Hasil Pencarian  ::  Simpan CSV :: Kembali

"Demam Berdarah Dengue (DBD) merupakan penyakit yang disebabkan oleh virus Dengue yang menyebar melalui perantara nyamuk Aedes aegypti dan Aedes albopictus. Terdapat empat tipe virus Dengue yang menjadi penyebab DBD, yaitu DENV-1, DENV-2, DENV-3, dan DENV-4. Dalam upaya mengurangi penyebaran penyakit DBD, hal-hal yang dapat dilakukan di antaranya adalah pengobatan pada individu yang terinfeksi, vaksinasi, penggunaan kelambu, dan pemberantasan nyamuk menggunakan insektisida. Pada skripsi ini dianalisis model transmisi DBD pada artikel Optimal Control and Cost-Effectiveness Analysis for Dengue Fever Model with Asymptomatic and Partial Immune Individuals, dilakukan pembentukan model berdasarkan model acuan, serta dilakukan analisis kestabilan global dari Titik Keseimbangan Bebas-Penyakit dan Titik Keseimbangan Endemik menggunakan fungsi Lyapunov pada model yang telah dibentuk.

---

Dengue Fever is a disease caused by Dengue virus which spreads through Aedes aegypti and Aedes albopictus mosquitoes. There are four Dengue virus types which cause Dengue Fever, namely, DENV-1, DENV-2, DENV-3, and DENV-4. To reduce Dengue Fever

transmission, things which can be done include treatment for infected individuals, vaccination, using mosquito nets, and eradicating mosquitoes using insecticides. In this undergraduate thesis, analysis is done on Dengue Fever model in Optimal Control and

Cost-Effectiveness Analysis for Dengue Fever Model with Asymptomatic and Partial Immune Individuals article, Dengue Fever model is constructed based on reference model, and global stability analysis of disease-free equilibrium and endemic equilibrium is done by using Lyaunov function on the constructed model."

"

Permasalahan statistik di dunia nyata umum diselesaikan dengan menggunakan generalized linear model. Fleksibilitas model regresi tersebut menjadi nilai tambah yang meningkatkan utilitasnya. Akan tetapi, di tengah penerapan generalized linear model, ditemukan isu terkait estimasi parameter, yakni multikolinearitas. Kondisi multikolinearitas mengindikasikan adanya korelasi antarvariabel penjelas yang berpengaruh terhadap keakuratan koefisien parameter. Keadaan ini menyebabkan maximum likelihood estimator, metode yang sangat umum digunakan pada generalized linear model untuk mencari parameter, memiliki eror dan variansi yang tinggi. Berbagai alternatif estimator telah dibuat untuk mengatasi masalah ini, salah satunya adalah Liu estimator. Metode ini merupakan bentuk modifikasi dari metode yang sudah diciptakan sebelumnya, yakni maximum likelihood estimator. Penelitian ini menelusuri konsep dan metode Liu estimator dalam menentukan suatu parameter dan dibandingkan dengan metode maximum likelihood estimator. Konstruksi gamma regression model, yakni generalized linear model dengan variabel respons yang berdistribusi gamma, digunakan sebagai aplikasi dalam penerapan Liu estimator. Simulasi dalam penelitian ini menggunakan dataset hydrocarbon yang mengukur keefektifan pemulihan polusi yang bersumber dari tangki gas. Dengan menggunakan model regresi gamma dan estimator Liu untuk mengestimasi parameter didapatkan prediksi terhadap jumlah gas hydrocarbon yang keluar.

---

Generalized Linear Model, as the name says, is the general version for linear model, one of the method used to solve statistical and actuarial real-life problem, such as regression. In the midst of well-known generalized linear model utilization, researcher found issue related to parameter estimation. Multicolinearity, a condition which occur when there are two or more independent variabel with high correlation, has huge impact to the accuracy of parameter coeficient. This issue makes the maximum likelihood estimator, one of the most common method to estimate the parameter, produces high error and variance. To combat this issue, many other estimator has been proposed by various researcher all around the world, including Liu estimator. Liu estimator is a method that comes from the modification of maximum likelihood estimator. This research will explore the concept and method of Liu estimator for estimating model’s parameter and the difference when we compare it with maximum likelihood estimator. The model built in the research is gamma regression model, which is a generalized linear model with gamma distributed response variable. The application of the research is utilizing the data called hydrocarbon. The end product is the gamma regression model to predict the mass of hydrocarbon which escape to the air with the parameter estimated by Liu estimator method.

"

"Pesatnya perkembangan ekonomi menyebabkan kebutuhan manusia menjadi tidak terbatas. Usaha yang dapat dilakukan untuk pemenuhan kebutuhan hidup di masa yang akan datang adalah dengan melakukan investasi. Saham merupakan salah satu instrumen investasi dengan tingkat keuntungan yang menarik, namun memiliki risiko kerugian yang tinggi. Hal ini disebabkan oleh adanya pergerakan harga saham yang cenderung tak menentu selama periode waktu tertentu. Untuk meminimalkan risiko kerugian, perlu dilakukan prediksi pergerakan harga saham. Prediksi yang akurat akan membantu para investor dalam menentukan nilai saham di masa yang akan datang. Pada penelitian ini, dilakukan perbandingan untuk memprediksi pergerakan harga saham menggunakan tiga algoritma supervised machine learning yaitu Random Forest, Support Vector Regression (SVR) dan K- Nearest Neighbor (KNN) berdasarkan tingkat akurasinya. Sutau model dikatakan akurat jika memiliki nilai Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) yang lebih rendah. Pada penelitian ini, diperoleh hasil prediksi harga penutupan saham terbaik menggunakan metode Support Vector Regression dengan melihat rendahnya nilai RMSE dan MAE yang dihasilkan dibandingkan dengan dua metode lain. Dalam perhitungannya, penelitian ini menggunakan histori data harian dari website investing.com. periode Maret 2017 hingga Februari 2020 dari tiga perusahaan di Indonesia yang terdaftar dalam IDX30.

---

The fast growth of economic development causes human needs to be immeasurable. One of the efforts that could be done to fulfill life needs in the future was Investation. Stock is one of the Investation instruments with interesting benefits but has high- risk loss caused by the unstable stock market trend between some period. For minimalizing the risky loss, the literati need to predicting the stock rate trend. The accurate prediction will help the investor in choosing a stock value in the future. In this study, the literati make a comparison to predict stock market trend with three kinds of algorithms supervised machine learning that are Randon Forest, Support Vector Regression (SVR), and K-Nearest Neighbor (KNN) based on their accurate level. A model could be said accurate just if they have a lower value of Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The best Stock Closing Price prediction will be obtained by the Support Vector Regression method and see how low the result of RMSE and MAE value is compared with another method. To calculate, the study uses a daily data history from investing.com website between March 2017 to February 2020 period. The object data is a three big company in Indonesia which listed in IDX30."

"Sebagai sebuah perusahaan yang bertanggungjawab atas suatu dana yang dialokasikan untuk kebutuhan pemegang polis ke depannya, perusahaan asuransi memerlukan metode manajemen risiko yang baik sehingga perusahaan asuransi dapat menyiapkan dana yang cukup ketika pemegang polis mengajukan klaim. Untuk itu, diperlukan ukuran risiko yang dapat memberikan pengukuran risiko yang sesuai. Salah satu ukuran risiko yang umum digunakan adalah Value-at-Risk (VaR), yaitu ukuran risiko yang menggunakan konsep batas atas dari probabilitas ekor. Namun, ukuran risiko Value-at-Risk (VaR) bukan ukuran risiko yang koheren. Selain itu, perhitungan ukuran risiko Value-at-Risk (VaR) juga tidak dapat mempertimbangkan nilai atau kejadian yang terjadi di luar tingkat kepercayaannya. Untuk itu, dengan menggunakan metode batas atas dari probabilitas ekor yang berbeda dengan Value-at-Risk (VaR), yaitu dengan pertidaksamaan Chernoff, dapat dikonstruksikan suatu ukuran risiko koheren yang merupakan batas atas terketat dari Value-at-Risk (VaR). Ukuran risiko tersebut dinamakan dengan Entropic Value-at- Risk (EVaR). Ukuran risiko Entropic Value-at-Risk (EVaR) juga merupakan batas atas dari Conditional Value-at-Risk (CVaR). Sebagai ukuran risiko yang koheren, Entropic Value-at-Risk (EVaR) memiliki representasi dual dari rumus awalnya dan menggunakan pendekatan entropi relatif untuk mengonstruksikan representasi dual-nya. Dikarenakan alasan tersebut, ukuran risiko ini dinamakan Entropic Value-at-Risk (EVaR). Dalam perannya sebagai ukuran risiko, Entropic Value-at-Risk (EVaR) diaplikasikan untuk mengukur risiko klaim pemegang polis pada suatu perusahaan asuransi. Berdasarkan hasil perbandingannnya dengan Value-at-Risk (VaR) dan Conditional Value-at-Risk (CVaR), ukuran risiko Entropic Value-at-Risk (EVaR) memberikan hasil yang lebih menghindari risiko dibanding Value-at-Risk (VaR) dan Conditional Value-at-Risk (CVaR).

---

As a company that responsible for fund allocation for the policyholder’s future needs, insurance companies require good risk management techniques so that the insurance companies can prepare sufficient funds when the policyholders submit a claim. Hence, a risk measure that provide the appropiate risk measurement is needed. There is one commonly used risk measure in the finance field, named Value-at-Risk (VaR), which is a risk measure that uses a concept of an upper bound of the tail probability. However, Value-at-Risk (VaR) is not a coherent risk measure. In addition, Value-at-Risk (VaR) measurement also not considering values or events that occur outside the confidence level. Therefore, using the concept of an upper bound of the tail probability which different from Value-at-Risk (VaR), which is Chernoff inequality, a coherent risk measure can be constructed as the tightest upper bound of the Value-at-Risk (VaR). Those risk measure is called as Entropic Value-at-Risk (EVaR). This risk measure also the upper bound of the Conditional Value-at-Risk (CVaR). As a coherent risk measure, Entropic Value-at-Risk (EVaR) has a dual representation of its original formula and uses a relative entropy approach to construct its dual representation. For those reason, the risk measure is named as Entropic Value-at-Risk (EVaR). With their role as a risk measure, Entropic Value-at-Risk (EVaR) was applied for measuring risk of policyholder’s claims in an insurance company. Based on the comparison results with Value-at-Risk (VaR) and Conditional Value-at-Risk (CVaR), the Entropic Value-at-Risk (EVaR) risk measure provides more risk-averse result rather than Value-at-Risk (VaR) and Conditional Value- ar-Risk (CVaR)."

"Tingkat mortalitas merupakan komponen penting dalam analisis kesehatan masyarakat yang diperlukan oleh banyak institusi seperti pemerintah, organisasi kesehatan, hingga perusahaan asuransi. Akan tetapi, data tingkat mortalitas merupakan data yang terus berubah seiring berjalannya waktu sehingga dibutuhkan peramalan tingkat mortalitas. Untuk melakukan peramalan tingkat mortalitas, diperlukan kesesuaian dari berbagai metode dan model untuk dapat memaksimalkan tingkat akurasi dari nilai hasil ramalan. Untuk mencapai hal tersebut, skripsi ini melakukan simulasi peramalan dengan model Cairns-Blake-Dowd (CBD) yang diaplikasikan terhadap data Tingkat Mortalitas Indonesia untuk jenis kelamin laki-laki yang bersifat tahunan. Model CBD sendiri memiliki dua parameter yang diestimasi menggunakan metode Least Square. Lalu, dikarenakan sifat parameter yang merupakan deret waktu multivariat, akan digunakan metode peramalan berupa Vector Autoregressive Integrated Moving Average (VARIMA). Hasil ramalan tersebut kemudian disubstitusikan kembali ke dalam model CBD untuk mendapatkan nilai tingkat mortalitas pada tahun-tahun berikutnya. Dalam menentukan akurasi hasil peramalan dari metode VARIMA dan estimasi parameter dari metode Least Square tersebut, digunakan metode Mean Squared Error (MSE).

---

Mortality rate is a crucial component in the analysis of public health which is required by various institutions such as the government, health organizations, and insurance companies. However, mortality rate data is constantly changing over time, necessitating the forecasting of mortality rates. Therefore, to forecast mortality rates, the alignment of various methods and models is necessary to maximize the accuracy of the forecasted values. To achieve this, this thesis will conduct a forecasting simulation using the Cairns-Blake-Dowd (CBD) model applied to Indonesian Mortality Rate data for males on an annual basis. The CBD model itself has two parameters to be estimated using the Least Square method. Then, due to the nature of the parameters as a multivariate time series, the Vector Autoregressive Integrated Moving Average (VARIMA) forecasting method will be employed. The forecasted results will be substituted back into the CBD model to obtain mortality rate values for the upcoming years. In determining the accuracy of the forecasting results from VARIMA and estimation from Least Square, the Mean Squared Error (MSE) method will be utilized."

"Penyakit Tuberkulosis di Indonesia merupakan salah satu dari 10 besar penyebab kematian dan agen infeksi utama. Penyebaran penyakit TB dapat dicegah dengan memberikan tes TB dini untuk individu dengan indikasi penyakit TB, seperti individu dari negara dengan kasus TB tinggi, orang yang tinggal atau bekerja di lingkungan berisiko tinggi, petugas kesehatan yang merawat pasien dengan risiko tinggi. Penyakit TBC dapat diketahui dengan TB Skin Test (TST) dan TB Blood Test. Kegagalan pengobatan terjadi ketika seorang individu gagal untuk pulih dari pengobatan lini pertama yang diberikan kepada individu TB aktif. Pada skripsi ini disusun model matematika dengan membagi total populasi  menjadi enam kompartemen berdasarkan status kesehatannya. Digunakan data pertambahan kasus TB Indonesia per-triwulan tahun 2017-2021 serta beberapa metode seperti pembentukan Basic Reproduction Number (R0) menggunakan metode NGM, menentukan dan analisis titik bebas penyakit dan endemik dengan pendekatan Van den Driessche, Castillo-Chavez dan Song, serta kajian analitik dengan analisis elastisitas dan sensitivitas serta simulasi autonomous.

---

Tuberculosis in Indonesia is one of the top 10 causes of death and a major infectious agent. The spread of TB disease can be prevented by providing early TB testing for individuals with indications of TB disease, such as individuals from countries with high TB cases, people living or working in high-risk environments, health workers who care for high-risk patients. TB disease can be identified by means of the TB Skin Test (TST) and the TB Blood Test. Treatment failure occurs when an individual fails to recover from the first-line treatment given to an individual with active TB. In this thesis is constructed a mathematical model by dividing the total population into six compartments based on their health status. The use of data on the increase in Indonesia TB cases per quartely 2017-2021 as well as several methods such as the formation of R0 or Basic Reproduction Number using the NGM or Next Generation Matrix method, determine and analyze disease and endemic points with the Van den Driessche approach, Castillo-Chavez and Song, as well as analytical studies with elasticity and sensitivity analysis as well as autonomous simulation."

"Pandemi COVID-19 telah banyak mempengaruhi aspek kehidupan, salah satunya adalah aspek ekonomi. Negara Indonesia, mengalami banyak penurunan ekonomi dan berakibat pada penurunan ekonomi rumah tangga khususnya bagi mahasiswa. Dalam hal tersebut, seorang wirausahawan memiliki peran yang besar dalam pembangunan ekonomi melalui penciptaan inovasi, lapangan kerja, dan kesejahteraan. Untuk menciptakan wirausahawan, perlu adanya minat berwirausaha yang tumbuh sejak dini. Salah satunya adalah mahasiswa. Mahasiswa dianggap sudah memasuki tahap awal dewasa, yang artinya masa tersebut adalah masa peralihan dari remaja ke dewasa dalam pemilihan karier. Pada masa tersebut, muncul banyak minat pada diri mahasiswa, salah satunya adalah minat berwirausaha. Minat berwirausaha dipengaruhi oleh banyak faktor. Penelitian ini bertujuan untuk melihat faktor-faktor yang berpengaruh signifikan terhadap minat berwirausaha pada mahasiswa laki-laki dan mahasiswa perempuan. Faktor yang diduga menjelaskan minat berwirausaha mahasiswa adalah jenis kelamin, lingkungan keluarga, keluarga wirausahawan, sikap mental berwirausaha, keinginan memperoleh pendapatan, pendidikan kewirausahaan, dan penggunaan media sosial. Metode yang digunakan adalah mann-whitney dan analisis regresi linier berganda, untuk melihat variabel-variabel yang menjelaskan minat berwirausaha mahasiswa. Penelitian ini menggunakan data primer sebanyak 620 mahasiswa FMIPA Universitas Indonesia dengan 240 mahasiswa laki-laki dan 380 mahasiswa perempuan dan pengambilan sampel menggunakan purposive sampling. Hasil penelitian menunjukkan bahwa jenis kelamin mempengaruhi minat berwirausaha mahasiswa, kemudian mahasiswa laki-laki dan mahasiswa perempuan FMIPA Universitas Indonesia memiliki faktor signifikan yang sama yaitu sikap mental berwirausaha, persepsi berwirausaha, keinginan memperoleh pendapatan, pendidikan kewirausahaan, dan penggunaan media sosial. Perbedaan antara minat berwirausaha pada mahasiswa laki-laki akan cenderung memiliki persepsi berwirausaha lebih tinggi dibandingkan mahasiswa perempuan

---

The COVID-19 pandemic has affected many aspects of life, one of which is economic. Indonesia experienced many economic downturns and resulted in a decline in the household economy especially for college students. In this regard, an entrepreneur has a large role in economic development through the creation of innovation, employment, and welfare. In order to create entrepreneurs, early entrepreneurial interest is needed. One of them is a student. Students are considered to have entered the early stages of adulthood, which means that the period is the transition from adolescence to adulthood in career choice. During this time, there was a great deal of interest in students, one of which was entrepreneurial interest. Entrepreneurial interest is influenced by many factors. The study aims to look at factors that significantly affect entrepreneurial interest in male and female students. Factors that allegedly explain students' entrepreneurial interests include gender, family environment, entrepreneurial family, entrepreneurial mental attitude, income, entrepreneurial education, and social media use. The methods used are mann-whitney and multiple linier regression analysis, to look at variables that explain students' entrepreneurial interests. The study used 620 primary data from the University of Indonesia's FMIPA students with 240 male and 380 female students and sampling using purposive sampling. The results show that gender influences student entrepreneurship, male and female students of FMIPA University of Indonesia have similar significant factors: entrepreneurial mental attitude, entrepreneurial perception, income, entrepreneurial education, and social media useThe difference between entrepreneurial interest in male students will tend to have a higher perception of entrepreneurship than female students."

"Tingkat mortalitas merupakan salah satu indikator dalam kemajuan bidang kesehatan dan untuk membantu mengidentifikasi kelompok masyarakat yang diutamakan menerima program kesehatan serta pembangunan khusus. Tingkat mortalitas juga dapat digunakan untuk menunjukkan tingkat kesejahteraan dan kualitas hidup suatu negara. Selain itu tingkat mortalitas juga berperan dalam penetapan harga premi (pricing) dan perhitungan cadangan manfaat (valuation) untuk polis asuransi, produk anuitas, serta berperan dalam manajemen risiko aktuaria dan program pensiun. Mengingat tingkat mortalitas merupakan variabel acak yang berubah dari waktu ke waktu dan nilainya berada pada interval (0,1), maka diperlukan suatu model untuk dapat meramalkan tingkat mortalitas di masa depan. Salah satu model yang memiliki potensi untuk dapat memodelkan dan meramalkan tingkat mortalitas adalah model Beta Autoregressive Moving Average (βARMA). Model βARMA merupakan pengembangan dari regresi beta di mana error modelnya mengikuti proses Autoregressive Moving Average (ARMA). Pada penelitian ini akan dibahas mengenai implementasi model βARMA dalam memodelkan dan juga meramalkan tingkat mortalitas. Data yang digunakan adalah data tingkat mortalitas tahunan Indonesia dari tahun 1960 hingga 2020 dengan trend menurun dan data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul dari Januari 2000 hingga Desember 2017 yang bersifat stasioner. Model βARMA terbaik untuk kedua data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Keakuratan peramalan diukur berdasarkan Root Mean Square Error (RMSE). Pada data tingkat mortalitas tahunan Indonesia, diperoleh nilai RMSE sebesar 0.0001, sementara pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, diperoleh nilai RMSE sebesar 0.0226.

---

The mortality rate is one of the indicators of progress in the health sector and to help identify groups of people who are prioritized to receive special health and development programs. The mortality rate can also be used to indicate the level of welfare and quality of life of a country. In addition, the mortality rate also plays a role in pricing premiums and calculating the benefit reserve (valuation) for insurance policies and annuity products, as well as playing a role in actuarial risk management and pension programs. Considering that the mortality rate is a random variable that changes from time to time and the value is in the interval (0,1), a model is needed to be able to forecast the mortality rate in the future. One model that has the potential to be able to model and forecast mortality rates is the Beta Autoregressive Moving Average (βARMA) model. The βARMA model is a development of beta regression where the error model follows the Autoregressive Moving Average (ARMA) process. In this study, we will discuss the implementation of the βARMA model in modeling and forecasting mortality rates. The data used are Indonesia's annual mortality rate data from 1960 to 2020 with a decreasing trend and the monthly mortality rate data due to work accidents in Rio Grande do Sul from January 2000 to December 2017 which is stationary. The best βARMA model for both data is selected based on the smallest Akaike's Information Criterion (AIC) value then a forecast is made for the next six periods. Forecasting accuracy is measured based on Root Mean Square Error (RMSE). In Indonesia's annual mortality rate data, the RMSE value is 0.0001, while in the monthly mortality rate data due to work accidents in Rio Grande do Sul, the RMSE value is 0.0226."

"

Perusahaan asuransi perlu memastikan bahwa mereka memiliki dana yang cukup untuk membayar segala biaya dan kewajibannya, agar terhindar dari gagal bayar. Teori ruin dapat membantu dalam memahami kerentanan perusahaan mengalami peristiwa gagal bayar tersebut. Dalam compound Poisson ruin model digunakan asumsi bahwa premi diterima dalam jumlah konstan, dan besar klaim dengan jarak antarklaim saling bebas. Skripsi ini mengembangkan model ruin tersebut dengan menggunakan asumsi yang lebih sesuai dengan keadaan di dunia nyata, yaitu premi yang diterima mengikuti proses compound Poisson dan terdapat dependensi antara besar klaim dan jarak antarklaim. Kemudian, ditelaah pula fungsi discounted penalty dari model ruin yang baru tersebut. Fungsi discounted penalty merupakan fungsi yang cukup penting dalam teori ruin karena dapat menjadi ekspresi dari kuantitas penting dalam teori ruin, termasuk probabilitas ruin. Setelah itu, dilakukan contoh perhitungan probabilitas ruin melalui fungsi discounted penalty yang telah ditelaah dan dilakukan juga analisis pengaruh rate distribusi waktu antarklaim 𝜆1 dan 𝜆2 terhadap probabilitas ruin. Diperoleh bahwa semakin kecil rate 𝜆1 dan 𝜆2, waktu antarklaim semakin besar sehingga probabilitas ruin semakin kecil. Sedangkan untuk rate 𝜆1 dan 𝜆2 yang semakin besar, waktu antarklaim semakin kecil sehingga probabilitas ruin semakin besar.

---

"

"Regresi Poisson merupakan generalized linear models (GLM) yang umum digunakan untuk memodelkan hubungan antara variabel respon berbentuk count data dengan satu atau lebih kovariat. Hanya saja, kerap dijumpai count data yang tidak memenuhi asumsi equidispersion sehingga tidak dapat dimodelkan dengan regresi Poisson. Salah satu penyebabnya adalah fenomena overdispersion yang teridentifikasi dengan banyaknya observasi yang bernilai nol (excess zeros) pada count data. Model regresi Zero-Inflated Poisson (ZIP) dapat digunakan untuk memodelkan count data yang mengalami overdispersion akibat excess zeros. Namun, pada beberapa kasus, count data dapat mengandung excess zeros dan excess ones dalam suatu periode waktu tertentu. Oleh karena itu, diperkenalkan solusi atas permasalahan tersebut menggunakan sebuah distribusi baru, yaitu distribusi Zero-and-One-Inflated Poisson (ZOIP), yang dibangun berdasarkan distribusi Bernoulli dan Poisson. Pada skripsi ini, dikonstruksi model regresi ZOIP untuk memodelkan count data yang mengandung excess zeros dan excess ones dalam suatu periode waktu tertentu. Parameter model regresi ZOIP tersebut diestimasi menggunakan metode maksimum likelihood dan algoritma Expectation Maximization (EM). Selanjutnya, diaplikasikan model regresi ZOIP dengan satu kovariat dan tanpa kovariat ke data klaim asuransi mobil. Berdasarkan nilai Akaike Information Criteria (AIC), didapatkan bahwa model regresi tanpa kovariat lebih cocok untuk memodelkan data klaim asuransi mobil yang dipakai.

---

Poisson regression is a generalized linear model (GLM) that is commonly used to model the relationship between response variables in the form of count data with one or more covariates. However, it is often found that count data does not meet the equidispersion assumption, so it cannot be modeled using Poisson regression. One of the causes is the phenomenon of overdispersion which is identified by the number of observations that are zero (excess zeros) in the count data. The Zero-Inflated Poisson (ZIP) regression model can be used to model count data that experiences overdispersion due to excess zeros. However, in some cases, count data may contain excess zeros and excess ones in a certain period of time. Therefore, a solution to this problem was introduced using a new distribution, namely the Zero-and-One-Inflated Poisson (ZOIP) distribution, which was built based on the Bernoulli and Poisson distribution. In this thesis, a ZOIP regression model is constructed to model count data containing excess zeros and excess ones in a certain period of time. The parameters of the ZOIP regression model are estimated using the maximum likelihood method and the Expectation Maximization (EM) algorithm. Furthermore, the ZOIP regression model with a covariate and without covariates were applied to the car insurance claim data. Based on the Akaike Information Criteria (AIC) value, it was found that the regression model without covariates is more suitable for modeling the car insurance claim data used."