Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAnalisis Variansi adalah suatu teknik dalam statistika untuk menguji perbedaan mean lebih dari dua kelompok dengan adanya faktor yang dapat mempengaruhi perbedaan mean tersebut. Analisis variansi terdapat tiga jenis, yaitu analisis variansi satu arah, analisis variansi dua arah, dan analisis variansi multi-arah. Pada tugas akhir ini, akan dibahas mengenai analisis variansi dua arah. Pengujian statistik pada analisis variansi didasarkan oleh uji F. Dalam melakukan analisis variansi dua arah, terdapat asumsi yang harus dipenuhi, yaitu pengamatan dalam sel atau kelompok harus berdistribusi normal, pengamatan antar sel atau kelompok saling independen, dan variansi antar sel atau kelompok bersifat homogen. Masalah yang sering terjadi pada analisis variansi dua arah adalah asumsi yang tidak terpenuhi, salah satunya variansi antar sel atau kelompok bersifat heterogen. Dengan menggunakan uji F saat variansi antar sel heterogen, membuat hasil p-value tidak valid. Tugas akhir ini berisi pembahasan metode untuk mengatasi permasalahan tersebut. Metode yang digunakan, adalah bootstrap parametrik yang diperkenalkan oleh Khrisnamoorthy 2007. Dengan melakukan simulasi, metode ini menghasilkan p-value yang lebih stabil saat melakukan analisis variansi dua arah dengan variansi antar sel heterogen.

---

ABSTRACTThe analysis of variance is a technique in statistics to test the mean differences of more than two groups in the presence of factor that can effect the mean difference. There are three types of variance analysis, namely one way analysis of variance, two way analysis of variance, and multi way analysis of variance. In this final project, will be discussed about two way variance analysis. Statistical test on analysis of variance based on F test. In peforming analysis of variance, there are assumptions that must be fulfilled such as the observation in each cell or group must be normally distributed, observation between cells or group are mutually independent, and variance between cells or group are homogeneous. The most common problem that happened with two ways analysis of variance is unfulfilled assumptions, one of them is variance between cells or group are heterogeneous. By using the F test when the variance between cells or group are heterogenous makes the results p values is invalid. In this final project contains a method discussion to overcome the problem. The method used namely parametric bootstrap introduced by Khrisnamoorty 2007 . By performing the simulation, this method produces a more stable p value when conducting two ways analysis of variance with variance between cells or gorup are heterogeneous."

"Beberapa tahun belakangan ini, value at risk (VaR) semakin sering digunakan dalam mengukur risiko finansial. Cara yang populer digunakan adalah metode Delta Normal dan metode simulasi Monte-Carlo. Pada tugas akhir ini akan dibahas metode simulasi historis. Metode ini menggunakan data-data terdahulu untuk memperoleh nilai VaR. Terkadang sulit mendapatkan data dalam jumlah yang besar, keadaan ini menimbulkan keraguan mengenai ketepatan hasil taksiran yang diperoleh. Cara yang banyak digunakan dalam mengolah data berukuran kecil agar menjadi lebih layak adalah dengan bootstrap. Sehingga di beberapa literatur, metode simulasi historis disebut juga dengan metode bootstrap. Metode bootstrap ini akan diterapkan pada suatu data penghasilan, sehingga diperoleh taksiran VaR dari data tersebut. Bootstrap layak digunakan karena memberikan suatu nilai taksiran tak bias, dengan variansi yang mengecil. "

"ABSTRAKPrediksi dari besar klaim yang belum terselesaikan (outstanding claims) memegang peranan penting, mengingat perusahaan asuransi selalu dituntut untuk dapat menyediakan cadangan yang cukup guna menutupi pembayaran klaim di masa yang akan datang. Salah satu metode prediksi yang sering digunakan adalah metode Bornhuetter-Ferguson. Metode Bornhuetter-Ferguson termasuk ke dalam metode yang bersifat tradisional. Saat ini, metode prediksi yang bersifat tradisional telah banyak dikembangkan. Dalam hal ini, perhitungan cadangan klaim tidak dilakukan untuk menunjukkan kegagalan perhitungan cadangan klaim secara tradisional, melainkan lebih memberikan penekanan pada ketersediaan ukuran kesalahan prediksi dan distribusi prediksi dari cadangan klaim. Oleh karena itu, prediksi cadangan klaim dilakukan dengan menerapkan bootstrap pada metode Bornhuetter-Ferguson agar diperoleh informasi dari kesalahan prediksi dan distribusi prediksi dari cadangan klaim.

---

ABSTRACTPrediction of outstanding claims has an important roles considering insurance companies are required to allocate sufficient reserves for future payment of claims. One of the prediction methods that can be used is Bornhuetter Ferguson method. Bornhuetter Ferguson method is a traditional method to predict the outstanding claims. Nowadays, the traditional method has many been developed. In this case, the calculation of claim reserves are not done to show the failure of calculation in traditional way, but more to give an emphasis on the error availability and predictive distribution from the claim reserves. Therefore, claim reserves prediction is performed by applying bootstrap on the Bornhuetter Ferguson method to obtain the information about error and predictive distribution from the claim reserves."

"The jackknife and the bootstrap are nonparametric methods for assessing the errors in a statistical estimation problem. They provide several advantages over the traditional parametric approach: the methods are easy to describe and they apply to arbitrarily complicated situations; distribution assumptions, such as normality, are never made. This monograph connects the jackknife, the bootstrap, and many other related ideas such as cross-validation, random subsampling, and balanced repeated replications into a unified exposition. The theoretical development is at an easy mathematical level and is supplemented by a large number of numerical examples. The methods described in this monograph form a useful set of tools for the applied statistician. They are particularly useful in problem areas where complicated data structures are common, for example, in censoring, missing data, and highly multivariate situations."