Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"COVID-19 adalah penyakit yang disebabkan oleh virus SARS-CoV-2 dan menyerang sistem pernapasan manusia. Selain menganggu kesehatan fisik, pandemi COVID-19 juga memberikan dampak psikologis, salah satunya adalah tingkat stres yang meningkat pada masyarakat. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor yang berasosiasi dengan tingkat stres pada pandemi COVID-19. Dalam mencapai tujuan tersebut, penelitian ini menggunakan metode classification tree dan regresi logistik multinomial. Sebelum melakukan proses identifikasi faktor menggunakan classification tree, dilakukan penanganan masalah imbalance data menggunakan metode SMOTE. Selanjutnya, dilakukan kuantifikasi risiko faktor-faktor yang teridentifikasi pada classification tree menggunakan analisis regresi logistik multinomial. Kinerja model diukur menggunakan nilai precision, recall, F1-Score, dan AUC. Hasil yang diperoleh adalah model classification tree dengan penanganan imbalance data menggunakan SMOTE dapat meningkatkan kinerja model dengan nilai precision 0,5980, nilai recall 0,8653, nilai F1-Score 0,7072, dan AUC 0,702. Dengan model tersebut, didapatkan faktor-faktor yang teridentifikasi berasosiasi dengan tingkat stres pada pandemi COVID-19 adalah Total_OECDInsititutions, Total_CoronaConcerns, dan Age. Peningkatan nilai Corona Concerns cenderung memberikan risiko peningkatan tingkat stres, sedangkan peningkatan nilai OECDInsititutions dan Age cenderung memberikan risiko penurunan tingkat stres.

---

COVID-19 is a disease caused by the SARS-CoV-2 virus that attacks the human respiratory system. In addition to disrupting physical health, the COVID-19 pandemic also has psychological impacts, one of which is an increased level of stress. This study aims to identify factors associated with the level of stress during the COVID-19 pandemic. The study employs the classification tree method and multinomial logistic regression. Prior to the factor identification process using the classification tree, the issue of imbalanced data is addressed using the SMOTE method. Subsequently, the quantification of risk factors identified in the classification tree is conducted using multinomial logistic regression analysis. The model's performance is measured using precision, recall, F1-score, and AUC values. The results obtained indicate that the classification tree model with the handling of imbalanced data using SMOTE can improve model performance, with a precision value of 0,5980, recall value of 0,8653, F1-score value of 0,7072, and AUC value of 0,702. With this model, the identified factors associated with the level of stress during the COVID-19 pandemic are Total_OECDInstitutions, Total_CoronaConcerns, and Age. An increase in Corona Concerns tends to pose a risk of increased stress levels, while an increase in OECD Institutions and Age tends to pose a risk of decreased stress levels."

"Uji PCR swab adalah salah satu jenis pemeriksaan untuk seluruh pasien yang terduga COVID-19. Hingga saat ini, tes PCR swab merupakan tes yang paling direkomendasikan oleh WHO untuk mendiagnostik COVID-19. Namun tes ini memiliki kerumitan proses dan harga alat yang lebih tinggi sehingga banyak orang enggan untuk melakukan PCR Swab, walaupun sudah ada gejala terpapar COVID-19 atau lebih memilih jenis tes pemeriksaan yang lain. Penelitian ini merupakan studi kasus yang diambil di FMIPA UI. Tujuan dari penelitian ini adalah menganalisis faktor-faktor apa saja yang signifikan menjelaskan keengganan mahasiswa FMIPA UI melakukan PCR swab seandainya memiliki gejala terpapar COVID-19. Metode analisis yang digunakan untuk mencapai tujuan tersebut yaitu metode analisis regresi logistik. Penelitian ini menggunakan data primer yang didapat menggunakan metode purposive sampling dengan cara menyebar survey online ke grup online departemen di MIPA UI dan responden yang dilibatkan adalah mahasiswa FMIPA UI yang aktif. Hasil yang diperoleh yaitu faktor-faktor yang memengaruhi keengganan melakukan uji PCR Swab pada mahasiswa FMIPA UI adalah tingkat pendidikan orang tua, penghasilan orang tua, dan melakukan protokol kesehatan.

---

The PCR swab test is one type of examination for all patients suspected of COVID-19. Until now, the PCR swab test is the most recommended test by WHO to diagnose COVID-19. However, this test has the complexity of the process, and the cost of the equipment is higher, so many people are reluctant to do a COVID-19 swab even though there are already symptoms of being exposed to Covid-19 or prefer other types of examination tests. This research is a case study taken at FMIPA UI. This study aims to analyze the factors that significantly explain the reluctance of FMIPA UI students to carry out PCR swabs if symptoms of being exposed to COVID-19 have appeared. The analytical method used is the method of logistic regression analysis. This study used primary data obtained using the purposive sampling method by distributing online surveys to each department’s online groups at FMIPA UI and the respondents involved were active FMIPA UI students. The results obtained are the factors that influence the reluctance to do the PCR Swab test on FMIPA UI students: the level of education of parents, parents' income, and health protocols."

"Dalam melakukan klasifikasi, tidak jarang terdapat data dengan jumlah anggota kategori yang tidak seimbang. Khususnya dalam dunia kesehatan dimana kategori yang diamati umumnya lebih jarang terjadi. Jika ketidakseimbangan ini tidak ditangani terlebih dahulu maka dapat memberikan hasil klasifikasi yang bias dan kurang akurat. Terdapat beberapa metode rebalancing konvensional untuk menanganinya seperti random oversampling dan random undersampling, namun keduanya diklaim memiliki beberapa kelemahan sehingga beberapa metode yang lebih kompleks dikembangkan. Namun jumlah metode yang dapat digunakan untuk menangani data kategorik selain metode konvensional tersebut masih minim. Salah satu metode yang dapat menangani data kategorik adalah synthetic minority over sampling-technique nominal continuous atau SMOTE-NC yang merupakan ekstensi dari SMOTE yang dikembangkan untuk menangani dataset dengan variabel campuran. Skripsi ini membahas perbandingan dari metode random oversampling dan SMOTE-NC juga metode gabungannya dengan undersampling yaitu random oversampling + undersampling dan SMOTE-NC + undersampling untuk menangani ketidakseimbangan data. Masing-masing metode tersebut akan diterapkan untuk klasifikasi tingkat keparahan COVID-19 berdasarkan urgensi perawatan rumah sakit dengan menggunakan metode random forest dimana selanjutnya dapat dilihat kombinasi metode yang menghasilkan performa terbaik. Penelitian ini juga bertujuan untuk melihat faktor-faktor manakah yang paling penting dalam memprediksi tingkat keparahan COVID-19 berdasarkan urgensi rumah sakit. Digunakan metode Leave-One-Out Cross-Validation untuk mengukur konsistensi model. Diperoleh hasil bahwa metode SMOTE-NC dengan undersampling memberikan performa terbaik dengan komorbid paru-paru, kadar c-reactive protein dan prokalsitonin merupakan variabel terpenting dalam model. Selain itu diperoleh kesimpulan bahwa pemilihan metode rebalancing yang tepat bergantung pada karakteristik data yang dimiliki.

---

In conducting classification, it is not uncommon for data with an unbalanced number of category members. Especially in the world of health where the categories we observe are generally less common. If this imbalance is not handled first, it can give biased and less accurate classification results. There are several conventional rebalancing methods to handle it, such as random oversampling and random undersampling, but both are claimed to have several weaknesses so that several more complex methods were developed. However, the number of methods that can be used to handle categorical data other than the conventional methods is still minimal. One method that can handle categorical data is synthetic minority over sampling-technique nominal continuous or SMOTE-NC which is an extension of SMOTE which was developed to handle datasets with mixed variables. This thesis discusses the comparison of random oversampling and SMOTE-NC methods as well as their combined methods with undersampling, namely random oversampling + undersampling and SMOTE-NC + undersampling to handle data imbalances. These methods will be applied to the classification of the severity of COVID-19 based on the urgency of hospital care using the random forest method, wherein the combination of methods that produces the best performance will be seen. This study also aims to see which factors are the most important in predicting the severity of COVID-19 based on hospital urgency. The Leave-One-Out Cross-Validation method is used to measure the consistency of the model. It was found that the SMOTE-NC method with undersampling gave the best performance with lung comorbidities, c-reactive protein and procalcitonin levels were the most important variables in the model. In addition, it can be concluded that the selection of the right rebalancing method depends on the characteristics of the data held."

"Kemiskinan merupakan salah satu masalah sosial yang masih menjadi perhatian pemerintah. Hampir seluruh negara berkembang memiliki standar hidup yang masih rendah. Salah satu cara untuk mengurangi kemiskinan adalah dengan menganalisis faktor-faktor yang memengaruhi Salah satu metode yang cocok dalam menganalisis tingkat kemiskinan adalah dengan menggunakan Geographically Weighted Regression (GWR). Hal ini dikarenakan dalam model GWR dipertimbangkan aspek spasial yang berbeda-beda untuk masing-masing lokasi pengamatan. Dalam model GWR dilakukan pendekatan analisis regresi yang digunakan untuk memahami hubungan spasial antara variabel-variabel dalam konteks geografi. Hal ini dikarenakan model GWR mempertimbangkan jarak lokasi pengamatan dengan lokasi sekitarnya, model GWR juga mempertimbangkan pembobot pada masing-masing lokasi pengamatan. Daerah yang dekat dengan lokasi pengamatakan mendapatkan pembobot yang lebih besar daripada daerah yang jauh dengan lokasi pengamatan, dalam hal ini penentuan pembobot dalam model GWR bergantung pada bandwidth. Dalam penelitian ini dilakukan analisis dengan mempertimbangkan empat pembobot spasial yaitu fixed gaussian kernel, fixed bisquare kernel, fixed tricube kernel, dan fixed exponential kernel yang diterapkan pada dua bandwidth yaitu bandwidth CV dan bandwidth AIC. Variabel dependen yang digunakan adalah tingkat kemiskinan dan variabel independen yang digunakan adalah rata-rata lama sekolah, upah minimum, tingkat pengangguran, indeks pembangunan manusia, angka harapan hidup dan jumlah penduduk. Hasil dari penelitian ini menunjukkan bahwa pada 118 Kabupaten/Kota di Pulau Jawa memiliki model GWR yang berbeda-beda. Untuk model GWR menggunakan bandwidth CV diperoleh model terbaik dengan menggunakan fixed exponential kernel dengan sembilan kelompok variabel yang signifikan, untuk model GWR menggunakan bandwidth AIC diperoleh model terbaik dengan menggunakan fixed bisquare kernel dengan enam kelompok variabel yang signifikan.

---

Poverty is one of the social issues that continues to be a concern for the government. Almost all developing countries have low living standards. One way to reduce poverty is by analyzing the factors that influence it. One suitable method for analyzing poverty levels is by using Geographically Weighted Regression (GWR). This is because the GWR model considers different spatial aspects for each observation location. In the GWR model, a regression analysis approach is used to understand the spatial relationship between variables in a geographical context. This is because the GWR model considers the distance between the observation location and its surrounding locations. The GWR model also considers weighting for each observation location. Areas close to the observation location are given a higher weight than areas far from the observation location. In this case, the determination of the weight in the GWR model depends on the bandwidth. This research analyzes four spatial weights, namely fixed Gaussian kernel, fixed bisquare kernel, fixed tricube kernel, and fixed exponential kernel, applied to two bandwidths: CV bandwidth and AIC bandwidth. The dependent variable used is the poverty rate, and the independent variables used are average length of schooling, minimum wage, unemployment rate, human development index, life expectancy, and population. The results of this study show that the 118 districts in Java Island have different GWR models. For the GWR model using the CV bandwidth, the best model is obtained using the fixed exponential kernel with nine significant variable groups. For the GWR model using the AIC bandwidth, the best model is obtained using the fixed bisquare kernel with six significant variable groups."

"Angka Harapan Hidup (AHH) merupakan rata-rata perkiraan banyak tahun yang dapat ditempuh oleh seseorang sejak lahir. Badan Pusat Statistik (BPS) mencatat bahwa AHH penduduk di Provinsi Jawa Barat tahun 2021 mencapai 73,23 tahun dan menempati posisi keempat dengan nilai AHH tertinggi di Indonesia pada 2021. Penelitian ini bertujuan untuk menganalisis variabel-variabel yang menjelaskan AHH di setiap kabupaten/kota di Provinsi Jawa Barat tahun 2021 menggunakan model regresi linear berganda, Geographically Weighted Regression (GWR), dan Mixed Geographically Weighted Regression (MGWR) yang kemudian dievaluasi untuk memeroleh model terbaik. Pada penelitian ini, model regresi linier berganda digunakan untuk mengetahui seberapa besar pengaruh variabel-variabel independen terhadap variabel AHH dimana nilai estimasi parameter regresi sama untuk setiap wilayah penelitian atau disebut dengan model regresi global. Provinsi Jawa Barat terdiri dari 27 kabupaten/kota yang memiliki karakteristik berbeda antarwilayah sehingga memungkinkan adanya heterogenitas spasial. Model GWR bertujuan untuk mengeksplor heterogenitas spasial dengan membentuk model regresi yang berbeda pada setiap lokasi pengamatan atau dapat disebut dengan model regresi lokal. Hal ini akan menimbulkan permasalahan apabila terdapat variabel independen yang tidak bersifat lokal atau tidak mempunyai pengaruh lokasi, tetapi diduga memiliki pengaruh terhadap variabel dependen secara global. Oleh karena itu, dikembangkan lagi menggunakan model MGWR. Model MGWR menghasilkan estimasi parameter yang bersifat global dan lokal sesuai dengan lokasi pengamatan. Variabel yang bersifat global, yaitu Tingkat Pengangguran Terbuka (TPT) dan Pengeluaran Per Kapita (PPK), sedangkan variabel yang bersifat lokal, yaitu Jumlah Penduduk Miskin (JPM), Harapan Lama Sekolah (HLS), dan Persentase Penduduk yang Mempunyai Keluhan Kesehatan Sebulan Terakhir (KK). Hasil penelitian ini menunjukkan bahwa kedua variabel global berpengaruh terhadap AHH, sedangkan variabel lokal yang berpengaruh terhadap AHH berbeda pada setiap wilayahnya, begitu pula dengan model yang terbentuk juga akan berbeda untuk setiap wilayahnya. Selain itu, model terbaik yang diperoleh adalah model GWR dengan fungsi pembobot fixed Gaussian kernel dengan nilai AIC terkecil, adjusted R-squared terbesar, dan RMSE terkecil dibandingkan model regresi linier berganda dan MGWR.

---

Life Expectancy (AHH) is an estimate of the years that a person will take from birth. Badan Pusat Statistik (BPS) notes that the AHH of the population in West Java Province in 2021 reached 73.23 years and ranked fourth with the highest AHH value in Indonesia in 2021. This study aims to analyze the variables that explain AHH in each district/city in West Java Province in 2021 using multiple linear regression models, Geographically Weighted Regression (GWR) models, and Mixed Geographically Weighted Regression (MGWR) models which are then evaluated to obtain the best model. In this study, the multiple linear regression model is used to determine how much influence the independent variables had on the AHH variable where the estimated values of the regression parameters were the same for each study area or called the global regression model. West Java Province consists of 27 districts/cities which have different characteristics between regions, thus allowing for spatial heterogeneity. The GWR model aims to explore spatial heterogeneity by forming a different regression model at each observation location or it can be called a local regression model. This will cause problems if there are independent variables that are not local in nature or do not have a location effect, but are suspected of having an influence on the dependent variable globally. Therefore, it is further developed using the MGWR model. The MGWR model produces parameter estimates that have global and local characteristics according to the observation location. Global variables are Open Unemployment Rate (TPT) and Per Capita Expenditures (PPK), while local variables are Number of Poor Population (JPM), Expected Years of Schooling (HLS), and Percentage of Population with Health Complaints in the Last Month (KK). The results of this study indicate that both global variables have a significant effect on AHH, while local variables which have a significant effect on AHH are different in each region, as well as the model formed will also be different for each region. In addition, the best model obtained is the GWR model with a fixed Gaussian kernel weighting function with the smallest AIC value, the largest adjusted R-squared, and the smallest RMSE compared to the multiple linear regression model and MGWR model."

"Besarnya angka statistik pernikahan dini (pengantin di bawah usia 16 tahun) di beberapa daerah di Indonesia secara keseluruhan cukup tinggi. Dalam rangka menanggulangi hal tersebut perlu dilakukan upaya untuk mempersiapkan remaja agar memiliki pengetahuan berkaitan dengan program KB. Untuk itu, peneliti ingin menganalisis keinginan remaja untuk menggunakan alat/cara KB setelah menikah dengan menggunakan metode CART dan QUEST berdasarkan data Survei Kesehatan Reproduksi Remaja Indonesia (SKRRI) 2002-2003. Berdasarkan hasil analisis antara metode CART dan QUEST diperoleh faktor-faktor yang mempengaruhi keinginan remaja untuk menggunakan alat/cara KB setelah menikah, serta karakteristik dari remaja berkaitan dengan hal tersebut. Selain itu diperoleh keakuratan tingkat klasifikasi dari kedua metode, dimana keakuratan tingkat klasifikasi metode CART sedikit lebih tinggi dibandingkan dengan metode QUEST. "

"Metode Bornhuetter-Ferguson merupakan salah satu metode yang paling sering digunakan dalam menentukan estimasi cadangan klaim. Metode ini tidak hanya memanfaatkan data historis perusahaan, melainkan juga data eksternal, seperti besar premi, yang disebut sebagai prior information. Dalam tugas akhir ini, prior information yang dimaksud adalah rata-rata klaim. Pada metode Bornhuetter-Ferguson klasik, estimasi prior dari rata-rata klaim diperoleh berdasarkan pengamatan aktuaris terhadap data historis perusahaan. Akan tetapi, apabila terjadi kekeliruan dalam pemilihan estimasi prior, maka akan dihasilkan error yang besar antara prediksi cadangan klaim dengan besar klaim sebenarnya. Maka dari itu, perlu dibangun model Bayesian dalam menentukan estimasi prior untuk rata-rata klaim. Namun pada praktiknya, cukup sulit untuk menentukan distribusi prior dari rata-rata klaim yang tepat. Berdasarkan hal tersebut, akan digunakan model kredibilitas Buhlmann-Straub untuk mengestimasi rata-rata klaim. Selain itu, dilakukan pula estimasi untuk parameter-parameter yang akan digunakan dalam membangun model kredibilitas Buhlmann-Straub. Setelah estimasi rata-rata klaim didapatkan, maka estimasi dari cadangan klaim pada metode Bornhuetter-Feguson dapat diperoleh. Hasil estimasi tersebut akan dibandingkan dengan hasil estimasi metode Chain Ladder klasik dan metode Bornhuetter-Ferguson klasik. Hasil pada simulasi numerik menunjukkan bahwa, metode Bornhuetter-Ferguson dengan rata-rata klaim yang kredibel memberikan persentase error yang lebih kecil dibandingkan dengan kedua metode lainnya.

---

Bornhuetter-Ferguson is one of the most widely used method in predicting claim reserve. This method considers not only historical data but also external data, for example, premium data, which is called as prior information. In this thesis, the claim means are used as the prior information. In traditional Bornhuetter-Ferguson method, prior estimate of claim means are obtained by actuary based on his personal experience or observation of the historical data. However, if these prior estimates are wrongly chosen, then greater error is brought to the claim reserve prediction. Therefore, it is necessary to construct Bayesian model in determining the prior estimate of claim means. Nevertheless in practice, it is still very difficult how to choose the appropriate prior distribution for claim means. Therefore, the Buhlmann-Straub credibility model will be introduced and a research is conducted to estimate the claim means along with estimation of parameters in the model. The estimate of claim means are then used to calculate the claim reserve in Bornhuetter-Ferguson method. The result of the estimation will be compared to the estimate from the traditional Chain Ladder method and traditional Bornhuetter-Ferguson method. In numerical simulation, it is found that Bornhuetter-Ferguson method with credible claim means obtained less error percentage than that of the other two methods."

"Fraud atau kecurangan merupakan salah satu permasalahan yang masih dihadapi oleh industri asuransi dan masih memberikan kerugian yang sangat besar bagi industri ini. Biaya yang dikeluarkan pun untuk mengatasi permasalahan ini masih cukup besar, untuk itu dikembangkanlah sebuah model machine learning untuk membantu pencegahan terjadinya fraud pada asuransi. Salah satu model yang sedang sangat berkembang adalah model Imbalance-XGBoost, penelitian ini dilakukan untuk meninjau kemampuan model Imbalance-XGBoost dalam mendeteksi fraud sebagai langkah pencegahan fraud pada asuransi. Penelitian ini berhasil mendapati bahwa Imbalance-XGBoost memiliki performa yang lebih baik jika dibandingkan dengan model dasarnya yaitu XGBoost tanpa penanganan kelas tidak seimbang.

---

Fraud or dishonesty is one of the persistent challenges faced by the insurance industry and continues to result in significant losses for the industry. The costs incurred to address this issue are also quite substantial. Therefore, a machine learning model has been developed to assist in preventing insurance fraud. One of the models that is currently gaining traction is the Imbalance-XGBoost model. This research was conducted to assess the ability of the Imbalance-XGBoost model in detecting fraud as a preventive measure in insurance. The study found that Imbalance-XGBoost performs better compared to its base model, XGBoost, which does not handle imbalanced classes."