Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
"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.

Abstrak :
General Linear Mixed Model merupakan model di mana variabel response dipengaruhi oleh faktor fixed dan faktor random. Parameter dari faktor fixed dan random (efek fixed dan random) pada model tersebut tidak diketahui nilainya sehingga harus dilakukan penaksiran. Adapun metode yang digunakan untuk menaksir efek fixed dan random, diantaranya adalah BLUP dan EBLUP. Setelah didapatkan taksiran parameter, selanjutnya akan dilihat seberapa baik taksiran parameter yang diperoleh, yaitu dengan cara mencari Mean Squared Error (MSE) pada General Linear mixed Model. Karena metode penaksiran yang digunakan adalah BLUP dan EBLUP maka pada Tugas Akhir ini akan dibahas mengenai MSE BLUP, MSE EBLUP, dan penaksiran pada MSE EBLUP. Penaksiran ini dilakukan karena nilai dari MSE EBLUP bergantung pada parameter dari variansi efek random yang tidak diketahui nilainya. Kemudian, cara yang digunakan untuk menaksir MSE EBLUP adalah dengan mensubstitusikan taksiran parameter dari variansi efek random ke dalam MSE EBLUP.

Abstrak :
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.

Abstrak :
Tugas Akhir ini bertujuan untuk mencari taksiran parameter pada General Linear Mixed Model. Parameter-parameter dalam General Linear Mixed Model merupakan parameter untuk melihat efek fixed dan efek random dari variabel-variabel prediktor terhadap variabel respon. Salah satu metode yang digunakan untuk mencari taksiran parameter pada General Linear Mixed Model adalah Metode Empirical Best Linear Unbiased Prediction (EBLUP). Berbeda dengan Metode Best Linear Unbiased Prediction (BLUP) di mana parameter dari variansi efek random-nya diketahui, Metode EBLUP memerlukan penaksiran terhadap parameter tersebut yang pada kenyataannya tidak diketahui nilainya. Metode yang digunakan untuk menaksir parameter dari variansi efek random ini ialah Metode Maximum Likelihood (ML). Kemudian, Metode EBLUP dilanjutkan dengan mensubstitusikan taksiran parameter dari variansi efek random ke dalam taksiran parameter pada General Linear Mixed Model yang diperoleh melalui prosedur penaksiran dengan menggunakan Metode BLUP.

Abstrak :
Model kredibilitas mengestimasi frekuensi klaim tahun berikutnya dengan menggunakan data klaim masa lalu. Model kredibilitas Buhlmann dapat dinyatakan sebagai kasus khusus dari Linear Mixed Models (LMM) dengan asumsi banyak klaim dan random effect berdistribusi normal. Namun, banyak klaim lebih tepat dimodelkan dengan distribusi diskrit sehingga LMM perlu diperluas ke Generalized Linear Mixed Models (GLMM) yang dapat mencakup variabel respons mengikuti keluarga eksponensial. Pada tugas akhir ini, dikonstruksi model kredibilitas Buhlmann untuk frekuensi klaim yang diperluas berdasarkan kerangka GLMM dengan variabel respon berdistribusi Poisson dan binomial negatif. Parameter dari model kredibilitas Buhlmann yang diperluas berdasarkan kerangka GLMM diestimasi menggunakan metode numerik adaptive Gaussian quadrature. Data yang digunakan untuk penerapan model adalah data frekuensi klaim yang dibangkitkan dengan menggunakan software R. Pada akhir tulisan, performa model kredibilitas Buhlmann yang diperluas berdasarkan kerangka GLMM dibandingkan terhadap model kredibilitas Buhlmann menggunakan nilai Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC) serta Mean Squared Prediction Error (MSPE). Berdasarkan kriteria model terbaik serta nilai MSPE, model kredibilitas Buhlmann yang diperluas berdasarkan kerangka GLMM memiliki performa yang lebih baik dibanding model kredibilitas Buhlmann dalam memprediksi frekuensi klaim. ......The credibility model estimates claim frequency in the following year by using past claims data. Buhlmann credibility model can be expressed as a special case of Linear Mixed Model (LMM) assuming claim frequency and random effects are normally distributed. However, claim frequency is more precisely modelled with discrete distributions so that LMM needs to be extended to Generalized Linear Mixed Model (GLMM) which can include response variables following an exponential family. In this final project, extended Buhlmann credibility model is constructed for predicting claim frequency based on the Generalized Linear Mixed Model (GLMM) framework with response variables following Poisson distribution and negative binomial distribution. The parameters of the extended Buhlmann credibility model based on the GLMM framework were estimated using the adaptive Gaussian quadrature numerical method. The data used for application of the model is claim frequency data generated using R software. At the end of this paper, the performance of extended Buhlmann credibility model based on the GLMM framework is compared to Buhlmann credibility model using AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion), and MSPE (Mean Squared Prediction Error) values. Based on the criteria of the best model and the MSPE value, the extended Buhlmann credibility model based on the GLMM framework has better performance than Buhlmann credibility model in predicting claim frequency.