2) Terdapat pengaruh yang negatif dan relatif cukup signifikan antara Audit Kepabeanan Terhadap Pemenuhan Kewajiban Pabean. Koefisien korelasi untuk hubungan kedua variabel ini adalah sebesar -0,887 dan koefisien determinasi adalah sebesar 0,786. Hal ini menyatakan bahwa 78,60 % variansi yang terjadi pada Pemenuhan Kewajiban Pabean dapat dijelaskan oleh Audit Kepabeanan melalui regresi Y = 94,331 - 0,887 X2 . Berdasarkan hasil pengujian signifikansi ternyata bahwa korelasi Audit Kepabeanan dengan Pemenuhan Kewajiban Pabean relatif cukup signifikan. Hal ini dibuktikan dengan t hitung 9,615 > t tabel 1,96. (3) Terdapat pengaruh yang positif dan relatif cukup signifikan antara Kriteria Seleksi Penjaluran dan Audit Kepabeanan terhadap Pemenuhan Kewajiban Pabean. Koefisien korelasi antara kedua variabel bebas dengan variabel terikat adalah sebesar 0,960 dan koefisien determinasinya dapat adalah sebesar 0,923. Angka ini mencerminkan bahwa variansi Pemenuhan Kewajiban Pabean dapat dijelaskan oleh variabel Kriteria Seleksi Penjaluran dan Audit Kepabeanan secara bersama-sama sebesar 92,30 %. Dengan kata lain variabel Kriteria Seleksi Penjaluran dan Audit Kepabeanan secara bersama-sama dapat memprediksi variansi yang ada pada variabel Pemenuhan Kewajiban Pabean sebesar 92,30 %. Uji signifikansi hubungan kedua variabel bebas dengan variabel terikat dilakukan dengan uji F. Dari uji Anova atau F test diperoleh F hitung = 1083,374 dan Fu ei pada a = 0,05 adalah 3,04 karena F hitung > F table.Saran dari penelitian ini adalah (1) berhubungan dengan Kriteria Seleksi Penjaluran diharapkan ada perbaikan atau upaya peningkatan dan pemutakhiran data pada Sistem Intelijen Database; penambahan kriteria pada Profil Importir menjadi 5 (lima) tingkatan dan diversifikasi kriteria seleksi berdasarkan Profil Negara Asal dan Profil Negara Transit; (2) berhubungan dengan Audit Kepabeanan diharapkan teknik-teknik pelaksanaan Audit Kepabeanan dapat dilakukan dengan seefisien dan seefektif dengan cara targetting atas obyek audit yang akan diaudit dan selanjutnya akan dimutakhirkan ke dalam Profil Importir.

---

The aim of research is to know influences of: (1) Lining selection criterion to Customs obligation fulfillment; (2) Customs audit to Customs obligation fulfillment; (3) Lining selection criterion and Customs audit simultaneously to Customs obligation fulfillment.Lining selection criterion is one of the ways in applying Risk Management Concept is mean a risk happened at Customs sector covering in-obedience on Customs Law and its license rules, informing of Customs value, rules of source of goods, free of import obligation. Prohibition and limitation or loss potential caused by International Trading Facilities. Customs Audit is mean an aim to consider whether the audit has followed procedures or certain rules, which has been applied. Customs obligation fulfillment according has 5 (five) obligations, namely self-registration, delivering information letter, pay and distribute tax liability, bookkeeping, and recording and checking (examining). Research population is all importers which have done import registration and have imported goods in Customs Service Office Tanjung Priok I, II dan III of 1.150 importers. Research sample is using Proportionate Stratified Random Sampling method is caused of population has no homogeny members and strata proportionally, consist of 185 importers. The length time of research is I (one) year calendar, in 2005 for secondary data and 2 (two) months in March 2006 till April 2006 for primary data. The research uses descriptive method in the form of correlation studies by using quantitative approach. While data collecting instrument is arranged in questionnaire in Likert's scale. Data analysis technique is done by 2 (two) kinds of analysis, namely Descriptive analysis technique and Inferential Statistic Analysis Technique.Summary of this research is: (1) there is a positive influence and relatively significance enough between Lining Selection Criterion to Customs Obligation Fulfillment. Correlation coefficient relation of both variables is 0,940 and determination coefficient is 0,833. It shows that 83,30 % variants which is happened on Customs Obligation Fulfillment can be explained by Lining Selection Criterion through regression Y = 3,017 + 0,940 XI. Based on significance test result, in fact correlation of X, with Y relatively significance enough, this case is caused of t counting17,901 > t table 1,96. (2) there is negative influence and relatively significance enough between Customs Audit and Customs Obligation Fulfillment. Correlation coefficient relation of both variables is -0,887 and determination coefficient is 0,786. It shows that 78,60 % variants which is happened to Customs Obligation Fulfillment can be explained by Customs Audit through regression Y = 94,331 - 0,887 X2 . Based on significance test result actually correlation of Customs Audit with Customs Obligation Fulfillment is relatively significance enough. It is proven by t counting 9,615 > t table 1,96. (3) There is positive influence and relatively significance enough between Lining Selection Criterion and Customs Audit to Customs Obligation Fulfillment Co-relation coefficient between those two free variables with tight variable is 0,960 and determination coefficient is 0,923. The numbers shows that variants of Customs Obligation Fulfillment can be explained by Lining Selection Criterion variable and altogether with Customs Audit is 92,30 %. In another word Lining Selection Criterion variable and altogether with Customs Audit can predict the existing variants in Customs Obligation Fulfillment variable of 92,30 %. Significance test relation of both free variable with tight variable is done through F test. From Anove test or F test is got F counting = 1083,374 and F table at a = 0,05 is 3,04 because F counting F table.Suggestion of the research is (1) connecting with Lining Selection Criterion hopefully there will be correction or effort of improvement and modernizing data of Database intelligent System; Adding criterion to importer profiles become 5 (five) levels and diversification of selection criterion based on Source Country Profile and Transit Country Profile; (2) connecting with Customs Audit hopefully application techniques of Customs Audit can be done effectively and efficiently by targeting on audit object which will be audited and next will be modernized into Importer Profile."

"Risiko adalah suatu kejadian atau tindakan yang berdampak negatif terhadap kemampuan lembaga untuk mencapai tujuan dan menentukan strategi. Salah satu pendekatan untuk mengukur risiko operasional adalah Advanced Measurement Approach (AMA), dimana bank diperkenankan untuk mengolah data internal dengan model yang dikembangkan secara internal. Dengan metode Loss Distribution Approach di AMA, bank mengestimasi dua fungsi distribusi probabilitas, yaitu distribusi frekuensi kerugian dan distribusi severitas kerugian tahunan pada setiap risiko. Selanjutnya, kedua fungsi distribusi tersebut digabungkan menjadi distribusi majemuk untuk menentukan value at risk masingmasing risiko menggunakan simulasi Monte Carlo pada tingkat kepercayaan 99,9%. Nilai risiko yang mungkin terjadi diluar estimasi distribusi severitas dapat mempengaruhi value at risk, sehingga dapat mempengaruhi prediksi rencana bisnis untuk tahun yang akan datang. Metode One-Class Support Vector Machine (SVM) dapat digunakan untuk mendeteksi data outlier tersebut. Dalam beberapa kasus, metode statistik tidak dapat mendeteksi data outlier. Selain itu, dalam menentukan data outlier tergantung pada seberapa penting informasi yang diperlukan dari data outlier tersebut, sehingga penentuannya bersifat subjektif. Adapun tujuan simulasi pada tulisan ini adalah melakukan analisis penggunaan metode One-Class SVM dalam mendeteksi outlier pada distribusi severitas dan pengaruh outlier pada perhitungan value at risk. Dari hasil analisis diperoleh data outlier yang mempengaruhi perhitungan value at risk.

---

Achieve its objectives and execute its strategies. One approach to measure operational risk is the Advanced Measurement Approach (AMA), which allows banks to process internal data with internally developed models. Under the Loss Distribution Approach in AMA, the bank estimates two distribution functions of the annual loss data to generate compound distribution to determine value at risk of each risk using Monte Carlo simulation at 99.9% confidence level. The risk amount that may occur outside of the estimated loss severity distribution can affect the value at risk, so that it can affect the prediction of business plan for the next years. In some cases, statistical methods cannot detect outliers and its determination is relatively subjective. The purpose of the simulations in this paper is to perform analysis of the use of One-Class SVM in detecting outliers in the loss severity distribution and the effect of the outliers on the value at risk. As a result, the outliers have successfully been detected in the loss severity distribution and there is the effect of the outliers on the value at risk."

"Dilihat dari perkembangan mata uang digital yang lahir oleh pencetus Wei Dai pada tahun 1998 hingga berkembang saat ini. Saat ini platform Tokocrypto yang telah secara resmi secara legalitas diawasi oleh Badan Pengawas Berjangka Komoditi (Bappebti) Kementrian Perdagangan. Tujuan yang ingin dicapai dalam penelitian ini adalah untuk melakukan analisis terhadap pemilihan coin cryptocurrency yang digunakan pada aplikasi Tokocrypto dengan menggunakan metode AHP-TOPSIS. Berdasarkan hasil pengujian yang telah dilakukan dapat disimpulkan bahwa berdasarkan hasil pembobotan didapatkan bahwa kriteria pertama yakni kapitalisasi pasar memiliki tingkat bobot yang paling tinggi dan alternatif yang dipilih berdasarkan kriteria yang telah ditetapkan sebelumnya didapatkan bahwa alternatif A1 (bitcoin) memiliki bobot nilai yang terbesar dengan nilai 1 diikut dengan Ethereum (A9) dengan nilai 0,846 kemudian yang terakhir adalah Polygon (A2) dengan nilai 0,635.

---

Judging from the development of digital currency that was born by the originator of Wei Dai in 1998 until now. Currently, the Tokocrypto platform is officially supervised by the Ministry of Trade's Commodity Futures Supervisory Agency (Bappebti). The goal to be achieved in this study is to analyze the selection of cryptocurrency coins used in the Tokocrypto application using the AHP-TOPSIS method. Based on the results of the tests that have been carried out, it can be concluded that based on the weighting results, it was found that the first criterion, namely market capitalization, has the highest weight level and the alternative selected based on predetermined criteria found that alternative A1 (bitcoin) has the largest value weight with a value of 1 followed by Ethereum (A9) with a value of 0.846 then the last is Polygon (A2) with a value of 0.635."

"Upaya dalam menghadapi tingginya tingkat persaingan bisnis dalam industri hulu migas adalah dengan meningkatkan kinerja serta mengoptimalkan sumber daya yang dimilikinya. Namun perbaikan di internal perusahaan tidaklah cukup, oleh karena itu dibutuhkan pula peran serta para supplier. Sehubungan dengan hal tersebut, perlu dilakukan penilaian dalam proses pemilihan supplier. Penelitian ini bertujuan untuk memetakan kriteria dan subkriteria penilaian dalam pemilihan supplier, serta memperoleh kriteria utama dalam pemilihan supplier kontraktor migas.

---

Efforts to dealing the high level of business competition in the upstream oil and gas industry is improved performance and optimize all resources. But the improvements in the company?s internal is not enough, therefore, it needs the participation of suppliers. In connection with matter that, it is necessary to judgment in the supplier selection process. This research aims to map the criteria and subcriteria assement in supplier selection, and get the main criteria in supplier selection in the oil and gas contractor."

"ABSTRAKPendeteksian Kejadian Luar Biasa (KLB ) membutuhkan metode untukmendeteksi kejadian dalam waktu yang cepat agar KLB bisa ditanggulangi sedinimungkin. Salah satu cara yang bisa dilakukan untuk mempercepat pendeteksianKLB adalah dengan mengamati indikator-indikator dari KLB itu sendiri, sepertimengamati gejala-gejala dari suatu wabah penyakit. Indikator-indikator tersebutdiamati sebagai dataset. Dalam mendeteksi KLB juga ingin diketahui dimana danberapa lama KLB telah terjadi. Pada metode ini, tiga aspek diatas (Dataset,Lokasi, dan Waktu) diamati secara simultan melalui pendekatan Subset Scanyang mendeteksi KLB dengan melakukan pencarian terhadap kombinasi subsetsubsethimpunan dari tiga aspek tersebut. Oleh karena jumlah subset meningkatsecara eksponensial seiring bertambahnya jumlah anggota himpunan, dilakukanpereduksian subset dengan menggunakan sifat Linear Time Subset Scanning agarefisien secara komputasi. Sehingga, fast subset scan berarti mendeteksi KLBdengan waktu yang lebih cepat dan efisien secara komputasi. Sebagai ilsutrasi,dilakukan simulasi pendeteksian yang menggunakan data sintetis denganmengambil penyakit Chikungunya dan 2 kecamatan di Kota Depok sebagaiobjeknya.

---

ABSTRACTEvent Detection requires a method that can detect events in a short time sothat outbreaks can be addressed as early as possible. One way that can bedone to speed up the detection of outbreaks is to track indicators ofthe outbreak itself, such as observing the symptoms of a disease outbreak. Theindicators are observed as the datasets. In detecting outbreaks also wantto know where and how long outbreaks have occurred. In thismethod, three aspects above (Data Set, Location, and Time) isobserved simultaneouslywith Subset Scan approach that detects outbreaks by searching for thecombinations of subsets of the of three sets aspects. Because the numberof subsets increases exponentially by increasing number of members of theset, a reduction of subset is done using theLinear Time Subset Scanning properties that computationallyefficient. So fast subset scan means time to detect outbreaksis faster and computationally efficient. As ilsutration, performed detectionsimulations using data synthetic by taking Chikungunya disease and 2 districts inDepok as its object."

""ABSTRAK"Tugas akhir ini bertujuan untuk mencari kriteria seleksi model untuk model linier campuran. Kriteria seleksi model adalah kriteria yang dapat menyeleksi model terbaik dari sehimpunan model kandidat dari suatu data yang sama. Kriteria seleksi model yang dibahas pada tugas akhir ini yaitu kriteria seleksi model yang berdasarkan pada seleksi subset yang bertujuan untuk mendapatkan model kandidat yang paling sesuai untuk memodelkan data. Seleksi subset bekerja berdasarkan nilai discrepancy terkecil. Karena discrepancy tidak dapat dihitung secara langsung, maka ditaksir dengan kriteria seleksi model. Kriteria seleksi model yang digunakan untuk menaksir discrepancy pada tugas akhir ini yaitu Mallow rsquo;s Conceptual Predictive Statistic marginal MCp , dan improved MCp IMCp . Sebagai pembanding dari kedua kriteria seleksi model tersebut akan dibahas juga mengenai Akaike Information Criterion marginal mAIC . Untuk menilai kemampuan ketiga kriteria seleksi model tersebut dalam memilih model, dilakukan simulasi sebanyak 1000 kali. Dua ukuran efek acak yang berbeda dan dua nilai yang berbeda dari korelasi antar pengamatan dari suatu efek acak yang sama diterapkan pada simulasi untuk melihat kondisi kerja optimal dari kriteria seleksi model tersebut. Berdasarkan simulasi yang telah dilakukan diperoleh hasil bahwa kriteria seleksi model MCp, dan IMCp bekerja lebih optimal saat ukuran efek acak kecil dibandingkan saat ukuran efek acak besar. Sementara besarnya korelasi antar pengamatan dalam efek acak yang sama tidak terlalu mempengaruhi kinerja MCp, dan IMCp. mAIC bekerja lebih optimal saat ukuran efek acak kecil dan korelasi antar pengamatan dari efek acak yang sama kecil dibandingkan dengan kondisi yang lain. "

---

""ABSTRACT"This final project aims to find the model selection criterion for linear mixed model, that is a criterion that can identify the best model provided a set of candidate models. The criterion discussed in this study is based on a subset selection. The subset selection works by finding the smallest discrepancy value of all candidate models. Since the discrepancy can not be directly calculated, it is estimated by the model selection criterion. The selection criterion that is used in this study is based on Mallow 39 s Conceptual Predictive Statistic Marginal MCp , and Improved MCp IMCp . Akaike Information Criterion marginal mAIC will also be discussed as a comparison to the MCp and IMCp. To assess the performances of the three criteria 1000 simulations were conducted. Two different sizes of random effects and two different values of correlation between observations of a same random effects were design to the simulation. Based on the simulation, MCp, and IMCp performed better for data with small size of random effects compared to that with large random effects. The correlations between observations of the same random effect did not significantly affect MCp 39 s, and IMCp rsquo s performance. mAIC performed better with small size of random effect and small correlations between observations of the same random effects."