Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPenelitian mengenai perhitungan jumlah klaim sudah banyak dilakukan orang dengan menggunakan beberapa model pendekatan, diantaranya adalah penelitian yang dilakukan oleh David dan Jemma 2015 serta Valeck 2016 . Salah satu model yang sering digunakan dan telah menjadi standart practice untuk perhitungan jumlah klaim adalah model GLM Poisson dan juga Negative Binomial. Penelitian ini mereplikasi penelitian Fadzli 2015 yang menggunakan model Bayesian Quantile regression untuk perhitungan count data asuransi kendaraan bermotor di Malaysia.Dengan menggunakan model Bayesian Quantile regression, penelitian ini memodelkan banyaknya jumlah klaim kendaraan bermotor berdasarkan umur, kapasitas, jenis dan wilayah klaim. Sampel data yang digunakan pada penelitian ini adalah data frekuensi klaim perusahaan asuransi kendaraan bermotor PT. ABC selama periode 2015 - 2016. Hasil penelitian menunjukan kuantil ke-75 merupakan model terbaik untuk Bayesian Quantile regression. Model ini juga lebih baik dibandingkan dengan Mean Regression, Poisson Regression dan juga Negative Binomial Regression. Umur kendaraan satu tahun, kendaraan dengan kapasitas lebih dari 2500cc , jenis kendaraan Sedan serta wilayah klaim Depok menjadi rating classes dengan risiko tertinggi untuk setiap rating factor.

---

ABSTRACTThe research on the calculation of the claim frequency has been done by many researchers using several models of approaches, including research conducted by David and Jemma 2015 and Valeck 2016 . One model that is often used and has become a standard practice for the calculation of claim frequency is a GLM model Poisson and Negative Binomial. This study replicates the Fadzli 2015 study using the Bayesian Quantile Regression model for count data of vehicle insurance in Malaysia.Using the Bayesian Quantile Regression model, this study modeled claim frequency of vehicle insurance claims based on age, capacity, type and claim area. Sample data used in this research is claim frequency data of vehicle insurance company PT. ABC during the period 2015 2016. The results show the 75th quantile is the best model for Bayesian Quantile Regression. This model is also better than the Mean Regression, Poisson Regression and also Negative Binomial Regression. One year vehicle lifespan, vehicles with capacity greater than 2500cc, Sedan and claims area Depok become rating classes with highest risk for each rating factor."

"Coronavirus Disease 2019 (COVID-19) adalah suatu penyakit menular yang disebabkan oleh jenis baru dari coronavirus yang belum pernah ditemukan sebelumnya. COVID-19 pertama kali ditemukan di daerah Wuhan, China pada tanggal 31 Desember 2019.Organisasi Kesehatan Dunia (WHO) telah resmi menetapkan COVID-19 sebagai pandemi sejak 11 Maret 2020 dan mengimbau negara-negara untuk mengambil tindakan sesegera mungkin untuk mencegah infeksi, menyelamatkan nyawa, dan meminimalkan dampak COVID-19. Berdasarkan data WHO, diketahui ada lebih dari 200 juta kasus terkonfirmasi dan lebih dari 3 juta kematian akibat COVID-19 hingga saat ini. Penelitian ini bertujuan untuk menganalisis hubungan jumlah kasus COVID-19 dengan faktor-faktor yang mempengaruhinya di Pulau Jawa. Data dalam penelitian ini berasal dari Badan Pusat Statistik (BPS) dan Satgas COVID-19. Penelitian ini menggunakan metode analisis data berupa Regresi Linier Berganda dan Geographically Weighed Negative Binomial Regression (GWNBR). Hasil penelitian ini dengan menggunakan model GWNBR, terdapat 4 variabel yang mempengaruhi jumlah kasus COVID-19 di Pulau Jawa, yaitu jumlah penduduk, pengeluaran per kapita, persentase lansia, dan jumlah tenaga kesehatan. Jumlah penduduk dan pengeluaran per kapita berpengaruh positif terhadap jumlah kasus COVID-19, sedangkan persentase lansia dan jumlah tenaga kesehatan berpengaruh berbeda-beda.

---

Coronavirus Disease 2019 (COVID-19) is an infectious disease caused by a new type of coronavirus that has never been detected before but was first discovered in Wuhan, China on December 31, 2019. The World Health Organization (WHO) officially classified this disease as a pandemic on March 11, 2020 and urged countries to take immediate action to prevent further infections in order to save lives and minimize its impact. The WHO data showed that there have been over 200 million confirmed cases and more than 3 million deaths up to the present moment. Therefore, this study aims to analyze the relationship between the number of COVID-19 cases and its influencing factors in Java. Data were obtained from Badan Pusat Statistik (BPS) and Satgas COVID-19, and analyzed using Multiple Linear Regression and Geographically Weighted Negative Binomial Regression (GWNBR). The results of the GWNBR model showed that there are 4 variables affecting the number of COVID-19 cases which include population, per capita expenditure, the elderly percentage, and the number of healthcare workers. It was discovered that the population and per capita expenditure have a positive effect on the number of cases while the elderly percentage and the number of healthcare workers have varying effects."

"Tuberkulosis adalah penyakit menular yang termasuk kedalam sepuluh peringkat penyebab kematian tertinggi di dunia, sebagai contoh di Indonesia. Oleh karena itu, perlu diketahui faktor-faktor apa saja yang memengaruhi jumlah kasus tuberkulosis. Jumlah kasus tuberkulosis sebagai variabel dependen merupakan data cacah yang umumnya dianalisis menggunakan Regresi Poisson. Namun, adanya asumsi equidispersi yang harus dipenuhi pada Regresi Poisson maka Regresi Generalized Poisson dan Regresi binomial negatif dapat digunakan sebagai alternatif apabila asumsi equidispersi tidak terpenuhi. Aspek spasial dapat diperhatikan, sehingga pemodelan Geographically Weighted Generalized Poisson Regression dan Geographically Weighted Negative Binomial Regression juga dilakukan. Keempat model itu dibangun untuk mengetahui apakah ada hubungan jumlah kasus tuberkulosis di Pulau Jawa pada tahun 2020 dengan faktor-faktor yang diperkirakan memengaruhinya. Variabel independen yang digunakan adalah kepadatan penduduk, persentase balita diberikan imunisasi BCG, persentase penduduk miskin, persentase sarana air minum memenuhi syarat, persentase kartu keluarga dengan akses sanitasi layak, persentase tempat-tempat umum yang memenuhi syarat kesehatan, dan persentase tempat pengelolaan makanan yang memenuhi syarat higienis. Dari penelitian ini, diketahui bahwa model terbaik untuk memodelkan data adalah GWNBR dengan diperoleh 2 kelompok variabel independen signifikan. Sebanyak 7 variabel independen signifikan secara statistik di 88 kabupaten/Kota dan 6 variabel independen signifikan secara statistik di 12 kabupaten/Kota.

---

Tuberculosis is an infectious disease and one of the world's top 10 highest causes of mortality, for example, in Indonesia. Based on this fact, it’s necessary to know what factors influence number of tuberculosis cases. The number of tuberculosis cases as dependent variable is a count data that generally analyzed using Poisson regression. However, equidispersion assumption must be met, so Generalized Poisson Regression and Negative Binomial Regression are applied if the assumption is not met. Spatial aspects can be considered so Geographically Weighted Generalized Poisson Regression and Geographically Weighted Negative Binomial Regression were also conducted. Four models were built to evaluate relationship between number of tuberculosis cases and factors affecting it in Java in 2020. The explanatory variables are population density, percentage of children receiving BCG immunization, percentage of poor people, percentage of eligible drinking water facilities, percentage of family cards with access to proper sanitation, percentage of public places meet health requirements, and percentage of food management places meet hygienic requirements. This study shows that the best model for modeling the data is GWNBR with 2 groups of significant explanatory variables. Seven explanatory variables are statistically significant in 88 districts and six explanatory variables statistically significant in 12 districts."