Hasil Pencarian  ::  Simpan CSV :: Kembali

"Bagi kebanyakan organisasi, memiliki karyawan yang berbakat merupakan landasan unggul untuk bersaing. Untuk mempcrtahankan daya saing organisasi, diperlukan penilaian efektivitas manajemen sumber daya manusia di dalamnya Sistem manajemen kinerja yang baik harus mampu mengakomodir kebutuhan-kebutuhan karyawan, yaitu melalui sistem manajemen kinerja yang ’tcrintegrasi’ dimana sistern ini dapat secara efektif mcnghubungkan kinerja karyawan dcngan strategi pen1sahaan. Salah satu tahapan terpenting dalam proses manajemen kinerja adalah penilaian kinerja (Cascio, 2003). Dengan melakukan penilaian kinerja, organisasi mcndapat informasi mengenai seberapa baik karyawan melakukan pekerjaannya (Noe, 2003). Proses penilaian kinerja mendorong individu tmtuk melakukan penilaian terhadap diri sendiri dalam usahanya menuju pcncapaian tujuan dan target yang telah disepakati. Bagi organisasi sendiri, melalui penilaian kinerja akan diperoleh ukuran atau kritcria yang jclas tmtuk menempatkan karyawan apakah ia telah bekerja mclebihi standar, sesuai dcngan standar atau bahkan berada di bawah standar yang diharapkan organisasi (Mathis, 2006). Pelaksanaan penjlaian kinerja sangat penting karena dapat membcrikan informasi mengenai baik burulmya kinerja yang ditampilkan karyawan maupun pcngambilan keputusan mengenai kompensasi, promosi dan pelatihan bagi karyawan. Sehubungan dengan hal tersebut, penulis menemukan masalah yang dihadapi PT.A tcrkait dengan belum dilaksanakannya sistem penilaian kinerja yang tcrstandarisasi. Saat ini, segala bentuk keputusan pengelolaan kinerja hanya berdasarkan pada nilai proiit yang diperoleh perusahaan, observasi dan penilaian personal pimpinan perusahaan. Hal ini membuat karyawan merasa kurang termotivasi untuk mcnunjukkan kinerja lebih dari apa yang pernah ditampilkan sebelumnya. Mengacu pada permamlahan terscbut malta diajukan usulan rancangan Sistem pcnilaian kinerja di PT.A. Sistem penilaian kineqia yang diajukan oleh penulis adalah sistem penilaian kinerja berdasarkan mbced model (model gabungan) yang akan difokuskan kepada level penanggungjawab rubrik unit redaksi tulis di PT. A. Dalam model ini, pengukuran fokus pada kedua aspek yaitu performa dan kompetensi. Langkah-langkah yang diternpuh penulis untuk menggali masalah yang sedang dihadapi PT.A, melakukan koordinasi dengan PT.A mengenai mekanisme penyusunan sistem penilaian kinerja yang akan dilakukan, melakukan penyusunan sistem penilaian lcinerja mbred model (model gabungan) serta melakukan sosialisasi tentang Sistem penilaian kinegia yang disusun. ......Most companies believe that one main key to win the competition is having talented employees. Furthermore, the companies(organization) need to establish an eHective assesment of their human resource mangement. The effective management is required to be able in accomodating all the needs ofthe employees through an integrated performance based management system. Hence, the system ables to connect the employee performance with the company strategy. One crucial step in performance based management process is the performance assesment (Cascio, 2003). The assesment, indeed, is needed to indicate the performance of the emlpoyees in doing their job. Moreover, the process of performance assesement is obliged to enhance each person to achieve his/her objectives. Thus, the company will have clearer key performance indicators to portray the level of employees performance through this process (Mathis, 2006). Not only the level or the employees performance, the assesment process also gives significant information for leveling the compensation, promotion and additionaly training for the employees. Based on this background, the writer indicated a problem from PT A that caused by their mismatch in executing a sufficient performance assesment. The mismatch is mainly evidenced by a performance management that only based by the profit value ofthe company and personal observation 5'om the top management that somehow will degenerate the employees motivation. A system of performance assesment is designed to solve the above problem at PT A. Moreover, the system that proposed is based on a mixed model that will be focusing in performance and competency assesment. The methodology that brought is covering several steps, which are; coordinating with PT A forthe mechanism of performance assesment, designing ofthe mixed model of the assesment sytem and socializing all designed activities."

""ABSTRAK"Tugas akhir ini bertujuan untuk mencari kriteria seleksi model untuk model linier campuran. Kriteria seleksi model adalah kriteria yang dapat menyeleksi model terbaik dari sehimpunan model kandidat dari suatu data yang sama. Kriteria seleksi model yang dibahas pada tugas akhir ini yaitu kriteria seleksi model yang berdasarkan pada seleksi subset yang bertujuan untuk mendapatkan model kandidat yang paling sesuai untuk memodelkan data. Seleksi subset bekerja berdasarkan nilai discrepancy terkecil. Karena discrepancy tidak dapat dihitung secara langsung, maka ditaksir dengan kriteria seleksi model. Kriteria seleksi model yang digunakan untuk menaksir discrepancy pada tugas akhir ini yaitu Mallow rsquo;s Conceptual Predictive Statistic marginal MCp , dan improved MCp IMCp . Sebagai pembanding dari kedua kriteria seleksi model tersebut akan dibahas juga mengenai Akaike Information Criterion marginal mAIC . Untuk menilai kemampuan ketiga kriteria seleksi model tersebut dalam memilih model, dilakukan simulasi sebanyak 1000 kali. Dua ukuran efek acak yang berbeda dan dua nilai yang berbeda dari korelasi antar pengamatan dari suatu efek acak yang sama diterapkan pada simulasi untuk melihat kondisi kerja optimal dari kriteria seleksi model tersebut. Berdasarkan simulasi yang telah dilakukan diperoleh hasil bahwa kriteria seleksi model MCp, dan IMCp bekerja lebih optimal saat ukuran efek acak kecil dibandingkan saat ukuran efek acak besar. Sementara besarnya korelasi antar pengamatan dalam efek acak yang sama tidak terlalu mempengaruhi kinerja MCp, dan IMCp. mAIC bekerja lebih optimal saat ukuran efek acak kecil dan korelasi antar pengamatan dari efek acak yang sama kecil dibandingkan dengan kondisi yang lain. "

---

""ABSTRACT"This final project aims to find the model selection criterion for linear mixed model, that is a criterion that can identify the best model provided a set of candidate models. The criterion discussed in this study is based on a subset selection. The subset selection works by finding the smallest discrepancy value of all candidate models. Since the discrepancy can not be directly calculated, it is estimated by the model selection criterion. The selection criterion that is used in this study is based on Mallow 39 s Conceptual Predictive Statistic Marginal MCp , and Improved MCp IMCp . Akaike Information Criterion marginal mAIC will also be discussed as a comparison to the MCp and IMCp. To assess the performances of the three criteria 1000 simulations were conducted. Two different sizes of random effects and two different values of correlation between observations of a same random effects were design to the simulation. Based on the simulation, MCp, and IMCp performed better for data with small size of random effects compared to that with large random effects. The correlations between observations of the same random effect did not significantly affect MCp 39 s, and IMCp rsquo s performance. mAIC performed better with small size of random effect and small correlations between observations of the same random effects."

"General Linear Mixed Model merupakan model di mana variabel response dipengaruhi oleh faktor fixed dan faktor random. Parameter dari faktor fixed dan random (efek fixed dan random) pada model tersebut tidak diketahui nilainya sehingga harus dilakukan penaksiran. Adapun metode yang digunakan untuk menaksir efek fixed dan random, diantaranya adalah BLUP dan EBLUP. Setelah didapatkan taksiran parameter, selanjutnya akan dilihat seberapa baik taksiran parameter yang diperoleh, yaitu dengan cara mencari Mean Squared Error (MSE) pada General Linear mixed Model.Karena metode penaksiran yang digunakan adalah BLUP dan EBLUP maka pada Tugas Akhir ini akan dibahas mengenai MSE BLUP, MSE EBLUP, dan penaksiran pada MSE EBLUP. Penaksiran ini dilakukan karena nilai dari MSE EBLUP bergantung pada parameter dari variansi efek random yang tidak diketahui nilainya. Kemudian, cara yang digunakan untuk menaksir MSE EBLUP adalah dengan mensubstitusikan taksiran parameter dari variansi efek random ke dalam MSE EBLUP."

"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."

"Indonesia tengah menghadapi tantangan terus-menerus dengan meningkatnya permintaan bahan bakar fosil dan masalah lingkungan yang menyertai seperti emisi rumah kaca, sehingga sumber energi alternatif yang berpotensi mengurangi kerugian ini harus dikembangkan. Salah satu kemungkinan untuk mengatasi kelemahan ini adalah melalui pemanfaatan Dimethyl Ether (DME). Salah satu bagian penting dalam proses produksi DME adalah proses purifikasi metanol melalui kolom distilasi, dimana perolehan kembali metanol yang tinggi menghasilkan produksi DME yang lebih tinggi. Karena kolom distilasi sifatnya kompleks dan nonlinier, pendekatan yang berbeda dari pemodelan parametrik konvensional dicoba untuk memberikan model proses yang lebih akurat. Pendekatan ini menggunakan pendekatan pemodelan statistik, dimana diimplementasikan model Auto-Regressive Exogenous (ARX). Model ARX dibandingkan dengan model FOPDT yang dikembangkan oleh Wahid dan Brillianto (2020) dengan nilai root mean square error (RMSE) antara data model simulasi dan data proses aktual. Hasil penelitian menunjukkan bahwa model ARX mampu memberikan representasi yang lebih baik dari proses aktual dengan peningkatan akurasi dalam hal nilai RMSE mulai dari 22,22% hingga 99,28% untuk 14 dari 16 pasangan model proses (4 ✕ 4). Tiga set model (FOPDT, ARX, dan Mixed yang berisi model ARX dan FOPDT terbaik berdasarkan nilai RMSE-nya) diimplementasikan dalam MMPC 4 ✕ 4 dengan 2 variabel disturbance yang terukur. Hasil akhir menunjukkan bahwa kontroler set model Mixed memberikan hasil kontrol terbaik untuk pengujian set-point dan disturbance rejection, dengan peningkatan dalam hal nilai IAE mulai dari 14,3% hingga 95,81% dan dalam hal nilai ISE mulai dari 37,39% hingga 99,95%.......As Indonesia faces the constant challenge of rising fossil fuel demands and environmental issues attached such as greenhouse emissions, an alternative energy source that could potentially mitigate these disadvantages should be developed. One possibility to counteract these disadvantages is through the utilization of Dimethyl Ether (DME). One important section in the DME production process is the recovery of methanol through a distillation column, where high recovery of methanol yields higher DME production. As the distillation column is highly complex and nonlinear, a different approach to conventional parametric modelling is attempted to provide a more accurate process model. This approach uses a statistical modelling approach, in which the Auto-Regressive Exogenous (ARX) model is implemented. The ARX model is compared to that of the FOPDT models developed by Wahid and Brillianto (2020) with the root mean square error (RMSE) value between the simulated model data and actual process data. The results show that the ARX model is able to provide better representation of the actual process with fitness improvements in term of RMSE value ranging from 22.22% to 99.28% for 14 of the 16 process model pairs (4 ✕ 4). Three model sets (FOPDT, ARX, and Mixed which contains the best ARX and FOPDT model based on their RMSE value) are implemented in a 4 ✕ 4 MMPC with 2 measured disturbance variables. The final result shows that the Mixed model set controller provides the best control result for both set-point and disturbance rejection testing, with improvements in term of IAE value ranging from 14.3% to 95.81% and in term of ISE value ranging from 37.39% to 99.95%."

"Tugas Akhir ini bertujuan untuk mencari taksiran parameter pada General Linear Mixed Model. Parameter-parameter dalam General Linear Mixed Model merupakan parameter untuk melihat efek fixed dan efek random dari variabel-variabel prediktor terhadap variabel respon. Salah satu metode yang digunakan untuk mencari taksiran parameter pada General Linear Mixed Model adalah Metode Empirical Best Linear Unbiased Prediction (EBLUP).Berbeda dengan Metode Best Linear Unbiased Prediction (BLUP) di mana parameter dari variansi efek random-nya diketahui, Metode EBLUP memerlukan penaksiran terhadap parameter tersebut yang pada kenyataannya tidak diketahui nilainya. Metode yang digunakan untuk menaksir parameter dari variansi efek random ini ialah Metode Maximum Likelihood (ML). Kemudian, Metode EBLUP dilanjutkan dengan mensubstitusikan taksiran parameter dari variansi efek random ke dalam taksiran parameter pada General Linear Mixed Model yang diperoleh melalui prosedur penaksiran dengan menggunakan Metode BLUP."

"Model kredibilitas mengestimasi frekuensi klaim tahun berikutnya dengan menggunakan data klaim masa lalu. Model kredibilitas Buhlmann dapat dinyatakan sebagai kasus khusus dari Linear Mixed Models (LMM) dengan asumsi banyak klaim dan random effect berdistribusi normal. Namun, banyak klaim lebih tepat dimodelkan dengan distribusi diskrit sehingga LMM perlu diperluas ke Generalized Linear Mixed Models (GLMM) yang dapat mencakup variabel respons mengikuti keluarga eksponensial. Pada tugas akhir ini, dikonstruksi model kredibilitas Buhlmann untuk frekuensi klaim yang diperluas berdasarkan kerangka GLMM dengan variabel respon berdistribusi Poisson dan binomial negatif. Parameter dari model kredibilitas Buhlmann yang diperluas berdasarkan kerangka GLMM diestimasi menggunakan metode numerik adaptive Gaussian quadrature. Data yang digunakan untuk penerapan model adalah data frekuensi klaim yang dibangkitkan dengan menggunakan software R. Pada akhir tulisan, performa model kredibilitas Buhlmann yang diperluas berdasarkan kerangka GLMM dibandingkan terhadap model kredibilitas Buhlmann menggunakan nilai Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC) serta Mean Squared Prediction Error (MSPE). Berdasarkan kriteria model terbaik serta nilai MSPE, model kredibilitas Buhlmann yang diperluas berdasarkan kerangka GLMM memiliki performa yang lebih baik dibanding model kredibilitas Buhlmann dalam memprediksi frekuensi klaim.......The credibility model estimates claim frequency in the following year by using past claims data. Buhlmann credibility model can be expressed as a special case of Linear Mixed Model (LMM) assuming claim frequency and random effects are normally distributed. However, claim frequency is more precisely modelled with discrete distributions so that LMM needs to be extended to Generalized Linear Mixed Model (GLMM) which can include response variables following an exponential family. In this final project, extended Buhlmann credibility model is constructed for predicting claim frequency based on the Generalized Linear Mixed Model (GLMM) framework with response variables following Poisson distribution and negative binomial distribution. The parameters of the extended Buhlmann credibility model based on the GLMM framework were estimated using the adaptive Gaussian quadrature numerical method. The data used for application of the model is claim frequency data generated using R software. At the end of this paper, the performance of extended Buhlmann credibility model based on the GLMM framework is compared to Buhlmann credibility model using AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion), and MSPE (Mean Squared Prediction Error) values. Based on the criteria of the best model and the MSPE value, the extended Buhlmann credibility model based on the GLMM framework has better performance than Buhlmann credibility model in predicting claim frequency."