Hasil Pencarian  ::  Simpan CSV :: Kembali

"Skripsi ini membahas faktor yang mempengaruhi Indeks Severitas Adiksi Addiction Severity Index pada pengguna Napza dan gambaran keberhasilan program rehabilitasi sosial di Rumah Singgah PEKA tahun 2015-2017. Penelitian ini adalah penelitian deskriptif dengan pendekatan kuantitatif dan kualitatif dengan desain penelitian menggunakan desain studi potong lintang cross sectional study dilakukan dengan total populasi dengan jumlah 132 orang klişen, dengan sampel 86 klien. Data yang digunakan dalam penelitian ini merupakan data primer dan sekunder. Data primer diperoleh dari wawancara mendalam sedangkan data sekunder diperoleh melalui data kuesioner ASI Addiction Severity Index 5th Edition. Hasil: tingkat masalah indeks severitas adiksi terbesar pada area penggunaan obat. Penggunaan zat yang paling banyak adalah jenis heroin golongan narkotika sejumlah 49 klien. Tidak ditemukan hubungan antara usia, jenis kelamin, pendidikan, status menikah dan penggunaan zat utama dengan indeks severitas adiksi. Namun, ada hubungan antara domisili dengan indeks severitas adiksi dengan nilai P = 0,006, PR 0,156 CI 0,038-0,642. Keberhasilan program di Rumah Singgah PEKA berdasarkan kemampuan klien mencapai tujuan dan pengurangan dosis, yaitu yang dinyatakan berhasil menurut konselot dari 86 klien sebanyak 62 72. Namun mantan klien masih mudah untuk mengalami relaps karena kurangnya monitoring.

---

This thesis discusses about the factors that influence the Addiction Severity Index on the drug users and the success of social rehabilitation program in Rumah Singgah PEKA in 2015 2017. This descriptive research with quantitative and qualitative approach with research design using cross sectional study design. Total population with 132 people client , with sample 86 client. The data used in this research is primary and secondary data. Primary data were obtained from in depth interviews while secondary data obtained through data of ASI questionnaire Addiction Severity Index 5th Edition.

Results the degree of problem of the largest addiction severity index in the area of drug use. The most widely used substance is narcotics type heroin of 49 clients. No association was found between age, sex, education, marital status and the use of key substances with an addiction severity index. However, there is a correlation between domicile and addiction severity index with value P 0,006, PR 0,156 CI 0,038 0,642. The success of the program in Rumah Singgah PEKA based on the client 39 s ability to achieve goals and dose reduction, which is declared successful according to the counsel of 86 clients as much as 62 72. But the former client is still easy to experience relapse due to lack of monitoring."

"ABSTRACTPada umumnya, kerugian pada sektor asuransi dihitung dengan asumsi bahwa komponen severitas kerugian dan frekuensi kerugian bersifat saling bebas. Akan tetapi, pada beberapa kasus, severitas kerugian bergantung pada tingkat frekuensi kerugian. Penelitian ini akan menunjukkan perhitungan agregat kerugian dengan memodelkan severitas kerugian dan frekuensi yang dependen. Untuk menandakan adanya pengaruh frekuensi kerugian pada severitas kerugian, penulis memodelkan rata-rata severitas kerugian dengan menggunakan frekuensi kerugian sebagai kovariat. Oleh karena itu, untuk memodelkannya, akan digunakan Generalized Linear Model. Selanjutnya, untuk menghitung taksiran parameter model, akan dilakukan estimasi parameter menggunakan metode maksimum likelihood.

---

ABSTRACTLoss in non-life insurance was calculated based on claim severity and frequency along with an assumption of independency. However, in some cases, claim severity is depend upon the claim frequency. This paper presents the derivation of aggregate loss calculation by modelling claim severity and frequency as the assumption of independence is eliminated. To induce the dependence among them, the authors model average claim severity by use claim frequency as the covariate. For that purpose, we use the Generalized Linear Model and maximum likelihood to estimate the parameters. Finally, we will obtain the calculated loss."

"Latar belakang: Pandemi COVID-19, selanjutnya disebut pandemi, menyebabkan keterbatasan akses ke fasilitas pelayanan kesehatan yang dapat menyebabkan hiperglikemia tidak terkontrol dan Ketoasidosis Diabetikum (KAD). Studi ini bertujuan untuk mengetahui perbedaan angka kejadian, karakteristik dan luaran pasien KAD sebelum dan selama pandemi. Metode: Penelitian ini merupakan studi analitik kohort retrospektif dengan subjek pasien KAD di RSCM yang datang pada bulan bulan April 2018 – April 2020 (kelompok sebelum pandemi) dan April 2020 – April 2022 (kelompok selama pandemi). Angka kejadian, karakteristik dan luaran pasien diambil dari rekam medis. Studi analitik akan dilakukan menggunakan uji Chi square dan Mann Whitney. Hasil: Sebanyak 354 pasien diikutsertakan dalam penelitian. Angka kejadian KAD meningkat sebelum dan selama pandemi (IRR: 2v13; p: 0,027). Sebagian besar pasien merupakan laki-laki (57,06%) berusia <65 tahun (76,27%) dengan riwayat Diabetes Melitus/ DM (91,81%). Selama masa pandemi, jumlah pasien yang baru terdiagnosis DM dan mengalami KAD lebih tinggi dibandingkan sebelum pandemi (10,98% vs 1,01%). Pasien dengan DM yang telah terdiagnosis (RR: 1,38 95% CI: 1,251-1,526; p <0,001) memiliki risiko yang secara signifikan lebih tinggi mengalami KAD selama pandemi dengan pencetus berupa pneumonia (RR: 1,25 95% CI: 1,08-2,11; p: 0,002). Selama pandemi, mortalitas (RR: 1,23 95% CI: 1,087-1,389; p: 0,001) dan tingkat keparahan KAD secara signifikan meningkat menjadi sedang-berat (RR: 1,3 95% CI: 1,021-1,353; p:0,014). Kesimpulan: Selama masa pandemi COVID-19, terdapat peningkatan jumlah pasien dan angka mortalitas KAD. Terdapat perbedaan karakteristik dan perburukan gambaran KAD selama pandemi COVID-19. Gambaran klinis harus diutamakan dalam tatalaksana pasien.

---

Background: The COVID-19 pandemic, hereinafter referred to as a pandemic, causes limited access to health care facilities which leads to uncontrolled hyperglycemia and diabetic ketoacidosis (DKA). This study aims to determine the differences in the incidence, characteristics and outcomes of DKA patients before and during the pandemic.

Methods: This study was a retrospective analytic cohort study comparing the DKA patients presented in April 2018 – April 2020 (as pre-pandemic group) and April 2020 – April 2022 (as during the pandemic group). Incidence rates, characteristics and outcomes were taken from medical records. An analytical study will be carried out using the Chi square and Mann Whitney tests.

Results: A total of 354 patients were included in the study. The incidence of DKA increased during the pandemic (IRR: 2.13; p: 0.027). Most of the patients were male (57.06%) aged <65 years (76.27%) with pre-existing Diabetes Mellitus/DM (91.81%). Newly diagnosed DM proportion was higher in the during pandemic group (10.98% vs 1.01%). Based on the analysis, patients with pre-existing DM (RR: 1.38 95% CI: 1.251-1.526; p <0.001) had a significantly higher risk of experiencing DKA during a pandemic with pneumonia as a precipitating factor (RR: 1.25 95% CI: 1.08-2.11;p: 0.002). During the pandemic, mortality significantly increased (RR: 1.23 95% CI: 1.087-1.389; p: 0.001). DKA severity significantly worsened to moderate-severe (RR: 1.3 95% CI: 1.021-1.353; p:0.014).

Conclusion: During the COVID-19 pandemic, there was an increase of DKA incidence and mortality rate. Different characteristics and worsening features of DKA were found during the pandemic. Clinical features should be prioritized in patient management."

"Unknown."

"Dalam studi statistik, mengukur ketergantungan antar variabel sering kali diperlukan untuk memahami perilaku dari variabel-variabel tersebut. Pada skripsi ini, untuk merepresentasikan ketergantungan antar variabel akan digunakan model copula. Copula diterapkan dalam memodelkan ketergantungan pada studi keuangan dan statistik, bahkan diperkenalkan dalam studi aktuaria untuk menghitung total kerugian pada industri asuransi kendaraan bermotor. Perusahaan asuransi, sebagai pihak yang menyediakan asuransi kendaraan bermotor, harus bisa memprediksi kemungkinan kerugian yang akan terjadi guna memprediksi kewajiban dan menyusun strategi perusahaan di masa depan. Total kerugian pada asuransi kendaraan bermotor dapat dihitung berdasarkan dua variabel, yaitu frekuensi klaim dan severitas klaim. Kedua variabel tersebut memiliki distribusi yang berbeda dan terkadang ditemukan ketergantungan di antara keduanya sehingga diperlukan model yang dapat menghubungkannya. Dalam beberapa kasus, kerugian juga dipengaruhi oleh faktor-faktor risiko lainnya yang disebut sebagai kovariat. Salah satu metode analisis statistik untuk menggabungkan dua distribusi data berbeda yang saling berhubungan beserta kovariat adalah dengan model copula berbasis regresi. Hal ini dilakukan dengan menggabungkan marginal Generalized Linear Model dari frekuensi dan severitas klaim. Dengan karakteristik yang berbeda dari kedua data maka model dibentuk dengan pendekatan mixed copula. Copula yang digunakan adalah copula Gaussian dan estimasi parameter dilakukan dengan Maximization by Parts (MBP). Berdasarkan parameter yang diperoleh, dapat disimpulkan bahwa terdapat ketergantungan positif antara frekuensi dan rata-rata severitas klaim. Dengan mempertimbangkan unsur dependensi pada frekuensi dan rata-rata severitas klaim, diperoleh nilai ekspektasi total kerugian yang lebih besar dibandingkan tanpa mempetimbangkan unsur dependensi.

---

In statistical studies, measuring dependencies between variables is often necessary to understand the behavior of those variables. In this thesis, to represent the dependency between variables, the copula model will be used. Copula is applied to modeling dependencies in financial and statistical studies and has even been introduced in actuarial studies to calculate total losses in the motor vehicle insurance industry. Insurance companies, as parties that provide motor vehicle insurance, must be able to predict possible losses that will occur in order to predict liabilities and develop company strategies in the future. Total losses in motor vehicle insurance can be calculated based on two variables, namely claim frequency and claim severity. These two variables have different distributions, and sometimes dependencies are found between them, so a model is needed that can relate them. In some cases, losses are also influenced by other risk factors known as covariates. One statistical analysis method for combining two different, interconnected data distributions and covariates is a regression-based copula model. This is done by combining marginal generalized linear models of claim frequency and severity. With the different characteristics of the two data sets, the model was formed using a mixed copula approach. The copula used is a Gaussian copula, and parameter estimation is done using Maximization by Parts (MBP). Based on the parameters obtained, it can be concluded that there is a positive dependence between the frequency and average claim severity. By considering the dependency element on the frequency and average severity of claims, the expected total loss value is greater than without considering the dependency element."

"Asuransi menjadi konsep yang tidak asing lagi dalam memitigasi risiko yang dapat menimbulkan kerugian finansial yang besar bagi pihak tertanggung. Dalam dunia kerja secara khusus, terlihat adanya peningkatan jumlah kecelakaan kerja di Indonesia dari tahun ke tahun. Kecenderungan tersebut memperlihatkan adanya prospek pengembangan asuransi kompensasi pekerja yang menjanjikan. Tentunya, penentuan tarif premi yang cukup sebagai komponen utama dalam kerangka bisnis asuransi memerlukan prediksi severitas klaim yang akurat. Menurut karakteristik data klaim asuransi pekerja, teramati bahwa dataset tersebut berbentuk tabular dan variabel severitas klaim bersifat kontinu. Oleh sebab itu, prediksi severitas klaim dapat dipandang sebagai masalah regresi data tabular. Penelitian ini akan meninjau performa dari TabTransformer, salah satu metode berbasis tranformer dalam melaksanakan regresi yang mengimplementasikan contextual embeddings terhadap fitur-fitur kategorik. Performa sebagai akibat dari penangkapan konteks oleh model TabTransformer akan diukur dan kemudian dibandingkan dengan metode-metode lain yang mendukung penyelesaian permasalahan regresi, seperti Decision Trees Regressor, Random Forest, XGBoost, dan Multi-Layer Perceptron sebagai model dasar TabTransformer.

---

It is without the need of doubt to believe upon the integrity within the concepts of insurance as a way of mitigating significant financial risks of its own policyholders. As something which existence is prevalent, risks are also found within the workplace environment as seen in the rising numbers of yearly work-related accidents. This tendency suggests promising prospects upon the development and incorporation of worker’s compensation insurance into the business lines of especially reliable insurance companies. As a core part of insurance policies, determining the sufficient rate of premium would require accurate prediction of claim severity. Upon observing the characteristics of claim severity datasets, witnessed are the following two points: that (1) both datasets take a tabular form, and (2) the number of severities is a continuous target variable. Evidently, it shows that the problem to be solved is regression for tabular data. This particular research will focus upon the performance of TabTransformer as a transformer-based machine learning model that incorporates Transformers in providing a degree of interpretability from its capabilities by performing contextual embeddings of the categorical features of our data. The performance will be measured and will further be compared to other models suitable for regression, such as Decision Trees Regressor, Random Forest, XGBoost, and baseline model Multi-Layer Perceptron"

"Pada penelitian ini, diperkenalkan sebuah distribusi yang disebut distribusi Pareto Positive Stable. Distribusi tersebut merupakan distribusi yang dibangun dengan menggunakan transformasi Laplace dari shape parameter pada distribusi Pareto. Selain itu, distribusi Pareto Positive Stable juga didapat dari tranformasi terhadap distrbusi Weibull. Transformasi yang digunakan adalah transformasi exponentiation serta transformasi multiplication by constant. Distribusi Pareto Positve Stable memiliki kelebihan yaitu bentuk fungsi kepadatan peluang berbentuk monoton turun maupun berbentuk unimodal. Selain itu, distribusi Pareto Positive Stable dapat memodelkan data severitas klaim dengan karakteristik data heavy tailed. Berdasarkan penaksiran paramater dengan menggunakan penaksiran maximum likelihood pada data klaim asuransi kendaraan bermotor, kemudian dilakukan perbandingan menggunakan distribusi Lognormal dengan menggunakan AIC dan BIC, didapat bahwa distribusi Pareto Positive Stable lebih baik dalam memodelkan severitas klaim asuransi kendaraan bermotor.

---

In this study, it introduced a distribution called the Pareto Positive Stable distribution. The distribution is a distribution that is built using the Laplace transform of the shape parameter in the Pareto distribution. In addition, the Pareto Positive Stable distribution is also obtained from the transformation of the Weibull distribution. The transformations used are exponential transformation and multiplication by constant transformation. The Pareto Positive Stable distribution has the advantage of having the form of a probability density function in the form of a decreasing monotone or a unimodal form. In addition, the Pareto Positive Stable distribution can model claim severity data with heavy tail data characteristics. Based on the parameter estimation using maximum likelihood estimation for motor vehicle insurance claims data, then doing comparison using the distribution with the Lognormal distribution using AIC and BIC, it is found that the Pareto Positive Stable distribution is better in modeling the severity of motor vehicle insurance claims."

"Distribusi Exponentiated Generalized Burr Type X merupakan distribusi hasil pengembangan dari distribusi Burr Type X berdasarkan kelas distribusi Exponentiated Generalized. Sifat-sifat statistik dan karakteristik distribusi Exponentiated Generalized Burr Type X meliputi fungsi kepadatan peluang, fungsi distribusi kumulatif, fungsi survival, fungsi hazard, momen, momen pusat, fungsi kuantil, \textit{mean}, variansi, koefisien variasi, \textit{skewness}, dan kurtosis dibahas pada skripsi ini. Penaksiran parameter dari distribusi Exponentiated Generalized Burr Type X menggunakan metode Maximum Likelihood Estimator, dilanjutkan dengan metode numerik Gradien Konjugat Fletcher Reeves dan Broyden-Fletcher-Goldfarb-Shanno. Metode Gradien Konjugat Fletcher Reeves dan Broyden-Fletcher-Goldfarb-Shanno dibandingkan dan dipilih metode terbaik untuk mengestimasi parameter distribusi Exponentiated Generalized Burr Type X, dievaluasi dari nilai \textit{mean squared error} terkecil. Sebagai ilustrasi, digunakan data severitas klaim asuransi pengangguran yang dimodelkan dengan distribusi Exponentiated Generalized Burr Type X. Uji Kolmogorov Smirnov digunakan untuk menguji kecocokan model distribusi Exponentiated Generalized Burr Type X dengan data severitas klaim, kriteria AIC dan BIC digunakan untuk memilih distribusi paling cocok dalam memodelkan data severitas klaim.

---

The Exponentiated Generalized Burr Type X distribution is a distribution resulting from the development of the Burr Type X distribution based on the Exponentiated Generalized distribution class. Statistical properties and characteristics of the Exponentiated Generalized Burr Type X distribution include probability density function, cumulative distribution function, survival function, hazard function, moment, central moment, quantile function, mean, variance, coefficient of variation, skewness, and kurtosis are discussed in this final project. Estimating the parameters of the Exponentiated Generalized Burr Type X using Maximum Likelihood Estimator method, continued with Conjugate Gradient Fletcher Reeves and Broyden-Fletcher-Goldfarb-Shanno numerical methods. The Fletcher Reeves and Broyden-Fletcher-Goldfarb-Shanno Conjugate Gradient methods were compared and the best method was chosen to estimate the Exponentiated Generalized Burr Type X distribution parameters, evaluated from the smallest mean squared error value. As an illustration, severity claim data of unemployment insurance claims is used which is modeled with the Exponentiated Generalized Burr Type X distribution. The Kolmogorov Smirnov test were used for to test the suitability of the Exponentiated Generalized Burr Type X distribution model with claims severity data, the AIC and BIC criteria were used to select the most suitable distribution in modeling claims severity data."