Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKDalam forecasting dibidang ekonomi (harga saham, sales, nilai kurs, dsb) keakuratan data sangat penting diperlukan. Selain itu metode pre-processing data (pengolahan data mentah) yang canggih juga lebih diperlukan untuk menghasilkan proyeksi!prediksi ke depan yang lebih akurat. Dalam tesis ini akan digunakan de-noising wavelet sebagai metode pre-processing data, dimana dengan kemampuannya dalam noise-filtering dan characterizing behavior dalam time series akan membuat pre-processing data tersebut lebih powerful dalam memprediksi financial time series.De-noising wavelet adalah sebuah proses menghilangkan noise dari data time series sehingga fungsi aproksimasi yang dihasilkan menjadi lebih akurat. De-noising ini sangat powerful dalam menghilangkan noise yang pasti ada dari data time series. Dari beberapa experimen numerik yang dilakukan, dalam tesis ini digunakan simple linear regression dalam menghasilkan persamaan fungsi dari data time series, de-noising ini mampu membuat fungsi yang penyimpangannya lebih kecil dibandingkan fungsi yang dibuat tanpa de-noising ( selisih penyimpangan yang terjadi bisa mencapai sebanyak 1.84% (in time), bahkan untuk real time (mei'2003) penyimpangan mencapai 12.62 % ) . Hal ini membuktikan de-noising yangdilakukan wavelet bisa menghasilkan fungsi yang keakuratannya lebih baik dibandingkan fungsi yang dibuat dari data yang tidak dilakukan proses de-noising.De-nosing wavelet bisa dijadikan alat bantu yang sangat powerful dalam mengolah data mentah sebelum di proses lebih lanjut, dimana dengan kemampuannya yang cukup handal bisa diperoleh basil forecasting yang lebih akurat."

"Telab dikembangkan Sistem Pengenalan Cacat pada Pengelasan Melat dengan menggunakan analisis multi resolusi sebagai ekstraksi ciri dan jaringan neural buatan sebagai pengklasiflkasinya. Input citra merupakan film Sinar-X dari teknik radiografi beberapa pengelasan metal yang telah didigitalisasi. Ekstraksi ciri menggunakan wavelet dan 14 ciri Harralick untuk mengenali pola tektur dalam citra. Sedangkan jaringan neural buatan yang digunakan adalah Back Propagation dan Probabilistic Neural Network. Pengklasifikasi pengenalan cacat akan dikelompokan menjadi 8 kelas berdasarkan jenis cacat yaitu : kelas 1 (normal), kelas 2 (distributed porosity), kelas 3 (incomplete penetration), kelas 4 (burn through), kelas 5 (cluster porosity), kelas 6 (excessive cap), kelas 7 (excessive penetration) dan kelas 8 (incomplete fussion). Hasil akurasi pengenalan terbaik untuk citra yang belum diketahui jenis cacatnya mencapai 83% untuk perbandingan data pelatihan dan data pengujian 1; 1."

"Teknologi penginderaan jauh menjadi salah satu solusi utama dalam deteksi cepat daerah terkena banjir. Data satelit menghadirkan karakteristik reflektansi objek permukaan bumi yang bervariasi tergantung pada panjang gelombang. Studi terdahulu dalam mengidentifikasi nilai reflektansi pada kondisi tergenang dan tidak tergenang memerlukan peningkatan akurasi, melibatkan data dari laboratorium, lapangan, dan satelit. Penelitian ini bertujuan menemukan spesifikasi spektrum panjang gelombang reflektansi untuk digunakan dalam mendeteksi daerah terkena banjir dengan data satelit penginderaan jauh. Diharapkan, temuan dari penelitian ini akan menghasilkan indeks banjir yang efektif, terutama pada rentang panjang gelombang yang relevan untuk mendeteksi daerah terkena banjir menggunakan data penginderaan jauh. Penelitian ini telah menemukan perbedaan reflektansi daerah tidak tergenang dan tergenang dengan kedalaman tertentu (5 cm, 10 cm, 15 cm, 30 cm, dan 60 cm) pada tiga kelas penutup lahan pemukiman, sawah, dan bantaran sungai, dengan rentang panjang gelombang 325 nm hingga 1075 nm. Hasil uji beda dengan uji t-Test, dengan significance level 0.05 dan analisis selisih, menunjukkan bahwa spektrum panjang gelombang near-infrared Sentinel-2, yaitu pada kanal 6 (733-748 nm), kanal 7 (773-793 nm), kanal 8 (855-900 nm), dan kanal 8A (855-875 nm) memiliki signifikansi yang tinggi dalam membedakan daerah tidak tergenang dan tergenang. Penelitian menyimpulkan bahwa spesifikasi spektrum panjang gelombang dapat digunakan deteksi daerah banjir pada spektrum yang tersebut di atas. Spesifikasi tersebut telah diimplementasikan untuk deteksi daerah banjir dengan data penginderaan jauh Sentinel-2 dan menghasilkan akurasi lebih dari 84.65% pada uji coba di tiga lokasi studi area penelitian. Hasil penelitian ini menyarankan melakukan penelitian lebih lanjut dengan melakukan pengukuran reflektansi pada berbagai objek permukaan bumi dan lokasi penelitian yang beragam, terutama fokus pada tutupan lahan lainnya yang terdampak banjir. Saran lainnya adalah memberikan rekomendasi kepada para pengambil keputusan di bidang teknologi penginderaan jauh, terkait dengan rentang panjang gelombang near-infrared untuk mendeteksi wilayah yang terkena banjir. Rekomendasi ini dapat menjadi dasar penting dalam pembangunan program sensor satelit nasional di Indonesia.

---

Remote sensing technology is one of the most important solutions to quickly identify areas affected by flooding. Data satellites show the reflective properties of the surface of Earth objects, which vary according to wavelength. Preliminary studies to identify reflectance values in flooded and non-flooded areas require higher accuracy, incorporating data from laboratories, fields and satellites. This research aims to find specifications for the reflection wavelength spectrum that can be used in floodplain detection using remote sensing satellite data. It has been announced that the results of this research will lead to an effective flood index, especially at wavelengths relevant to floodplain detection using remote sensing data. This study has found differences in the reflectance of non-flooded and flooded areas with certain depths (5 cm, 10 cm, 15 cm, 30 cm and 60 cm) in three classes of residential land cover, paddy fields and riverbanks with a wavelength range from 325 nm to 1075nm. The results of the t-test with a significance level of 0.05 and the difference analysis show that the near-infrared wavelength spectrum of Sentinel-2, i.e., channel 6 (733-748 nm), channel 7 (773-793 nm), channel 8 (855-900 nm), and channel 8A (855-875 nm), has high significance in discriminating between non-flooded and flooded areas. The research concludes that the wavelength spectrum specification can be used to detect floodplains in the above spectrum. This specification was implemented for floodplain detection using Sentinel-2 remote sensing data and yielded an accuracy of greater than 84.65% in tests at three sites in the research area. The results of this study encourage further research to be conducted by measuring the reflectance on various objects on the earth's surface and at various research sites, focusing on other land areas affected by flooding. Another suggestion is to provide remote sensing technology decision makers with recommendations related to near-infrared wavelength bands to identify areas affected by flooding. These recommendations can be an important basis for the development of a national satellite sensor program in Indonesia."

"Watermaking adlah citra yang handal harus memiliki sifat robbust dan,hidden yang tinggi. dari simluasi yang diuji skema penumpangan watermark pada subband CD (frekuesni tinggi) dengan watermark berukuran 1/4 citra host menghasilkan teknik watermaking yang terbaik."

"Denoising merupakan suatu teknik yang bertujuan untuk mengurangi efek noise yang biasa mensitrosi data hasil akuisisi. Makalah ini membahas algoritma normal shrink untuk mengurangi noise pada data hasil akuisissi yang berupa multi layer data yaitu citra RGB dan suara stereo."

"Data menjadi hal yang sangat penting di zaman teknologi informasi saat ini. Data tersebut dapat dicuri, diubah, dan disalahgunakan sehingga diperlukan pengamanan data. Salah satu teknik yang dapat digunakan untuk pengamanan data adalah steganografi. Pada skripsi ini, akan dilakukan implementasi algoritma steganografi menggunakan teknik Haar Integer Wavelet Transform IWT dan Least Significant Bit LSB untuk menyembunyikan pesan rahasia berupa teks ke dalam citra digital. Untuk menyisipkan pesan rahasia dilakukan teknik Haar IWT dan 1-LSB pada cover image sehingga menghasilkan stego image. Hasil yang diperoleh menunjukkan bahwa proses extracting jauh lebih cepat dibandingkan proses embedding. Nilai PSNR dari data uji berkisar pada nilai 55-71 dB yang berarti stego image yang dihasilkan dikategorikan baik. Ini menunjukkan bahwa perbedaan citra awal dengan citra yang telah disisipi pesan rahasia tidak mengalami perubahan yang signifikan secara kasat mata.

---

Data becomes very important in the age of information technology today. Such data could be stolen, modified, and abused so that the data security become necessary. One of the techniques for data security is steganography. In this undergraduate thesis, the algorithm of steganography will be implemented with Haar Integer Wavelet Transform IWT and the Least Significant Bit LSB techniques for hiding text as secret message into digital image. Haar IWT and 1 LSB techniques are use to embed secret message on the cover image to produce a stego image. The results show that with this implementation the extracting proccess much faster than embedding process. Values of PSNR from experiment data is in the range 55 71 dB, so stego image are good. This indicates that the difference between cover image and stego image not changed by human visual system."

"Berdasarkan penelitian terdahulu, akurasi prediksi pergerakan harga saham rendah. Informasi dari media yang tidak akurat 100% dan pemanfaatan analisis teknis yang belum menghasilkan prediksi yang baik merupakan akar masalah pada penelitian ini. Hal ini penting, sebab bagi para spekulan pemanfaatan 2 hal tersebut berperan penting sebagai pertimbangan dalam melakukan transaksi saham. Maraknya berita mengenai resesi ekonomi, perang dagang, dan krisis ekonomi membuat sejumlah pelaku pasar berpotensi menarik diri dari pasar modal. Oleh sebab itu, penelitian ini bertujuan untuk menghitung seberapa besar akurasi hasil klasifikasi pergerakan harga saham menggunakan kombinasi analisis teknis dan analisis sentimen media online. Algoritma yang digunakan pada penelitian ini adalah Support Vector Machine (SVM), K-Nearest Neighbor (KNN), dan Naïve Bayes. Terdapat 2 tahapan klasifikasi pada penelitian ini. Tahapan pertama yakni melakukan klasifikasi sentimen dari media online untuk mendapatkan label sentimen. Tahapan kedua yakni melakukan klasifikasi pergerakan harga saham. Label sentimen hasil klasifikasi tahap pertama, dan analisis teknis berdasarkan pergerakan harga saham, menjadi atribut pada klasifikasi tahap kedua. Klasifikasi tahap kedua menghasilkan prediksi pergerakan harga saham berupa naik atau turunatau tetap Akurasi tertinggi yang dihasilkan dari kombinasi analisis teknis dan sentimen media online menghasilkan rata-rata akurasi sebesar 73,83% pada trading window 60 hari, dan 81,34% pada trading window 90 hari dengan menggunakan algoritma SVM.

---

Based on previous researches, the accuracy of predictions of stock price movements is low. Information from the media that is not 100% accurate and the use of technical analysis that has not produced good predictions is the root of the problem in this study. This is important, because for speculators the use of these 2 things plays an important role as a consideration in conducting stock transactions. The rise of news about the economic recession, trade war, and economic crisis has made a number of traders or investor potentially withdraw from the capital market. Therefore, this study aims to calculate how much the accuracy of the stock price movement classification results using a combination of technical analysis and online media sentiment analysis. The algorithms used in this study are Support Vector Machine (SVM), K-Nearest Neighbor (KNN), and Naïve Bayes. There are 2 stages carried out in this study. The first stage is to make sentiment classifications from online media to get sentiment labels. The second stage is to divide the stock price movements. The sentiment label from the first classification, and technical analysis based on stock price movements, are attributes based on the second classification. The second stage of classification is to get price quotes for "up" or down" or "constant". The highest accuracy resulting from a combination of technical analysis and online media sentiment resulted in an average accuracy of 73.83% on 60 days trading window, and 81.34% on 90 days trading window using SVM algorithm."

"Dalam analisis yang berhubungan dengan waktu ketahanan sering timbul masalah data waktu ketahanan yang tersensor maka diperlukan metode analisis yang memperhatikan masalah sensoring. Waktu ketahanan individu sangat tergantung dari karakteristik-karakteristik individu yang bersangkutan. Dalam Statistik karakteristik-karakteristik ini dapat disebut Kovariat. Salah satu metode analisis yang dapat mengatasi masalah sensoring dengan memperhatikan kovariat individu (yang berupa variable kategorik) adalah Model Coxs Propotional Hazard. Tugas akhir ini membahas model Coxs Proporsional Hazard dengan focus pada Resiko Kegagalan Relatif (kerusakan/kematian) dan Ketahanan (ketahanan hidup/ketahanan pemakaian). Aplikasinya membahas ketahanan pasien penyakit jantung dengan transplantasi dan usia sebagai kovariatnya"

"ABSTRAKMenentukan keputusan yang tepat dalam trading saham bukanlah hal yang mudah untuk dilakukan dikarenakan pergerakan harga saham yang sangat dinamis, apabila salah langkah maka yang didapat adalah kerugian. Untuk menentukan tindakan yang tepat dalam trading saham, investor dapatmenganalisis saham yang akan diinvestasikan terlebih dahulu agar mendapatkan keuntungan yang besar. Analisis yang dapat dilakukan adalah teknikal analisis saham dengan menggunakan berbagai indikator yang ada. Pada skripsi ini, akan dibahas penggabungan enam indikator analisisteknikal saham, yaitu Simple Moving Average, Moving Average Convergence/Divergence (MACD), Relative Strength Index (RSI), Stochastic Oscillator (SO) yaitu %D dan %K, dan William %Rdengan menggunakan metode Computational efficient functional link artificialneural network (CEFLANN). Melalui metode ini, akan didapatkan rekomendasi berupa keputusan untuk jual, tahan, atau beli dan ketepatan akurasi rekomendasi yang diperoleh untuk jangka waktu satu minggu adalah 73,3%.

---

ABSTRACTDeciding the right strategy in stocks trading is not an easy thing to be done because the stock prices movement, a little mistake can lead a huge loss. To determine the appropriate decision, investors can analyze the behaviour of targeted stocks first for gaining high profit . One of the method of analysis which can be performed is the technical stock analysis using various existing indicators. This undergraduate thesis will discuss about the combination of six indicators in technical analysis by using Computational efficient functional link artificial neural network (CEFLANN). The six technical indicators is Simple Moving Average, Moving Average Convergence/Divergence (MACD), Relative Strength Index (RSI), Stochastic Oscillator (SO) yaitu %D dan %K, dan William %R. By usingthis method, investors will find the recommended decision on stocks trading, such as sell, hold, or buy and the accurate of the decision in one week is 73,3%."