Hasil Pencarian  ::  Simpan CSV :: Kembali

"Saat ini, Indonesia menjadi negara ketiga dengan jumlah perokok tertinggi di dunia setelah Cina dan India. Kerugian makro ekonomi akibat konsumsi rokok di Indonesia pada 2015 mencapai hampir Rp 600 triliun. Ada banyak faktor yang dapat mengakibatkan seseorang mengkonsumsi rokok di antara dari segi sosio ekonomi, demografi, lingkungan, budaya dan lainnya. Mengingat konsumsi rokok yang tinggi di Indonesia serta faktor risiko yang terjadi akibat mengkonsumsi rokok, maka penelitian ini ingin mengetahui faktor-faktor yang mempengaruhi jumlah batang rokok yang dihisap. Jumlah rokok yang dihisap setiap hari merupakan data cacah nonnegatif. Untuk pemodelan variabel respon yang berupa data cacah, model yang biasa digunakan adalah regresi Poisson, regresi Binomial, dan regresi Negative Binomial. Konsumsi rokok dalam batang per hari merupakan salah satu kasus data cacahan dengan banyak nilai 0 (excess zero). Untuk mengatasi masalah overdispersion yang terjadi, salah satu cara adalah menggunakan Zero Inflated Negative Binomial (ZINB) atau Hurdle Negative Binomial (HNB). Kedua model tersebut digunakan untuk memodelkan data count dengan banyak nilai 0 pada respon dan terjadi overdispersion. Data konsumsi rokok yang dihasilkan dari IFLS memiliki nilai zero excess dan terdapat overdispersi. Model ZINB lebih baik daripada model HNP karena memiliki nilai AIC dan BIC yang lebih kecil. Pada model log hanya variabel penghasilan yang mempengaruhi peluang mengkonsumsi merokok. pada model logit hanya variabel dummy SMP yang tidak mempengaruhi peluang untuk tidak mengkonsumsi rokok, sedangkan variabel lainnya pendidikan, kesejahteraan dan penghasilan mempengaruhi peluang tidak mengkonsumsi rokok. Semakin tinggi pendidikan dan kesejaterahan akan meningkatkan peluang orang untuk tidak merokok"

"Terdapat banyak faktor yang dapat menjadi penyebab dari terjadinya kecelakaan lalu lintas, beberapa diantaranya adalah faktor yang disebabkan dari karakteristik jalan tersebut. Tujuan dari penelitian ini adalah untuk mengetahui hubungan antara parameter geometrik jalan, terutama parameter kelengkungan dan parameter perbukitan yang ada pada suatu jalan dengan banyaknya jumlah kecelakaan yang terjadi pada jalan tersebut. Jalan yang dijadikan sebagai objek penelitian adalah Jalan Nasional Rute 1 yang terletak pada Provinsi Jawa Barat. Pemodelan yang akan digunakan dalam penelitian ini adalah model binomial negatif, yang kemudian diuji dengan uji likelihood ratio. Hasil dari penelitian ini menunjukkan bahwa parameter kelengkungan berpotensi untuk meningkatkan jumlah kecelakaan lalu lintas, sementara parameter perbukitan berpotensi untuk menghasilkan jumlah kecelakaan yang lebih sedikit.

---

There are many factors that can cause traffic accidents, some of which are factors caused by the characteristics of the road itself. The purpose of this study is to determine the relationship between geometric parameters of the road, especially the bendiness and hilliness that exist on a road with the number of accidents that occur on the road. The road that is used as the object of research is Route 1 National Road which is located in West Java Province. The modeling that will be used in this study is a negative binomial model, which is then tested by the likelihood ratio test. The results of this study indicate that the increase of bendiness has the potential to increase the number of traffic accidents, while the increase of hilliness has the potential to produce fewer accidents."

"Regresi Poisson adalah model regresi umum yang digunakan untuk menghitung data dengan equidispersion. Namun, perhitungan data tidak selalu memenuhi asumsi ini. Hitungan data tidak terpenuhi asumsi ini ketika overdispersi muncul. Overdispersion adalah suatu kondisi dimana varians lebih besar dari rata-rata. Dalam data verdispersi karena kelebihan nol dan tambahan penyebaran berlebihan dalam nilai-nilai positif, salah satu model alternatif yang dapat digunakan adalah rintangan model binomial negatif. Rintangan model binomial negatif terdiri dari model dua bagian model biner dan model binomial negatif terpotong nol. Tugas akhir ini akan membahas tentang model rintangan konstruksi binomial negatif dan metode Bayesian untuk memperkirakan parameter dalam model binomial negatif rintangan. Algoritma metode Bayesian digunakan dalam proyek ini adalah Markov Chain Monte Carlo-Gibbs Sampling (MCMC-GS). Rintangan negatif model binomial akan diterapkan pada data Parkinson dari Parkinsons Growth Markers Database inisiatif (PPMI). Model diterapkan untuk menemukan faktor risiko dari komplikasi motorik kejadian dan frekuensinya berdasarkan Gerakan Disorder Society-Unified Parkinson Data Skala Timbangan Penyakit (MDS-UPDRS). Variabel signifikan untuk model bagian satu adalah skor total MDS-UPDRS Bagian III dan variabel total skor MDS-UPDRS Bagian II dan III untuk model bagian dua. Hasil lain yang diperoleh dari aplikasi data ini adalah parameter estimasi konvergen.

---

Poisson regression is a general regression model used to calculate data with equidispersion. However, data calculations do not always fit this consideration. Count data not met Suppose this overdispersion compilation appears. Overdispersion is a place where variants are greater than average. In data verdispersion due to zero excess and additional excessive spread in positive values, one alternative model that can be used is the constraints of the negative binomial model. The negative binomial obstacle model consists of a two-part binary model and the negative binomial zero-truncated model. This final project will discuss about the negative binomial constraint construction model and the Bayesian method for estimating parameters in the negative binomial resistance model. The Bayesian method algorithm is used in this project is the Markov Monte Carlo-Gibbs Sampling Chain (MCMC-GS). The negative barriers of the binomial model will be applied to Parkinsons data from Parkinsons Growth Markers Database Implementation (PPMI). The model applied to find risk factors for motor complications of events and their frequency is based on the Disorder-Unified Parkinsons Movement Disease Scale Data (MDS-UPDRS). The significant variable for the part one model is MDS-UPDRS Part III total score and MDS-UPDRS Part II and III total variable variables for the part two model. The results obtained from the application of this data are convergent estimation parameters."

"Hepatitis merupakan peradangan hati akibat infeksi virus. Semua virus hepatitis dapat menyebabkan hepatitis akut. Penyakit hepatitis merupakan penyakit menular yang menjadi masalah kesehatan yang besar di masyarakat karena penularannya yang relatif mudah. DKI Jakarta merupakan provinsi di Indonesia dengan kasus hepatitis akut tertinggi. Oleh karena itu, perlu dilakukan upaya untuk mengurangi jumlah penderita hepatitis akut khususnya di DKI Jakarta. Beberapa faktor dianggap berkaitan erat dengan tingginya kasus hepatitis akut. Tujuan dari penelitian ini adalah untuk menemukan faktor-faktor yang secara signifikan dapat menjelaskan kasus penyakit hepatitis di DKI Jakarta agar dapat diambil tindakan untuk pencegahan munculnya kasus hepatitis akut di masyarakat. Data pada penelitian ini diperoleh dari dinas kesehatan DKI Jakarta tahun 2021. Pemodelan yang sesuai untuk jumlah penderita hepatitis akut adalah model regresi Poisson karena jumlah penderita hepatitis akut merupakan count data. Dalam mengatasi kasus overdispersi pada model regresi Poisson digunakan model regresi Generalized Poisson dan model regresi Binomial Negatif yang lebih sesuai sebagai alternatifnya. Pada penelitian ini, estimasi parameter model dilakukan dengan menggunakan metode Maximum Likelihood Estimation (MLE) yang dibantu dengan metode Newton Raphson. Berdasarkan nilai AIC dari pemodelan yang dilakukan, diperoleh bahwa model terbaiknya adalah model Generalized Poisson Regression. Hasil analisis menemukan 1 variabel yang secara signifikan menjelaskan jumlah penderita hepatitis akut di DKI Jakarta yaitu jumlah penderita diebetes.

---

Hepatitis is an inflammation of the liver due to a viral infection. All hepatitis viruses can cause acute hepatitis. Hepatitis is an infectious disease which is a major public health problem because of its relatively easy transmission. DKI Jakarta is the province in Indonesia with the highest cases of acute hepatitis. Therefore, it is necessary to make efforts to reduce the number of acute hepatitis sufferers, especially in DKI Jakarta. Several factors are considered to be closely related to the high incidence of acute hepatitis. The aim of this research is to find factors that can significantly explain cases of hepatitis in DKI Jakarta so that action can be taken to prevent the emergence of cases of acute hepatitis in the community. The data for this study were obtained from the DKI Jakarta health office in 2021. The appropriate modeling for the number of acute hepatitis sufferers is the Poisson regression model because the number of acute hepatitis sufferers is count data. In dealing with cases of overdispersion in the Poisson regression model, Generalized Poisson Regression model and Negative Binomial regression model is used which is more suitable as an alternative. In this study, model parameter estimation was carried out using the Maximum Likelihood Estimation (MLE) method assisted by the Newton Raphson method. Based on the AIC value of the modeling performed, it is found that the best model is the Generalized Poisson Regression model. The results of the analysis found 1 variable that significantly explained the number of acute hepatitis sufferers in DKI Jakarta, namely the number of diabetics."

"Tuberkulosis adalah penyakit menular yang termasuk kedalam sepuluh peringkat penyebab kematian tertinggi di dunia, sebagai contoh di Indonesia. Oleh karena itu, perlu diketahui faktor-faktor apa saja yang memengaruhi jumlah kasus tuberkulosis. Jumlah kasus tuberkulosis sebagai variabel dependen merupakan data cacah yang umumnya dianalisis menggunakan Regresi Poisson. Namun, adanya asumsi equidispersi yang harus dipenuhi pada Regresi Poisson maka Regresi Generalized Poisson dan Regresi binomial negatif dapat digunakan sebagai alternatif apabila asumsi equidispersi tidak terpenuhi. Aspek spasial dapat diperhatikan, sehingga pemodelan Geographically Weighted Generalized Poisson Regression dan Geographically Weighted Negative Binomial Regression juga dilakukan. Keempat model itu dibangun untuk mengetahui apakah ada hubungan jumlah kasus tuberkulosis di Pulau Jawa pada tahun 2020 dengan faktor-faktor yang diperkirakan memengaruhinya. Variabel independen yang digunakan adalah kepadatan penduduk, persentase balita diberikan imunisasi BCG, persentase penduduk miskin, persentase sarana air minum memenuhi syarat, persentase kartu keluarga dengan akses sanitasi layak, persentase tempat-tempat umum yang memenuhi syarat kesehatan, dan persentase tempat pengelolaan makanan yang memenuhi syarat higienis. Dari penelitian ini, diketahui bahwa model terbaik untuk memodelkan data adalah GWNBR dengan diperoleh 2 kelompok variabel independen signifikan. Sebanyak 7 variabel independen signifikan secara statistik di 88 kabupaten/Kota dan 6 variabel independen signifikan secara statistik di 12 kabupaten/Kota.

---

Tuberculosis is an infectious disease and one of the world's top 10 highest causes of mortality, for example, in Indonesia. Based on this fact, it’s necessary to know what factors influence number of tuberculosis cases. The number of tuberculosis cases as dependent variable is a count data that generally analyzed using Poisson regression. However, equidispersion assumption must be met, so Generalized Poisson Regression and Negative Binomial Regression are applied if the assumption is not met. Spatial aspects can be considered so Geographically Weighted Generalized Poisson Regression and Geographically Weighted Negative Binomial Regression were also conducted. Four models were built to evaluate relationship between number of tuberculosis cases and factors affecting it in Java in 2020. The explanatory variables are population density, percentage of children receiving BCG immunization, percentage of poor people, percentage of eligible drinking water facilities, percentage of family cards with access to proper sanitation, percentage of public places meet health requirements, and percentage of food management places meet hygienic requirements. This study shows that the best model for modeling the data is GWNBR with 2 groups of significant explanatory variables. Seven explanatory variables are statistically significant in 88 districts and six explanatory variables statistically significant in 12 districts."

"Model kredibilitas mengestimasi frekuensi klaim tahun berikutnya dengan menggunakan data klaim masa lalu. Model kredibilitas Buhlmann dapat dinyatakan sebagai kasus khusus dari Linear Mixed Models (LMM) dengan asumsi banyak klaim dan random effect berdistribusi normal. Namun, banyak klaim lebih tepat dimodelkan dengan distribusi diskrit sehingga LMM perlu diperluas ke Generalized Linear Mixed Models (GLMM) yang dapat mencakup variabel respons mengikuti keluarga eksponensial. Pada tugas akhir ini, dikonstruksi model kredibilitas Buhlmann untuk frekuensi klaim yang diperluas berdasarkan kerangka GLMM dengan variabel respon berdistribusi Poisson dan binomial negatif. Parameter dari model kredibilitas Buhlmann yang diperluas berdasarkan kerangka GLMM diestimasi menggunakan metode numerik adaptive Gaussian quadrature. Data yang digunakan untuk penerapan model adalah data frekuensi klaim yang dibangkitkan dengan menggunakan software R. Pada akhir tulisan, performa model kredibilitas Buhlmann yang diperluas berdasarkan kerangka GLMM dibandingkan terhadap model kredibilitas Buhlmann menggunakan nilai Akaike Information Criterion (AIC), Bayesian Information Criterion (BIC) serta Mean Squared Prediction Error (MSPE). Berdasarkan kriteria model terbaik serta nilai MSPE, model kredibilitas Buhlmann yang diperluas berdasarkan kerangka GLMM memiliki performa yang lebih baik dibanding model kredibilitas Buhlmann dalam memprediksi frekuensi klaim.

---

The credibility model estimates claim frequency in the following year by using past claims data. Buhlmann credibility model can be expressed as a special case of Linear Mixed Model (LMM) assuming claim frequency and random effects are normally distributed. However, claim frequency is more precisely modelled with discrete distributions so that LMM needs to be extended to Generalized Linear Mixed Model (GLMM) which can include response variables following an exponential family. In this final project, extended Buhlmann credibility model is constructed for predicting claim frequency based on the Generalized Linear Mixed Model (GLMM) framework with response variables following Poisson distribution and negative binomial distribution. The parameters of the extended Buhlmann credibility model based on the GLMM framework were estimated using the adaptive Gaussian quadrature numerical method. The data used for application of the model is claim frequency data generated using R software. At the end of this paper, the performance of extended Buhlmann credibility model based on the GLMM framework is compared to Buhlmann credibility model using AIC (Akaike Information Criterion), BIC (Bayesian Information Criterion), and MSPE (Mean Squared Prediction Error) values. Based on the criteria of the best model and the MSPE value, the extended Buhlmann credibility model based on the GLMM framework has better performance than Buhlmann credibility model in predicting claim frequency.

"