Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Tingkat morbiditas penyakit tuberkulosis pada suatu populasi wilayah dan waktu tertentu. Ukuran ini digunakan untuk membantu lembaga kesehatan dalam merencanakan kebijakan pencegahan penyakit tuberkulosis di Indonesia. Selain itu, tingkat morbiditas digunakan dalam menentukan premi asuransi yang tepat bagi perusahaan asuransi sehingga dapat memprediksi cadangan dana yang cukup untuk menutupi klaim dari tertanggung pada periode selanjutnya. Penentuan tingkat morbiditas pada periode yang akan datang dapat ditentukan dengan menggunakan teknik peramalan runtun waktu. Beberapa metode peramalan yang dapat meramalkan data runtun waktu diantaranya seperti metode Autoregressive Integrated Moving Average (ARIMA) dan metode Fuzzy Time Series (FTS). Kedua metode peramalan ini masing-masing memiliki kelemahan tersendiri dalam prakteknya. Kelemahan dari metode ARIMA adalah adanya asumsi klasik yang harus dipenuhi agar metode ARIMA dapat digunakan dengan baik. Berdasarkan penelitian terdahulu, kelemahan dari metode FTS adalah model peramalan yang dibentuk bergantung pada penentuan banyaknya subinterval dan terkadang akurasinya tidak sebaik metode ARIMA. Penelitian ini menggunakan metode peramalan dengan Error Variation-Fuzzy Time Series (EV-FTS) berdasarkan ARIMA untuk mengatasi kekurangan dari metode ARIMA dan FTS. Hasil dalam penelitian ini menunjukkan bahwa metode peramalan dengan EV-FTS berdasarkan ARIMA memberikan nilai Mean Absolute Percentage Error (MAPE) yang lebih kecil dibandingkan nilai MAPE yang dihasilkan dari metode ARIMA dan metode FTS. Selain itu, untuk nilai pengamatan yang ekstrim diperoleh bahwa nilai peramalan yang dihasilkan dari metode EV-FTS berdasarkan ARIMA dapat mendekati nilai aktualnya. Hasil dari penelitian ini menunjukkan bahwa tingkat morbiditas tuberkulosis dengan menggunakan EV-FTS berdasarkan ARIMA diramalkan meningkat dari periode tahun 2022 hingga tahun 2031. ......The tuberculosis morbidity rate measures the rate of tuberculosis disease in a population in a particular area and time. This measure is used to assist health institutions in planning policies to prevent tuberculosis in Indonesia. In addition, the morbidity rate is used in determining the right insurance premium for the insurance company so that it can predict sufficient fund reserves to cover claims from the insured in the next period. Determination of the morbidity rate in the future period can be determined using time series forecasting techniques. Several forecasting methods that can predict time series data include the Autoregressive Integrated Moving verage (ARIMA) method and the Fuzzy Time Series (FTS) method. Both of these forecasting methods have their weaknesses in practice. The weakness of the ARIMA method is that there are classical assumptions that must be met so that the ARIMA method can be used properly. Based on a previous study, the weakness of the FTS method is that the forecasting model formed is dependent on determining the number of subintervals and sometimes the accuracy is not as good as the ARIMA method. This study uses a forecasting method with Error Variation-Fuzzy Time Series (EV-FTS) based on ARIMA to overcome the drawbacks of the ARIMA and FTS methods. The results of this study indicate that the EV-FTS forecasting method based on ARIMA provides a Mean Absolute Percentage Error (MAPE) value which is smaller than the MAPE value generated from the ARIMA method and the FTS method. In addition, the forecast value generated from the EV-FTS method based on ARIMA can approach the extreme actual value. This forecasting method can be an alternative forecasting method to obtain the tuberculosis morbidity rate from next year 2022 and 2031.

Abstrak :
Prediksi mortalitas menjadi suatu aspek penting bagi sebuah perusahaan asuransi maupun perusahaan dana pensiun dalam menentukan premi yang sesuai, melihat kondisi risiko umur panjang yang kian meningkat. Berdasarkan Teori Transisi Demografis, terdapat hubungan antara tingkat mortalitas negara yang berbeda, sehingga patut untuk dipertimbangkan dalam melakukan prediksi. Penelitian ini bertujuan untuk menganalisis suatu bentuk pemodelan mortalitas antarnegara (multi-populasi) guna mengahasilkan prediksi yang lebih baik. Pemodelan dilakukan dengan pendekatan kredibilitas Bühlmann multidimensi. Multidimensi diambil dari gagasan untuk mempertimbangkan secara serentak beberapa kategori berbeda yang diobservasi untuk kemudian menghasilkan suatu informasi yang dibutuhkan. Penambahan kategori pada penelitian ini sendiri adalah penambahan sumber informasi, dimana data tingkat mortalitas diambil dari beberapa negara. Teori kredibilitas Bühlmann pada umumnya digunakan untuk memprediksi nilai dari suatu peubah acak pada satu periode yang akan datang. Dalam penelitian ini, prediksi untuk tahun-tahun berikutnya juga dilakukan, yaitu melalui dua strategi Expanding Window dan Moving Window. Untuk setiap prediksi periode berikutnya, masing-masing strategi ini menggunakan data yang berbeda. Expanding Window dan Moving Window menggunakan nilai hasil prediksi sebagai data tambahan untuk membangun model prediksi tahun berikutnya, namun Moving Window juga membuang data terlama. Parameter model diestimasi dengan pendekatan non-parametrik. Model ini kemudian diaplikasikan pada data mortalitas negara Jepang, Swedia dan Ceko. Pada akhir penelitian, performa dari masing-masing model dianalisis melalui ukuran galat Mean Absolute Percentage Error (MAPE) dan Average Mean Absolute Percentage Error (AMAPE). Hasil prediksi menunjukkan bahwa performa model kredibilitas Bühlmann multidimensi cukup baik dalam memodelkan mortalitas antarnegara. ......Mortality prediction is a crucial aspect for insurance and pension fund companies in deciding a suitable premium, by taking into consideration the inevitable risk of increasing life expectancy in a population. Based on the Demographic Transition Theory, there is a relation between countries mortality rates, which therefore ought to be considered in the prediction. The aim of this research is to discuss a cross-country (multi-population) mortality modeling in order to attain better mortality prediction. This modeling is based on multi-dimentional Buhlmann credibility approach. Multi-dimentional approach was derived from the idea to simultaneously observe several different categories that will produce the information needed. Additional categories in this research refer to mortality rates data taken from several countries. The BA¼hlmann credibility theory is generally used to predict the value of a random variable in a given period in the future. In this research, prediction for years to come was done using two strategies, Expanding Window and Moving Window. For every prediction in the upcoming period, both Expanding Window and Moving Window use prediction result value as an additional data to build upon the prediction model for the next year, however Moving Window also dismisses the oldest data. The model parameter is estimated with non-parametric approach. This model is then applied to the mortality data from Japan, Sweden, and Czech. Finally, each models performance is analyzed using Mean Absolute Percentage Error (MAPE) and Average Mean Absolute Percentage Error (AMAPE). The result shows that the performance of the multi-dimensional BA¼hlmann credibility approach is satisfactory in modeling cross-country mortality rates.

Abstrak :
Peramalan tingkat morbiditas merupakan elemen yang penting bagi pemerintah dalam membuat kebijakan sosial-ekonomi di tahun-tahun mendatang. Begitu pun juga bagi perusahaan asuransi yang memerlukan tingkat morbiditas agar dapat menyediakan produk asuransi yang tepat sasaran di suatu wilayah atau negara. Pada penelitian ini, digunakan model Lee-Carter dalam meramalkan tingkat morbiditas tuberkulosis paru di Indonesia pada tahun 2022, menggunakan data tingkat morbiditas yang tersedia dari tahun 2014 hingga 2021, dan tersedia untuk tujuh kelompok umur, yaitu 0-14, 15-24, 25-34, 35-44, 45-54, 55-64, dan ≥65. Sumber data penelitian diambil dari Profil Kesehatan Indonesia Tahun 2018-2021 yang dirilis oleh Kementerian Kesehatan Republik Indonesia. Peramalan tingkat morbiditas melalui model Lee-Carter dimulai dengan mengestimasi nilai parameter pada model Lee-Carter menggunakan metode Least Square. Kemudian, dilakukan proyeksi nilai parameter yang bergantung waktu pada model Lee-Carter menggunakan metode Simple Moving Average (SMA), Double Moving Average (DMA), Simple Exponential Smoothing (SES), dan Holt’s Linear Trend (HLT). Dari hasil simulasi ditemukan bahwa metode terbaik untuk memproyeksi nilai parameter bergantung waktu untuk satu periode ke depan adalah metode Simple Exponential Smoothing (SES). Nilai proyeksi dari parameter yang diperoleh digunakan untuk menghitung nilai peramalan dari tingkat morbiditas. Hasil peramalan tingkat morbiditas tuberkulosis di Indonesia pada tahun 2022 menunjukkan terjadi penurunan untuk kelompok umur 0-14 tahun, 15-24 tahun, 35-44 tahun, dan 45-54 tahun, sedangkan untuk kelompok umur 25-34 tahun dan ≥65 tahun terjadi peningkatan. ......Forecasting morbidity rates is an important element for the government in making socio-economic policies in the coming years. Likewise, insurance companies need morbidity rates in order to provide targeted insurance products in a region or country. In this study, the Lee-Carter Model was used to forecast the morbidity rate of pulmonary tuberculosis in Indonesia in 2022, using morbidity rate data available from 2014 to 2021, and available for seven age groups, namely 0-14, 15-24, 25-34, 35-44, 45-54, 55-64, and ≥65. The research data source was taken from the 2018-2021 Indonesian Health Profile released by the Ministry of Health of the Republic of Indonesia. Forecasting the morbidity rate through the Lee-Carter model begins with estimating the parameter values in the Lee-Carter model using the Least Square method. Then, time-dependent parameter values are projected on the Lee-Carter model using the Simple Moving Average (SMA), Double Moving Average (DMA), Simple Exponential Smoothing (SES), and Holt's Linear Trend (HLT). From the simulation results it was found that the best method for projecting time-dependent parameter values for one period into the future is the Simple Exponential Smoothing (SES) method. The projected values of the parameters obtained are used to calculate the forecasting value of the morbidity rate. The results of forecasting the tuberculosis morbidity rate in Indonesia in 2022 showed a decrease for the age groups 0-14 years, 15-24 years, 35-44 years, and 45-54 years, while for the age groups 25-34 years and ≥65 years there was an increase.

Abstrak :
Runtun waktu adalah salah satu data yang paling umum dan banyak dijumpai di kehidupan sehari-hari. Runtun waktu dianalisis dengan dua tujuan utama, yaitu untuk memodelkan mekanisme stokastik dari runtun waktu tersebut dan untuk melakukan peramalan. Untuk keperluan dua tujuan tersebut, banyak model runtun waktu yang telah dikembangkan, salah satunya adalah model autoregressive moving average (ARMA). Model ARMA adalah model runtun waktu univariat yang cukup populer dan umum digunakan saat ini. Seiring berjalannya waktu, mulai dikembangkan model runtun waktu multivariat, yang dapat memodelkan runtun waktu dengan dua atau lebih variabel. Meng- gunakan model runtun waktu multivariat untuk memodelkan dua atau lebih variabel tentu lebih efektif dibandingkan memodelkannya satu per satu menggunakan model univariat. Selain itu, model runtun waktu multivariat juga dapat menjelaskan hubungan dinamis antarvariabel yang saling terkait. Dalam skripsi ini, akan dijelaskan versi multivariat dari model ARMA, yaitu model vector autoregressive moving average (VARMA), mulai dari karakteristiknya, spesifikasi model, penaksiran parameter, hingga melakukan pera- malan. Penaksiran parameter akan dilakukan dengan menggunakan metode conditional maximum likelihood. Model VARMA ini kemudian akan digunakan untuk melakukan peramalan dua variabel yang cukup berpengaruh dalam ekonomi makro, yaitu data harian indeks harga saham gabungan (IHSG) dan kurs mata uang rupiah terhadap dolar Amerika Serikat. Data tersebut juga akan dimodelkan menggunakan model ARMA(p,q) dan VAR(p). Model yang digunakan adalah model ARIMA(0,1,0) untuk data IHSG, model ARIMA(0,1,2) untuk data kurs rupiah, model VARI(3,1) dan model VARIMA(1,1,1). Menggunakan indikator mean absolute percentage error (MAPE), didapatkan hasil bahwa model VARI(3,1) memberikan hasil peramalan yang paling akurat. ......Time series is one of the most common data and is often found in everyday life. The purpose of time series analysis is generally twofold: to understand or model the stochastic mechanism that gives rise to an observed series and to predict or forecast the future values of a series based on the history of that series and, possibly, other related series or factors. For the purposes of these two objectives, many time series models have been developed, the most popular one is autoregressive moving average (ARMA) model. The ARMA model is a univariate time series model that is quite popular and commonly used today. Over time, multivariate time series models have been developed, which can model time series with two or more variables. Using a multivariate time series model to model two or more variables is certainly more effective than modeling them one by one using a univariate model. In addition, the multivariate time series model can also explain the dynamic relationship between interrelated variables. In this undergraduate thesis, we will explain the multivariate version of the ARMA model, the vector autoregressive moving average (VARMA) model, starting from its characteristics, model specifications, param- eter estimation, to forecasting. Parameter estimation will be done using the conditional maximum likelihood method. Then, this VARMA model will be used to forecast two maroeconomics indicators: daily data of Indonesia Composite Index and the USD-IDR exchange rate. The data will also be modeled using the ARMA(p,q) and VAR(p) models. In chapter 4, the models used are ARIMA(0,1,0) model for Indonesia Composite Index data, ARIMA(0,1,2) model for USD-IDR exchange rate data, VARI(3,1) model and VARIMA(1,1,1) model. Using the mean absolute percentage error (MAPE) indicator, the results show that VARI(3,1) model provides the most accurate forecasting results.