Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Tujuan ke empat millenium development goals (MDG's) adalah menurunkan angka kematian anak. salah satu upaya untuk mengurangi angka kematian anak diperoleh dengan pemberian imunisasi dasar yang lengkap dan ASI eksklusif. penelitian ini bertujuan mengaplikasikan model probit biner bivariat untuk mengetahui faktor-faktor yang mempengaruhi pemberian imunisasi dasar dan ASI eksklusif. sumber data yang digunakan dalam penelitian ini adalah data Survei Sosial Ekonomi Nasional (SUSENAS) Provinsi Kalimantan Selatan Tahun 2013. pemilihan model terbaik berdasarkan kriteria AIC (Akaike Information Criterion) menghasilkan informasi bahwa umur perkawinan pertama ibu, pendidikan ibu, pekerjaan bapak, penolong kelahiran terakhir dan status daerah berpengaruh signifikan terhadap pemberian imunisasi dasar dan ASI eksklusif."

"

Posisi Indonesia sebagai salah satu negara yang masuk ke dalam kategori High Burden Countries untuk penyakit menular Tuberkulosis (TB), menyebabkan TB menjadi masalah kesehatan yang patut diperhatikan oleh Pemerintah. Maka, penting bagi Pemerintah untuk mengidentifikasi faktor-faktor yang mempengaruhi jumlah kasus TB. Pada umumnya, model regresi linear berganda digunakan untuk melihat bagaimana hubungan linear antara faktor-faktor tersebut dengan jumlah kasus TB, namun dengan model ini variasi spasial pada data tidak diperhitungkan. Untuk menutupi kekurangan tersebut, penelitian ini menggunakan model spasial, yaitu model yang memperhitungkan lokasi geografis observasi dalam pembentukan model. Penelitian ini mencakup dua jenis Geographically Weighted Models (GWM), yaitu Geographically Weighted Regression (GWR) dan Mixed Geographically Weighted Regression (MGWR). Jenis model spasial ini akan memberikan bobot tertentu pada observasi-observasi sesuai dengan lokasi geografisnya. Kedua model tersebut dikonstruksi untuk melihat hubungan antara jumlah kasus baru TB dengan faktor-faktor yang diduga mempengaruhinya per Kabupaten/Kota di Pulau Jawa tahun 2017. Faktor-faktor tersebut adalah jumlah penduduk, angka keberhasilan pengobatan TB, persentase balita yang diimunisasi BCG, persentase penderita HIV, persentase rumah sehat, persentase penduduk miskin dan jumlah puskesmas per seratus ribu penduduk. Perbandingan performa kedua model diukur menggunakan Akaike’s Information Criterion (AIC) dan Adjusted R² untuk menentukan model yang relatif lebih baik. Dari penelitian ini, ditemukan bahwa GWR merupakan model yang relatif lebih baik untuk data. Salah satu penemuan pada penelitian ini adalah bahwa hubungan antara persentase balita yang diimunisasi BCG dan jumlah kasus baru TB adalah negatif dan paling kuat di DKI Jakarta. Hal ini dapat disebabkan oleh tingginya tingkat kesadaran dari pentingnya imunisasi BCG dan sosialisasinya di lokasi tersebut.

 

---

Indonesia’s position as one of the High Burden Countries for the infectious disease, Tuberculosis (TB), has caused TB to be a major health problem in Indonesia. As means to control the number of TB cases, it becomes important for the government to identify the factors affecting it. Commonly, multiple linear regression models are used to evaluate the linear relationship between the factors and the number of TB cases.  Unfortunately, this model does not have the ability to expose the spatial variation in the data. To improve that, this research uses a spatial model: a model that takes the geographical location into account in the making of the model. This research covers two types of Geographically Weighted Models (GWM), which are Geographically Weighted Regression (GWR) and Mixed Geographically Weighted Regression (MGWR). These spatial models assign weights to the observations based on its’ geographical location. These two models will be constructed to evaluate the relationship between the number of TB cases and the factors affecting it per Regency/City in Java in 2017, namely: population, success rate of TB treatment, percentage of toddlers receiving BCG vaccine, percentage of HIV patient, percentage of healthy homes, percentage of poor people and the number of public health centre per one hundred thousand people. The performance of both models is measured using Akaike’s Information Criterion (AIC) and Adjusted R² to find out which model is relatively better. The result of this research suggests that the GWR model is the relatively better model for the data. The model suggests that the relationship between percentage of toddlers receiving BCG vaccine and the number of TB cases is negative and is the strongest in Jakarta, which may be caused by the level of awareness and socialization of BCG vaccine that is better in this area.

 

"

"Regulasi dalam penetapan premi menjadi hal yang berperan penting dalam industri asuransi. Pihak regulator perlu mengestimasi ekspektasi klaim agregat untuk menilai tarif premi yang diajukan oleh perusahaan asuransi. Pemodelan distribusi besar klaim adalah salah satu hal yang penting dalam mengestimasi ekspektasi klaim agregat yang akan dijadikan pertimbangan dalam penilaian tarif premi tersebut. Dalam praktiknya, data besar klaim yang digunakan oleh pihak regulator berbentuk data berkelompok yang diperoleh dari industri (perusahaan) asuransi untuk melindungi privasi data nasabah. Akan tetapi, data berkelompok tidak mencakup informasi yang detail terkait data individual sehingga kurang dapat menggambarkan karakteristik yang sebenarnya dari distribusi besar klaim. Oleh karena itu, pada penelitian ini digunakan metode de-grouping untuk memastikan bahwa prediksi dari model distribusi besar klaim yang diperoleh lebih dapat dipercaya. Langkah awal yang dilakukan pada penelitian ini adalah memodelkan data berkelompok yang dimiliki oleh regulator menggunakan beberapa distribusi parametrik. Parameter dari setiap model diestimasi menggunakan metode maximum likelihood. Selanjutnya model terbaik dipilih dengan melakukan uji Kolmogorov-Smirnov dan perbandingan nilai Akaike Information Criterion (AIC). Kemudian prosedur yang sama akan diulang untuk setiap dataset individu yang dibangkitkan dari data grup melalui tiga metode de-grouping yaitu pendekatan Equal Spacing, Uniform Random Sampling, dan Sampling Loss Amount. Adapun kandidat distibusi parametrik yang digunakan adalah distribusi Exponentiated Weibull, Weibull, Exponential, dan Lognormal. Distribusi distribusi ini dipilih karena pada umumnya, data besar klaim memiliki ekor tebal dan skewness positif. Adapun model distribusi terbaik untuk data grup yang digunakan pada penelitian ini adalah distribusi Lognormal.

---

Rate regulation plays an important role in the insurance industry. Regulators need to estimate the expectation of aggregate claims to assess the premium rates proposed by insurance companies. Modeling the distribution of large claims is crucial in estimating the expectation of aggregate claims, which are considered in the premium rate assessment. In practice, the size of loss data used by regulators is in form of grouped data provided by industry of insurance companies to protect privacy of customer’s data. However, grouped data do not include detailed information about individual data and hence cannot describe the actual characteristic of the size of loss distribution as well as individual data. Therefore, this study uses the de-grouping method to ensure that the prediction obtained from the model distribution of size of loss is more reliable. The first step in this study is to model the grouped data held by regulators using several parametric distributions. The parameters of each model are estimated using the maximum likelihood method. The best model is then selected by conducting the Kolmogorov Smirnov test and comparing the Akaike Information Criterion (AIC) values. The same procedure is repeated for each individual dataset generated from the grouped data through three de-grouping methods: Equal Spacing, Uniform Random Sampling, and Sampling Loss Amount. The candidate parametric distributions used are the Exponentiated Weibull, Weibull, Exponential, and Lognormal distributions. These distributions are chosen because size of loss data generally have heavy tails and positive skewness. The best distribution model for the grouped data used in this study is the Lognormal distribution."