Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Tarif listrik pada sektor rumah tangga dengan daya sambungan menengah ke atas (High VA) mulai berubah semenjak tahun 2013. Tulisan ini menganalisa responsivitas dari permintaan listrik rumah tangga terhadap perubahan harga dan pendapatan pada dua kelompok rumah tangga (Low VA dan High VA) di tahun 2011 dan 2014. Dengan menggunakan model konsumsi listrik dan metode regresi kuantil, didapatkan hasil yang menunjukkan bahwa permintaan listrik rumah tangga bersifat inelastic terhadap harga dan pendapatan. Elastisitas pendapatan lebih rendah daripada elastisitas harga. Lebih lanjut diketahui bahwa pengaruh terhadap elastisitas pendapatan juga dapat dilihat di kelompok Low VA, walaupun kelompok ini tidak mengalami perubahan harga. Sementara itu, hasil penelitian tidak berhasil menyimpulkan dampak perubahan kebijakan tariff terhadap elastisitas pendapatan. Keseluruhan hasil penelitian ini dapat menjadi pertimbangan pemerintah untuk lebih berhati-hati dalam menyusun kebijakan harga listrik untuk kelompok Low VA sembari mempertahankan kestabilan ekonomi.

---

ABSTRACT
Since 2013, the residential electricity price for High VA (Volt Ampere) households has changed due to changes in pricing policies. This paper analyzes the responsiveness of residential electricity demand to the change in electricity prices and income among two different household groups (Low VA and High VA) in 2011 and 2014. Using an electricity consumption model and the Quantile Regression method, the results show that residential electricity demand is price and income inelastic. Income elasticity is lower than price elasticity. Furthermore, the effects on price elasticity were also found in the Low VA group, whose price remained stable. At the same time, evidences prove that the impact of change in pricing policy on income elasticity remains unclear. Considering the results, the government has to be more careful in regulating electricity prices for the low VA group, while maintaining economic stability.

Abstrak :
Data ekspresi gen adalah data yang menyajikan tingkat ekspresi gen pada kondisi yang berbeda-beda. Analisis data ekspresi gen microarray sangat penting karena memiliki aplikasi luas pada bidang biologi, medis, dan lain-lain. Dalam melakukan analisis data ekspresi gen, sebagian besar algoritma analisis membutuhkan data matriks yang lengkap. Sayangnya, beberapa data mungkin hilang karena kerusakan gambar, debu, dan kesalahan eksperimental. Oleh karena itu, metode imputasi missing value diperlukan untuk melakukan pemulihan pada data yang hilang tersebut. Penelitian ini mengembangkan suatu metode imputasi missing value, yaitu bicluster-based Bayesian principal component analysis dan robust least squares estimation dengan principal components (bi-BPCA-RLSP). Metode bi-BPCA-RLSP merupakan metode pengembangan dari bicluster-based robust least squares estimation dengan principal components (bi-RLSP). Pada metode bi-RLSP, tahap praimputasi untuk memperoleh matriks komplit sementara dilakukan dengan menggunakan metode row average. Namun, metode row average dinilai kurang baik dalam menggambarkan struktur keseluruhan data karena hanya menggunakan informasi dari baris yang mengandung missing value. Oleh karena itu, penelitian ini melakukan penggantian metode row average menjadi BPCA. BPCA menggunakan informasi korelasi dari seluruh data sehingga lebih baik dalam menggambarkan struktur keseluruhan data. Metode bi-BPCA-RLSP diterapkan pada data ekspresi gen garis sel kanker serviks dengan missing rate 1%, 5%, 10%, 15%, 20%, 25%, dan 30%. Performa metode bi-BPCA-RLSP diukur dengan menggunakan nilai normalized root mean squared error (NRMSE) dan dibandingkan dengan metode bi-RLSP. Hasil penelitian menunjukkan bahwa kinerja bi-BPCA-RLSP lebih baik daripada bi-RLSP karena nilai NRMSE pada bi-BPCA-RLSP lebih rendah dibandingkan bi-RLSP untuk setiap missing rate. ......Gene expression data is data that presents the level of gene expression under different conditions. Analysis of microarray gene expression data is very important because it has wide applications in the fields of biology, medicine, and others. In analyzing gene expression data, most of the analytical algorithms require a complete data matrix. Unfortunately, some data may be lost due to image corruption, dust, and experimental errors. Therefore, the missing value imputation method is needed to recover the lost data. This study developed a missing value imputation method, namely bicluster-based Bayesian principal component analysis and robust least squares estimation with principal components (bi-BPCA-RLSP). The bi-BPCA-RLSP method is a development method of bicluster-based robust least squares estimation with principal components (bi-RLSP). In the bi-RLSP method, the pre-imputation stage to obtain a temporary complete matrix is carried out using the row average method. However, the row average method is considered poor in describing the overall structure of the data because it only uses information from rows containing missing values. Therefore, this study replaced the row average method by BPCA. BPCA uses correlation information of all data so that it describes better the overall structure of the data. The bi-BPCA-RLSP method was applied to gene expression data of cervical cancer cell lines with missing rates of 1%, 5%, 10%, 15%, 20%, 25%, and 30%. The performance of the bi-BPCA-RLSP method was measured using the normalized root mean squared error (NRMSE) and compared with the bi-RLSP method. The results showed that bi-BPCA-RLSP performed better than bi-RLSP because the NRMSE value of bi-BPCA-RLSP was lower than bi-RLSP for each missing rate.

Abstrak :
Missing value merupakan masalah yang sering ditemukan pada analisis data ekspresi gen. Salah satu metode yang sering digunakan untuk mengatasi masalah ini adalah dengan melakukan imputasi. Imputasi adalah proses mengganti missing value pada data dengan nilai pengganti yang didapat dari metode tertentu. Pada skripsi ini dibahas mengenai suatu metode imputasi untuk data ekspresi gen yang merupakan pengembangan dari metode imputasi robust least squares estimation dengan principal components (RLSP) dengan menggunakan konsep biclustering. Metode ini dinamakan bicluster-based robust least squares estimation dengan principal components (bi-RLSP). Metode RLSP adalah metode imputasi data ekspresi gen yang menggunakan konsep k-nearest neighbor, principal component analysis, dan regresi kuantil. Konsep biclustering ingin diterapkan untuk menggantikan k-nearest neighbor yang mencari baris yang mirip untuk semua kolom, sehingga dapat dicari baris yang mirip serta kolom yang mirip secara bersamaan. Metode bi-RLSP diaplikasikan untuk mengimputasi missing values pada data ekspresi gen, dimana metode ini ditemukan memiliki akurasi yang lebih tinggi dibandingkan metode RLSP dan metode imputasi row average dengan melihat nilai NRMSE dari estimasi missing value pada metode-metode ini. ......Missing values are a common problem in gene expression data analysis. One of the methods used to overcome this problem is by performing imputation. Imputation is the process of replacing missing values in data with values obtained from certain methods. This thesis discusses an imputation method for gene expression data which is a development of the robust least squares estimation with principal components (RLSP) imputation method using the biclustering concept. This method is called bicluster-based robust least squares estimation with principal components (bi-RLSP). This RLSP method is a gene expression data imputation method that uses the concept of k-nearest neighbor, principal component analysis, and quantile regression. The concept of biclustering is applied to replace the k-nearest neighbor concept that look for similar rows under all columns, so that it can search for similar rows as well as similar columns simultaneously. The bi-RLSP method was applied to impute missing values in gene expression data, where this method was found to have a higher accuracy than the RLSP method and the row average imputation method by looking at the NRMSE value of the estimated missing values in these methods.

Abstrak :
ABSTRAK
Tesis ini melihat kesenjangan upah menurut jender di Indonesia tahun 2008-2012. Selain melihat kesenjangan upah pada tingkat rata-rata, penelitian ini juga akan melihat kesenjangan upah di kuantil yang berbeda dari distribusi upah, sehingga dapat diketahui apakah kesenjangan upah melebar di bagian atas distribusi upah “glass ceiling” atau melebar di bagian bawah distribusi upah “sticky floor”. Tesis ini menggunakan data Sakernas 2008-2012, untuk mengestimasi persamaan upah laki-laki dan perempuan menggunakan OLS standar. Kemudian, metode dekomposisi Oaxaca-Blinder (1973) digunakan untuk menentukan besarnya kesenjangan upah menurut jender yang disebabkan oleh faktor karakteristik (explained effect)dan faktor diskriminasi (efek unexplained). Sedangkan untuk menentukan kesenjangan upah menurut jender di kuantil yang berbeda dari distribusi upah menggunakan regresi kuantil dan menerapkan dekomposisi Machado - Mata (2005). Tesis ini menemukan bahwa kesenjangan upah menurut jender masih didominasi oleh faktor yang tidak dapat dijelaskan (Unexplained) dan diindikasikan sebagai diskriminasi, baik pada tingkat rata-rata maupun di setiap kuantil dalam distribusi upah. Tesis ini juga menemukan adanya bukti lantai lengket (sticky floor) di Indonesia.

---

ABSTRACT
This thesis looked the gender wage gap in Indonesia from 2008-2012. In addition to looking at the wage gap average level, the study alsolooked at the wage gap at different quantile of the wage distribution, so it can be known whether the wage gap widened at the top of the wagedistribution "glass ceiling" or widened at the bottom of the wagedistribution "sticky floor". This thesis used data Sakernas 2008-2012, to estimate the wage equation of men and women using OLSstandard. Then, the Oaxaca-Blinder decomposition method (1973) wasused to determine the magnitude of the gender wage gap based on gender that caused by the characteristics factors (explained effect) and the discrimination factor (unexplained effects). As for determining thegenderwage gap in different quantile of the wage distributifusing quantile regression and applying Machado decomposition – Mata (2005). This thesis found that the genderwage gap was stilldominated by factors that can not be explained (Unexplained) and wasindicated as discrimination, both at the average level and in each quintile of the wage distribution. This thesis also found evidence ofsticky floor in Indonesia.

Abstrak :
Kompensasi opsi saham memberikan peranan penting dalam memotivasi eksekutif dan non eksekutif untuk meningkatkan kinerja perusahaan. Penelitian ini bertujuan untuk menganalisis pengaruh kompensasi opsi saham terhadap kinerja perusahaan non keuangan di Bursa Efek Indonesia BEI tahun 2007-2016. Konsisten dengan teori siklus hidup perusahaan, penelitian ini menggunakan model regresi kuantil untuk menggambarkan tahap pertumbuhan dan penurunan dari kinerja perusahaan. Hasil penelitian menunjukkan bahwa kompensasi opsi saham memberikan pengaruh positif secara signifikan pada kinerja perusahaan yang lebih tinggi dan lebih rendah dari kuantil 0,05 sampai dengan 0,95. Selain itu, pengaruh kompensasi opsi saham terhadap kinerja perusahaan robust setelah menggunakan pay-for-performance sensitivity PPS sebagai alternatif variabel bebas dan pengukuran kinerja pasar perusahaan, tobin rsquo;s q sebagai variabel terikat. Hasil penelitian ini mendukung stewardship theory dan mengimplikasikan bahwa kompensasi opsi saham dapat menjadi keputusan strategis perusahaan yang dapat digunakan pada berbagai tahap bisnis dalam rangka untuk meningkatkan kinerja perusahaan. ...... Stock option based compensation plays an important role in motivating executive and non executive to enhance firm performance. This research aims at investigating the effect of stock option based compensation on firm performance on listed companies during 2007 to 2016. Consistent with corporate life cycle theory, this research employs quantile regression model to capture growth and decline stage of firm performance. The results indicate that the effect of stock option based compensation is significantly positive at higher and lower quantile performance level from 0,05 to 0,95. Furthermore, the impact of stock option based compensation on firm performance is robust as pay for performance sensitivity PPS is applied as an alternative independent variable and market based measures, with tobin rsquo s q as the dependent variable. The results support the stewardship theory and suggest that stock option based compensation could be a strategic decision at various business stage to enhance firm performance.

Abstrak :
Regresi kuantil adalah metode regresi yang menghubungkan kuantil dari variabel respon dengan satu atau beberapa variabel prediktor. Regresi kuantil memiliki kelebihan yang tidak dimiliki oleh regresi linier yaitu robust terhadap outlier dan dapat memodelkan data yang heteroskedastisitas. Regresi kuantil dapat diestimasi parameternya dengan metode Bayesian. Metode Bayesian adalah alat analisis data yang diturunkan berdasarkan prinsip inferensi Bayesian. Inferensi Bayesian adalah proses mempelajari analisis data secara induktif dengan teorema Bayes. Untuk menaksir parameter regresi dengan inferensi Bayesian, perlu dicari distribusi posterior dari parameter regresi dimana distribusi posterior proporsional terhadap perkalian distribusi prior dan fungsi likelihoodnya. Karena perhitungan distribusi posterior secara analitik sulit untuk dilakukan jika semakin banyak parameter yang ditaksir, maka diajukan metode Markov Chain Monte Carlo (MCMC). Penggunaan metode Bayesian dalam regresi kuantil memiliki kelebihan yaitu penggunaan MCMC memiliki kelebihan yaitu mendapatkan sampel nilai parameter dari distribusi posterior yang tidak diketahui, penggunaan yang efisien secara komputasi, dan mudah diimplementasikannya. Yu dan Moyeed (2001) memperkenalkan regresi kuantil Bayesian dengan menggunakan fungsi likelihood dari error yang berdistribusi Asymmetric Laplace Distribution (ALD) dan menemukan bahwa meminimumkan taksiran parameter pada regresi kuantil sama dengan memaksimalkan fungsi likelihood dari error yang berdistribusi Asymmetric Laplace Distribution (ALD). Metode yang digunakan untuk menaksir parameter regresi kuantil adalah Gibbs sampling dari distribusi ALD yang merupakan kombinasi dari distribusi eksponensial dan Normal. Penaksiran parameter model regresi dilakukan dengan cara pengambilan sampel pada distribusi posterior dari parameter regresi yang ditemukan dalam skripsi ini. Pengambilan sampel pada distribusi posterior dapat menggunakan metode Gibbs sampling. Hasil yang diperoleh dari Gibbs sampling berupa barisan sampel parameter yang diestimasikan. Setelah mendapatkan barisan sampel, barisan sampel dirata-ratakan untuk mendapatkan taksiran parameter regresinya. Studi kasus dalam skripsi ini adalah membahas pengaruh faktor risiko dari nasabah asuransi kendaraan bermotor terhadap besar klaim yang diajukan oleh nasabah. ......Quantile regression is a regression method that links the quantiles of the response variable with one or more predictor variables. Quantile regression has advantages that linear regression does not have; it is robust against outliers and can model heteroscedasticity data. The parameters of quantile regression can be estimated using the Bayesian method. The Bayesian method is a data analysis tool derived based on the Bayesian inference principle. Bayesian inference is the process of studying data analysis inductively with the Bayes theorem. To estimate regression parameters with Bayesian inference, it is necessary to find the posterior distribution of the regression parameters where the posterior distribution is proportional to the product of the prior distribution and its likelihood function. Since the calculation of the posterior distribution analytically is difficult to do if the more parameters are estimated, the Markov Chain Monte Carlo (MCMC) method is proposed. The use of the Bayesian method in quantile regression has advantages, namely the use of MCMC has the advantages of obtaining sample parameter values from an unknown posterior distribution, using computationally efficient, and easy to implement. Yu and Moyeed (2001) introduced Bayesian quantile regression using the likelihood function of errors with an Asymmetric Laplace Distribution (ALD) distribution and found that minimizing parameter estimates in quantile regression is the same as maximizing the likelihood function of errors with an Asymmetric Laplace Distribution (ALD) distribution. The method used to estimate quantile regression parameters is Gibbs sampling from the ALD distribution, which is a combination of the exponential and normal distributions. The estimation of the regression model parameters is done by sampling the posterior distribution of the regression parameters which is found in this thesis. Gibbs sampling method is used to sampling the posterior distribution. The results obtained from Gibbs sampling are a sample sequence of estimated parameters. After obtaining the sample sequences, the sample lines are averaged to obtain an estimated regression parameter. The case study in this thesis discusses the effect of risk factors from motor vehicle insurance customers on the size of claims submitted by customers.

Abstrak :
Dalam asuransi, premi yang ditetapkan harus memiliki prinsip keadilan. Prinsip keadilan yang dimaksud adalah semakin berisiko suatu polis, premi yang dibebankan juga semakin besar, begitu pula sebaliknya. Perhitungan tarif premi diawali dengan mengestimasi klaim agregat. Klaim agregat seringkali diestimasi menggunakan Two-Part Model, yaitu frekuensi dan severitas yang masing-masing dimodelkan dengan Generalized Linear Model (GLM). Penggunaan Two-Part Model dapat disederhanakan dengan mengganti frekuensi menjadi variabel biner yang menunjukkan apakah suatu polis mengajukan klaim atau tidak. Variabel biner ini kemudian dimodelkan dengan regresi logistik. Variabel biner tersebut dapat menghasilkan probabilitas klaim yang menggambarkan risiko suatu polis. Klaim agregat didapat dengan mengalikan probabilitas klaim tiap polis dengan severitas klaim dari regresi gamma. Namun, GLM hanya memberikan informasi nilai rata-rata dari klaim agregat suatu polis sehingga kurang dapat memberikan gambaran risiko suatu polis. Selain GLM, regresi kuantil juga dapat digunakan sebagai alternatif dalam mengestimasi klaim agregat pada kuantil tertentu. Namun, penggunaan regresi kuantil saja masih tidak dapat memberikan gambaran risiko tiap polis sebab regresi kuantil tidak memberikan informasi tentang probabilitas terjadinya klaim untuk tiap polis. Penelitian ini membahas pengembangan model regresi kuantil untuk mengestimasi klaim agregat, yakni model Two Stage Quantile Regression (TSQR). Tahap pertama dari model TSQR adalah pengestimasian probabilitas klaim dari tiap polis menggunakan regresi logistik, lalu tahap kedua adalah pengestimasian klaim agregat menggunakan regresi kuantil. Setelah pengestimasian klaim agregat dilakukan, premi dihitung dengan Quantile Premium Principle (QPP). Lalu, hasilnya dibandingkan dengan premi yang dihitung menggunakan Expected Value Premium Principle (EVPP) dimana klaim agregatnya diestimasi menggunakan GLM. Pada penelitian ini data yang digunakan untuk implementasi model adalah data asuransi kendaraan bermotor dan diperoleh hasil bahwa premi yang dihitung dengan QPP lebih adil dibandingkan dengan EVPP. ......In insurance, the established premiums must adhere to the principle of fairness. The principle of fairness here implies that as the risk associated with a policy increases, the corresponding premium should also increase, and vice versa. The computation of premium rates commences with the estimation of aggregate claims. This aggregate claims estimation often employs a Two-Part Model, encompassing frequency and severity, each modeled using a Generalized Linear Model (GLM). Simplification of the Two-Part Model can be achieved by transforming frequency into a binary variable indicating whether a policy makes a claim or not. This binary variable is then modeled using logistic regression, producing claim probabilities that depict the risk of a policy. The aggregate claims are derived by multiplying the claim probabilities of each policy by the severity of the claim obtained from a gamma regression. However, GLM only provides information about the average value of the aggregate claims for a policy, which falls short of offering a comprehensive depiction of the policy's risk. In addition to GLM, quantile regression can be employed as an alternative to estimate aggregate claims at specific quantiles. Yet, the use of quantile regression alone still fails to provide an insight into the risk of each policy, as it does not provide information about the probability of claims occurring for each policy. This study aims to discuss the development of a quantile regression model for estimating aggregate claims, specifically the Two Stage Quantile Regression (TSQR) model. The first stage of the TSQR model involves estimating the claim probabilities for each policy using logistic regression, followed by the second stage of estimating aggregate claims using quantile regression. Following the estimation of aggregate claims, premiums are calculated using the Quantile Premium Principle (QPP). Subsequently, these results are compared with premiums calculated using the Expected Value Premium Principle (EVPP), where aggregate claims are estimated using GLM. In this research, the data used for implementing the model is motor vehicle insurance data, and the results obtained indicate that premiums calculated with QPP are fairer compared to EVPP.