Hasil Pencarian  ::  Simpan CSV :: Kembali

"Seringkali analisis statistik beranggapan suatu data hanya berasal dari satu populasi saja. Padahal pada kenyataannya terdapat kondisi dimana suatu data bisa dibagi menjadi beberapa sub-populasi. Gaussian Finite Mixture Model adalah salah satu metode untuk memodelkan data heterogen yang memungkinkan berasal dari sub-populasi yang berbeda. Model ini berbentuk superposisi dari beberapa distribusi Gaussian. Jumlah distribusi akan ditentukan dengan menggunakan Akaikes Information Criterion dan model diagnostik. Estimasi parameter pada model ini menggunakan metode Bayesian, yaitu dengan menentukan distribusi prior untuk parameter model, digabungkan dengan likelihood yang akan menghasilkan distribusi posterior. Kemudian, Markov chain Monte Carlo-Gibbs Sampler digunakan untuk menarik sampel pada parameter dari distribusi poteriornya masing-masing.

---

Commonly statistical analysis assume data comes from one population. But there are conditions where data might be generated from several sub-populations. Gaussian Finite Mixture Model (GFMM) is one of the methods to model heterogeneous data that might come from different sub-populations. This model was formed as a superposition of several Gaussian distribution, with different location parameter. Number of distributions will be determined using Akaike`s Information Criterion and model diagnostic. Parameter estimation is conducted using Bayesian method, that is by specifying the prior distribution for the models parameters, combined with the likelihood to produce the posterior distribution. Finnally, Markov chain Monte Carlo-Gibbs Sampler is implemented to withdraw sampel of parameters from the corresponding posterior distributions."

"Nilai yang hilang adalah suatu kondisi ketika ada beberapa entri yang hilang atau nilai kosong pada beberapa pengamatan dalam data. Ini dapat menyebabkan kita memiliki data yang tidak lengkap yang dapat menghambat proses analisis statistik dan dapat memberikan kesimpulan yang bias dari analisis jika tidak dapat ditangani dengan benar. Masalah ini juga dapat ditemukan dalam beberapa analisis regresi linier. Salah satu cara untuk mengatasi masalah ini adalah dengan menggunakan beberapa metode imputasi yang disebut Predictive Mean Matching (PMM). Beberapa imputasi adalah pendekatan umum untuk menangani data yang hilang yang memungkinkan ketidakpastian tentang data yang hilang dengan membuat serangkaian data imputasi yang masuk akal dan hasil analisis gabungan tepat yang diperoleh dari setiap data. Metode ini akan mencocokkan jarak rata-rata prediktif dari pengamatan tidak lengkap dengan pengamatan lengkap. Dengan demikian, pengamatan lengkap yang memiliki jarak terdekat akan menjadi nilai donor bagi yang tidak lengkap. Mean prediktif untuk pengamatan lengkap diperkirakan dengan kuadrat biasa yang paling tidak lengkap dan didekati oleh konsep Bayesian. Artikel ini akan menjelaskan tentang distribusi posterior yang memungkinkan ketidakpastian nilai yang hilang untuk memperkirakan parameter pengamatan yang tidak lengkap dan mendapatkan rata-rata prediktif mereka. Artikel ini akan memberikan hasil tentang penerapan metode PMM dalam data simulasi yang memiliki pola hilang univariat dengan mekanisme MAR dan dievaluasi dengan nilai bias dari koefisien regresi dari koefisien hasil pada dataset yang ditentukan.

---

Missing value is a condition when there are some missing entries or empty values ​​on some observations in the data. This can cause us to have incomplete data that can hinder the process of statistical analysis and can provide biased conclusions from the analysis if it cannot be handled properly. This problem can also be found in several linear regression analyzes. One way to overcome this problem is to use several imputation methods called Predictive Mean Matching (PMM). Some imputations are a general approach to handling missing data that allows uncertainty about missing data by making a series of reasonable imputation data and the precise combined analysis results obtained from each data. This method will match the predictive average distance from incomplete observations with complete observations. Thus, a complete observation that has the closest distance will be a donor value for the incomplete. The predictive means for complete observations are estimated with the most incomplete ordinary squares and are approached by the Bayesian concept. This article will explain posterior distributions that allow uncertainty of missing values ​​to estimate incomplete observation parameters and obtain their predictive averages. This article will provide results about the application of the PMM method in simulation data which have a univariate missing pattern with the MAR mechanism and are evaluated with a bias value of the regression coefficient of the yield coefficient on the specified dataset."

"Pemodelan jumlah klaim mengklaim salah satu topik paspor adalah praktik lapangan. masalah ini sering ditemukan dalam model ingthataatais persebaran. Poisson dributiontion yang digunakan dalam pemodelan sumber klaim tidak dapat digunakan sebagai fakta overproperti penyebaran.Oleh karena itu, distribusi yang distandarisasi di luar negeri dapat dimanfaatkanjumlah klaim yang mengklaim pengungkapan properti yang dibutuhkan. Dalam tulisan ini, analternatif menerima distribusi yang dihasilkan, yaitu Distribusi Umum Biomial Negatif-Negatif Distribusi adalah distribusi distribusi negatif negatif dan distribusi Membalik Gaussie dan distribusi metameterisasi pada parameter negatif Distribusi binomial yaitu p = exp (), di mana nilai variabel acak acak yang didistribusikan Inverse Gaussian. Distribusi eksternal ini adalah unimodal, hasa tebal thailand hasa positif menghasilkan kewajiban koefisien. Dalam tesis tingkat bawah, kemungkinan serangan dan komitmen faktorial dari distribusi NB-IG yang didistribusikan. Berarti, varians, skewness danurturtasthasic properties ofNB-IG distribusi disajikan dan parameter pengujian diperlakukan melalui survival maksimum maksimum metode estimasi. Kepenuhan distribusi NB-IG diilustrasikan oleh data nyata set.

---

One topic of passports is field practice. this problem is often found in modeling the data distribution. tion used in modeling claims sources cannot be used as a fact of overproperty distribution. Therefore, standardized distributions abroad can be used the number of claims claimed In this paper, accept the resulting distribution, namely General Negative-Negative Biomial Distribution, Distribution is negative negative distribution and Gaussie Reverse distribution and metameterization distribution on negative parameters, binomial distribution ie p = exp (), where the variable value Varies Published InverseGaussian. This external distribution is immunodal, Thailand has a positive potential to produce the coefficient obligation. In the lower-level thesis, attacks and factorial commitments from the distributed NB-IG distribution are published. Means, variants, skewness and strictness of the properties of NB-IG distribution are presented and test parameters are approved through maximum maximum survival estimation method. The fullness of the NB-IG distribution is illustrated by real data sets."

"Regresi Poisson adalah model regresi umum yang digunakan untuk menghitung data dengan equidispersion. Namun, perhitungan data tidak selalu memenuhi asumsi ini. Hitungan data tidak terpenuhi asumsi ini ketika overdispersi muncul. Overdispersion adalah suatu kondisi dimana varians lebih besar dari rata-rata. Dalam data verdispersi karena kelebihan nol dan tambahan penyebaran berlebihan dalam nilai-nilai positif, salah satu model alternatif yang dapat digunakan adalah rintangan model binomial negatif. Rintangan model binomial negatif terdiri dari model dua bagian model biner dan model binomial negatif terpotong nol. Tugas akhir ini akan membahas tentang model rintangan konstruksi binomial negatif dan metode Bayesian untuk memperkirakan parameter dalam model binomial negatif rintangan. Algoritma metode Bayesian digunakan dalam proyek ini adalah Markov Chain Monte Carlo-Gibbs Sampling (MCMC-GS). Rintangan negatif model binomial akan diterapkan pada data Parkinson dari Parkinsons Growth Markers Database inisiatif (PPMI). Model diterapkan untuk menemukan faktor risiko dari komplikasi motorik kejadian dan frekuensinya berdasarkan Gerakan Disorder Society-Unified Parkinson Data Skala Timbangan Penyakit (MDS-UPDRS). Variabel signifikan untuk model bagian satu adalah skor total MDS-UPDRS Bagian III dan variabel total skor MDS-UPDRS Bagian II dan III untuk model bagian dua. Hasil lain yang diperoleh dari aplikasi data ini adalah parameter estimasi konvergen.

---

Poisson regression is a general regression model used to calculate data with equidispersion. However, data calculations do not always fit this consideration. Count data not met Suppose this overdispersion compilation appears. Overdispersion is a place where variants are greater than average. In data verdispersion due to zero excess and additional excessive spread in positive values, one alternative model that can be used is the constraints of the negative binomial model. The negative binomial obstacle model consists of a two-part binary model and the negative binomial zero-truncated model. This final project will discuss about the negative binomial constraint construction model and the Bayesian method for estimating parameters in the negative binomial resistance model. The Bayesian method algorithm is used in this project is the Markov Monte Carlo-Gibbs Sampling Chain (MCMC-GS). The negative barriers of the binomial model will be applied to Parkinsons data from Parkinsons Growth Markers Database Implementation (PPMI). The model applied to find risk factors for motor complications of events and their frequency is based on the Disorder-Unified Parkinsons Movement Disease Scale Data (MDS-UPDRS). The significant variable for the part one model is MDS-UPDRS Part III total score and MDS-UPDRS Part II and III total variable variables for the part two model. The results obtained from the application of this data are convergent estimation parameters."

"Asuransi kendaraan bermotor diperlukan untuk mengantisipasi berbagai risiko kerugian yang mungkin timbul dari kepemilikan dan/ atau penggunaan kendaraan. Umumnya dalam perhitungan premi asuransi kendaraan, digunakan faktor – faktor yang teramati dari tertanggung, contohnya domisili, jenis kelamin, dan usia tertanggung. Akan tetapi, faktor – faktor tidak teramati, seperti kemampuan dan perilaku berkendara dari tertanggung berpengaruh penting dalam frekuensi klaim yang dihasilkan. Sehingga, digunakan riwayat klaim tertanggung yang diekspektasikan menampung pengaruh dari faktor tidak teramati. Sistem penentuan besar premi yang turut melibatkan faktor tertanggung yang tidak teramati disebut sebagai sistem Bonus Malus. Bonus merupakan penurunan premi apabila seorang tertanggung tidak mengajukan klaim sama sekali dalam satu periode dan Malus merupakan kenaikan premi apabila seorang tertanggung mengajukan satu atau lebih klaim. Pada tugas akhir ini, dilakukan perhitungan relativitas optimal atau koefisien penyesuaian premi pada sistem Bonus Malus -1/Top Scale dan -1/+2. Sistem -1/Top Scale memberlakukan penurunan sebanyak satu level jika tidak ada klaim yang dilaporkan dan perpindahan tertanggung ke level tertinggi jika ada klaim, sedangkan sistem -1/+2 menerapkan perpindahan sebanyak dua level ke atas jika terdapat klaim dan penurunan satu level ke bawah jika tidak ada klaim yang dilaporkan. Simulasi perhitungan diterapkan pada sebuah portofolio data asuransi kendaraan negara Perancis yang melibatkan 328760 polis. Diperoleh bahwa selisih relativitas optimal atau koefisien penyesuaian premi untuk setiap level pada sistem -1/+2 tidak sebesar sistem -1/+Top Scale.

---

Automobile insurance is required to protect policyholders from financial loss caused by car damage, accidents, or theft. In general, observable characteristics such as residence, gender, and the insured's age are considered in the process of determining motor insurance premiums. However, several unobservable characteristics, like as driver competence and behavior, have a significant impact on claim frequency. As a result, the insured's claim history is used and expected to account for the impact of unobservable circumstances. The Bonus Malus methodology is a method of assessing the amount of the premium that also includes the insured factors that are not able to be observed. Bonus is a decrease in premium if the insured generates no claims in a particular period of time, whereas a Malus is an increase in premium if the insured has one or more claims. The final project focuses on the determination of appropriate relativity or premium adjustment coefficients for the Bonus Malus -1/Top Scale dan -1/+2 systems. -1/Top Scale system applies a one-level drop if no claims are reported and a switch to the highest level if there is one or more claims reported, while the -1/+2 system applies a two-levels increase if there is a claim and a decrease a one-level decrease if no claims are reported. The simulation is applied to a French national auto insurance data portfolio involving 328760 policies. It is discovered that the difference in the optimal relativity or premium adjustment coefficient for each level in the -1/+2 system is not as large as the -1/Top Scale system."

"Penelitian ini bertujuan untuk mengetahui bagaimana tingkat kesiapan menghadapi era industri 4.0 berkaitan dengan loyalitas kerja sebelum dan selama pandemi Covid-19 terjadi. Selain itu, penelitian ini juga akan menganalisis hubungan antara tingkat kecemasan dalam menghadapi pandemi Covid-19 dengan besarnya perubahan tingkat kesiapan menghadapi era industri 4.0 dan besarnya perubahan loyalitas kerja. Hal ini dibutuhkan perusahaan untuk mencari tenaga kerja yang tetap loyal kepada perusahaan di masa pandemi Covid-19. Karena variabel yang digunakan dalam penelitian ini adalah variabel laten dan ingin melihat hubungan antar variabel laten, maka metode yang digunakan dalam penelitian ini adalah metode Partial Least Square (PLS). Data merupakan data primer yang dikumpulkan melalui penyebaran kuesioner kepada responden yang merupakan pekerja aktif yang bekerja di perusahaan-perusahaan di ibukota DKI Jakarta dengan menggunakan metode snowball sampling dan diperoleh sampel sebanyak 228 responden. Hasil yang diperoleh adalah terdapat hubungan positif antara tingkat kesiapan menghadapi era industri 4.0 dengan loyalitas baik sebelum maupun setelah pandemi Covid-19. Selain itu, kesimpulannya adalah terdapat hubungan negatif antara tingkat kecemasan terhadap pandemi Covid-19 dengan tingkat kesiapan menghadapi era industri 4.0. Demikian juga tingkat kecemasan menghadapi era industri 4.0 memiliki hubungan negatif dengan perubahan tingkat kesiapan menghadapi era industri 4.0 pekerja DKI Jakarta. Namun, tingkat kecemasan menghadapi era industri 4.0 memiliki hubungan positif dengan perubahan loyalitas pekerja DKI Jakarta.

---

This study aims to determine how the level of readiness to face the industrial era 4.0 relates to work loyalty before and during the Covid-19 pandemic. In addition, this study will also analyze the relationship between anxiety levels in the face of the Covid-19 pandemic with the magnitude of changes in the level of readiness to face the industrial era 4.0 and the magnitude of changes in work loyalty. This is needed by companies to seek workers who remain loyal to the company during the Covid-19 pandemic. Because the variables used in this study are latent variables and you want to see the relationship between latent variables, the method used in this study is the Partial Least Square (PLS) method. The data are primary data collected through distributing questionnaires to respondents who are active workers who work in companies in the capital DKI Jakarta using the snowball sampling method and obtained a sample of 228 respondents. The results obtained are that there is a positive relationship between the level of readiness to face the industrial era 4.0 and loyalty both before and after the Covid-19 pandemic. In addition, the conclusion is that there is a negative relationship between the level of anxiety about the Covid-19 pandemic and the level of readiness to face the industrial era 4.0. Likewise, the level of anxiety facing the industrial era 4.0 has a negative relationship with changes in the level of readiness to face the industrial era 4.0 of DKI Jakarta workers. However, the level of anxiety facing the industrial era 4.0 has a positive relationship with changes in the loyalty of DKI Jakarta workers."