Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tugas Akhir ini bertujuan untuk mencari taksiran parameter pada General Linear Mixed Model. Parameter-parameter dalam General Linear Mixed Model merupakan parameter untuk melihat efek fixed dan efek random dari variabel-variabel prediktor terhadap variabel respon. Salah satu metode yang digunakan untuk mencari taksiran parameter pada General Linear Mixed Model adalah Metode Empirical Best Linear Unbiased Prediction (EBLUP).Berbeda dengan Metode Best Linear Unbiased Prediction (BLUP) di mana parameter dari variansi efek random-nya diketahui, Metode EBLUP memerlukan penaksiran terhadap parameter tersebut yang pada kenyataannya tidak diketahui nilainya. Metode yang digunakan untuk menaksir parameter dari variansi efek random ini ialah Metode Maximum Likelihood (ML). Kemudian, Metode EBLUP dilanjutkan dengan mensubstitusikan taksiran parameter dari variansi efek random ke dalam taksiran parameter pada General Linear Mixed Model yang diperoleh melalui prosedur penaksiran dengan menggunakan Metode BLUP."

"General Linear Mixed Model merupakan model di mana variabel response dipengaruhi oleh faktor fixed dan faktor random. Parameter dari faktor fixed dan random (efek fixed dan random) pada model tersebut tidak diketahui nilainya sehingga harus dilakukan penaksiran. Adapun metode yang digunakan untuk menaksir efek fixed dan random, diantaranya adalah BLUP dan EBLUP. Setelah didapatkan taksiran parameter, selanjutnya akan dilihat seberapa baik taksiran parameter yang diperoleh, yaitu dengan cara mencari Mean Squared Error (MSE) pada General Linear mixed Model.Karena metode penaksiran yang digunakan adalah BLUP dan EBLUP maka pada Tugas Akhir ini akan dibahas mengenai MSE BLUP, MSE EBLUP, dan penaksiran pada MSE EBLUP. Penaksiran ini dilakukan karena nilai dari MSE EBLUP bergantung pada parameter dari variansi efek random yang tidak diketahui nilainya. Kemudian, cara yang digunakan untuk menaksir MSE EBLUP adalah dengan mensubstitusikan taksiran parameter dari variansi efek random ke dalam MSE EBLUP."

"Dalam teori pengujian hipotesis Neyman-Pearson, keefisienan dari suatu uji hipotesis dinilai dari kekuatannya (power) dalam menolak hipotesis null (H0 ). Untuk mendapatkan bentuk power function dari pengujian perlu diketahui bentuk distribusi statistik uji di bawah hipotesis alternatif H1. Dalam uji chi square goodness of fit, bentuk distribusi statistik uji di bawah hipotesis alternatif H1 adalah distribusi noncentral chi square. Setelah power function dari uji chi square goodness of fit diperoleh maka nilai power untuk setiap nilai hipotesis H1 dapat ditentukan.Power dari suatu uji hipotesis tergantung dari tiga buah faktor, yaitu : tingkat signfikansi alpha, ukuran sampel, dan besar efek (effect size). Analisis power mempelajari hubungan di antara faktor-faktor tersebut dengan tujuan untuk mendapatkan suatu keseimbangan yang tepat di dalam sebuah pengujian hipotesis.Melalui suatu analisis power dalam sebuah pengujian hipotesis maka seorang penguji dapat menyusun suatu bentuk rancangan pengujian yang efektif dan efisien melalui pemilihan spesifikasi pengujian yang optimal. Kata Kunci : distribusi chi square; distribusi noncentral chi square; effect size; parameter noncentral; power; power function; transformasi ortogonal; uji chi square goodness of fit."

"Tugas akhir ini bertujuan mencari estimator parameter di small area, dimana small area adalah bagian dari suatu populasi yang terbatas. Metode yang digunakan untuk mencari estimator parameter di setiap small area adalah metode empirical Bayes. Di setiap small area diketahui direct survey estimator dan beberapa variabel prediktor. Dengan menggunakan metode empirical Bayes, informasi dari direct survey estimator dan variabel-variabel prediktor yang tersedia di setiap small area akan digunakan untuk membuat model Bayesian. Model Bayesian yang digunakan dalam pembahasan tugas akhir ini adalah model Fay-Herriot. Kata kunci: small area, direct survey estimator, probabilitas pemilihan sampel, ekspektasi dari probabilitas pemilihan sampel."

"Tugas akhir ini membahas tentang teknik graduasi dengan metode Rata-rata Bobot Berpindah (Moving Weighted Average). Metode graduasi ini merupakan salah satu dari beberapa metode graduasi yang berkembang saat ini. Perhitungannya dilakukan dengan mengambil sembarang harga untuk n dan z dalam menghitung harga koefisien-koefisien a. Harga koefisen ini dikalikan dengan sederetan nilai-nilai yang didapat dari hasil observasi (tingkat kematian kasar) untuk mendapatkan sederetan nilai (tingkat kematian hasil graduasi) yang lebih mulus dan mempunyai kecendrungan tertentu. Disamping itu nilai-nilai ini harus diuji dengan kriteria-kriteria kelicinan (smoothness) dan kecocokan (fit)."

"Pencocokan suatu model logistik terhadap data binomial memerlukan penaksiran parameter dari model. Proses penaksiran parameter ini menggunakan keseluruhan pengamatan yang ada dalam data. Setelah taksiran parameter dihasilkan dan model tersebut digunakan untuk mencocokkan data, mungkin tidak setiap pengamatan dalam data sesuai dengan model. Hal tersebut dapat disebabkan karena data mengandung outlier, yaitu pengamatan yang nilainya jauh lebih besar atau lebih kecil jika dibandingkan dengan mayoritas pengamatan dalam data. Selain itu, ketidakcocokan model terhadap data dapat pula disebabkan karena kesalahan dalam pemilihan fungsi penghubung yang digunakan dalam model. Pada tugas akhir ini, dibahas suatu prosedur forward search untuk memeriksa kesesuaian data binomial pada model logistik sederhana. Plot dari statistik-statistik diagnostik yaitu residual deviansi dan statistik skor selama proses forward search digunakan untuk melihat sejauh mana pengaruh dari setiap pengamatan individual dalam data binomial. Statistik skor akan digunakan dalam pengujian kecukupan fungsi penghubung. "

"Tugas akhir ini bertujuan untuk mencari taksiran parameter pada Generalized Linear Mixed Model (GLMM). Parameter-parameter dalam GLMM merupakan parameter untuk melihat efek fixed dan efek random dari variabel-variabel prediktor terhadap variabel respon. Hal ini yang membedakan dengan Generalized Linear Regression Model (GLRM), yang hanya memperhatikan efek fixed. GLRM merupakan perluasan dari model regresi linier berganda dalam hal asumsi variansi errornya tidak konstan. Pada tugas akhir ini, metode yang digunakan untuk mencari taksiran parameter pada GLMM adalah metode Best Linear Unbiased Prediction (BLUP). Teori dasar yang dibutuhkan pada metode BLUP ini adalah metode Lagrange dan teorema invers matriks partisi. "

"Tugas akhir ini membahas mengenai penentuan risk premium rate pada asuransi kendaraan bermotor dengan polis deductible. Untuk menentukan risk premium rate perlu diketahui distribusi besar klaim dan distribusi frekuensi klaim. Distribusi besar klaim dapat dicari jika diketahui distribusi kerugian, dimana proses penentuan distribusi kerugian berdasarkan data besar kerugian terpancung kiri (adanya deductible) dan format data berkelompok.Metode yang digunakan untuk mencarikan didatibusi besar kerugian adalah histogram dan mean residual life, sedangkan kriteria pemilihan distribusi besar kerugian adalah distribusi yang memiliki nilai Negative Log likelihood terkecil dan nilai Limited Expected Value (LEV) dengan empiriknya. Distribusi frekuensi klaim didapatkan berdasarkan data frekuensi klaim. Setelah mengetahui distribusi besar klaim dan distribusi frekuensi klaim, bisa ditentukan Risk premium rate dengan menghitung ekspektasi besar klaim per resiko yang dijamin (sum insured) tanpa melibatkan komisi, profit, serta biaya lainnya. Selain itu, dibahas pula pengaruh inflasi terhadap risk premiumrate. Perhitungan risk premium rate ini diaplikasikan terhadap data klaim asuransi kendaraan bermotor tahun 2005 dari PT XYZ dengan jenis penutupan Total Loss Only (TLO). Data klaim yang dianalisis adalah kategori kendaraan pengangkut barang, kendaraan pengangkut penumpang dan sepedamotor. Hasil yang didapat menunjukkan bahwa risk premium rate sebelum dan sesudah inflasi tidaklah sama, jika besaran deductible sebelum dan sesudah inflasi tidak berubah."

"Sebagian besar teori ekonometri didasari atas asumsi kestasioneran. Pada kenyataannya, hal ini hampir tidak mungkin terpenuhi pada peubahpeubah ekonomi. Granger dan Newbold (1974) telah menunjukkan bahwa regresi linier yang dibentuk dari peubah-peubah nonstasioner yang tidak berkorelasi akan menciptakan nonsense atau spurious regression (regresi palsu). Hasil regresi ini ?tampak baik? tetapi tidak mempunyai arti dalam ilmu ekonomi. Hingga pada tahun 1987, Engle dan Granger merumuskan suatu ide untuk membuat kombinasi linier yang stasioner dari peubah-peubah nonstasioner yang disebut kointegrasi. Ide ini muncul untuk menghindari spurious regression. Dalam ekonometrika, peubah yang saling terkointegrasi dikatakan dalam kondisi keseimbangan jangka panjang (long-run equilibrium). Untuk menguji hubungan kointegrasi antara dua peubah nonstasioner yang memiliki orde integrasi yang sama digunakan uji Engle- Granger dan untuk menaksir parameter kointegrasi digunakan Engle-Granger Two-Step Procedure. Dalam tugas akhir ini, hubungan kointegrasi diterapkan pada nilai ekspor dan investasi Indonesia pada tahun 1970−2007. Kata kunci: peubah nonstasioner; kointegrasi; uji Engle-Granger; Engle-Granger Two-Step Procedure."