Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam rangka menghindarkan perusahaan asuransi dari adverse selection, aktuaris perlu memprediksi tingkat risiko pada individu tertanggung. Adapun tingkat risiko individu dapat dipandang sebagai variabel ordinal. Pada penelitian ini, tingkat risiko pada skala ordinal diprediksi melalui pendekatan model linear terampat/generalized linear model (GLM), yaitu ordered stereotype model (OSM) yang merupakan salah satu jenis regresi logistik ordinal. OSM memungkinkan estimasi jarak (spacing) yang berbeda-beda antartingkat risiko ordinal dengan adanya penambahan parameter skor, di mana fitur unik ini tidak ditemukan pada model regresi ordinal lainnya. Pengetahuan akan spacing yang berbeda-beda antartingkat risiko membuka jalan untuk melakukan evaluasi terkait struktur pengelompokan tingkat risiko pada data asuransi yang seharusnya bersesuaian dengan pola faktor-faktor risikonya. Mengingat implementasi OSM yang masih jarang khususnya di bidang asuransi umum, penelitian ini mengaplikasikan model tersebut pada data klaim asuransi kendaraan bermotor di Prancis yang diakses dari CASdatasets pada perangkat lunak RStudio. Adapun tingkat risiko sebagai variabel respon disusun berdasarkan severitas klaim yang dipartisi menjadi beberapa kelompok secara ordinal. Penelitian ini pertama-tama menjelaskan terlebih dahulu bagaimana OSM dikonstruksi dari model dasarnya yaitu baseline-category logit model. Parameter model diestimasi dengan metode maximum likelihood, yang kemudian dibantu dengan metode iteratif dua langkah dan metode Newton-Raphson. Selanjutnya, hasil pengujian asumsi ordinal model menggunakan statistik uji rasio likelihood menunjukkan bahwa pengadaan tren ordinal pada OSM yang merupakan modifikasi dari baseline-category logit model adalah suatu langkah yang signifikan. Terakhir, dengan membandingkan hasil perhitungan Akaike’s information criterion (AIC) dan Bayesian information criterion (BIC) antara OSM dengan model regresi logistik ordinal lain (pada penelitian ini dipilih proportional odds model), diperoleh kesimpulan bahwa OSM adalah model terbaik.

---

In the context of mitigating adverse selection in insurance companies, actuaries are required to predict the risk levels associated with insured individuals. The ordered stereotype model (OSM) facilitates the estimation of distinct spacings between ordinal risk levels by introducing an additional score parameter. This feature distinguishes OSM from other ordinal logistic regression models. Knowledge of non-equal spacings among ordinal risk levels provides a basis for evaluating the structure of risk level groupings in insurance data, which should align with the patterns of its risk factors. In this research, OSM is applied to a French motor claims data sourced from CASdatasets and processed using the RStudio software. OSM is initially constructed through the modification of the baseline-category logit model. Model parameters are then estimated using the maximum likelihood method, supplemented by iterative two-step and Newton-Raphson methods. Likelihood ratio test statistics demonstrate that the incorporation of ordinal trends in OSM, as a modification of the baseline-category logit model, represents a statistically significant advancement. Finally, through a comparative analysis of Akaike's Information Criterion (AIC) and Bayesian Information Criterion (BIC) calculations between OSM, the baseline-category logit model, and the proportional odds model, it is deduced that OSM stands out as the superior model for predicting the risk levels of insured individuals."

"Tugas akhir ini bertujuan untuk mencari taksiran parameter pada Generalized Linear Mixed Model (GLMM). Parameter-parameter dalam GLMM merupakan parameter untuk melihat efek fixed dan efek random dari variabel-variabel prediktor terhadap variabel respon. Hal ini yang membedakan dengan Generalized Linear Regression Model (GLRM), yang hanya memperhatikan efek fixed. GLRM merupakan perluasan dari model regresi linier berganda dalam hal asumsi variansi errornya tidak konstan. Pada tugas akhir ini, metode yang digunakan untuk mencari taksiran parameter pada GLMM adalah metode Best Linear Unbiased Prediction (BLUP). Teori dasar yang dibutuhkan pada metode BLUP ini adalah metode Lagrange dan teorema invers matriks partisi. "

"AIDS merupakan fase infeksi dari virus HIV yang paling kronis yang dapat melemahkan kekebalan tubuh. AIDS disebabkan oleh virus HIV yang menyerang dan menghancurkan sel CD4 atau yang biasa disebutk dengan sel T. Pada tahun 2020, Provinsi Jawa Timur merupakan provinsi dengan jumlah infeksi HIV terbanyak dan urutan ketiga terbanyak untuk total kasus AIDS di Indonesia. Tujuan penelitian ini untuk memodelkan data tingkat proporsi kasus AIDS Provinsi Jawa Timur menggunakan Geographically Weighted Logistic Regression (GWLR) dan melihat hasil pengelompokan kabupaten/kota menggunakan analisis klaster. Variabel yang digunakan untuk penelitian ini adalah Gini Rasio, Indeks L Pengeluaran Per Kapita, Rasio Jenis Kelamin, Rasio Ketergantungan, Indeks Pembangunan Gender (IPG), dan Jumlah Pos Pelayanan KB Desa. Tingkat proporsi kasus AIDS dikategorikan menjadi 2 kategori berdasarkan cut point yang telah ditentukan, dengan kategori 0 sebagai tingkat rendah dengan proporsi kasus AIDS kurang dari 0,0006 dan kategori 1 sebagai tingkat tinggi dengan proporsi kasus AIDS lebih dari atau sama dengan 0,0006. Penaksiran parameter untuk model Geographically Weighted Logistic Regression (GWLR) menggunakan metode Maximum Likelihood Estimation (MLE) dengan fungsi pembobot kernel Fixed Gaussian dan bandwidth optimum ditentukan menggunakan Akaike’s Information Criterion corrected (AICc). Nilai Z hitung dari parameter model yang paling sesuai akan dikelompokan menggunakan analisis klaster k-means, dengan Z hitung adalah nilai estimasi parameter dibagi dengan standar error. Hasil pengelompokan menunjukkan bahwa anggota klaster 1 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan yaitu rasio jenis kelamin dan rasio ketergantungan yang merupakan perbandingan jumlah penduduk bukan angkatan kerja dengan jumlah penduduk angkatan kerja, sementara anggota klaster 2 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan rasio ketergantungan.

---

AIDS is the most chronic phase of HIV infection which can weaken the immune system. AIDS is caused by HIV which attacks and destroys CD4 cells or also known as T cells. In 2020, East Java Province is a province which has the most HIV infections and in the third place for the highest total number of AIDS cases in Indonesia. The purpose of this research is to build a model using Geographically Weighted Logistic Regression (GWLR), and to work out the grouping results of regencies/cities using K-means Clustering Analysis. The variables used in this research are Gini Ratio, L Index of Per Capita Expenditure, Gender Ratio, Dependency Ratio, Gender Development Index, and The Number of Post Pelayanan KB Desa. The proportion levels of AIDS cases are categorized into 2 categories based on cut-point which has been specified, which 0 as the category of low level with the proportion of AIDS cases is less than 0.0006 and 1 as the category of high level with the proportion of AIDS cases is more than or equal to 0.0006. Parameter estimation for Geographically Weighted Logistic Regression (GWLR) is using Maximum Likelihood Estimation (MLE) method with Fixed Gaussian as weighted kernel function and optimum bandwidth is determined using Akaike’s Information Criterion Corrected (AICc). Z-Score of the most suitable model will be grouped using K-means Clustering Analysis, with Z-score is parameter estimator divided by standard error. Grouping results indicates cluster 1 members tend to be regencies/cities that have gender ratio and dependency ratio as significant variables, meanwhile cluster 2 members tend to be regencies/cities that have only dependency ratio as significant variable. "

"AIDS merupakan fase infeksi dari virus HIV yang paling kronis yang dapat melemahkan kekebalan tubuh. AIDS disebabkan oleh virus HIV yang menyerang dan menghancurkan sel CD4 atau yang biasa disebutk dengan sel T. Pada tahun 2020, Provinsi Jawa Timur merupakan provinsi dengan jumlah infeksi HIV terbanyak dan urutan ketiga terbanyak untuk total kasus AIDS di Indonesia. Tujuan penelitian ini untuk memodelkan data tingkat proporsi kasus AIDS Provinsi Jawa Timur menggunakan Geographically Weighted Logistic Regression (GWLR) dan melihat hasil pengelompokan kabupaten/kota menggunakan analisis klaster k-means. Variabel yang digunakan untuk penelitian ini adalah Gini Rasio, Indeks L Pengeluaran Per Kapita, Rasio Jenis Kelamin, Rasio Ketergantungan, Indeks Pembangunan Gender (IPG), dan Jumlah Pos Pelayanan KB Desa. Tingkat proporsi kasus AIDS dikategorikan menjadi 2 kategori berdasarkan cut point yang telah ditentukan, dengan kategori 0 sebagai tingkat rendah dengan proporsi kasus AIDS kurang dari 0,0006 dan kategori 1 sebagai tingkat tinggi dengan proporsi kasus AIDS lebih dari atau sama dengan 0,0006. Penaksiran parameter untuk model Geographically Weighted Logistic Regression (GWLR) menggunakan metode Maximum Likelihood Estimation (MLE) dengan fungsi pembobot kernel Fixed Gaussian dan bandwidth optimum ditentukan menggunakan Akaike’s Information Criterion corrected (AICc). Nilai Z hitung dari parameter model yang paling sesuai akan dikelompokan menggunakan analisis klaster k-means, dengan Z hitung adalah nilai estimasi parameter dibagi dengan standar error. Hasil pengelompokan menunjukkan bahwa anggota klaster 1 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan yaitu rasio jenis kelamin dan rasio ketergantungan yang merupakan perbandingan jumlah penduduk bukan angkatan kerja dengan jumlah penduduk angkatan kerja, sementara anggota klaster 2 memiliki kecenderungan merupakan kabupaten/kota yang memiliki variabel signifikan rasio ketergantungan.

---

AIDS is the most chronic phase of HIV infection which can weaken the immune system. AIDS is caused by HIV which attacks and destroys CD4 cells or also known as T cells. In 2020, East Java Province is a province which has the most HIV infections and in the third place for the highest total number of AIDS cases in Indonesia. The purpose of this research is to build a model using Geographically Weighted Logistic Regression (GWLR), and to work out the grouping results of regencies/cities using K- means Clustering Analysis. The variables used in this research are Gini Ratio, L Index of Per Capita Expenditure, Gender Ratio, Dependency Ratio, Gender Development Index, and The Number of Post Pelayanan KB Desa. The proportion levels of AIDS cases are categorized into 2 categories based on cut-point which has been specified, which 0 as the category of low level with the proportion of AIDS cases is less than 0.0006 and 1 as the category of high level with the proportion of AIDS cases is more than or equal to 0.0006. Parameter estimation for Geographically Weighted Logistic Regression (GWLR) is using Maximum Likelihood Estimation (MLE) method with Fixed Gaussian as weighted kernel function and optimum bandwidth is determined using Akaike’s Information Criterion Corrected (AICc). Z-Score of the most suitable model will be grouped using K-means Clustering Analysis, with Z-score is parameter estimator divided by standard error. Grouping results indicates cluster 1 members tend to be regencies/cities that have gender ratio and dependency ratio as significant variables, meanwhile cluster 2 members tend to be regencies/cities that have only dependency ratio as significant variable."

"There are much research in health sector this time. Some research have goal to asses exposure effect to outcome. Researcher often use regresssion. Regression is a convensional multivariate analysis. Conventional multivariable analyses may not always be the ideal method for estimating treatment effects in observational studies. When there are large differences in the distribution of covariates between treatment groups, adjusting for these differences with conventional multivariable techniques may not adequately balance the groups, and the remaining bias may limit valid causal inference. Adjusted use in the end of regression analysis, some of scientis believe that adjustment can be show. Goal of this research is to compare the result of convensional multiariate analysis versus propensity score matching analysis in case study of infant immunizanon using Data ASUI-I KAP2 2003. The comparison will use the same model, that make model according logistic regression. Model which be compare is model without interaction ariabel. Modell will be analised with propensity score matching. Result of research is there is different betwen Odds Ratio from logistic regwession analysis and Odds Ratio from propensity score matching analysis. The value OR from logistic regression is 0,9898, and the value OR from propensity score matching is 0,9656. Propensity score matching succes make matching 574 sample or 68,27%. The differen is not big bacause effect the confounder are not big. For look effect exposure ar risk factor model its better use PSM because it can reduce selection bias.if you want to analysis determinan factor model, where there are much independent vaiiabel its better use logistic regression analysis because the variabel have same position."

"Pencocokan suatu model logistik terhadap data binomial memerlukan penaksiran parameter dari model. Proses penaksiran parameter ini menggunakan keseluruhan pengamatan yang ada dalam data. Setelah taksiran parameter dihasilkan dan model tersebut digunakan untuk mencocokkan data, mungkin tidak setiap pengamatan dalam data sesuai dengan model. Hal tersebut dapat disebabkan karena data mengandung outlier, yaitu pengamatan yang nilainya jauh lebih besar atau lebih kecil jika dibandingkan dengan mayoritas pengamatan dalam data. Selain itu, ketidakcocokan model terhadap data dapat pula disebabkan karena kesalahan dalam pemilihan fungsi penghubung yang digunakan dalam model. Pada tugas akhir ini, dibahas suatu prosedur forward search untuk memeriksa kesesuaian data binomial pada model logistik sederhana. Plot dari statistik-statistik diagnostik yaitu residual deviansi dan statistik skor selama proses forward search digunakan untuk melihat sejauh mana pengaruh dari setiap pengamatan individual dalam data binomial. Statistik skor akan digunakan dalam pengujian kecukupan fungsi penghubung. "

"ABSTRACTPemodelan regresi telah diterapkan dalam perbankan ritel karena kemampuannya dalam menganalisis data kontinu maupun diskrit. Hal tersebut merupakan alat yang penting dalam penilaian risiko kredit, stress testing, serta evaluasi aset kredit. Pada tugas akhir ini, pendekatan yang digunakan adalah dengan menggunakan model regresi logistik multinomial untuk mengetahui faktor-faktor yang memengaruhi terjadinya default dan attrition pada suatu kredit. Selain itu, pada tugas akhir ini juga akan diperkenalkan pendekatan regresi spline dengan menggunakan truncated power basis untuk memodelkan fungsi hazard. Fleksibilitas dari fungsi spline memberikan kemampuan untuk memodelkan fungsi hazard yang berbentuk nonlinier dan tidak beraturan. Kemudian, dengan menggunakan regresi spline dan regresi logistik multinomial, akan diperoleh sebuah hasil dan interpretasi yang lebih baik. Terdapat beberapa kelebihan dari penggunaan kedua model tersebut. Pertama, dengan menggunakan fungsi regresi spline yang fleksibel, dapat dimodelkan fungsi hazard yang berbentuk nonlinier dan tidak beraturan. Kedua, mudah dipahami dan diterapkan, dan bentuk parametrik model regresi logistik multinomial yang sederhana dapat memudahkan dalam interpretasi model. Ketiga, memiliki kemampuan untuk prediksi. Pada akhir pembahasan, dengan menggunakan sebuah data kartu kredit akan dilakukan pengaplikasian dari model regresi logistik multinomial dan regresi spline, dilengkapi dengan penjelasan secara statistika dan akurasi prediksi.

---

ABSTRACTRegression modeling has been adapted in retail banking because of its capability to analyze the continuous and discrete data. It is an important tool for credit risk scoring, stress testing and credit asset evaluation. In this thesis, the approach used is multinomial logistic regression model to gain the information regarding the factors that affect the occurrence of default and attrition. In addition, this thesis will also introduce spline regression approach using truncated power basis to model the hazard function. The flexibility of spline function allows us to model the nonlinear and irregular shapes of the hazard functions. Then, by using spline regression and multinomial logistic regression model, there will be a better result and interpretation. There are several advantages by using those both models. First, by using the flexible spline regression function, it can model nonlinear and irregular shapes of the hazard functions. Second, it is easy to understand and implement, and its simple parametric form from multinomial logistic regression model can make it easy in model interpretation. Third, the model has the ability to do prediction. Furthermore, by using a credit card dataset, we will demonstrate how to build these model, and we also provide statistical explanatory and prediction accuracy."

"Estimasi parameter pada model regresi logistik pada umumnya menggunakan metode maximum likelihood dengan iterasi Newton Raphson. Pada model regresi logistik, estimasi parameter menggunakan metode maximum likelihood tidak dapat digunakan apabila ukuran sampel kecil dan proporsi kejadian sukses kecil. Permasalahan yang muncul saat ukuran sampel kecil dan proporsi sukses kecil, jika menggunakan metode maximum likelihood adalah proses iterasi yang tidak konvergen. Oleh sebab itu dalam kondisi tersebut, metode maximum likelihood tidak dapat digunakan untuk estimasi parameter. Salah satu cara untuk mengatasi ketidakkonvergenan pada iterasi tersebut adalah menggunakan modifikasi score function. Modifikasi score function dapat digunakan untuk mendapatkan estimasi parameter model regresi logistik dengan melakukan modifikasi pada fungsi likelihood. Contoh aplikasi diberikan untuk menunjukkan bahwa kemungkinan estimasi parameter model regresi logistik dengan ukuran sampel kecil dan proporsi sukses kecil menggunakan metode maximum likelihood dengan iterasi Newton Raphson memberikan hasil yang tidak konvergen dan hal ini dapat diselesaikan dengan menggunakan modifikasi score function.

---

The maximum likelihood method with Newton Raphson iteration is used in general to estimate the parameter on logistic regression model. This parameter estimation using the maximum likelihood method cannot be used if the size of the sample and proportion of successful events are small. It is because the iteration process will not convergent to some point. Therefore, the maximum likelihood method cannot be used to estimate the parameter.

One of the ways to resolve this convergent problem is using the score function modification. This modification is used to obtain the parameter estimation on logistic regression model by doing some modification on the likelihood function. The example of parameter estimation, using maximum likelihood method with small size of sample and proportion of successful events, is given to show may be the iteration process is not convergent and this can be solved with modification score function."

"ABSTRAKPenelitian ini bertujuan untuk mengetahui pengaruh status bekerja dan struktur keluarga terhadap kerawanan pangan rumah tangga dengan anak. Menggunakan Survey Sosial Ekonomi Nasional Tahun 2018, kerawanan pangan rumah tangga diukur dari kerawanan pangan dimensi akses. Status bekerja diwakili oleh status bekerja kepala rumah tangga dan struktur keluarga diukur dari kehadiran pasangan kepala rumah tangga. Analisis dalam penelitian ini dilakukan di kelompok rumah tangga miskin dan kelompok rumah tangga tidak miskin. Hasil analisis deskriptif menunjukkan bahwa kerawanan pangan juga terjadi pada rumah tangga dengan anak di kedua kelompok rumah tangga. Hasil analisis inferensial menggunakan regresi logistik biner menunjukkan bahwa rumah tangga dengan kepala rumah tangga bekerja tidak penuh dan rumah tangga dengan kepala rumah tangga menganggur lebih cenderung untuk mengalami rawan pangan daripada rumah tangga dengan kepala rumah tangga bekerja penuh baik di kelompok rumah tangga miskin maupun kelompok rumah tangga tidak miskin. Sementara rumah tangga dengan kepala rumah tangga bukan angkatan kerja lebih cenderung secara signifikan untuk mengalami rawan pangan daripada rumah tangga dengan kepala rumah tangga bekerja penuh hanya di kelompok rumah tangga miskin. Selain itu juga ditemukan bahwa rumah tangga orang tua lengkap kurang cenderung untuk mengalami rawan pangan daripada rumah tangga orang tua tunggal laki-laki dan rumah tangga orang tua tunggal perempuan.

---

ABSTARCTThis study aimed to investigate the effect of working status and family structure on food insecurity in households with children. Using the 2018 National Socio-Economic Survey, food insecurity at the households level was measured by the food access dimension of the food insecurity. Working status was represented by the working status of  the head of the household and family structure was measured by presence of the heads partner. The analysis in this study was conducted in poor and non-poor households. Descriptive analysis showed that food insecurity also occured in households with children in both households. Inferential analysis using binary logistic regression showed that households with heads in part-time work and those with unemployed heads were more likely to be food insecure than households with heads in full-time work either in poor households or in non-poor households. Whereas households with heads not in labor force were significantly more likely to be food insecure than households with heads in full-time work only in the poor households. The analysis also showed that two-parent households were less likely to be food insecure than single-male headed households and single-female headed households."

"Beberapa jurnal statistik menunjukkan bahwa pergerakan harga saham dapat diprediksi dengan menggunakan pergerakan harga masa lalu, namun cara ini ditentang oleh Eugene Fama dalam tesisnya yang berjudul Random Walk in Stock Market. Hal tersebut didukung oleh Burton G. Malkiel dalam bukunya yang berjudul Random Walk in Wall Street. Berdasarkan hal tersebut harus dicari cara lain yaitu dengan menggunakan rasio keuangan. Dutta tahun 2012 menunjukkan cara memprediksi pergerakan saham menggunakan Binary Logistic Regression (BLR) dengan rasio keuangan sebagai prediktornya. Model BLR-nya terlibat dalam algoritma klasifikasi biner yang menggunakan nilai cut off dalam aturan klasifikasinya untuk mengklasifikasikan perusahaan mana yang harga sahamnya akan naik atau tidak. Metode ini diterapkan dalam penelitian ini untuk memprediksi pergerakan saham di Indonesia. Sebuah penelitian menunjukkan bahwa keputusan investor dipengaruhi oleh lokasi perusahaan. Oleh karena itu, BLR belum tentu menjadi model yang tepat untuk memprediksi pergerakan saham karena tidak memperhatikan unsur regional (spasial) sehingga dalam penelitian ini digunakan model regresi logistik biner yang mempertimbangkan elemen spasial yang disebut dengan Geographically Weighted Logistic Regression (GWLR) model dan membandingkan kinerja model. dengan model BLR dalam memprediksi pergerakan saham dengan menggunakan rasio keuangan sebagai prediktor. Penelitian diawali dengan mencari model BLR terbaik yang dibuat dari data latih tahun 2013. Model terbaik dengan prediktor rasio keuangan adalah DER (Debt to Equity Ratio). Kemudian dibuat model GWLR dengan prediktor yang sama. BLR dan GWLR dilibatkan vii Universitas Indonesia dalam algoritma klasifikasi biner. Kemudian dilakukan pengujian algoritma masing-masing menggunakan data latih 2013, dan data pengujian tahun 2014 menghasilkan AUC masing-masing sebesar 0,6252723 dan 0,6666667, untuk algoritma klasifikasi biner yang melibatkan GWLR, dan untuk algoritma klasifikasi biner yang melibatkan BLR diperoleh 0,6176471, dan 0,627381. Hal ini menunjukkan bahwa kinerja model GWLR lebih baik dari pada BLR.Several statistical journals show that stock price movements can be predicted using past price movements, but this method is opposed by Eugene Fama in his thesis entitled Random Walk in Stock Market. This is supported by Burton G. Malkiel in his book entitled Random Walk in Wall Street. Based on this, another way must be sought, namely by using financial ratios. Dutta 2012 shows how to predict stock movements using Binary Logistic Regression (BLR) with financial ratios as predictors. The BLR model is involved in a binary classification algorithm that uses the cut off value in its classification rules to classify which companies will increase their share price or not. This method is applied in this study to predict stock movements in Indonesia. A study shows that investors' decisions are influenced by the location of the company. Therefore, BLR is not necessarily the right model for predicting stock movements because it does not pay attention to regional (spatial) elements so in this study a binary logistic regression model is used that considers spatial elements called the Geographically Weighted Logistic Regression (GWLR) model and compares performance. model. with the BLR model in predicting stock movements using financial ratios as predictors. The research begins with finding the best BLR model made from training data in 2013. The best model with a predictor of financial ratios is DER (Debt to Equity Ratio). Then a GWLR model was made with the same predictors. BLR and GWLR were involved vii University of Indonesia in the binary classification algorithm. Then each algorithm was tested using the 2013 training data, and the 2014 test data resulted in an AUC of 0.6252723 and 0.6666667, respectively, for the binary classification algorithm involving GWLR, and for the binary classification algorithm involving BLR it was obtained 0, 6176471, and 0.627381. This shows that the performance of the GWLR model is better than the BLR."