Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam segala kompetisi olahraga, mengetahui tim mana yang akan menjuarai atau memenangkan pertandingan atau kejuaraan merupakan sesuatu yang menarik untuk diketahui oleh fans dan media, tak terkecuali dengan sepak bola yang beberapa tahun terakhir ini telah menjadi topik penelitian. Dalam skripsi ini digunakan model regresi Poisson untuk memprediksi hasil akhir pertandingan sepak bola, dengan memprediksi rataan gol yang dicetak suatu tim dalam setiap pertandingan yang mengikuti distribusi Poisson. Model regresi Poisson untuk banyak gol yang dicetak suatu tim dikonstruksi dari empat variabel yaitu gol yang dicetak dalam tiap pertandingan, keuntungan bermain kendang home advantage, kemampuan serangan offensive, kemampuan pertahanan deffensive. Metodologi diterapkan pada Liga Utama Inggris 2017-2018. Adapun hasil yang dikeluarkan memiliki tingkat akurasi yang cukup baik.

---

In any sport competition, there is a strong interest in knowing which team shall be the champion at the end of the championship and one of them is football. Football match predictions are of great interest to fans and sports press. In the last few years it has been the focus of several studies. In this essay, propose Poisson regression model to predict the final result of football matches. Predict the average goals scored by each team by assuming that the number of goals scored by a team in a match follows a univariate Poisson distribution. Poisson regression model for many goals scored by the team is formulated from four variables the goal average in a match, the home team advantage, the team 39 s offensive power, the opponent team 39s defensive power. The methodology is applied to the 2017 2018 English Premier League. The results obtained using this model has a fairly good accuracy."

"Traffic flow on roads is a database that forms the basis of traffic planning and decision-making. Traffic flow data can provide road usage information for road resource allocation, maintenance scheduling, and road infrastructure planning, which can help traffic management and control reduce congestion and ensure safety.The main objective of this research is to develop reproducible code using the R programming language, which is a statistical programming language with data processing, visualisation, and geospatial capabilities that are well suited for interactive use; also, scripts that allow others to reproduce the research and make further improvements based on the research (Lovelace et al., 2022). The GWPR method is used for modelling because it has more accurate and representative results (Yu, 2022), where modelling is applied in 2018 with normal traffic conditions and in 2020 with COVID-19 pandemic conditions where there are many restrictions on travel.The results of the analysis show that the traffic volume variable for each vehicle tends to have a high correlation among variables, which results in modelling having a high standard error value. However, the mode split variable can improve the traffic estimation modelling results.

---

Arus lalu lintas di jalan raya merupakan basis data yang menjadi dasar perencanaan lalu lintas dan pengambilan keputusan. Data arus lalu lintas dapat memberikan informasi penggunaan jalan untuk alokasi sumber daya jalan, penjadwalan pemeliharaan, dan perencanaan infrastruktur jalan, yang dapat membantu manajemen dan pengendalian lalu lintas untuk mengurangi kemacetan dan memastikan keselamatan.

Tujuan utama dari penelitian ini adalah untuk mengembangkan kode yang dapat direproduksi menggunakan bahasa pemrograman R, yaitu bahasa pemrograman statistik dengan kemampuan pemrosesan data, visualisasi, dan geospasial yang sangat sesuai untuk penggunaan interaktif; juga, skrip yang memungkinkan orang lain mereproduksi penelitian ini dan melakukan perbaikan lebih lanjut berdasarkan penelitian tersebut (Lovelace dkk., 2022). Metode GWPR digunakan untuk pemodelan karena memiliki hasil yang lebih akurat dan representatif (Yu, 2022), di mana pemodelan diterapkan pada tahun 2018 dengan kondisi lalu lintas normal dan pada tahun 2020 dengan kondisi pandemi COVID-19 di mana terdapat banyak pembatasan perjalanan.

Hasil analisis menunjukkan bahwa variabel volume lalu lintas untuk setiap jenis kendaraan cenderung memiliki korelasi antar variabel yang tinggi, yang mengakibatkan pemodelan memiliki nilai standard error yang tinggi. Namun, variabel moda split dapat memberikan hasil pemodelan estimasi lalu lintas."

"Demam Berdarah Dengue (DBD) adalah penyakit yang disebabkan oleh virus dengue yang termasuk anggota genus Flavivirus dan keluarga Flaviviridae yang menyebar melalui nyamuk Aedes (Stegomyia). Jumlah kasus DBD di seluruh dunia dilaporkan meningkat lebih dari 8 kali lipat selama dua dekade terakhir, dari 505.430 kasus pada tahun 2000, menjadi lebih dari 2,4 juta pada tahun 2010, dan 5,2 juta pada tahun 2019. Peningkatan insiden DBD dipengaruhi oleh berbagai faktor, baik itu faktor alam, kebiasaan manusia, hingga jenis virus penyebab DBD itu sendiri. Faktor alam yang dimaksud disini antara lain faktor iklim, seperti curah hujan (mm), temperatur rata-rata (℃), dan kelembapan rata-rata (%). Peningkatan insiden DBD dapat dicegah dengan upaya pencegahan yang dilakukan sedini mungkin oleh pemerintah dan masyarakat. Informasi prediksi tren insiden DBD dapat menjadi masukan bagi masyarakat dan pemerintah untuk meningkatkan kewaspadaan terhadap peningkatan insiden DBD di DKI Jakarta. Dalam melakukan prediksi tren insiden DBD, dapat dilakukan dengan berbagai pendekatan, salah satu diantaranya adalah machine learning. Pada tugas akhir ini, implementasi machine learning menggunakan model The Attention Mechanism-Enhanced LSTM (LSTM-ATT) dan Poisson Regression, akan digunakan untuk memprediksi tren insiden DBD dari waktu ke waktu. LSTM-ATT adalah sebuah model machine learning yang digunakan untuk memproses data sequence. Poisson Regression adalah model regresi yang dapat digunakan pada data yang variabel responnya berdistribusi Poisson dan bertipe diskrit. Prediksi yang akan dilakukan didasarkan pada jumlah insiden DBD sebagai variabel respon, serta faktor iklim seperti curah hujan, suhu, dan kelembapan sebagai variabel prediktor. Untuk proporsi data, kedua model tersebut menggunakan proporsi data training sebesar 80% dan data testing sebesar 20%. Model yang dibentuk ini dievaluasi dengan nilai dari Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE). Hasil implementasi terbaik pada skrips ini dihasilkan oleh model LSTM-ATT dengan evaluasi di setiap wilayah DKI Jakarta: Jakarta Pusat RMSE: 9,5727, MAE: 6,6946; Jakarta Timur RMSE: 21,5288, MAE: 15,6365; Jakarta Barat RMSE: 16,3683, MAE: 12,4908; Jakarta Utara RMSE: 23,5911, MAE: 15,2969; Jakarta Selatan RMSE: 18,3811, MAE: 14,0262.

---

Dengue Hemorrhagic Fever (DHF) is a disease caused by the dengue virus, which belongs to the Flavivirus genus and Flaviviridae family, transmitted through Aedes mosquitoes (Stegomyia). The number of DHF cases worldwide has reported an increase of more than 8 times over the past two decades, from 505,430 cases in 2000 to over 2.4 million in 2010 and 5.2 million in 2019. The increase in DHF incidence is influenced by various factors, including natural factors, human behavior, and the type of dengue virus itself. Natural factors include climate factors such as rainfall (mm), average temperature (℃), and average humidity (%). The increase in DHF incidence can be prevented through early prevention efforts by the government and the community. Predicting the trend of DHF incidence can provide input for the community and the government to increase vigilance against the increasing incidence of DHF in Jakarta. Various approaches can be used for predicting the trend of DHF incidence, one of which is machine learning. In this final project, the implementation of machine learning using the LSTM-ATT and Poisson Regression models will be used to predict the trend of DHF incidence over time. LSTM-ATT is a machine learning model used to process sequential data, such as time series data. On the other hand, Poisson Regression is a regression model that can be used for data with Poisson-distributed response variables and discrete types. The prediction will be based on the number of DHF incidents as the dependent variable, and climate factors such as rainfall, temperature, and humidity as independent variables. The performance of the models will be evaluated using the Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The best implementation results in this thesis were produced by the LSTM-ATT model with evaluation in each area of DKI Jakarta: Central Jakarta RMSE: 9.5727, MAE: 6.6946; East Jakarta RMSE: 21.5288, MAE: 15.6365; West Jakarta RMSE: 16.3683, MAE: 12.4908; North Jakarta RMSE: 23.5911, MAE: 15.2969; South Jakarta RMSE: 18.3811, MAE: 14.0262."

"ABSTRAK Tantangan yang dihadapi perusahaan asuransi yang menjual produk asuransi kredit UMK adalah minimnya data yang terkait dengan informasi keuangan/bisnis. Sementara peran perusahaan asuransi sebagai Collateral Substitution Institution mengharuskan perusahaan asuransi untuk dapat melakukan pengelolaan dan pemodelan risiko yang handal. Penelitian ini difokuskan untuk menberikan alternatif metode pemodelan risiko, khususnya untuk perhitungan cadangan klaim dengan kondisi minimnya data keuangan/bisnis. Penggunaan reduce form intensity based model dengan pendekatan homogenious poisson process disajikan dalam penelitian ini untuk menjawab tantangan tersebut. Regresi linier poisson akan digunakan untuk meng-estimasi intensity rate λ, sehinga probability of defaull dari masing-masing polis/kelomok polis dapat ditentukan. Dengan demikian cadangan klaim akan di estimasi dengan metode individual loss model. Analisa kuantitatif dilakukan pada data empirik berupa data klaim asuransi kredit PT ABC selama periode 5 tahun yaitu dari tahun 2014 sampa dengan 2018. Hasil penelitian ini menunjukkan bahwa jangka waktu kredit dan besarnya plafon kredit sangat berpengaruh terhadap tingkat risiko dari masing-masing polis asuransi kredit. Karena memodelkan risiko polis secara individual sehingga model ini dapat dengan akurat memodelkan jenis Klaim IBNR dan RBNS dengan hasil estimasi dengan tingkat akurasi yang baik.

---

ABSTRACT

The challenge faced by insurance companies that sell MSE credit insurance products is the lack of data related to financial/business information. While the role of insurance companies as Collateral Substitution Institution requires insurance companies to be able to carry out robust risk management and modeling. This research is focused on providing alternative risk modeling methods, especially for the calculation of claims reserves with the minimum financial/business data conditions. The use of a reduce form intensity based model with a homogeneous poisson process approach is presented in this study to answer this challenge. Poisson linear regression will be used to estimate the intensity rate λ, so that the probability of default of each policy/group policy can be determined. Thus the claim reserves will be estimated using the individual loss model. Quantitative analysis is carried out on empirical data in the form of PT ABC credit insurance claims for a period of 5 years, from 2014 to 2018. The results of this study indicate that the credit period and the amount of credit initial limit greatly influence the level of risk of each credit insurance policy. Because modeling risk policies individually so that this model can accurately model the type of IBNR Claim and RBNS with estimated results with good accuracy."

"Penelitian ini bertujuan untuk melihat perubahan pola pernikahan asortatif Assortative Mating menurut usia dan pendidikan serta pengaruhnya terhadap perilaku fertilitas pasangan di Indonesia pada tahun 1996 dan 2016, dengan menggunakan data Survei Sosial Ekonomi Nasional. Pernikahan homogami dalam usia meningkat sebesar 7,34 persen dan jarak usia pasangan menurun dari 5,48 menjadi 4,38 tahun selama dua dekade. Hasil Korelasi Kendall rsquo;s Tau menunjukkan bahwa pada periode yang sama telah terjadi pernikahan asortatif positif dalam pendidikan di Indonesia. Sementara itu, hasil Regresi Poisson menunjukkan bahwa pola pernikahan asortatif baik dalam usia maupun pendidikan berpengaruh secara signifikan terhadap perilaku fertilitas pasangan. Pasangan hipergami baik dalam usia maupun pendidikan merupakan pasangan dengan kecenderungan rata-rata Anak Lahir Hidup ALH tertinggi di kedua periode. Selanjutnya dengan pendekatan Dekomposisi Oaxaca diperoleh hasil bahwa perubahan pola pernikahan asortatif dalam usia dan pendidikan berkontribusi sekitar 12 persen terhadap penurunan rata-rata ALH antara tahun 1996 dan 2016. Program dan kebijakan yang bertujuan mengendalikan tingkat fertilitas harus mengakomodir strategi yang berfokus pada karakteristik pasangan dalam pernikahan.

---

Using the Indonesian National Socio economic Surveys, this study aims to analyze the changes in assortative mating patterns by age and educational attainment and their effects on fertility behavior in Indonesia between 1996 and 2016. Homogamy marriage in age increased about 7,34 percent and the spousal age gap has declined from 5.48 to 4.38 years within the two decades. The result of Kendall's Tau Correlation shows that there has been a positive educational assortative mating in Indonesia in the same period. Meanwhile, the results of Poisson Regression indicate that the assortative mating patterns both in age and education significantly affect the couple's fertility behavior. Hypergamy couples in both age and education were the couples with the highest Children Ever Born CEB in both periods. Furthermore, with the Oaxaca Decomposition, it was found that changes in the assortative mating patterns in age and education contributed about 12 percents to the decrease of average CEB between 1996 and 2016. Programmes and policies aimed at controling fertility should incorporate strategies that focus on the characteristics of couples in marriage. "

"ABSTRAKPenelitian mengenai perhitungan jumlah klaim sudah banyak dilakukan orang dengan menggunakan beberapa model pendekatan, diantaranya adalah penelitian yang dilakukan oleh David dan Jemma 2015 serta Valeck 2016 . Salah satu model yang sering digunakan dan telah menjadi standart practice untuk perhitungan jumlah klaim adalah model GLM Poisson dan juga Negative Binomial. Penelitian ini mereplikasi penelitian Fadzli 2015 yang menggunakan model Bayesian Quantile regression untuk perhitungan count data asuransi kendaraan bermotor di Malaysia.Dengan menggunakan model Bayesian Quantile regression, penelitian ini memodelkan banyaknya jumlah klaim kendaraan bermotor berdasarkan umur, kapasitas, jenis dan wilayah klaim. Sampel data yang digunakan pada penelitian ini adalah data frekuensi klaim perusahaan asuransi kendaraan bermotor PT. ABC selama periode 2015 - 2016. Hasil penelitian menunjukan kuantil ke-75 merupakan model terbaik untuk Bayesian Quantile regression. Model ini juga lebih baik dibandingkan dengan Mean Regression, Poisson Regression dan juga Negative Binomial Regression. Umur kendaraan satu tahun, kendaraan dengan kapasitas lebih dari 2500cc , jenis kendaraan Sedan serta wilayah klaim Depok menjadi rating classes dengan risiko tertinggi untuk setiap rating factor.

---

ABSTRACTThe research on the calculation of the claim frequency has been done by many researchers using several models of approaches, including research conducted by David and Jemma 2015 and Valeck 2016 . One model that is often used and has become a standard practice for the calculation of claim frequency is a GLM model Poisson and Negative Binomial. This study replicates the Fadzli 2015 study using the Bayesian Quantile Regression model for count data of vehicle insurance in Malaysia.Using the Bayesian Quantile Regression model, this study modeled claim frequency of vehicle insurance claims based on age, capacity, type and claim area. Sample data used in this research is claim frequency data of vehicle insurance company PT. ABC during the period 2015 2016. The results show the 75th quantile is the best model for Bayesian Quantile Regression. This model is also better than the Mean Regression, Poisson Regression and also Negative Binomial Regression. One year vehicle lifespan, vehicles with capacity greater than 2500cc, Sedan and claims area Depok become rating classes with highest risk for each rating factor."

"Nilai hilang merupakan suatu masalah yang sering dijumpai di berbagai bidang dan harus diatasi untuk memperoleh inferensi statistik yang baik seperti penaksiran parameter. Nilai hilang dapat ditemukan pada setiap jenis data, salah satunya pada jenis data cacah/ count data yang berdistribusi Poisson. Solusi untuk mengatasi masalah nilai hilang berjenis data cacah tersebut dapat diatasi dengan menerapkan teknik imputasi ganda. Teknik imputasi ganda merupakan suatu cara mengatasi nilai hilang dengan mengganti setiap nilai yang hilang dengan beberapa nilai estimasi. Teknik imputasi ganda untuk kasus data cacah terdiri dari tiga tahap utama yaitu tahap imputasi berdasarkan model linier normal, tahap analisis dengan metode generalized linear model Poisson regression dan tahap penggabungan pooling parameter yang didasarkan pada aturan Rubin. Studi ini juga dilengkapi dengan simulasi numerik yang bertujuan untuk komparasi akurasi berdasarkan nilai bias yang dihasilkan. Parameter yang digunakan pada simulasi ini yaitu sebesar 5,10 dan 15 dengan jumlah sampel sebesar 200 untuk tujuan mengaproksimasi sifat kenormalan dan simulasi ini diulang untuk empat skenario yang bertingkat untuk setiap parameter berdasarkan besarnya persentase observasi nilai hilang (0%, 10%, 20% dan 30%). Berdasarkan studi literatur dan simulasi numerik yang dilakukan, solusi yang diajukan untuk mengatasi nilai hilang pada data cacah menghasilkan hasil yang cukup memuaskan terutama saat parameter bernilai besar dan persentase observasi nilai hilang yang kecil. Hal ini diindikasikan dengan ukuran bias dan variansi total dari taksiran rata-rata yang kecil. Namun nilai bias cenderung meningkat seiring meningkatnya persentase observasi nilai yang hilang dan saat nilai parameter yang kecil.

---

Missing values are a problem that is often encountered in various fields and must be addressed to obtain good statistical inference such as parameter estimation. Missing values can be found in any type of data, included count data that has Poisson distributed. One solution to overcome that problem is applying multiple imputation techniques. The multiple imputation technique is a way of dealing with missing values by replacing each missing value with some estimated values. The multiple imputation technique for the case of count data consists of three main stages, namely the imputation stage based on the normal linear model, the analysis stage using the generalized linear model Poisson regression and the last stage is pooling parameter based on Rubins rules. This study is also equipped with numerical simulations which aim to compare accuracy based on the resulting bias value. The parameters used in this simulation are 5, 10 and 15 with a sample size of 200 for the purpose of approximating normal properties and this simulation is repeated for four multilevel scenarios for each parameter based on the percentage of observation of missing values (0%, 10%, 20% and 30%). Based on the study of literature and numerical simulations carried out, the solutions proposed to overcome the missing values in the count data yield satisfactory results, especially when the parameters are large and the percentage of observation of the missing values is small. This is indicated by the size of the bias and the total variance of the small average estimate. But the bias value tends to increase with increasing percentage of observation of missing values and when the parameter values are small."

"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."