Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perubahan (kenaikan) harga minyak internasional mempunyai dampak ekonomi yang besar pada negara pengimpor minyak ncto. Untuk melihat pengaruh perubahan harga minyak internasional pada perekonomian domestik maka diperlukan model yang mampu menangkap perilaku pelaku ekonomi yang mempunyai ekspektasi terhadap setiap perubahan. Sementara model makro ekonometri struktural tidak dapat digunakan untuk pembentukan kebijakan karena mengandung Lucas Critique. Disertasi ini menganalisis pengaruh perubahan harga minyak internasional pada variabel makroekonomi dan respon kebijakan moneter di Indonesia dengan menggunakan model Dynamic Stochastic General Equilibrium, Model makroekonomi ini adalah berdasarkan mikroekonomi dalam New Keynesian tradition. Model memasukan minyak untuk konsumsi rumah tangga dan faktor input dalam produksi, Parameter dalam model diestimasi melalui metode Bayesian dengan teknik simulasi Markov Chain Monte Carlo (MCMC). Metode ini mengkombinasikan prior information dan data historis. Parameter estimasi menunjukkan karakteristik perekonomian Indonesia. Perilaku rumah tangga dipengaruhi oleh cukup tingginya tingkat habit persistence dalam konsumsi, rendahnya clastisitas penawaran tenaga kerja, rendahnya elastisitas substitusi konsumsi produk minyak dan produk non-minyak, dan rendahnya elastisitas substitusi konsumsi barang-barang domestik dan barang-barang luar negeri. Produsen Iebih sering melakukan pengaturan harga ulang dibanding pengaturan kembali upah optimal dengan tingkat penyesuaian terhadap inflasi periode lalu untuk upah lebih besar daripada harga. Elastisitas substitusi tenaga kerja dan minyak dalam produksi dan elastisitas permintaan barang domestik kc luar negeri mempunyai nilai yang rendah. Selanjutnya, respon kebijakan moneter berupa interest rate reaction function (Taylor rule) menghasilkan parameter estimasi yang sesuai dengan Strategi kebijakan Bank Indonesia. Walaupun penelitian ini memiliki keterbatasan, model ini masih mampu memberikan simulasi impulse response untuk menjelaskan perilaku dinamis perekonomian dan menggambarkan mekanisme transmisi pengaruh perubahan harga minyak internasional di Indonesia.

---

The change (increase) of intcmational oil price causes immense economic impact to net oil-importer countries. In order to observe the influence ofthe change of international oil price in domestic economy, it is necessary to use a model which can contain the behavior of the agents who have expectation to every change. However, the model of structural macro econometric cannot be applied to construct policy for thc reason that it contains Lucas Critique. This dissertation analyzes the influence of the change of international oil price to the variables macroeconomic and the response of the monetaiy policy in Indonesia, using the model of Dynamic Stochastic General Equilibrium. This macroeconomic model is based on the microeconomic foundation in New Keynesian tradition, The model includes oil for household consumption and input factor in production, The parameter in the model is estimated by using Bayesian method with Markov Chain Monte Carlo (MCMC) simulation techniquc. This method combines prior information and historical data. Estimation parameter describes the characteristics of Indonesia's economy. The household behavior is affected by the moderately high level of habit persistence in consumption, the low elasticity of labor supply, the low elasticity of substitution between oil and non-oil consumption goods, and the low elasticity of substitution between domestic and Foreign consumption goods. Producers tend to instantaneously make pricing adjustment more fiequent than making wage re-optimizadon by way of amendment amount to the past inflation period for wage higher than price. The elasticity of substitution between labor and oil in production, and the elasticity of demands for domestic goods hom foreign countries are low. Subsequently, the response of the monetary policy in form of interest rate reaction function (Taylor rule) results the estimation parameter which is suitable to the policy strategy from Bank Indonesia. Despite the imperfection of this study, the model can still give impulse response simulation to explain dynamic behaviour of economy and to illustrate the transmission mechanism for the influence of the change of international oil price in Indonesia."

"Distribusi Weibull digunakan untuk menyelesaikan masalah-masalah yang menyangkut lama waktu suatu objek yang mampu bertahan hingga akhirnya objek tersebut tidak berfungsi (dengan kata lain rusak atau mati). Distribusi Weibull merupakan salah satu solusi untuk masalah fleksibilitas yang tidak dimiliki oleh distribusi Exponensial, yaitu hanya memiliki bentuk fungsi hazard yang konstan. Dalam melakukan inferensi dari kasus yang dimodelkan dengan distribusi Weibull, perlu dilakukan penaksiran terhadap parameternya. Distribusi Weibull dua parameter memiliki parameter skala dan parameter shape. Pada skripsi ini, akan dilakukan penaksiran parameter skala dari distribusi Weibull pada data terpancung kiri dan tersensor kanan dengan asumsi bahwa parameter shape diketahui menggunakan metode Bayesian. Prosedur dalam penaksiran parameter meliputi penentuan distribusi prior, fungsi dan distribusi posterior. Kemudian penaksir titik Bayes diperoleh dengan meminimumkan ekspektasi dari fungsi. Fungsi yang digunakan adalah Squared Error Loss Functio (SELF) dan Precautionary Loss Function (PLF). Kemudian dilakukan simulasi data untuk membandingkan nilai Mean Squared Error (MSE) dari taksiran parameter skala menggunakan fungsi. Hasil simulasi menunjukan bahwa taksiran parameter menggunakan fungsi memiliki nilai MSE yang lebih kecil untuk parameter skala lebih kecil atau sama dengan satu sedangkan taksiran parameter menggunakan fungsi PLF memiliki nilai MSE yang lebih kecil untuk parameter skala lebih besar daripada satu.

---

Weibull distribution is used to solve problems that involve the length of time an object is able to survive until the object is not function (in other words damaged or dead). Weibull distribution is one of many solutions to the flexibility problem that is not owned by an Exponential distribution, which only has the form of a constant hazard function. In making inferences from cases modeled with the Weibull distribution, it is necessary to estimate the parameters. The two-parameter Weibull distribution has a scale parameter and a shape parameter. In this thesis, the scale parameter of the Weibull distribution will be estimated on left truncated and right censored data assuming that the shape parameter are known using Bayesian method. The procedure in parameter estimation includes the determination of the prior distribution, the likelihood function and the posterior distribution. Then the point estimator of the scale parameter is obtained by minimizing the expectation of loss function. The loss function used in this thesis are Squared Error Loss Function (SELF) and Precautionary Loss Function (PLF). Data simulation is done to compare the value of Mean Squared Error (MSE) from the estimated parameters using SELF and PLF. The simulation result shows that the estimated parameter using SELF has a smaller MSE value for scale parameter below or equal one while the estimated parameter using PLF has a smaller MSE value for scale parameter above one."

"Distribusi Exponentiated Exponential (EE) adalah pengembangan dari distribusi Exponential dengan cara menambahkan sebuah parameter bentuk alpha. Distribusi ini digunakan untuk mengatasi masalah ketidakfleksibilitas dari distribusi Exponential. Untuk melakukan inferensi mengenai permasalahan yang dimodelkan dengan distribusi EE, perlu dilakukan penaksiran parameter. Pada skripsi ini akan dibahas mengenai penaksiran parameter distribusi dari distribusi Exponentiated Exponential pada data tersensor kiri menggunakan metode Bayesian. Prosedur penaksiran meliputi penentuan distribusi prior yaitu digunakan distribusi prior konjugat, pembentukan fungsi likelihood dari data tersensor kiri, dan pembentukan distribusi posterior. Penaksir Bayes kemudian diperoleh dengan cara meminimumkan risiko posterior berdasarkan fungsi loss Squared Error Loss Function (SELF) dan Precautionary Loss Function (PLF). Kemudian setelah diperoleh perumusan penaksir Bayes, simulasi data dilakukan untuk membandingkan hasil taksiran parameter menggunakan fungsi loss SELF dan PLF yang dilihat dari nilai Mean Square Error (MSE) yang dihasilkan. Fungsi loss dikatakan lebih efektif digunakan dalam merumuskan penaksir Bayes apabila penaksir Bayes yang diperoleh menghasilkan nilai MSE yang lebih kecil. Berdasarkan hasil simulasi, fungsi loss PLF lebih efektif digunakan untuk alpha≤1, sedangkan fungsi loss SELF lebih efektif digunakan untuk alpha>1.

---

Exponentiated Exponential (EE) distribution is the development of Exponential Distribution by adding alpha as a shape parameter. This distribution can solve unflexibility issue in Exponential distribution. In order to make inferences about any cases modeled with EE distribution, parameter estimation is required. This thesis will discuss about parameter estimation of Exponentiated Exponential distribution for left censored data using Bayesian method. Parameter estimation procedure are selection of prior distribution which is conjugate prior, likelihood construction for left censored data, and then forming posterior distribution. Bayes estimator can be obtained by minimize posterior risk based on Squared Error Loss Function (SELF) and Precautionary Loss Function (PLF). After Bayes estimator is obtained, simulation is done to compare the results of Bayes estimator using SELF and PLF which are seen from the result of Mean Square Error (MSE). Loss function is said to be more effective to obtain Bayes estimator if the resulting Bayes estimator yield smaller MSE. Based on simulation, PLF more effective for alpha ≤ 1, while SELF more effective for alpha>1."

"Model Cox merupakan model yang sering digunakan untuk menganalisis time-tovent data, yaitu data yang pengamatannya bergantung pada waktu. Terkadang, Selain informasi tentang waktu, data time-to-event juga dilengkapi dengan informasi tambahan (variabel penjelas). Analisis data waktu ke acara seperti ini dengan menggunakan model Cox akan menghasilkan perkiraan bahaya. Model Cox memiliki dua komponen utama yaitu baseline hazard dan mengandung fungsi eksponensial koefisien regresi. Bahaya didefinisikan sebagai produk antara dua komponen ini. Untuk dapat memperoleh bahaya spesifik, bahaya baseline dan koefisien regresi di model Cox harus diperkirakan. Dalam tesis ini, asumsi konstanta akan didefinisikan sebagai bahaya dasar dari model Cox. Kemudian, konstanta dan koefisien regresi dimasukkan Model ini akan diestimasi dengan menggunakan metode Bayesian dimana sampel diambil Parameter distribusi posterior dilakukan dengan menggunakan metode Markov chain Monte Carlo dengan algoritma pengambilan sampel Gibbs. Untuk metode Bayesian, distribusi sebelumnya untuk Bahaya baseline diasumsikan mengikuti distribusi gamma dan untuk koefisien regresi diasumsikan mengikuti distribusi normal. Data EKG (echocardiogram) yang terdiri dari106 observasi dan enam variabel penjelas digunakan dalam analisis. Mendapatkan hasil bahwa estimasi parameter yang diperoleh konvergen.

---

The Cox model is a model that is often used to analyze time-to-event data, namely data whose observations are time dependent. Sometimes, in addition to information about time, time-to-event data is also supplemented with additional information (explanatory variables). Analysis of time-to-event data like this using the Cox model will yield hazard estimates. The Cox model has two main components, namely the baseline hazard and contains an exponential regression coefficient function. Hazard is defined as a product between these two components. In order to obtain a specific hazard, the baseline hazard and regression coefficient in the Cox model must be estimated. In this thesis, the constant assumption will be defined as the basic hazard of the Cox model. Then, the constants and regression coefficients are entered. This model will be estimated using the Bayesian method where the sample is taken. Posterior distribution parameters are carried out using the Markov chain Monte Carlo method with the Gibbs sampling algorithm. For the Bayesian method, the previous distribution for baseline hazard is assumed to follow the gamma distribution and for the regression coefficient it is assumed to follow a normal distribution. EKG (echocardiogram) data which consists of

106 observations and six explanatory variables were used in the analysis. Obtain the result that the parameter estimates obtained are convergent."

"Model regresi logistik umum digunakan untuk memodelkan variabel respon berupa variabel kategorik dengan sejumlah variabel prediktor. Kontribusi dari variabel prediktor terhadap variabel respon dinyatakan melalui koefisien regresi (beta), sehingga beta memiliki peran yang penting dalam penggunaan model. Oleh karena itu, perlu dilakukan estimasi nilai beta. Pada skripsi ini dibahas mengenai estimasi beta menggunakan metode Bayesian. Metode Bayesian adalah metode penaksiran parameter yang memanfaatkan gabungan informasi dari data sampel dan informasi terdahulu/prior mengenai karakteristik parameter yang akan ditaksir sehingga metode Bayesian dapat mengatasi masalah jika kualitas data sampel kurang mendukung pengamatan. Prosedur penaksiran parameter tersebut meliputi spesifikasi distribusi prior, digunakan prior non-konjugat, pembentukan fungsi likelihood, dan pembentukan distribusi posterior. Lalu, metode Bayesian Logistic Regression tersebut akan digunakan dalam menganalisa data pasien kanker nasofaring (KNF) pasca radiasi, untuk menilai signifikansi dari komponen skor Zulewski dalam memprediksi ada tidaknya hipotiroid yang merupakan efek samping jangka panjang dari radiasi yang diberikan untuk KNF. Berdasarkan Markov Chain Monte Carlo dengan Gibbs Sampling, diperoleh hasil estimasi yang konvergen. Hasil yang diperoleh adalah tidak ada komponen skor Zulewski yang lebih signifikan antara satu dengan yang lainnya. Diperlukan tambahan informasi dari pengukuran selain komponen skor Zulewski untuk dapat menentukan apakah seorang pasien KNF akan mengalami hipotiroid atau tidak.

---

Logistic regression models are commonly used to model response variables in the form of categorical variables with a number of predictor variables. The contribution of the predictor variable to the response variable is expressed through a regression coefficient (beta) so that beta has an important role in the use of the model. Therefore, it is necessary to estimate the value of beta. This thesis will discuss the estimated beta using the Bayesian method. Bayesian Method is a parameter estimation method that utilizes a combination of information from sample data and prior information about the characteristics of the parameters to be estimated so that the Bayesian method can overcome the problem if the quality of the sample data does not support observation. The parameter estimation procedure includes the prior distribution specification, which is to use non-conjugate prior, the formation of the likelihood function, and the formation of the posterior distribution. Then, the Bayesian Logistic Regression method will be used in analyzing post-radiation nasopharyngeal cancer (NPC) patient data, to determine the significance of the Zulewski’s score component in predicting the presence or absence of hypothyroidism which is a long-term side effect of radiation given to NPC. Based on Markov Chain Monte Carlo with Gibbs Sampling, a convergent estimate is obtained. The result is that there is no component of Zulewski’s score that is more significant between one another. Additional information is needed from measurements other than the Zulewski’s score component to be able to determine whether a NPC patient will have hypothyroidism or not."

"Beberapa perusahaan asuransi jiwa Indonesia mengalami permasalahan keuangan karena rendahnya premi dan terlampau idealnya ekspektasi imbal hasil investasi. Hal ini tergolong semakin berisiko jika premi yang sama diberikan pula kepada calon nasabah baru tanpa melalui proses seleksi risiko. Tabel mortalitas saat ini dan asumsi keuntungan investasi terlalu ideal, sehingga asumsi yang lebih konservatif dibutuhkan untuk memeroleh rentang premi murni tahunan yang lebih realistis. Dalam penelitian ini, tabel mortalitas lengkap diestimasi dari tabel mortalitas ringkas dengan model Heligman- Pollard terpancung dan Makeham. Parameter model mortalitas diestimasi dengan metode Bayesian melalui algoritma Metropolis-Hastings. Terhadap data pada tabel mortalitas ringkas, dilakukan proses bootstrap karena ketidakcukupan jumlah untuk proses pemodelan statistika parametrik. Diperoleh akurasi baik untuk estimasi tingkat mortalitas ringkas dengan metrik koefisien korelasi Pearson dan Mean Absolute Percentage Error. Parameter yang diperoleh juga memadai untuk mengestimasi tingkat mortalitas pada tabel mortalitas lengkap dan diekstrapolasi hingga usia 99 tahun. Tingkat imbal hasil investasi diasumsikan mendekati tingkat inflasi dan tingkat inflasi bulanan diasumsikan mengikuti proses stokastik lognormal. Hasil penelitian berbasis model normal Bayesian menunjukkan bahwa terdapat peluang baik untuk terjadinya keuntungan maupun kerugian investasi. Informasi tabel mortalitas lengkap dan rentang keuntungan investasi yang diperoleh kemudian digabungkan untuk membentuk rentang premi murni tahunan yang wajar.

---

Several Indonesian life insurance companies faced financial problems due to inadequate pricing and idealistic investment expectation. This condition goes riskier when equal premium rate is generalized for new customers without being underwritten. Current mortality table and investment return assumption are too ideal, so conservative assumptions are needed to get a more reasonable annual pure premium range. In this research, complete life tables are estimated from abridged life tables by truncated Heligman-Pollard and Makeham model. Parameters for mortality models are estimated by Bayesian method using Metropolis-Hastings algorithm. Data from abridged life table will be bootstrapped because of insufficient number for statistical parametric modelling. Good accuracy for estimated abridged mortality rates was reached based on Pearson correlation coefficient and Mean Absolute Percentage Error metrics. The estimated parameters were adequate to extrapolate yearly mortality rates calculation until age 99. Investment return is assumed to be close to inflation rates and monthly inflation rates are assumed to follow lognormal stochastic process. Based on Bayesian normal model, it is possible to have profitable or losing investment. Information of the complete life table and investment return range obtained are combined to form fair annual pure premium range."