Hasil Pencarian  ::  Simpan CSV :: Kembali

"Alokasi makanan adalah alokasi dasar di dalam rumah tangga yang seolah-olah mampu diberikan sama rata untuk setiap anggota rumah tangga terutama antar anak atau antar saudara kandung. Namun ada beberapa faktor yang bisa menyebabkan adanya perbedaan alokasi makanan antar saudara kandung. Dengan menggunakan data IFLS 4 dan 5 serta variasi makanan sebagai proksi alokasi makanan, studi ini membahas dua faktor yang berpengaruh terhadap alokasi makanan yaitu urutan kelahiran dan status pengaturan fertilitas yang tidak sempurna. Selain itu studi ini mencoba menjelaskan mekanisme efek urutan kelahiran menggunakan status pengaturan fertilitas yang tidak sempurna tersebut. Hasil pada studi ini menemukan bahwa adanya efek negatif urutan kelahiran di dalam alokasi makanan rumah tangga. Selain anak dengan status tidak diinginkan dan atau berada di keluarga tidak diinginkan akibat adanya status pengaturan kelahiran yang tidak sempurna cenderung variasi makanan yang lebih rendah. Namun studi ini tidak bisa menjelaskan secara kausalitas mekanisme dibalik efek negatif urutan kelahiran melalui status pengaturan kelahiran yang tidak sempurna.

---

Food allocation is a basic allocation within a household that as if the household is able to provide an equal allocation for each household member, especially between child or sibling. But there are several factors which can cause differences in the allocation of food between siblings. Using IFLS 4 and 5 data and food variation as proxy of allocation, this study discusses two factors that affect food allocation, birth order and imperfect fertility control status. Beside that, this study tries to explain the mechanism of birth order effects using the imperfect fertility control status. The results of this study found that there was a negative effect on birth order in household allocation of food. In addition children with unwanted status and/or live in unwanted families due to imperfect birth control status, tend to have lower food variations. However, this study cannot explain the causality of the mechanism behind the negative effects of birth order through imperfect birth control status.

"

"Penelitian ini bertujuan untuk membuat model peramalan yang efektif dalam meramalkan penjualan produk mobil dalam segmen B2B (Business to Business) agar didapatkan estimasi penjualan produk di masa mendatang. Peneilitian ini menggunakan regresi linear berganda dan jaringan syaraf tiruan yang dioptimasi dengan algoritma genetika.  Faktor peramalan penjualan mobil pada umumnya meliputi penjualan mobil secara nasional, Indeks Harga konsumen, Indeks Kepercayaan Konsumen, Laju Inflasi, Produk Domestik Bruto (GDP), dan  Harga Bahan Bakar Minyak (BBM). Penulis juga telah mendapatkan faktor yang berpengaruh dalam penjualan segmen B2B dengan menyebarkan survey (kuesioner) kepada 102 orang DMU (Decision Making Unit) yang memiliki keputusan dalam pembelanjaan mobil di perusahaan mereka. Kemudian hasil scoring dari kuesioner tersebut kami bobotkan pada data training dan simulasi pada Jaringan Syaraf Tiruan. Hasil penelitian ini menunjukkan bahwa Jaringan Syaraf Tiruan yang dioptimasi  dengan Algoritma Genetika dengan 18 Variabel dapat meningkatkan akurasi peramalan penjualan mobil segmen B2B dengan error 1,3503%, jika dibandingkan nilai error pada Jaringan Syaraf Tiruan biasa sebesar 4,173% dan Regresi Linear Berganda sebesar 17,68%.

---

ABSTRACTThis study aims to create an effective forecasting model in predicting sales of car products in the B2B segment (Business-to-Business) in order to obtain estimates of product sales in the future. This research uses multiple linear regression and artificial neural networks that are optimized by genetic algorithms. Car sales forecasting factors generally include National car sales, Consumer Price Index, Consumer Confidence Index, Inflation Rate, Gross Domestic Product (GDP), and Gasoline Price. The author has also obtained an influential factor in the sale of B2B segments by distributing surveys (questionnaires) to 102 DMU (Decision Making Unit) who have a decision in car purchasing at their company. Then the results of the scoring from the questionnaire are weighted to the training and simulation data on the Artificial Neural Network. The results of this study indicate that the Artificial Neural Network optimized with Genetic Algorithm can improve the accuracy of forecasting B2B segment car sales with an error of 1.3503%, when compared to the error value in the usual Artificial Neural Network of 4.173% and Multiple Linear Regression of 17.68 %."

"Variabel Moderator merupakan variabel yang tidak terdapat dalam model (tidak mempengaruhi variabel respon), tetapi mempengaruhi kekuatan hubungan antara variabel prediktor dan variabel respon. Dalam hal variabel moderator merupakan variabel katagorik, pengidentifikasian variabel moderator tersebut dilakukan dengan membandingkan koefisien regresi linear yang didapat dari model regresi linear untuk setiap katagori dari variabel tersebut. Hal ini dilakukan dengan uji Chow. Jika koefisien regresi linear untuk setiap katagori berbeda maka variabel tersebut merupakan variabel moderator dan analisis regresi linear sederhana dilakukan secara terpisah untuk setiap katagori dari variabel moderator."

"Untuk memodelkan data cacah atau count data, model regresi yang biasa digunakan adalah model regresi Poisson. Model regresi Poisson mengasumsikan mean pada variabel respon sama dengan variansinya atau dikenal dengan istilah equidispersion. Apabila regresi Poisson digunakan untuk kondisi selain equidispersion, yaitu overdispersion dan underdispersion, maka nilai standard error dari estimasi parameter model menjadi tidak konsisten. Salah satu alternatif model regresi untuk mengatasi overdispersion maupun underdispersion adalah model regresi double Poisson. Model regresi double Poisson mengasumsikan variabel respon berdistribusi double Poisson. Distribusi double Poisson diperoleh menggunakan definisi dari keluarga distribusi double eksponensial. Parameter pada model regresi double Poisson diestimasi menggunakan metode maksimum likelihood dan solusi dari persamaan log-likelihoodnya diselesaikan menggunakan metode numerik Newton-Raphson. Penerapan model regresi double Poisson pada data kepiting tapal kuda menunjukan bahwa hanya variabel weight yang berpengaruh signifikan terhadap banyak kepiting satelit yang berkerumun ke sarang kepiting tapal kuda betina. Selain itu, interpretasi dari model regresi double Poisson juga serupa dengan model regresi Poisson sebab keduanya menggunakan fungsi penghubung log.

---

To model count data, the most commonly used regression model is the Poisson regression model. The Poisson regression model assumes that the mean of the response variable is equal to the variance, also known as equidispersion. If Poisson regression is used for conditions other than equidispersion, namely overdispersion and underdispersion, then the standard error value of the estimated model parameters becomes inconsistent. One of the alternative regression models to overcome overdispersion and underdispersion is the double Poisson regression model. The double Poisson regression model assumes that the response variable has a double Poisson distribution. The double Poisson distribution is obtained using the definition of the double exponential distribution family. The parameters in the double Poisson regression model were estimated using the maximum likelihood method and the solutions of the log-likelihood equation were solved using the Newton-Raphson numerical method. The application of the double Poisson regression model to the horseshoe crab data shows that only the variable weight has a significant effect on the number of satellite crabs swarming to the nests of female horseshoe crabs. In addition, the interpretation of the double Poisson regression model is also similar to the Poisson regression model because both use a log link function."

"Berkson Measurement error model merupakan model regresi dimana nilai dari variabel prediktor yang terobservasi telah ditentukan sebelumnya dan mengandung error pengukuran atau error observasi. Penaksiran parameter model regresi dengan kasus Berkson Measurement error dapat dilakukan dengan beberapa metode diantaranya dengan metode OLS dan metode Minimum Distance. Metode yang digunakan dalam tugas akhir ini adalah metode Minimum Distance berdasarkan momen pertama dan kedua dari variabel respon diberikan variabel prediktor terobservasi yang diperkenalkan oleh Wang (2003). Berdasarkan teorema kekonsistenan yang dinyatakan Wang (2003), penaksir Minimum Distance bersifat konsisten dan dibuktikan berdasarkan lemma dari kekonsistenan Ekstremum Estimator. Dalam tugas akhir ini, metode Minimum Distance diterapkan untuk menaksir parameter model regresi polinomial Berkson. Penaksir parameter model diperoleh dengan mensubstitusikan taksiran dari parameter-parameter baru yang muncul pada momen pertama dan kedua dari variabel respon diberikan nilai variabel prediktor terobservasi.

---

Berkson measurement error model is a regression model where the value of the observed predictor variable was determined and contained error of measurement or error of observation.The parameter estimation of regression model with Berkson measurement error case can be estimated with several methods such as by OLS method and Minimum Distance methods. The method used in this minithesis is the Minimum Distance based on the first two conditional moment of the response variable given the value of ​​observed predictor variable that introduced by Wang (2003). Based on the theorem of consistency that was stated by Wang (2003), the Minimum Distance estimator was consistent and it was proved based on the consistency of Ekstremum Estimator theorem. In this minithesis, the Minimum Distance method is applied to estimate parameters polinomial Berkson regression model. Parameter estimator model is obtained by substituting the value of new parameter estimators that appear on the first two conditional moment of the response variable given the value of ​​observed predictor variable."

"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."