Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas akhir ini bertujuan menjelaskan prosedur penaksiran parameter model survival bivariat yang dibangun melalui copula dengan menggunakan metode Pseudo likelihood. Pada tugas akhir ini diberikan suatu contoh penggunaan copula dalam memodelkan data pasangan survival time yang tersensor kanan. Fungsi survival bivariat dari pasangan-pasangan survival time yang tersensor kanan ini dibentuk dengan menggunakan copula yang berasal dari famili copula Clayton. Pada model survival bivariat yang berbasis copula, diperoleh parameter yang merupakan parameter dependensi. "

"Salah satu metode yang cocok untuk mengatasi data berkorelasi adalah Generalized Estimating Equations (GEE). GEE dibagi menjadi 2 model regresi, yaitu model regresi population-averaged (PA) dan model regresi cluster-specific (CS). Pada kenyataannya, apabila model regresi CS-GEE yang lebih sesuai, namun model regresi PA-GEE yang digunakan, maka GEE akan menghasilkan penaksiran yang bias. Untuk mengatasinya, dapat digunakan metode yang menggabungkan model regresi PA dan model regresi CS. Metode tersebut dinamakan Exact Generalized Estimating Equations (EGEE). EGEE merupakan perluasan dari Generalized Estimating Equations (GEE) dengan menggunakan matriks varians-kovarians yang sebenarnya yang diperoleh dari variansi total. EGEE dibagi menjadi 2 model regresi, yaitu model regresi dengan single-random effect dan model regresi dengan multiple-random effects. Tugas akhir ini membahas mengenai penaksiran parameter model regresi dengan metode EGEE untuk multiple-random effects pada kasus variabel respon yang berdistribusi Poisson.

---

One of the appropriate method to solve the correlated data is Generalized Estimating Equations (EGEE). GEE is divided into 2 regression models, there are population average (PA) regression model and clustered-specific (CS) regression model. In fact, if the data follow CS regression model, but PA regression model is used, then GEE leads to biased estimates.

To solve this problem, it can be used the method for combining PA regression model and CS regression model. The method is Exact Generalized Estimating Equations. EGEE is an extension of Generalized Estimating Equations (GEE) with the exact variance-covariance matrix. EGEE is divided into 2 regression models, there are regression model for single-random effect and regression model for multiple-random effects.

This thesis discussed about estimating regression parameter of EGEE for multiple-random effects with the response variable from Poisson distribution."

"ABSTRAKCadangan klaim merupakan salah satu permasalahan utama pada perusahaan asuransi. Kurang tepatnya perhitungan estimasi cadangan klaim dapat mempengaruhi kesehatan dari perusahaan asuransi. Banyak metode yang telah dikembangkan peneliti-peneliti untuk mengestimasi nilai cadangan klaim. Salah satu metode yang paling sering digunakan dalam mengestimasi cadangan klaim di dunia asuransi adalah metode Chain-Ladder dan variasinya. Selain Metode tersebut Hudecova dan Pesta 2013 mengembangkan metode terbaru yaitu Generalized Estimating Equations GEE . Metode GEE merupakan pengembangan dari metode Generalized Linear Method. Keunggulan metode GEE dengan metode GLM adalah pada metode GEE memiliki pemodelan dari hubungan antara periode kejadian dan periode pengembangan pada data. Metode ini juga dapat melakukan estimasi tanpa memerlukan informasi distribusi dari data.Pada penelitian ini akan mencoba untuk melakukan estimasi perhitungan cadangan klaim dengan menggunakan metode Generalized Estimating Equations GEE . Tujuan utama dalam penelitian ini adalah menerapkan serta membandingkan metode GEE dengan Chain-Ladder. Data yang digunakan dalam penelitian ini adalah data klaim lini bisnis asuransi kendaraan bermotor PT XYZ selama tahun 2015 yang masuk pada jenis bisnis short-tail. Hasil estimasi metode GEE lebih akurat dibandingkan dengan estimasi yang dihasilkan metode Chain-Ladder berdasarkan data klaim yang terjadi pada tahun 2016. MAPE GEE dengan struktur korelasi exchangeable yang digabungkan dengan fungsi varians linier memiliki tingkat kesalahan terkecil, yaitu sebesar 55 .

---

ABSTRACTClaim reserve is one of the biggest problem in insurance company. Inaccurate calculations of claim reserve could lead to downfall of insurance company. There is a lot of methods developed by the experts to estimate the amount of claim reserve. One of the most famous method is Chain Ladder. In addition to the method that already mentioned, Hudecova and Pesta 2013 have developed a new method, which called as Generalized Estimating Equation GEE . This method form as the development of Generalized Linear Method method. The advantage of GEE method with GLM method is the method has modelling out of the relation between the accident period and the development period of the data. This research would like to test making claim reserve estimation using the Generalized Estimating Equations GEE method. The goals of this research is to apply and compare the GEE method with the most famous method, which is Chain Ladder. The data that been used is historical data from PT XYZ motor insurance company from year 2015 2016 that come under the type of short tail business. The result shows, that the estimation value from GEE method base on actual claim in 2016 period. MAPE GEE with exchangeable correlation structure combined with linear variance function has the smallest error rate, which is 55 ."

"Generalized Estimating Equation (GEE) adalah metode penaksiran parameter model regresi yang pengamatan-pengamatannya saling berkorelasi, yang dapat disebabkan oleh lokasi atau kelompok, yang biasa disebut sebagai data terklaster. Penaksiran parameter dalam metode GEE menggunakan suatu fungsi yang dibangun dari bentuk umum distribusi keluarga eksponensial yang erat kaitannya dengan Generalized Linear Model (GLM). Ada dua model pendekatan dalam menganalisis data terklaster menggunakan metode GEE yaitu Population Averaged (PA) dan Clustered Specific (CS). Tugas akhir ini membahas mengenai bagaimana menaksir parameter model regresi linier Clustered Specific Generalized Estimating Equation (CS-GEE) pada data terklaster, serta aplikasinya pada data kemiskinan di Provinsi Jawa Timur. Uji kesesuaian model regresi linier CS-GEE yang digunakan adalah Uji Wald dengan menggunakan Naïve standard error.

---

Generalized Estimating Equation (GEE) is a regression model parameter estimation method where correlation exist in the observations due to the locations or groups, used known as clustered data. Parameter estimation of GEE method using a function constructed from a general form of exponential family distributions that closely related to the Generalized Linear Model (GLM). There are two models approach in analyzing the clustered data that is Population Averaged (PA) and Clustered Specific (CS).

This skripsi discusses about how to estimate linear regression model parameters of Clustered Specific Generalized Estimating Equation (CS-GEE) on clustered data, as well as its application on the poverty data in East Java. Goodness of fit testing of this model is Wald test by using the Naïve standard error."

"Jumlah penderita HIV/AIDS semakin bertambah di Indonesia. Anti Retroviral Therapy (ART) dapat meningkatkan kualitas hidup penderita, karena dapat memperbaiki status imunitas yang ditandai dengan kenaikan limfosit-CD4. Tujuan penelitian: menilai peningkatan CD4 dan faktor-faktor yang mempengaruhinya pada Injecting Drug Users (IDU) dan non-IDU penderita HIV/AIDS. Penelitian menggunakan data sekunder Klinik Teratai RSUP Dr.Hasan Sadikin Bandung, tahun 2007-2009. Data lengkap berasal dari 198 subjek (161 IDU, 37 non-IDU). Data dianalisis dengan Chi-square test, Fisher's exact test, General linear model (GLM) dan Generalized estimating equations (GEE). Analisis GEE memungkinkan evaluasi peningkatan CD4 pada pengukuran berulang pada kelompok kohort yang mendapat ART. Hasil penelitian: secara keseluruhan antara kelompok IDU dan non-IDU (between group) perbedaan peningkatan CD4 tidak bermakna (P=0,230); pada Fase II (bulan ke 6-12) peningkatannya berbeda bermakna (P=0,016); dibandingkan Fase I (bulan ke 0-6) yang tidak berbeda bermakna (P=0,077). Faktor-faktor: Waktu, total lymphocyte count (TLC) dan CD4-awal berpengaruh bermakna; sedangkan umur, IDU, viral load (VL), body mass index (BMI), Hemoglobin, ko-infeksi Hepatitis B dan/C, Pengobatan Tuberkulosis dan Stadium HIV merupakan perancu (konfounder). Jenis kelamin pengaruhnya tidak bermakna. Saran: penelitian dilanjutkan dengan penambahan jumlah subjek Non-IDU, waktu pengamatan sampai 3 tahun untuk melihat pengaruh jangka panjang ART, serta menambah upaya menghentikan penggunaan narkoba suntik.

---

New cases of HIV/AIDS infection are still increased in Indonesia nowadays. Anti Retroviral Therapy (ART) can give better quality of life for HIV/AIDS patients by improving the immune status which can be detected by the increase of CD4 count.

The aim of this study was to evaluate the increase of CD4, and factors which influence it, between Injecting Drug Users (IDU) and non-IDU with HIV/AIDS infection. This study used secondary data from Klinik Teratai RSUP Dr.Hasan Sadikin Bandung at 2007-2009. Complete data was taken from 198 subjects (161 IDUs, and 37 Non-IDUs). Data was analyzed by Chi-square test, Fisher's exact test, General linear model (GLM), and Generalized estimating equations (GEE); GEE provides an analysis of repeated measures of outcomes from these ART cohort groups.

Results: overall, between IDUs and non-IDUs, there was insignificant CD4 increase (Pvalue = 0,230). Non-IDUs showed better CD4 increase; the difference was statistically significant in Phase II (0-6th month) with Pvalue = 0.016, but not significant in Phase I (6-12th month) with Pvalue = 0.077. Factors that significantly influenced CD4 increase were Time, total lymphocyte count (TLC), and baseline CD4; whereas Age, IDU, viral load (VL), Hemoglobine, body mass index (BMI), Hepatitis B and/C co-infections, Tuberculous therapy, HIV-stages were roled as confounders. Gender did not give any influence.

Further study was needed with equal subject numbers of Non-IDU, longer observation time up to 3 years to observe long-term effect of ART, and more efforts in reducing numbers of IDUs."

"Analisis survival membutuhkan data survival yang terdiri dari waktu survival sekumpulan objek. Data survival dapat berbentuk data lengkap maupun tersensor. Namun data survival biasanya merupakan data tersensor. Salah satu data tersensor yang sering digunakan adalah data tersensor kanan tipe II yaitu merupakan data waktu kejadian dimana pengamatan dihentikan setelah diperoleh r objek pertama yang mengalami kejadian dari n objek yang diuji. Dilakukan pengamatan data survival tersensor kanan tipe II diperoleh grafik fungsi survival, fungsi survival serta fungsi kepadatan probabilitas yang merepresentasikan data tersebut. Fungsi kepadatan probabilitas data tersebut merupakan fungsi dari sebuah variabel random berdistribusi Rayleigh. Karena parameter tidak diketahui selanjutnya dilakukan penaksiran parameter. Dalam skripsi ini dicari penaksir parameter distribusi Rayleigh pada data survival tersensor kanan tipe II dengan metode Bayes menggunakan dua fungsi loss yaitu Square Error Loss Function SELF dan Precautionary Loss Function PLF. Selanjutnya dilihat sifat bias dari penaksir parameter tersebut. Kemudian membandingkan hasil taksiran parameter dari kedua fungsi loss berdasarkan Mean Square Error MSE yang dihasilkan melalui simulasi data. Misalkan adalah parameter yang akan ditaksir, untuk diperoleh PLF memberikan hasil taksiran yang baik dan untuk diperoleh SELF memberikan hasil taksiran yang baik. Taksiran dikatakan baik apabila nilai MSE yang dihasilkan semakin kecil.

---

The survival analysis requires survival data consisting of survival time of a set of objects. Survival data can be either complete or censored data. However, survival data is usually censored data. One of the censored data that is then used is the right type censored data type II that is the time data of the events used to find the objects that exist. Recurrence of right type categorized survival data is obtained by graph of survival function, survival function and probability function which represents the data. The probability data relation function is a randomly distributed Rayleigh variable. Because the parameter is unknown, parameter estimation is performed.

In this thesis is searched the estimator of Rayleigh distribution parameter on the right type categorized survival data type II with Bayes method using two loss function that is Square Error Loss Function SELF and Precautionary Loss Function PLF. A bias viewpoint of the estimator 39s parameter. Then compare the parameter estimation results of the second function based on Mean Square Error MSE generated through data simulation. Let be the parameter to be estimated, for le 1 obtaining the PLF gives good estimates and for 1 the SELF result gives a good estimation result. The estimate that the resulting MSE values is getting smaller."

"Tugas akhir ini membahas mengenai Jeffrey prior dalam penaksiran parameter scale distribusi Weibull menggunakan data yang tersensor kanan maupun yang tidak tersensor. Pada Jeffrey prior, posterior yang akan didapatkan hanya berdasarkan data yang diketahui. Pada tugas akhir ini juga akan dibahas mengenai Bayesian Central Limit Theorem yang dapat dipakai untuk mencari credible interval. Sebagai pembanding untuk taksiran dengan Jeffrey prior, akan dicari juga taksiran parameter scale distribusi Weibull dengan conjugate prior. Sebagai ilustrasi, akan dilakukan simulasi dengan data yang berdistribusi Weibull. Setelah taksiran telah didapatkan, akan dihitung MSE dan MIL pada masing-masing taksiran. Hal tersebut dilakukan untuk mengetahui seberapa baik taksiran yang dihasilkan oleh Jeffrey prior.

---

This paper discusses about Jeffrey prior in estimating the scale parameter of Weibull distribution using right censored data well as exact data. In Jeffrey prior, the posterior will be obtained only based on data. This paper will also discuss about the Bayesian Central Limit Theorem that can be used to find a credible interval. As a comparison of the Jeffrey prior estimate,the estimator using conjugate prior will also be considered. For the illustration, simulation with Weibull distributed data (θ, τ) will be performed. Once the estimate have been obtained, MSE and MIL on each estimate will be calculated. This is done to measure the performace of the estimate produced by Jeffrey prior."

"ABSTRACTModel Generalized Space Time Autoregressive adalah suatu model spatio temporal yang merupakan pengembangan model Space Time Autoregressive (STAR). Model STAR adalah model spatio temporal dengan asumsi parameter-parameter sama untuk setiap lokasi. Model GSTAR dibentuk sebagai pengembangan dari model STAR yang memungkinan untuk mengestimasi parameter yang berbeda untuk setiap lokasinya. Borovkova, Lopuhaa dan Ruchjana (2002) mengembangkan model Generelized Space Time Autoregressive (GSTAR) dimana paramater-parameter pada model, berbeda untuk setiap lokasi. Metode kuadrat terkecil (least square method) digunakan untuk mengestimasi parameter pada model GSTAR. Metode kuadrat terkecil merupakan metode pendugaan parameter yang meminimumkan jumlah kuadrat error. Penggunaan model GSTAR pada data penyakit Hepatitis A di 5 kotamadya DKI Jakarta pada tahun 2011-2017 menghasilkan model GSTAR(4,1) sebagai model yang dipilih.

---

ABSTRACTGeneralized Space Time Autoregressive(GSTAR) model is a spatio temporal model which is the development of the Space Time Autoregressive (STAR) model. The STAR model is a spatio temporal model assuming the same parameters for each location. The GSTAR model was formed as a development of the STAR model which makes it possible to estimate different parameters for each location. Borovkova, Lopuhaa and Ruchjana (2002) developed the Generelized Space Time Autoregressive (GSTAR) model where parameters in the model differ for each location. The least square method is used to estimate the parameters in the GSTAR model. The least squares method is a parameter estimation method that minimizes the number of squared errors. The use of the GSTAR model on Hepatitis A data in 5 DKI Jakarta municipalities in 2011-2017 produced the GSTAR (4.1) model as the chosen model."

"

Distribusi Generalized Exponential diperkenalkan oleh Rameshwar D. Gupta dan Debasis Kundu pada tahun 2007. Distribusi  Generalized Exponential tersebut merupakan hasil generalized distribusi Exponential. Skripsi ini menjelaskan distribusi  Generalized Exponential Marshall Olkin yang merupakan hasil dari perluasan distribusi Generalized Exponential menggunakan metode Marshall Olkin. Distribusi Generalized Exponential Marshall Olkin lebih fleksibel dari distribusi sebelumnya terutama pada fungsi hazardnya yang memiliki berbagai bentuk baik monoton (naik atau turun) maupun non monoton (bathub atau upside down bathup) sehingga dapat memodelkan data survival dengan lebih baik. Sifat fleksibelitas ini disebabkan karena penambahan parameter baru ke dalam distribusi Generalized Exponential. Selanjutnya dijelaskan beberapa karakteristik dari distribusi Generalized Exponential Marshall Olkin antara lain fungsi kepadatan peluang (fkp), fungsi distribusi kumulatif, fungsi hazard, momen ke-n, mean, dan variansi. Penaksiran parameter dilakukan dengan metode maximum likehood. Pada bagian aplikasi ditunjukkan data survival yang berasal dari data Aarset (1987) berdistribusi Generalized Exponential Marshall Olkin. Selanjutnya distribusi Generalized Exponential Marshall Olkin dibandingkan dengan distribusi Alpha Power Weibull untuk mencari distribusi mana yang lebih cocok dalam memodelkan data Aarset (1987). Dengan menggunakan AIC dan BIC distribusi Generalized Exponential Marshall Olkin lebih cocok dalam memodelkan data Aarset (1987).

 

---

Generalized Exponential distribution was introduced by Rameshwar D. Gupta and Debasis Kundu in 2007. Generalized Exponential distribution was generated by generalized transformation of the Exponential distribution. This thesis explained the Generalized Exponential Marshall-Olkin distribution which is the result of the expansion of the Generalized Exponential distribution using the Marshall-Olkin method. The Generalized Exponential Marshall-Olkin distribution has a more flexible form than the previous distribution, especially in its hazard function which has various forms that it can represent survival data better. The flexibility characteristic is due to the addition of new parameters to the Generalized Exponential distribution. Futhermore, some characteristics of the Generalized Exponential Marshall-Olkin distribution was explained such as, the probability density function(PDF), cumulative distribution function, survival function, hazard function, moment, mean, and variance. Parameter estimation was conducted by using the maximum likelihood method. In the application section was shown survival data from Aarset data (1987) which distributed Generalized Exponential Marshall-Olkin distribution. Futhermore, Generalized Exponential Marshall-Olkin distribution was compared with Alpha Power Weibull disstribution to decided theprominent distribution in modeling Aarset data (1987). Using AIC and BIC, Generalized Exponential Marshall-Olkin distribution more suitable in modeling Aarset data (1987).

"