Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Pada Oktober 2006, di Kota Depok terjadi Kejadian Luar Biasa (KLB) chikungunya yang menyerang 200 warga di Kelurahan Cinere, Kecamatan Limo, Kota Depok. Penelitian ini bertujuan untuk mengetahui faktor sosiodemografi dan lingkungan serta faktor dominan yang mempengaruhi KLB chikungunya di Kelurahan Cinere Kecamatan Limo Kota Depok. Desain studi yang digunakan adalah kasus kontrol dengan jumlah kasus dan kontrol masing-masing sebanyak 118 kasus. Faktor yang diteliti adalah pendidikan, pengetahuan, kepadatan hunian, umur, pekerjaan, jenis kelamin, mobilitas, perilaku penggunaan obat anti nyamuk, keberadaan jentik nyamuk, ketersediaan Tempat Penampungan Air, dan ketersediaan kasa nyamuk. Hasil penelitian menunjukkan empat variabel berhubungan dengan KLB chikungunya, yaitu pendidikan (OR=1,9: 1,12-3,23), umur (OR= 2,1: 1,22-3,46), dan kepadatan hunian (OR=2,2: 1,25-3,80). Dari hasil analisis multivariat didapatkan faktor yang paling dominan adalah kepadatan hunian dan diikuti oleh pendidikan. Probabilitas KLB chikungunya sebesar 2,1 kali pada subyek yang huniannya tidak padat dan berpendidikan rendah.

On october 2005, in Depok occured chikungunya outbreaks that attack 200 citizen at Cinere, Limo Sub District, Depok City. This study purpose is to know the impact of sosidemographic and enviromental factor on chikungunya outbreaks at Cinere, Limo Sub District, Depok City. Research design is case control study. The number of case group and control group is 118 patient. Factor studied are education, knowlwdge, house density, age, occupation, sex, mobility, anti-mosquito chemical, existance of mosquito-larva, container, and wire netting. The result of the study suggest that there are three variabels that involved in chikungunya outbreaks, namely education (OR=1,9: 1,12-3,23), age (OR= 2,1: 1,22-3,46), and house density (OR=2,2: 1,25-3,80). Multivariat analysis showed that the most dominant factors are house density, and followed by education. Probability of chikungunya outbreaks is 2,1 for low house density and low educatio

Abstrak :
Uca (Austruca) pertama kali dideskripsikan oleh Bott (1973). Naderloo et al., (2010) menyusun kembali sistematik submarga ini yang terdiri atas tujuh jenis dengan lima di antaranya tersebar di Indonesia. Seluruh jenis ini memiliki variasi karakter kualitatif dan kuantitatif. Penelitian ini dilakukan untuk mengetahui variasi karakter kuantitatif (U. annulipes dan U. perplexa) antar pulau dan hubungan kekerabatan di antara tiga jenis (U. annulipes, U. perplexa dan U. lactea). Variasi karakter kuantitatif dapat diketahui melalui analisis statistik. Analisis univariat dan multivariate berdasarkan rasio karakter kuantitatif pada U. annulipes dan U. perplexa dari beberapa lokasi yang berbeda menunjukkan variasi antarpulau yang berbeda nyata. Pulau Sumatera, Pulau Kalimantan, Pulau Jawa dan Pulau Bali memiliki rasio karakter kuantitatif yang hampir sama sehingga membentuk satu kelompok Indonesia bagian barat. Pulau Lombok dan Sumbawa membentuk satu kelompok Nusa Tenggara. Sementara Pulau Sulawesi dan Papua membentuk kelompok yang terpisah dari pulau lainnya. Pada U. annulipes, rasio karakter tertinggi sebagian besar berasal dari populasi Indonesia bagian barat, sedangkan terendah sebagian besar dari populasi Nusa Tenggara. Karakter penentu yang menjadi pembeda antarpulau pada U. annulipes adalah rasio panjang daktilus kaki 1 dan panjang karpus kaki 1 masing-masing terhadap lebar anterior karapas. Sementara pada U. perplexa, nilai tertinggi dan terendah untuk rasio karakter kuantitatif tersebar merata dengan karakter penentu rasio panjang rongga mulut terhadap lebar anterior karapas. Variasi karakter kuantitatif antarjenis Uca (Austruca) juga menunjukkan hasil yang signifikan. Nilai rasio karakter kuantitatif tertinggi sebagian besar dari kelompok jenis U. perplexa, sedangkan nilai terendah sebagian besar pada kelompok U. annulipes. Karakter penentu pembeda adalah rasio panjang daktilus kaki 1 dan lebar posterior karapas masing-masing terhadap lebar anterior karapas. Analisis multivariate pada tiga jenis Uca (Austruca) menunjukkan bahwa kelompok U. annulipes memiliki kekerabatan yang dekat dengan U. lactea, karena rasio karakter U. annulipes lebih mirip dengan U. lactea dibandingkan dengan U. perplexa

---

The subgenus Uca (Austruca) (Bott, 1973) was consists of seven species worldwide, in which five of them are distributed in Indonesia. All species demonstrate qualitative and quantitative character states variations. This research identified the qualitative and quantitative character variations (U. annulipes and U. perplexa) among the Island and phylogeny among three species (U. annulipes, U. perplexa and U. lactea) in Indonesia. The quantitative character variations were obtained using univariate and multivariate analysis based on quantitative character ratio. Uca annulipes and U. perplexa altogether are recognized to be three geographic groups mainly based on the ratio of the dactylus and carpus length of the first legs, each to the anterior carapace width. Those from western part of Indonesia (Sumatera, Borneo, Java and Bali) perform the similar ratio of quantitative characters. The other two groups are from Nusa Tenggara (Lombok and Sumbawa) and eastern part of Indonesia (Sulawesi and Papua). Uca annulipes from western part of Indonesia presents most of the highest value of quantitative characters ratio while the Nusa Tenggara`s population shows the opposite. Those differences among the islands were concluded by dactylus and carpus of first appendage`s length. Uca perplexa from western part of Indonesia presents most of the highest value of quantitative characters ratio, while the lowest values are distributed evenly among the groups. Those differences among the islands were concluded by the ratio of the buccal cavity length to the anterior carapace. The quantitative characters also varies among Uca (Austruca) species which mostly distinguished by the ratio of the dactylus length of the first legs and posterior carapace width, each to anterior carapace width. Most of the highest value of the quantitative character ratios was given by U. perplexa group, while the lowest value was given by U. annulipes group. Moreover, multivariate analysis for the phylogeny shows that U. annulipes group is closely related to U. lactea group than to U. perplexa group, in case of its quantitative characters similarity.

Abstrak :
ABSTRACT
Perhitungan nilai premi oleh perusahaan asuransi dilakukan dengan memanfaatkan alat ukur risiko. Prinsip Premi Multivariat Berbobot (PPMB) digunakan sebagai alat ukur risiko untuk menghitung nilai premi pada asuransi pertanian. PPMB dapat mengintegrasikan faktor risiko eksternal sebagai informasi tambahan ke dalam perhitungan premi. Faktor risiko eksternal merupakan faktor risiko lain selain faktor risiko internal (faktor risiko yang telah ditentukan oleh perusahaan asuransi sebagai prasyarat pengajuan klaim oleh petani). Karena terdapat faktor eksternal dalam perhitungan premi, dimanfaatkan distribusi multivariat untuk menggambarkan penyebaran nilai peluang dari variabel keru-gian dan faktor eksternal. Dalam PPMB, faktor risiko eksternal digunakan untuk memberi ulang bobot pada data kerugian pertanian historis. Pembobotan tersebut bertujuan untuk melengkapi ketidaklengkapan data kerugian yang ada agar bisa mendapatkan perhitungan premi yang lebih akurat. Memanfaatkan faktor risiko eksternal dalam perhitungan premi dapat mengakibatkan bertambahnya nilai premi. Tambahan nilai pada premi dise- but dengan risk loading. Dengan pemilihan faktor risiko eksternal yang tepat, prinsip premi multivariat berbobot memiliki risk loading yang meningkat.

---

ABSTRACT
Insurance pricing is set using the risk measurement tool. Multivariate weighted premium principle (MWPP) is used as the risk measurement tool in crop pricing. MWPP integrate external factors as additional information in pricing. External factors are the different risks from internal factors (risks factors set by insurer as the precondition for farmers to submit claims). Because there are external factors to consider in pricing, multivariate distribution is used to find the pricing formula. In MWPP external factors are used to reweight the historical loss data. The purpose of reweighting is to fill the incompleteness of historical loss data and improve the accuracy of pricing. Utilizing risk external factors can add more values to the pricing. Those additional values are called risk loading. Choosing the right and suitable external factors can make pricing with MWPP have increasing relative risk loading.

Abstrak :
Salah satu pendekatan yang dapat digunakan dalam perhitungan cadangan klaim pada perusahaan asuransi adalah teori kredibilitas, yang memungkinkan perhitungan cadangan klaim dilakukan dengan mengombinasikan data pembayaran klaim pada portfolio terkait dengan informasi lainnya, contohnya adalah data pembayaran klaim dari porfolio lain yang similar. Pada tugas akhir ini, digunakan model kredibilitas Bühlmann-Straub untuk perhitungan cadangan klaim. Lebih jauh lagi, pada umumnya perhitungan total cadangan klaim pada suatu perusahaan dilakukan dengan menghitung cadangan klaim pada masing-masing lini bisnis yang ada di perusahaan tersebut, kemudian cadangan klaim untuk perusahaan tersebut (aggregate reserve) diperoleh dengan menjumlahkan cadangan klaim pada masing-masing lini bisnis. Dengan mempertimbangkan kemungkinan adanya korelasi antara lini bisnis yang ada pada perusahaan asuransi, nilai aggregate reserve sesungguhnya dapat bernilai lebih kecil dari penjumlahan cadangan klaim pada masing-masing lini bisnis yang ada. Karenanya, penelitian mengenai perhitungan cadangan klaim kemudian berkembang dengan mempertimbangkan data pembayaran klaim dari berbagai lini bisnis pada suatu perusahaan, atau disebut juga dengan perhitungan cadangan klaim dalam konteks multivariat. Pada tugas akhir ini, dilakukan penelitian mengenai pembentukan model kredibilitas Bühlmann-Straub multivariat untuk perhitungan cadangan klaim beserta dengan estimasi parameter-parameter model tersebut. Model yang telah terbentuk kemudian digunakan untuk menghitung cadangan klaim pada tiga lini bisnis di perusahaan asuransi. Error prediksi pada masing-masing lini bisnis dengan menggunakan model kredibilitas BA¼hlmann--Straub multivariat adalah sebesar 0,7899%, 2,9286%, and 0,8239%, sedangkan error prediksi pada masing-masing lini bisnis dengan menggunakan model kredibilitas B¼hlmann-Straub standar adalah sebesar 0,7954%, 2,9438%, and 0,8726%. Tampak bahwa error prediksi dengan model kredibilitas B¼hlmann-Straub multivariat lebih kecil dibanding error prediksi dengan model kredibilitas BA¼hlmann-Straub standar.

---

One of the approaches that can be used in the calculation of claim reserve in insurance companies is A credibility theory, which allows the calculation of claim reserve by combining claim payment data from related run-off triangle with other information, for example, claim payment data from the other run-off triangles that is similar. In this thesis, the A BA¼hlmann-Straub credibility model is used in the calculation of claim reserve. Furthermore, in general, the calculation of claim reserve in a company is done by calculating the claim reserve in each line of business in the company, then the total claim reserve for the company (aggregate reserve) is obtained by adding up the claim reserve in each line of business. Taking into account the possibility that there is correlation between the existing lines of business in insurance companies, the value of A aggregate reserve can actually be less than the sum of the claim reserve in each of the existing line of business. Therefore, research on the calculation of claim reserve then evolves by considering claim payment data from various lines of business in a company, or also called claim reserve calculation in multivariate context. In this thesis, a research is conducted on the development of multivariateA BA¼hlmann-Straub credibility model for claim reserving along with estimation for parameters of the model. The model is used to calculate claim reserve for three lines of business in insurance company. The error of predictions for each line of business by using multivariateA BA¼hlmann-Straub credibility model are 0,7899%, 2,9286%, and 0,8239%, meanwhile the error of predictions for each line of business by using standardA BA¼hlmann-Straub credibility model are 0,7954%, 2,9438%, and 0,8726%. It appears that the error of multivariateA BA¼hlmann-Straub credibility model is lower than the error of standardA BA¼hlmann-Straub credibility model.

Abstrak :
Data runtun waktu keuangan umum digunakan oleh investor untuk menganalisis pergerakan harga suatu aset investasi. Generalized Autoregressive Conditional Heteroskedasticity (GARCH) adalah model runtun waktu yang biasa digunakan untuk menganalisis data keuangan. GARCH dapat menangkap pengelompokkan volatilitas yang menjadi karakteristik pada data-data keuangan. Pada dunia perekonomian terdapat keterkaitan antara suatu data keuangan dengan data keuangan yang lain. Oleh karena itu dikembangkan model multivariat GARCH (MGARCH) untuk memperlihatkan informasi tentang pergerakan bersama dua variabel atau lebih serta menggambarkan interaksi antardata keuangan yang diteliti. Pada skiripsi ini dibahas versi multivariat dari GARCH, yaitu Baba Engle Kroner dan Kraft (BEKK) GARCH. Pembahasan dimulai dari bagaimana pembentukan struktur varian kovarian bersyarat model BEKK MGARCH, penaksiran parameter, sampai analisis data menggunakan model BEKK MGARCH dengan asumsi error model berdistribusi normal multivariat. Metode yang digunakan untuk mengestimasi parameter adalah metode maximum likelihood. Penurunan analitik pada metode maximum likelihood dibantu dengan sifat yang ada pada quasi maximum likelihood di mana penurunan fungsi likelihood dilakukan dengan menurunkan setiap elemen pada matriks varian kovarian bersyaratnya. Namun estimasi secara analitik tidak dapat digunakan karena persamaan yang non linear, maka digunakan penyelesaian secara numerik menggunakan algoritma quasi-Newton Broyden, Fletcher, Goldfarb, dan Shanno (BFGS). Kemudian model diimplementasikan pada data harian harga penutupan saham BMRI dan BBCA. Hasil analisis menunjukkan bahwa volatilitas saham BMRI dan BBCA tanggal 01 April 2021 sampai dengan 31 Maret 2022 dipengaruhi oleh shock perusahaan sendiri pada masa lampau. ......Financial time series data has been widely used by investors to analyze the movement of any asset pricing. Generalized Autoregressive Conditional Heteroskedasticity (GARCH) is a time series model that usually used to analyze financial datas. GARCH can capture the volatility clustering phenomenon found in most financial datas. In the economic world, there is relation between one to another financial data. Hence, GARCH model has been developed into its multivariate version called multivariate GARCH (MGARCH) to capture the information about comovement also the relationship between two or more variables. In this undergraduate thesis, we explain Baba Engle Kroner and Kraft (BEKK) multivariat GARCH, starting from how the structure of variance and covariance developed, parameter estimation, to implementation of BEKK MGARCH model assuming the error model has multivariate normal distribution. Parameter estimation will be done using the maximum likelihood method with property of quasi maximum likelihood. Parameter estimation can not be solved analytically because the likelihood function is non linear, so we used numerically method called quasi-Newton with Broyden, Fletcher, Goldfarb, dan Shanno (BFGS) algorithms. Then, this BEKK MGARCH model will be used to check the volatility spillover between BMRI and BBCA stock return. The analysis in chapter 4 shows that there is no volatility spillover between BMRI and BBCA. The volatility of their return is affected by their own past shock.

Abstrak :
Seiring dengan meningkatnya kebutuhan manusia akan sarana transportasi yang serbaguna, pasar otomotif mensosialisasikan produk Multi Purpose Vehicle (MPV). Bahkan di Indonesia, pangsa pasar untuk Low Class MPV merupakan yang paling besar. Hal ini membuat persaingan di pasar otomotif pun semakin ketat karena banyaknya produsen yang mengeluarkan produk yang sama di kelas ini. Banyaknya pangsa pasar bagi produk, tidak menjamin berhasilnya suatu produk yang dilempar ke pasaran. Untuk membuat produk Low Class MPV ini diterima oleh konsumen, maka perlu dilakukan sebuah riset untuk mengetahui apa yang diinginkan oleh kosumen pada produk ini. Sebuah penelitian penelitian pasar dengan menggunakan teknik analisis multivariat yaitu analisa faktor dilakukan untuk mengetahui faktor-faktor dominan apa saja yang memempengaruhi konsumen dalam melakukan pemilihan produk Low Class MPV serta memperoleh gambaran segmentasi pasar untuk produk ini. Hasil dari penelitian ini akan memberi manfaat terutama bagi para produsen untuk mengetahui apa yang diharapkan oleh konsumen dari produk sehingga dapat membantu dalam pengembangan produk juga strategi yang tepat untuk dipakai dalam pemasaran produk kepada segmentasi konsumen yang tepat juga. ......Along with the increasing human needs of multifunction transportation, automotive markets socialize a product called Multi Purpose Vehicle (MPV). Even in Indonesia, the market for Low Class MPV is the greatest. This makes the competition in the automotive market is tight because of the large number of producers who issued the same product in this class. A large market for this product, does not guarantee a successful product which thrown to the market. To create a Low Class MPV product which is well accepted by consumers, it needs to do a research to find out what is desired by consumers on this product. A market research study using multivariate analysis technique called factor analysis conducted to get the dominant factors which affecting consumers in the selection of a Low Class MPV product and recognize the consumer characteristic for this product. Results of this research will give advantage, especially for the producers to find out about consumers expectation from the product so that it will assist in the next product development and arrange an appropriate sales strategy to use in appropriate consumer's segmentation.