Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKAngka kematian ibu didefinisikan sebagai jumlah kematian ibu pada saat masa kehamilan atau dalam kurun waktu 42 hari setelah masa kehamilan berhenti setiap seratus ribu kelahiran hidup. Salah satu tujuan dari Millenium Development Goals MGDs Indonesia adalah untuk mengurangi angka kematian ibu. Salah satu faktor yang menentukan angka kematian ibu adalah jumlah kematian ibu. Menurut profil kesehatan Indonesia tahun 2014 provinsi Jawa Barat, Jawa Tengah, dan Jawa Timur berkontribusi 26 persen dari total jumlah kematian ibu di Indonesia. Variabel-variabel yang diduga memengaruhi kematian ibu adalah jumlah tenaga kesehatan, program pemberian beras miskin, ketersediaan air bersih, jumlah penduduk yang buta huruf, dan jumlah kelahiran yang dibantu oleh tenaga kesehatan. Data yang digunakan adalah data spasial yang merupakan data yang memiliki informasi koordinat di dalamnya. Menurut Cressie 1993, kejadian di suatu wilayah cenderung dipengaruhi oleh kejadian di sekitarnya dan ketergantungan spasial seringkali ditemukan di dalam analisis regresi. Oleh karena itu diduga bahwa jumlah kematian ibu di suatu wilayah dipengaruhi oleh jumlah kematian ibu di wilayah lainnya yang berdekatan. Pemodelan jumlah kematian ibu dilakukan dengan pendekatan regresi spasial menggunakan model Spatial Autoregressive dan Spatial Error, sehingga dapat diketahui variabel apa saja yang signifikan serta seberapa besar faktor spasial memengaruhi jumlah kematian ibu di Jawa Barat, Jawa Tengah, dan Jawa Timur. Pada ketiga daerah tersebut, juga akan dideteksi Kabupaten/kota mana saja yang memiliki jumlah kematian ibu tertinggi secara statistik menggunakan metode Spatial Scan Statistics. Hasil pemodelan menunjukkan bahwa jumlah tenaga kesehatan, program pemberian beras miskin, dan jumlah penduduk buta huruf merupakan faktor yang signifikan memengaruhi jumlah kematian ibu dan didapatkan cluster daerah yang memiliki jumlah kematian ibu tertinggi secara statistik.

---

ABSTRACTMaternal mortality is defined as the number of maternal deaths during pregnancy or within 42 days of termination of pregnancy every hundred thousands live births. One of the Millennium Development Goals MGDs of Indonesia was to reduce maternal mortality. One of the factors that determine maternal mortality is the number of maternal deaths. According to Indonesia 39s health profile in 2014, West Java, Central Java and East Java provinces contributed 26 percents of the total number of maternal deaths in Indonesia. The variabels suspected affect maternal deaths are the number of health workers, poor rice programs, the availability to access clean water, the number of illiterate people, and the number of births assisted by health personnel. The data is spatial data which has coordinate information in it. According to Cressie 1993, events in a region tend to be influenced by surrounding events and spatial dependence is often found in spatial data. Therefore it is suspected that the number of maternal deaths in a region is affected by the number of maternal deaths in other surrounding areas. Maternal deaths data was analyzed by spatial regression approach using Spatial Autoregressive and Spatial Error Model to know which variabels are significant and to know whether spatial factor influences the number of maternal deaths in West Java, Central Java, and East Java. In all three areas, the highest number of maternal deaths will also be detected statistically using the Spatial Scan Statistics method. The modeling results showed that the number of health workers, poor rice program, and the number of illiterate people were significant factors that affect the number of maternal deaths and the cluster areas that have highest number of maternal deaths were obtained statistically. "

"Asuransi jiwa merupakan salah satu dari banyak pilihan bagi orang-orang yang mengkhawatirkan ketidakpastian masa depan mereka, karena asuransi jiwa dirancang untuk melindungi terhadap dampak keuangan serius yang diakibatkan oleh kematian seseorang. Variasi penting dari asuransi jiwa tunggal adalah asuransi jiwa survivorship yang mencakup dua atau lebih individu. Di bawah kontrak tersebut, manfaat kematian dibayarkan hanya pada kematian terakhir. Valuasi asuransi merupakan kegiatan yang penting bagi perusahaan asuransi. Melalui valuasi, perusahaan asuransi dapat mengetahui status finansialnya agar dapat memenuhi kewajibannya di masa depan. Secara tradisional, aktuaris mengasumsikan tingkat pengembalian yang konstan dan mortalitas independen dalam valuasi asuransi jiwa bersama. Namun, terdapat minat yang cukup besar dalam literatur aktuaria untuk mempelajari model tingkat bunga stokastik dan asumsi mortalitas dependen untuk valuasi asuransi. Pada artikel ini disajikan formula matematis yang berguna untuk melakukan valuasi asuransi jiwa survivorship dengan tingkat pengembalian stokastik dan mortalitas dependen. Valuasi dilakukan dengan menghitung nilai ekspektasi dari variabel acak loss prospektif, dengan mengasumsikan proses AR 1 dan model Frank rsquo;s Copula untuk memodelkan tingkat pengembalian dan mortalitas dependen masa hidup dari pemegang polis. Selanjutnya dilakukan contoh perhitungan dari satu buah polis dan satu buah portofolio non-homogen.

---

Life insurance is one of the many options for people with concerns about the uncertainty of their future, because it rsquo s designed to protect against the serious financial impact resulting from an individual 39 s death. An important variation of the single life insurance is the survivorship life insurance which covers two or more lives. Under such contract, a death benefit is paid out only on the last death. Insurance valuation is a very important tool for many insurance companies. Through valuation, an insurance company is able to know its financial status to meet its future obligations. Traditionally, actuaries assume constant rates of return and independent mortality in valuing joint life insurance. However, there rsquo s been considerable interest in the actuarial literature in studying stochastic interest rate and dependent mortality assumptions for insurance valuations. In this study, the mathematical formulas to value a survivorship life insurance with stochastic rates of return and dependent mortality are presented. The valuation is conducted by calculating the expectation of the prospective loss random variable, by assuming an AR 1 process and Frank 39 s Copula to model the rates of return and dependent mortality of the policyholders, respectively. Finally, the calculation examples are done for one policy and one non homogeneous portfolio."

"ABSTRAK

Analisis sentimen adalah kegiatan untuk mengklasifikasikan opini publik tentang entitas dalam data tekstual menjadi positif atau negatif. Salah satu metode otomatis untuk analisis sentimen adalah convolution neural network CNN. CNN terdiri dari banyak lapisan dengan banyak parameter yang dapat disesuaikan sesuai kebutuhan untuk membentuk arsitektur tertentu. CNN terbukti efektif untuk penggunaan satu domain data. Namun, CNN kurang akurat jika digunakan dalam domain yang berbeda. Oleh karena itu, digunakan transfer learning untuk mentransfer pengetahuan dari source domain ke target domain yang berbeda namun terkait. Dalam penelitian ini, diuji sensitivitas parameter dan akurasi CNN untuk transfer learning pada analisis sentimen tweet berbahasa Indonesia. Simulasi pada penelitian ini menunjukkan bahwa parameter CNN sangat sensitif dan akurasi transfer learning mendapatkan hasil yang berbeda tergantung pada skenario transfer learning yang digunakan.

---

ABSTRACT

Sentiment analysis is an activity to classify public opinion about entities in textual data into positive or negative. One of the automatic methods for sentiment analysis is convolution neural network CNN. CNN consists of many layers with many parameters that can be adjusted as needed to form a specific architecture. CNN works well for the use of a single data domain. However, CNN is less accurate if used in different domains. Therefore, transfer learning is used to transfers knowledge from source domains to different but related target domains. In this reserach, examined parameter sensitivity and accuracy of CNN for transfer learning of sentiment analysis in Indonesian tweets. Simulations in this paper show that CNN parameters are very sensitive and the accuracy of learning transfer gets different results depending on the scenario of transfer learning. "