Studi simulasi ini bertujuan mengevaluasi kualitas estimasi parameter model regresi logistik biner menggunakan metode Maximum Likelihood Estimation (MLE) pada kasus prediksi risiko diabetes. Model yang digunakan melibatkan dua prediktor klinis, yaitu kadar gula darah (X1) dan Indeks Massa Tubuh/BMI (X2), dengan parameter sejati yang telah ditetapkan sebagai acuan simulasi. Simulasi dirancang dalam dua skenario utama: (1) variasi ukuran sampel dengan tiga level yaitu n = 50, n = 200, dan n = 1.000 yang merepresentasikan kondisi klinik pratama hingga rumah sakit umum, serta (2) adanya kesalahan pencatatan data sebesar 10% pada nilai kadar gula darah yang mensimulasikan permasalahan rekam medis di lapangan. Setiap skenario dijalankan sebanyak 100 replikasi menggunakan seed yang dapat direplikasi. Kualitas estimasi dievaluasi berdasarkan tiga ukuran, yaitu Bias, Variansi, dan Mean Squared Error (MSE). Hasil simulasi menunjukkan bahwa estimator MLE bersifat konsisten — semakin besar ukuran sampel, semakin kecil bias dan MSE. Temuan penting lainnya adalah bahwa kesalahan pencatatan 10% terbukti lebih merusak kualitas estimasi dibandingkan kondisi sampel yang sangat kecil, menegaskan bahwa kualitas data lebih dominan daripada kuantitas data dalam pemodelan statistika.

This report presents an analysis of storm data to determine the most severe weather events affecting public health and causing economic damage. The analysis includes fatalities, injuries, property damage, and crop damage across different event types.

A dive into whether there was an increase in drug overdose after the pandemic and which groups were most affected by it as well as what kind of drug is mostly to blame.

As of April 16, 2026

This case study aims to forecast closing stock prices from 1996 to 2020 using traditional time series forecasting methods vs machine learning approach.

SIM_TUGAS_E_M0725012