Hasil Pencarian  ::  Simpan CSV :: Kembali

"Risiko adalah suatu kejadian atau tindakan yang berdampak negatif terhadap kemampuan lembaga untuk mencapai tujuan dan menentukan strategi. Salah satu pendekatan untuk mengukur risiko operasional adalah Advanced Measurement Approach (AMA), dimana bank diperkenankan untuk mengolah data internal dengan model yang dikembangkan secara internal. Dengan metode Loss Distribution Approach di AMA, bank mengestimasi dua fungsi distribusi probabilitas, yaitu distribusi frekuensi kerugian dan distribusi severitas kerugian tahunan pada setiap risiko. Selanjutnya, kedua fungsi distribusi tersebut digabungkan menjadi distribusi majemuk untuk menentukan value at risk masingmasing risiko menggunakan simulasi Monte Carlo pada tingkat kepercayaan 99,9%. Nilai risiko yang mungkin terjadi diluar estimasi distribusi severitas dapat mempengaruhi value at risk, sehingga dapat mempengaruhi prediksi rencana bisnis untuk tahun yang akan datang. Metode One-Class Support Vector Machine (SVM) dapat digunakan untuk mendeteksi data outlier tersebut. Dalam beberapa kasus, metode statistik tidak dapat mendeteksi data outlier. Selain itu, dalam menentukan data outlier tergantung pada seberapa penting informasi yang diperlukan dari data outlier tersebut, sehingga penentuannya bersifat subjektif. Adapun tujuan simulasi pada tulisan ini adalah melakukan analisis penggunaan metode One-Class SVM dalam mendeteksi outlier pada distribusi severitas dan pengaruh outlier pada perhitungan value at risk. Dari hasil analisis diperoleh data outlier yang mempengaruhi perhitungan value at risk.

---

Achieve its objectives and execute its strategies. One approach to measure operational risk is the Advanced Measurement Approach (AMA), which allows banks to process internal data with internally developed models. Under the Loss Distribution Approach in AMA, the bank estimates two distribution functions of the annual loss data to generate compound distribution to determine value at risk of each risk using Monte Carlo simulation at 99.9% confidence level. The risk amount that may occur outside of the estimated loss severity distribution can affect the value at risk, so that it can affect the prediction of business plan for the next years. In some cases, statistical methods cannot detect outliers and its determination is relatively subjective. The purpose of the simulations in this paper is to perform analysis of the use of One-Class SVM in detecting outliers in the loss severity distribution and the effect of the outliers on the value at risk. As a result, the outliers have successfully been detected in the loss severity distribution and there is the effect of the outliers on the value at risk."

"[ABSTRAKBerdasarkan data World Health Organization (WHO) diketahui prevalensi herpesdi negara-negara berkembang lebih tinggi dibandingkan dengan di negara maju.Virus herpes dapat ditemukan dimana saja dan salah satu ciri penting adalahkemampuannya yang dapat menimbulkan infeksi akut dan kronik pada waktuwaktutertentu. Akibat infeksi tersebut memungkinkan terjadi komplikasi yanglebih berat. Virus herpes terdiri atas genome DNA tertutup inti yang mengandungprotein dan dibungkus oleh glikoprotein. Dengan mempelajari ekspresi gen(sekuen DNA/protein) dan didukung oleh kemajuan di bidang bioinformatika,dapat ditemukan sub-sub bagian penting dan kelompok gen. Virus-virus ini dapatdikelompokkan dengan menganalisa sekuens protein dari virus herpes denganmenggunakan algoritma Tribe Markov Clustering (Tribe-MCL). Tribe-MCLmerupakan metode clustering efisien berdasarkan teori rantai Markov chain,untuk mengelompokkan barisan keluarga protein. Data sekuens protein virusherpes diperoleh di GenBank yang dapat diakses pada situs National Center forBiotechnology Information (NCBI), kemudian disejajarkan menggunakanprogram BLASTp. Hasil pengelompokan sekuen protein virus herpesmenggunakan algoritma Tribe-MCL dengan program R diperoleh enamkelompok . Semua kelompok menunjukkan jenis protein yang sama, dalam halini jenis protein yang digunakan adalah glikoprotein B, M, dan H pada delapanjenis virus herpes yang terjangkit pada manusia.

---

ABSTRACTBased on World Health Organization (WHO) data, the prevalence of herpes indeveloping countries is higher than in developed countries. The herpes virus canbe found anywhere and one of the important characteristics is its ability to causeacute and chronic infection at certain times. Due to infections enables moresevere complications occur. The herpes virus is composed of DNA containingprotein and wrapped by glycoproteins. By studying the expression of genes(sequences of DNA / protein) and is supported by advances in bioinformatics, canbe found an important sub-sections and groups of genes. These viruses can beclassified by analyzing the sequence of the protein-sequence of the herpes virususing algorithm Tribe Markov Clustering (Tribe-MCL). Tribe-MCL is an efficientclustering method based on the theory of Markov chains, to classify sequences ofprotein families. Herpes virus protein sequence data obtained in GenBank whichcan be accessed on the website National Center for Biotechnology Information(NCBI), then aligned using BLASTp program. The results of clustering proteinsequences herpes virus using algorithms (Tribe-MCL) with a program of Robtained six cluster. All clusters showed the same type of protein, in this case thetype of protein used is a glycoprotein B, F, and H in eight types of herpes virusthat infected humans, Based on World Health Organization (WHO) data, the prevalence of herpes indeveloping countries is higher than in developed countries. The herpes virus canbe found anywhere and one of the important characteristics is its ability to causeacute and chronic infection at certain times. Due to infections enables moresevere complications occur. The herpes virus is composed of DNA containingprotein and wrapped by glycoproteins. By studying the expression of genes(sequences of DNA / protein) and is supported by advances in bioinformatics, canbe found an important sub-sections and groups of genes. These viruses can beclassified by analyzing the sequence of the protein-sequence of the herpes virususing algorithm Tribe Markov Clustering (Tribe-MCL). Tribe-MCL is an efficientclustering method based on the theory of Markov chains, to classify sequences ofprotein families. Herpes virus protein sequence data obtained in GenBank whichcan be accessed on the website National Center for Biotechnology Information(NCBI), then aligned using BLASTp program. The results of clustering proteinsequences herpes virus using algorithms (Tribe-MCL) with a program of Robtained six cluster. All clusters showed the same type of protein, in this case thetype of protein used is a glycoprotein B, F, and H in eight types of herpes virusthat infected humans]"

"ABSTRAKModel epidemik SIS (Susceptible Infected Susceptible) diaplikasikan dalampembuatan model matematis penyebaran penyakit influenza. Model penyebaranpenyakit flu dibuat dengan pendekatan stokastik. Model stokastik yang digunakandalam skripsi ini adalah model Continuous Time Markov Chain (CTMC). Padamodel CTMC, dikonstruksi probabilitas transisi, ekspektasi, dan limit distribusidari banyaknya individu yang terinfeksi penyakit flu dengan asumsi banyaknyaindividu terinfeksi hanya dapat bertambah satu, berkurang satu atau tetap dalaminterval waktu yang sangat pendek (
t 􀀀 0). Ekspektasi dari banyaknya individuyang terinfeksi flu tidak dapat diselesaikan secara langsung, tetapi dapat diketahuibahwa rata- rata pada model stokastik lebih kecil dibandingkan dengan solusideterministik. Dari kajian tentang limit distribusi, didapatkan bahwa probabilitastidak ada individu terinfeksi adalah satu saat t 􀀀 ª. Simulasi numerik padapenyebaran penyakit flu diberikan sebagai pendukung untuk interpretasi model

---

ABSTRACTMathematical model for the spread of influenza using SIS (Susceptible InfectedSusceptible) Epidemic Model for constant total human population size is discussedin this undergraduate thesis. These influenza model was made with stochasticapproach. Stochastic model that used in this thesis is Continuous Time MarkovChain (CTMC). Transition probability, expectation, and limiting distribution forthe number of infected people were constructed in CTMC with assumption that thenumber of infected people might change by increasing one, decreasing one, or stillin the time interval that tends to zero (
t 􀀀 0). The expectation for the number ofinfected people cannot be solved directly, but we will know that the mean of thestochastic SIS epidemic model is less than the deterministic solution. Fromlimiting distribution analyses, probability that there are no infected people att 􀀀 ª is one. Some numerical simulation for the spread of influenza is given togive a better interpretation and a better understanding about the modelinterpretation"

"ABSTRAKPergerakan tingkat bunga merupakan salah satu faktor yang perlu diperhatikan dalam berinvestasi. Untuk menentukan nilai tingkat bunga pada waktu tertentu sebaiknya investor memiliki pengetahuan tentang pergerakan tingkat bunga. Pergerakan tingkat bunga dapat direpresentasikan oleh model tingkat bunga dalam bentuk persamaan diferensial stokastik. Model tingkat bunga pada tesis ini adalah model CARMA (2,1) dengan . Dalam implementasi, digunakan 2 buah data tingkat bunga harian zero-coupon bond dengan masa jatuh tempo 5 tahun yaitu periode 2 Maret 2009 sampai dengan 26 Februari 2010 yang bersifat tidak stasioner dan data periode 1 Agustus 2011 sampai dengan 31 Oktober 2011 yang bersifat stasioner. Estimasi parameter model CARMA (2,1) dilakukan dengan cara menggunakan hasil estimasi parameter proses ARMA (2,1) yang ditransformasikan ke dalam proses CARMA (2,1) berdasarkan suatu proposisi. Hasil implementasi menggunakan data yang stasioner menunjukkan bahwa estimasi nilai parameter yang diperoleh dapat merepresentasikan cukup baik pergerakan data historis tingkat bunga yang digunakan.

---

ABSTRACTThe dynamics of interest rates are cause for concern on investment. To determine the interest rate at a certain time, the investors should have knowledge about the dynamics of interest rates. The dynamics of interest rates can be represented by an interest rate model which is a stochastic differential equation (SDE). The interest rate model used in this thesis is CARMA (2,1) model with . In the implementation, we use two periods of daily interest rate data for zero-coupon bond with five years maturity date. They are non-stationary data for the period from March 2, 2009 to February 26, 2010, and stationary data from August 1, 2011 to October 31, 2011. Estimation of CARMA(2,1) parameters is obtained by applying the parameter estimation of ARMA(2,1) process and then transforming it into CARMA(2,1) process based on a proposition. The results of implementation using stationary data show that the parameters obtained can represent the historical interest rate data quite well."

"ABSTRAKPenelitian skripsi ini menggunakan data sekunder berupa data nasabah dari sepuluh bank, yaitu: Mandiri, Permata, BII, BNI, BRI, OCBC NISP, CIMB Niaga, Danamon, BCA dan BTN. Penelitian dilakukan untuk mencari pesaing BNI berdasarkan customer attachment (CA) dan berdasarkan kepuasan atas pengalaman perbankan (kepuasan). Kedua hal tersebut merupakan hal yang perlu diperhatikan oleh setiap bank untuk menjaga hubungan baik dengan nasabah agar nasabah tetap terus menggunakan bank terkait. Setelah itu, mengevaluasi BNI yang ditinjau dari CA (terhadap bank – bank yang bersaing dalam hal CA), dan kepuasan dalam menggunakan layanan ATM dan kantor cabang (terhadap bank – bank yang bersaing dalam hal kepuasan). Analisis yang digunakan untuk keperluan tersebut adalah analisis korespondensi dilanjutkan dengan uji Kruskal – Wallis. Hasil yang diperoleh menunjukkan bahwa kepuasan menggunakan ATM dan kantor cabang dari nasabah Bank Permata berbeda signifikan dengan BNI dan lebih baik dibandingkan dengan BNI. BNI perlu untuk meningkatkan pelayanan terhadap kedua layanan tersebut karena kedua layanan itulah yang paling sering digunakan oleh para nasabah. Setelah itu, faktor demografi yang berhubungan signifikan antara nasabah BNI dan Bank Permata adalah usia dan pengeluaran rutin per bulan dari nasabah. Maka kedua faktor tersebut perlu dipertimbangan oleh BNI dalam melakukan evaluasi sebagai upaya perbaikan dan peningkatan pelayanan kepada nasabahnya.

---

ABSTRACTThis research using secondary data that is customer data from ten banks, namely: Mandiri, Permata, BII, BNI, BRI, OCBC NISP, CIMB Niaga, Danamon, BCA and BTN. The study was conducted to find a competitor of BNI is based on the customer attachment (CA) and based on the experience of banking satisfaction (satisfaction). Both of these are things that need to be considered by each bank to maintain a good relationship with the customers so that customers continue to use the relevant bank. After that, the BNI evaluate in terms of CA (against the banks that compete in CA), and satisfaction in using the services of ATMs and branches (for banks that compete in terms of satisfaction). The analysis used for this purpose is a correspondence analysis followed by Kruskal - Wallis. The results obtained showed that the satisfaction of using an ATM and branch offices of Bank Permata differ significantly from the BNI and better than the BNI. BNI need to improve the service both of these services because both services that are most frequently used by the customer. After that, the demographic factors that associated significantly between BNI and Bank Permata customer's are age and routine expenses per month from customers. So these two factors need to be considered by the BNI serve targeted in an effort to evaluate the repair and improvement services to its customers."

"Distribusi posterior adalah distribusi dari parameter dengan informasi lainnya telah diketahui. Distribusi posterior dari seluruh parameter pada model dibutuhkan untuk menaksir parameter dengan pendekatan Bayesian melalui Gibbs sampling. Gabungan dari model small area tingkat unit dan model kesalahan pengukuran dapat diselesaikan menggunakan pendekatan Bayesian. Terdapat delapan parameter (𝜃𝑖,𝑥𝑖,𝒃,𝜇𝑥,𝜎𝑒2,𝜎𝑢2,𝜎𝜂2 dan 𝜎𝑥2) pada model tersebut yang akan diperoleh distribusi posteriornya. Dalam memperoleh distribusi posterior, kesalahan dapat terjadi pada penentuan fungsi likelihood dan prior jika semua parameter lain digunakan dalam perhitungan. Sifat d-separation pada Bayesian network digunakan untuk mereduksi parameter-parameter yang tidak dibutuhkan untuk memperoleh suatu distribusi posterior. Langkah selanjutnya adalah menggunakan teorema Bayes dengan parameter yang telah tereduksi. Berdasarkan hasil teorema Bayes, dilakukan manipulasi aljabar sedemikian sehingga p.d.f. dari distribusi posterior parameter tersebut sama atau sebanding dengan p.d.f. dari suatu distribusi.

---

Posterior distribution is a distribution of a parameter with other informations are knowns. Posterior distribution of all parameter in model are required to parameter estimation by Bayesian approach with Gibbs sampling. The conjugation of small area unit level model and measurement error model could be solved by Bayesian approach. There are eight parameters (𝜃𝑖,𝑥𝑖,𝒃,𝜇𝑥,𝜎𝑒2,𝜎𝑢2,𝜎𝜂2 and 𝜎𝑥2) in the model that each posterior distribution will be obtained. In approach of obtaining posterior distribution, fallacy of likelihood function and prior selection might occur if all parameter are included. D-separation property in Bayesian network is used to reduce unnecessary parameters in obtaining the posterior distribution. In the next step, Bayes' theorem is used on reduced parameters. Based on Bayes' theorem result, aljabar manipulation is used such that posterior probability density function (p.d.f.) is same or proportional to a well-known p.d.f"