Hasil Pencarian  ::  Simpan CSV :: Kembali

"[ABSTRAKPenelitian ini bertujuan untuk meneliti perubahan persepsi investor terhadap risiko berinvestasi di Indonesia. Pada penelitian ini, deret waktu dari parameter risk aversion diestimasi menggunakan indeks saham Indonesia menggunakan data imbal hasil dengan frekuensi harian dari tahun 1990 hingga tahun 2015. Penelitian ini menggunakan model AR(1)-GARCH(1,1)-M untuk mengestimasi parameter risk aversion pada pasar saham Indonesia. Pemodelan yang dilakukan pada penelitian ini memodelkan parameter risk aversion dalam proses random walk. Penemuan dari penelitian ini menunjukkan bahwa premi risiko memiliki variansi sepanjang waktu dan mengindikasikan bahwa pasar saham Indonesia berpengaruh terhadap situasi perekonomian global.

---

ABSTRACTThe purpose of this thesis is to examine the change in perception of risk by investors in Indonesia. In this research, the time series of risk aversion parameter is estimated for the Indonesian stock market using daily return data from year 1990 to 2015. This research makes use of AR(1)-GARCH(1,1)-M model to estimate the risk aversion parameter for Indonesian stock market. The model used in this research modelled the risk aversion parameter to follow a random walk process. The findings of this thesis show that the risk premium varies over time and indicate that the Indonesian stock market is vulnerable to global economy, The purpose of this thesis is to examine the change in perception of risk by investors in Indonesia. In this research, the time series of risk aversion parameter is estimated for the Indonesian stock market using daily return data from year 1990 to 2015. This research makes use of AR(1)-GARCH(1,1)-M model to estimate the risk aversion parameter for Indonesian stock market. The model used in this research modelled the risk aversion parameter to follow a random walk process. The findings of this thesis show that the risk premium varies over time and indicate that the Indonesian stock market is vulnerable to global economy]"

"Sistem tata udara presisi merupakan mesin refrigerasi yang digunakan di ruang pusat data untuk menjaga temperatur di dalam kabinet berkisar antara 20º - 22ºC, dan kelembaban antara 45-55%. Untuk mencapai keadaan tersebut, delapan variabel tak terukur belum dapat diestimasi sehingga dibutuhkan observer. Proses estimasi state dilakukan menggunakan model ruang keadaan. Persamaan untuk Filter Kalman dibagi menjadi persamaan time update dan measurement update. Penggunaan metode ini diharapkan diperoleh nilai matriks prediction error covarians yang konvergen pada nilai sekecil mungkin. Selain itu juga dibandingkan state hasil estimasi dengan state aktual model untuk mengetahui nilai kuadrat kesalahan estimasi yang terjadi.

---

Precision air conditioning is a refrigeration machine that used in the data center to keep the temperature inside the cabinet ranged from 20 º - 22 º C, and humidity between 45-55%. To reach that state, the eight variables not measured can not be estimated so that the observer is required. State estimation process is done using a state space model. The equation for the Kalman Filter equations are divided into time update and measurement update. Use of this method is expected to obtain the prediction error matrix covarians which converges on the value as small as possible. It also compared to the estimated state with the actual state of the model to determine the value of the square of estimation error that occurred."

"Rollover merupakan penyebab utama adanya korban jiwa dari peristiwa ketidakstabilan kendaraan. Karenanya, inovasi pencegahan rollover pada kendaraan roda empat terus dikembangkan untuk meningkatkan keselamatan berkendara. Variabel sudut roll dan kecepatan sudut roll sangat diperlukan dalam pengendalian pencegahan rollover kendaraan, namun kedua variabel ini tidak dapat diukur secara langsung pada kendaraan roda empat karena tingginya harga sensor yang diperlukan. Metode estimasi sudut roll dan kecepatan sudut roll yang akurat dibutuhkan agar pengendalian pencegahan rollover dapat bekerja. Pada penelitian skripsi ini, didesain observer menggunakan metode extended Kalman filter (EKF) diskrit untuk mengestimasi sudut roll dan kecepatan sudut roll. Metode EKF dipilih karena dapat menghasilkan estimasi yang baik pada kondisi non-linier. Persamaan keadaan non-linier yang digunakan pada EKF diturunkan dari model gerak kendaraan pada bidang datar dan model gerak poros kendaraan. Persamaan keadaan non-linier yang dalam bentuk kontinu diaproksimasikan ke bentuk diskrit menggunakan metode Runge-Kutta orde 4. Observer yang didesain lalu diintegrasikan dengan sistem pengendali prediktif pencegahan rollover untuk menguji kinerja metode observer saat kendaraan dalam kondisi pengendalian kestabilan yang non-linier. Metode observer EKF hasil penelitian kemudian dibandingkan dengan metode Kalman filter pada simulasi menggunakan perangkat lunak Carsim dan MATLAB & Simulink.

---

Rollover is the main cause of fatalities from vehicle instability. Therefore, rollover prevention innovations in four-wheeled vehicles continue to be developed to improve driving safety. Roll angle and roll rate are very necessary in vehicle rollover prevention control, but these two variables cannot be directly measured on four-wheeled vehicles because of the high price of the sensors needed. The method of high-performance roll angle and roll rate estimation is needed so that rollover prevention control can operate. In this final project, the observer is designed with discrete extended Kalman filter (EKF) method to estimate roll angle and roll rate of the vehicle. The EKF method was chosen because it can yield good estimates in nonlinear conditions. The nonlinear equations used in EKF are derived from the yaw-plane vehicle dynamics model and axis dynamics model. The nonlinear equations which are still in continuous form are approximated to discrete form using the 4th order Runge-Kutta method. The designed observer is integrated with the predictive rollover prevention control system to test the performance of EKF when the vehicles is in stability controlling, nonlinear conditions. The designed EKF observer method is then compared to the Kalman filter method in a simulation using Carsim and MATLAB & Simulink software."

"Penelitian ini memberikan kontribusi berupa studi empiris risk preference dan time preference di Indonesia kaena merupakan alasan dasar pengambilan keputusan oleh individu. Penelitian ini mengestimasi pengaruh risk preference dan time preference orang tua terhadap keputusan imunisasi anak menggunakan data IFLS 2014. Imunisasi dasar bagi anak adalah keputusan yang dibuat oleh orang tua untuk anaknya. Pembentukan keputusan orang tua mempertimbangkan faktor uncertainty dari adverse events imunisasi dan preventable desease yang hendak dilawan melalui imunisasi. Riset di Amerika Serikat dan Jepang menunjukkan bahwa seseorang yang risk averse cenderung memilih untuk diimunisasi karena preventable desease dianggap beresiko terhadap kesehatan. Namun penelitian ini menemukan bahwa risk aversion ibu berpengaruh negatif terhadap keputusan imunisasi anak, sedangkan time preference orang tua tidak berpengaruh signifikan terhadap keputusan imunisasi anak. Hal ini mengindikasikan bahwa resiko yang dianggap lebih membahayakan kesehatan anak adalah adverse events imunisasi bukan preventable desease. Kondisi ini dapat dijelaskan dengan model probability weight function dimana resiko adverse events yang kecil di-overvalue akibat perceived risk atas adverse events yang tinggi.

---

This study contributes to empirical studies of risk preference and time preference in Indonesia. These preferences are the basic reason for individual decision making. This study estimated the effect of parents risk preference and time preference on childrens immunization decisions using 2014 IFLS data. Parents make a decision to Immunize their children or not. In the decision-making process, parents consider the uncertainty about immunization such as the likelihood of preventable diseases and adverse events following immunization. Research in the United States and Japan show that someone who is a riskaverse tends to be immunized because of the risk of preventable disease.

However, this study finds that maternal risk aversion has a negative effect on children's immunization decisions, while parents time preference does not significantly influence childrens immunization decisions. This indicates parents consider that adverse events following immunization is more harmful to childrens health rather than the preventable disease. This condition can be explained by a probability weight function model where the risk of small adverse events is overvalued due to the high perceived risk to adverse events."

"Baterai Li-Ion banyak digunakan pada kendaraan listrik karena efisiensi dan densitas energinya yang tinggi. Untuk menjaga baterai Li-Ion beroperasi pada kondisi ideal maka estimasi status pengisian baterai menjadi indikator penting. Parameter yang menyatakan status pengisian baterai adalah State of Charge (SOC). Nilai SOC baterai tidak dapat diukur secara langsung melainkan harus diestimasi dari nilai tegangan dan arus baterai saat digunakan. Kesulitan saat mengestimasi SOC baterai disebabkan faktor nonlinearitasnya yang tinggi serta pengaruh noise saat pengukuran yang dapat mengakibatkan terjadinya akumulasi error. Algoritma Unscented Kalman Filter (UKF) dapat melakukan koreksi kesalahan saat mengestimasi SOC baterai. Namun teknik ini membutuhkan model baterai pada algoritmanya. Literatur yang membahas model baterai banyak menggunakan pendekatan Equivalent Circuit Model (ECM) Thevenin orde dua yang diperoleh dari data eksperimen Hybrid Pulse Power Characterization (HPPC). Beberapa literatur meninjau data HPPC yang seragam namun menggunakan berbagai pendekatan seperti teknik fitting, aturan waktu konstan, dan daerah analisis kurva baterai yang berbeda. Untuk mengetahui metode identifikasi parameter ECM terbaik maka dilakukan pengujian performa. Pada penelitian ini dianalisis empat metode identifikasi parameter ECM menggunakan baterai LiNiMnCo. Masing – masing parameter ECM disubsitusi ke model baterai lalu dilakukan verifikasi menggunakan data HPPC dan Dynamic Stress Test (DST). Berdasarkan nilai RMSE masing – masing percobaan, metode 1 yang menggunakan teknik fitting di daerah relaksasi baterai memiliki akurasi dan konsistensi yang terbaik yaitu 0,0103 V untuk HPPC menggunakan data CALCE dan 0,0088 V data baterai LG. Untuk pengujian DST nilai RMSE metode 1 adalah 0,0278 V. Parameter baterai yang telah diidentifikasi menggunakan metode 1 digunakan sebagai model pada algoritma UKF untuk mengestimasi SOC baterai. Nilai RMSE estimasi SOC menggunakan algoritma UKF yang telah dibangun adalah 0,32 %. Algoritma UKF mampu melakukan koreksi saat terjadi kesalahan awal nilai estimasi SOC.

---

Li-Ion batteries are widely used in electric vehicles due to their high efficiency and energy density. To keep Li-Ion batteries operating at ideal conditions, estimation of the battery state of charge is an important indicator. The parameter that states the state of charge of the battery is the State of Charge (SOC). The SOC value of the battery cannot be measured directly but must be estimated from the voltage and current values of the battery during use. The difficulty in estimating the battery SOC is due to its high nonlinearity factor and the influence of noise during measurement which can result in the accumulation of errors. The Unscented Kalman Filter (UKF) algorithm can perform error correction when estimating battery SOC. However, this technique requires a battery model in the algorithm. Much of the literature discussing battery models uses the second-order Thevenin Equivalent Circuit Model (ECM) approach obtained from Hybrid Pulse Power Characterization (HPPC) experimental data. Some literature reviews uniform HPPC data but uses various approaches such as fitting techniques, constant time rules, and different battery curve analysis regions. To determine the best ECM parameter identification method, performance testing is conducted. In this study, four ECM parameter identification methods using LiNiMnCo batteries are analyzed. Each ECM parameter is subsumed into the battery model and then verified using HPPC and Dynamic Stress Test (DST) data. Based on the RMSE value of each experiment, method 1 which uses fitting techniques in the battery relaxation region has the best accuracy and consistency, namely 0.0103 V for HPPC using CALCE data and 0.0088 V LG battery data. For DST testing the RMSE value of method 1 is 0.0278 V. The battery parameters that have been identified using method 1 are used as a model in the UKF algorithm to estimate the battery SOC. The RMSE value of SOC estimation using the UKF algorithm that has been built is 0.32 %. The UKF algorithm can make corrections when there is an initial error in the SOC estimation value."

"Seiring dengan perubahan dunia yang sangat cepat, efisiensi dalam mengelola persediaan menjadi hal yang sangat penting, terutama bagi UKM. Ada beberapa sumber daya penting yang dibutuhkan oleh UKM untuk meningkatkan bisnis mereka: sejumlah dana, penguasaan teknologi, dan sumber daya manusia. Robotic Process Automation (RPA) sebagai salah satu teknologi unggulan di Industri 4.0 dapat mengatasi kebutuhan sumber daya manusia untuk melakukan tugas-tugas dalam manajemen persediaan. RPA dianggap sebagai salah satu teknologi modern yang memungkinkan UKM melakukan tugas berulang dengan lebih efisien sehingga menghasilkan kinerja organisasi yang lebih baik. Penelitian ini mengadopsi tahap Inisialisasi dan Implementasi dari The Consolidated Framework for Implementing RPA Project. Data bersumber dari salah satu UKM dalam bisnis kecantikan yang beroperasi di Provinsi Jawa Tengah- Indonesia, dimana bisnis kecantikan dianggap sebagai salah satu sektor yang berkembang pesat saat ini di Indonesia. Ruang lingkup penelitian ini difokuskan pada manajemen persediaan seperti pengecekan stok persediaan, peramalan permintaan produk berdasarkan data historis, membuat rencana pembelian, memesan barang ke vendor melalui email dan menindaklanjuti menggunakan email jika barang yang dipesan belum datang. Temuan penelitian ini menunjukkan bahwa penggunaan RPA dalam manajemen persediaan dapat menghemat banyak biaya yang sebelumnya dianggap sebagai beban. Adanya RPA di perusahaan telah berhasil membantu AuradermA Skin Care dalam mengelola persediaan dengan lancar, mengurangi beban kerja staf dan pada akhirnya memastikan persediaan tidak habis atau berlebihan. Diharapkan penelitian ini memberikan kontribusi dalam bidang RPA karena implementasi RPA belum begitu banyak ditemukan terutama untuk UKM.

---

State of Charge (SOC) is a condition that states battery charge condition. This condition is important to know to ensure safe battery operating condition. One of the challenge in estimating SOC is that the battery dynamic system. To estimate SOC, battery undergoes characterization process. The Li-Ion battery characterization system monitors voltage across the battery as well as current going to or out of the battery. After the system is assembled, battery will be prepared before characterization using Constant Current Constant Voltage (CCCV) charging. Characterization process starts with battery undergoing discharging and charging process. In this research, Li-Ion battery made from LiNiMnCoO2 is modelled based on second order Thevenin Equivalent Circuit Model. SOC estimation is optimized using Uscented Kalman Filter (UKF). Next, battery undergoes Hybrid Pulse Power Characterization (HPPC) test to obtain ECM parameters. Next, ECM parameters are used as value to be fitted with SOC from Coulomb Counting (CC) with seventh order polynomial method from HPPC result. SOC estimation validation is done using Dynamic Stress Test (DST). The SOC estimation result using UKF is compared to the estimation which doesn’t use UKF. The simulation and experiment result show that UKF algorithm is able to adjust its estimation result when given wrong initial SOC estimation value. The simulated SOC estimation result using UKF is compared with the CC method and reference SOC have Root-Mean Square Error (RMSE) of 0.7 % and Maximum Error (ME) of 9.9 %. The experiment SOC estimation result compared with CC SOC method has RMSE of 2.76 % and ME of 10%."

"Sudut sideslip sangat berperan penting dalam kendali stabilitas kendaraan, namun sudut sideslip pada kendaraan yang di produksi tidak dapat ditentukan secara langsung menggunakan sensor dengan mempertimbangkan biaya sensor. Penting untuk memperkirakan sudut sideslip secara tidak langsung dengan menggunakan parameter gerak yang ada pada kendaraan. Oleh karena itu, algoritma estimasi dengan kinerja dan akurasi real-time sangat penting. Metode estimasi berdasarkan algoritma kalman filter sesuai saat kendali kendaraan dalam kondisi linear. Namun, pada jalan adhesi yang rendah, kendaraan memiliki karakteristik nonlinear. Dalam penelitian ini, algoritma extended kalman filter digunakan dengan mempertimbangkan karakteristik nonlinear dan diverifikasi oleh simulasi dengan Carsim dan Simulink. Hasil yang diharapkan dari penelitian ini adalah menunjukkan sudut sideslip kendaraan yang diperoleh dengan algoritma extended kalman filter lebih tinggi daripada yang diperoleh kalman filter di daerah nonlinear.

---

The sideslip angle plays an important role in vehicle stability control, but the sideslip angle on the production vehicle can not be determined directly using the sensor by considering the cost of the sensor. It is important to estimate the side slip angle indirectly by using the motion parameters present in the vehicle. Therefore, the estimation algorithm with performance and real time accuracy is very important. The estimation method based on the filter kalman algorithm is appropriate when vehicle control is in linear condition. However, on a low adhesion path, the vehicle has nonlinear characteristics. In this study, the extended kalman filter algorithm is used taking into nonlinear characteristics and verified by simulations with Carsim and Simulink. The expected result of this study is to show the estimated vehicle sideslip angle with the extended kalman filter algorithm higher than estimated by the kalman filter in the nonlinear region. "

"Pergerakan harga saham berfluktuasi. Diperlukan suatu metode untuk mengestimasi pergerakannya. Model runtun waktu merupakan suatu model yang dapat digunakan dalam menganalisis pergerakan harga saham. Salah satu model runtun waktu sederhana adalah model local linear trend dengan level stokastik dan slope deterministik. Algoritma filter Kalman dapat digunakan untuk mengestimasi solusi model. Implementasi menggunakan data harga saham BMRI dan LSIP memberikan hasil yang cukup baik dilihat dari nilai rata – rata eror relatif dan nilai MSE (mean square error).

---

The movements of stock price is fluctuate. A method is required to determine such movement. Time series model is one of the models that can be used in analyzing stock price movements. One of the basic model of time series is the local linear trend model with stochastic level and deterministic slope. Kalman filter algorithm can be used to estimate the solution of that model. Implementation on BMRI and LSIP stock price data gives satisfactory results based on the average relative error and MSE (mean square error)."