Hasil Pencarian  ::  Simpan CSV :: Kembali

"Premi adalah sejumlah uang yang ditetapkan oleh perusahaan asuransi atau perusahaan reasuransi dan disetujui oleh pemegang polis untuk dibayarkan. Hal tersebut sesuai dengan perjanjian asuransi atau perjanjian reasuransi. Dalam penetapan tarif premi asuransi kendaraan bermotor, perusahaan asuransi memperhitungkan eksposur risiko yang diterima kendaraan bermotor untuk mengestimasi jumlah klaim. Pada umumnya, perusahaan asuransi kendaraan bermotor hanya memperhitungkan faktor durasi kontrak asuransi dalam memperhitungkan eksposur risiko. Namun, pada kenyataannya terdapat faktor lain yang memengaruhi risiko terjadinya kecelakaan, salah satunya adalah jarak tempuh kendaraan. Faktor risiko jarak tempuh telah dipertimbangkan pada asuransi Pay-As-You-Drive (PAYD). Pada penelitian ini, dilakukan penghitungan eksposur risiko pada kendaraan bermotor dengan memperhitungkan jarak tempuh kendaraan dan durasi kontrak asuransi. Tujuannya adalah untuk melihat efek simultan yang dihasilkan oleh jarak tempuh dan durasi kontrak asuransi sebagai kovariat terhadap variabel respons jumlah klaim menggunakan Generalized Additive Model (GAM). GAM digunakan untuk menangkap kemungkinan adanya hubungan non-linear antara kovariat dengan variabel respons. Dalam penelitian ini, GAM dikonstruksi dengan cubic splines dan untuk mengestimasi koefisien model, digunakan metode Penalized Iteratively Reweighted Least Squares (PIRLS). Setelah koefisien model diestimasi, GAM dapat digunakan untuk memprediksi nilai frekuensi klaim. Nilai frekuensi tersebut dapat dimanfaatkan untuk menentukan relativitas harga premi terhadap reference premium. Reference premium adalah nilai premi yang diterapkan ketika diasumsikan tidak ada pengaruh dari kovariat. Selanjutnya, GAM diimplementasikan pada data klaim asuransi kendaraan bermotor untuk menentukan tarif premi.

---

Premium is an amount of money set by an insurance company or reinsurance company and agreed upon by the policyholder to be paid based on an insurance or reinsurance policy. In establishing premium rates for motor vehicle insurance, insurance companies consider the risk exposure associated with motor vehicles to calculate the estimated number of claims. Generally, motor vehicle insurance companies only consider the duration of the insurance contract when calculating risk exposure. However, there are other factors that influence the risk of accidents, one of which is the distance traveled by the vehicle. The mileage risk factor has been considered in Pay-As-You-Drive (PAYD) insurance. In this study, risk exposure in motorized vehicles was calculated by considering the distance traveled by the vehicle and the duration of the insurance contract. The objective is to examine the simultaneous effects of mileage and insurance contract duration as covariates on the response variable of claim amount using the Generalized Additive Model (GAM). GAM is used to capture the possibility of a non-linear relationship between the covariates and the response variable. In this study, GAM is constructed with cubic splines and to estimate the model coefficients, the Penalized Iteratively Reweighted Least Squares (PIRLS) method is used. Once the model coefficients are estimated, the GAM can be used to predict claim frequency values. The frequency value can be used to determine the relativity of the premium price to the reference premium. The reference premium is the premium value that is applied when it is assumed that there is no influence from covariates. Furthermore, GAM is implemented on motor vehicle insurance claim data to determine premium rates."

"

Penelitian ini membahas konstruksi distribusi Marshall-Olkin-Kumaraswamy-Eksponensial (MOKw-E), yang merupakan kombinasi distribusi Marshall-Olkin (MO) dan Kumarawasmy-Eksponensial (Kw-E). Distribusi ini dikenal sebagai model fleksibel yang dapat diaplikasikan untuk data dengan berbagai bentuk distribusi. Estimasi parameter dilakukan menggunakan Maximum Likelihood Estimation (MLE) dengan bantuan dua metode numerik, yaitu metode Nelder-Mead dan metode Gradien Konjugat Fletcher Reeves. Kedua metode ini banyak digunakan dalam penyelesaian permasalahan optimasi karena memiliki tingkat efisiensi yang tinggi dengan komputasi yang sederhana tetapi memberikan hasil yang akurat. Kedua metode ini akan dibandingkan dengan melihat nilai Mean Squared Error (MSE) yang merupakan suatu metrik untuk melihat seberapa cocok model dengan data yang digunakan. Terakhir, model yang dikembangkan diaplikasikan pada data severitas klaim asuransi pengangguran untuk menunjukkan kemampuan model dalam memodelkan data severitas klaim. Model tersebut akan dibandingkan dengan model yang dibangun dari distribusi Kw-E dengan melihat nilai Akaike Information Criteria (AIC) dan Bayessian information criteria (BIC) untuk menunjukan bahwa model yang dikembangkan lebih baik dibandingkan model asalnya.

---

This research discusses the construction of the Marshall-Olkin-Kumaraswamy-Exponential (MOKw-E) distribution, which is a combination of the Marshall-Olkin (MO) and Kumaraswamy-Exponential (Kw-E) distributions. This distribution is known as a flexible model applicable to data with various distribution shapes. Parameter estimation is performed using Maximum Likelihood Estimation (MLE) with the assistance of two numerical methods the Nelder-Mead method and the Conjugate Gradient Fletcher Reeves method. Both methods are widely used in solving optimization problems due to their high efficiency with simple computations yet accurate results. These methods will be compared by examining the Mean Squared Error (MSE) values, which is a metric to assess how well the model fits the data. Finally, the developed model is applied to unemployment insurance claim severity data to demonstrate the model's capability in representing severity claim data. The model will be compared with a model built from the Kw-E distribution by evaluating the Akaike Information Criteria (AIC) and Bayesian Information Criteria (BIC) values to show that the developed model is superior to the original model.

"

"Pemodelan dan peramalan harga saham merupakan hal yang sangat penting bagi seorang investor. Harga saham selalu mengalami perubahan seiring berjalannya waktu. Perubahan ini tidak konstan dan sangat berdampak jika diabaikan karena hal tersebut dapat menimbulkan risiko kerugian. Banyak model yang sudah dibuat dengan tujuan untuk meminimalkan risiko kerugian tersebut. Pada penelitian ini, akan digunakan model ARIMA-GARCH untuk meramalkan volatilitas dalam harga saham. Alasan dari penggunaan gabungan kedua model tersebut adalah karena Model ARIMA saja tidak dapat menangani data dengan volatilitas besar dan yang non-linear. Maka, diharapkan bahwa penggunaan dari model gabungan ini dapat menangani masalah tersebut. Data harga saham yang digunakan pada penelitian ini adalah data harga penutupan dalam dua saham yang termasuk dari indeks LQ45. Pada penelitian ini, data tersebut akan dimasukkan kedalam model gabungan tersebut untuk mendapat peramalan di hari selanjutnya. Setelah itu, akan digunakan metode Walk Forward untuk mendapat semua hasil peramalannya. Dari hasil tersebut, didapat bahwa pengabungan dari ARIMA (1,1,1)-GARCH (1,1) memberikan perdiksi harga saham yang terbaik untuk kedua saham yang dipilih. Lalu, menggunakan hasil MAE dan RMSE dari saham, dapat disimpulkan bahwa model ARIMA-GARCH merupakan model yang dapat memprediksi harga saham dengan baik.

---

For an Investor, modelling and forecasting the stock prices are very important. Stock price fluctuate as time goes and these changes vary from one point of time to another. These changes can be really dangerous if ignored because the risk of loss it might create. Many models have been created with the purpose of minimizing the risk of loss. In this study, the ARIMA-GARCH model will be used to predict closing price in the stock prices which contain volatility. The reason for using the combination of the two models is due to ARIMA model unable to handle large volatility along with non-linear data. Thus, it is hoped the use of this combined model can solve this problem. The data that is used on this study is the closing price of 2 stocks that is part of the LQ45 index. In this research, the data will be used on the combined model to get the forecast price of the next day. Then, the rest of the forecast price will be found using a process called Walk Forward. After acquiring all the forecasted price, it is found that the combination of ARIMA (1,1,1)-GARCH (1,1) yield the best result in forecasting the stock prices. Then, by using MAE and RMSE to check the error of the results, it can be concluded that the ARIMA-GARCH model is a model that is able to predict stock prices well."

"

Permasalahan statistik di dunia nyata umum diselesaikan dengan menggunakan generalized linear model. Fleksibilitas model regresi tersebut menjadi nilai tambah yang meningkatkan utilitasnya. Akan tetapi, di tengah penerapan generalized linear model, ditemukan isu terkait estimasi parameter, yakni multikolinearitas. Kondisi multikolinearitas mengindikasikan adanya korelasi antarvariabel penjelas yang berpengaruh terhadap keakuratan koefisien parameter. Keadaan ini menyebabkan maximum likelihood estimator, metode yang sangat umum digunakan pada generalized linear model untuk mencari parameter, memiliki eror dan variansi yang tinggi. Berbagai alternatif estimator telah dibuat untuk mengatasi masalah ini, salah satunya adalah Liu estimator. Metode ini merupakan bentuk modifikasi dari metode yang sudah diciptakan sebelumnya, yakni maximum likelihood estimator. Penelitian ini menelusuri konsep dan metode Liu estimator dalam menentukan suatu parameter dan dibandingkan dengan metode maximum likelihood estimator. Konstruksi gamma regression model, yakni generalized linear model dengan variabel respons yang berdistribusi gamma, digunakan sebagai aplikasi dalam penerapan Liu estimator. Simulasi dalam penelitian ini menggunakan dataset hydrocarbon yang mengukur keefektifan pemulihan polusi yang bersumber dari tangki gas. Dengan menggunakan model regresi gamma dan estimator Liu untuk mengestimasi parameter didapatkan prediksi terhadap jumlah gas hydrocarbon yang keluar.

---

Generalized Linear Model, as the name says, is the general version for linear model, one of the method used to solve statistical and actuarial real-life problem, such as regression. In the midst of well-known generalized linear model utilization, researcher found issue related to parameter estimation. Multicolinearity, a condition which occur when there are two or more independent variabel with high correlation, has huge impact to the accuracy of parameter coeficient. This issue makes the maximum likelihood estimator, one of the most common method to estimate the parameter, produces high error and variance. To combat this issue, many other estimator has been proposed by various researcher all around the world, including Liu estimator. Liu estimator is a method that comes from the modification of maximum likelihood estimator. This research will explore the concept and method of Liu estimator for estimating model’s parameter and the difference when we compare it with maximum likelihood estimator. The model built in the research is gamma regression model, which is a generalized linear model with gamma distributed response variable. The application of the research is utilizing the data called hydrocarbon. The end product is the gamma regression model to predict the mass of hydrocarbon which escape to the air with the parameter estimated by Liu estimator method.

"

"Overdispersion adalah masalah yang sering ditemukan saat memodelkan data cacah. Overdispersion ditandai dengan nilai variansi lebih besar dari mean. Penyebab overdispersion yang sering terjadi adalah banyaknya pengamatan bernilai nol pada suatu data. Akibatnya, distribusi Poisson yang memiliki nilai mean dan variansi yang sama (equidispersion) tidak cocok lagi untuk memodelkan data cacah tersebut. Salah satu alternatif distribusi untuk mengatasi kondisi overdispersion adalah distribusi Poisson-Lindley. Namun, distribusi Poisson-Lindley hanya memiliki fungsi massa peluang monoton turun. Untuk menambah fleksibilitas distribusi Poisson-Lindley, distribusi tersebut diberikan bobot berupa fungsi bobot binomial negatif. Pemberian fungsi bobot binomial negatif ini tetap menghasilkan distribusi dengan nilai variansi lebih besar dari mean sehingga tetap dapat digunakan untuk mengatasi kondisi overdispersion. Distribusi baru yang diperoleh disebut distribusi weighted negative binomial Poisson-Lindley (WNBPL). Pada tugas akhir ini dibahas mengenai proses pembentukan distribusi weighted negative binomial Poisson-Lindley, beberapa karakteristiknya, dan pengestimasian parameternya dengan metode maksimum likelihood. Sebagai ilustrasi, digunakan data frekuensi klaim pemegang polis untuk dimodelkan dengan distribusi WNBPL.

---

Overdispersion is a common problem when modeling count data. Overdispersion is characterized by the variance greater than the mean. The cause of overdispersion that often occurs is the large number of zero-value observations in a data. As a result, the Poisson distribution which has the same mean and variance (equidispersion) is no longer suitable for modeling the count data. An alternative distribution to overcome the overdispersion condition is the Poisson-Lindley distribution. However, probability mass function of Poisson-Lindley is monotonic decreasing. To increase the flexibility of the Poisson-Lindley distribution, the distribution is given a weight function in the form of a negative binomial weight function. Giving this negative binomial weight function still creates a distribution with the variance greater than the mean to overcome overdispersion data. The new distribution obtained by giving that weight function is called the weighted negative binomial Poisson-Lindley (WNBPL) distribution. This thesis discusses the formation of the weighted negative binomial Poisson-Lindley distribution, some of its characteristics, and estimate its parameters using the maximum likelihood method. As an illustration, WNBPL distribution is used to model the data of frequency claims by policyholders."

"Pesatnya perkembangan ekonomi menyebabkan kebutuhan manusia menjadi tidak terbatas. Usaha yang dapat dilakukan untuk pemenuhan kebutuhan hidup di masa yang akan datang adalah dengan melakukan investasi. Saham merupakan salah satu instrumen investasi dengan tingkat keuntungan yang menarik, namun memiliki risiko kerugian yang tinggi. Hal ini disebabkan oleh adanya pergerakan harga saham yang cenderung tak menentu selama periode waktu tertentu. Untuk meminimalkan risiko kerugian, perlu dilakukan prediksi pergerakan harga saham. Prediksi yang akurat akan membantu para investor dalam menentukan nilai saham di masa yang akan datang. Pada penelitian ini, dilakukan perbandingan untuk memprediksi pergerakan harga saham menggunakan tiga algoritma supervised machine learning yaitu Random Forest, Support Vector Regression (SVR) dan K- Nearest Neighbor (KNN) berdasarkan tingkat akurasinya. Sutau model dikatakan akurat jika memiliki nilai Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) yang lebih rendah. Pada penelitian ini, diperoleh hasil prediksi harga penutupan saham terbaik menggunakan metode Support Vector Regression dengan melihat rendahnya nilai RMSE dan MAE yang dihasilkan dibandingkan dengan dua metode lain. Dalam perhitungannya, penelitian ini menggunakan histori data harian dari website investing.com. periode Maret 2017 hingga Februari 2020 dari tiga perusahaan di Indonesia yang terdaftar dalam IDX30.

---

The fast growth of economic development causes human needs to be immeasurable. One of the efforts that could be done to fulfill life needs in the future was Investation. Stock is one of the Investation instruments with interesting benefits but has high- risk loss caused by the unstable stock market trend between some period. For minimalizing the risky loss, the literati need to predicting the stock rate trend. The accurate prediction will help the investor in choosing a stock value in the future. In this study, the literati make a comparison to predict stock market trend with three kinds of algorithms supervised machine learning that are Randon Forest, Support Vector Regression (SVR), and K-Nearest Neighbor (KNN) based on their accurate level. A model could be said accurate just if they have a lower value of Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The best Stock Closing Price prediction will be obtained by the Support Vector Regression method and see how low the result of RMSE and MAE value is compared with another method. To calculate, the study uses a daily data history from investing.com website between March 2017 to February 2020 period. The object data is a three big company in Indonesia which listed in IDX30."