Hasil Pencarian  ::  Simpan CSV :: Kembali

"Value-at-Risk (VaR) merupakan suatu metode dalam manajemen risiko yang kerap digunakan untuk mengkuantifikasi risiko finansial yang disebabkan oleh perubahan harga saham. Guna mendapatkan nilai VaR yang akurat dalam mengkuantifikasi risiko pada saham, perhitungan VaR dapat dimodifikasi dengan terlebih dahulu memanfaatkan model Generalized AutoRegressive Conditional Heteroscedasticity (GARCH) pada runtun return dari saham tersebut. GARCH adalah model runtun waktu yang dapat menangkap fenomena pengelompokan volatilitas yang biasa ditemukan pada data-data finansial. Pada skripsi ini, akan dibahas mengenai perhitungan VaR suatu saham dengan terlebih dahulu membentuk model GARCH untuk volatilitas return. Pembahasan dalam tahap pembentukan model volatilitas akan fokus pada tahap estimasi parameter model GARCH dengan metode estimasi maximum likelihood. Metode perhitungan VaR yang dibahas diaplikasikan dalam perhitungan VaR dari Indeks Harga Saham Gabungan (IHSG).

---

Value-at-Risk (VaR) is a method in risk management commonly used for quantifying financial risk caused by changes in stock prices. In order to get an accurate value of VaR, the estimation of VaR can be modified by utilizing Generalized AutoRegressive Conditional Heteroscedasticity (GARCH) in modelling return series of the stock. GARCH is a time series model that can capture the volatility clustering phenomenon found in most financial datas. This skripsi will describe a method in VaR estimation by first using GARCH in modelling return?s volatility. The discussion about modelling volatility will focus on parameter estimation of GARCH model using the method of maximum likelihood estimation. This VaR estimation method is used in estimating VaR of Jakarta Composite Index or Indeks Harga Saham Gabungan (IHSG)."

"Ibu Kota memiliki peran penting dalam menggambarkan seberapa besar kekuatan politik, kultural, dan ekonomi suatu negara. Apabila Ibu Kota suatu negara memiliki banyak masalah yang tidak terselesaikan, permasalahan tersebut dapat menjadi faktor–faktor yang memengaruhi suatu negara memindahkan Ibu Kotanya. Setelah ditelusuri, terdapat banyak negara yang pernah memindahkan Ibu Kotanya termasuk Indonesia. Tujuan dari penelitian ini adalah untuk membentuk model dan menganalisis faktor–faktor yang memengaruhi negara–negara di dunia memindahkan Ibu Kota dengan data yang mengandung masalah: 1. Outlier, 2. Missing values, 3. Data tak seimbang, 4. Multikolinearitas. Jika data mengandung masalah, maka model yang terbentuk menjadi tidak representatif dan sulit untuk diinterpretasikan. Sehingga diperlukan metode yang dapat digunakan untuk menangani 4 (empat) masalah tersebut, yaitu berturut-turut: 1. Quantile–Based Flooring Capping, 2. K–Nearest Neighbor, 3. Adaptive Synthetic (ADASYN), dan 4. Menerapkan model Least Absolute Shrinkage and Selection Operator (LASSO) pada regresi logistik. Hasilnya menunjukkan bahwa faktor yang memengaruhi suatu negara memindahkan Ibu Kotanya adalah ukuran populasi di Ibu Kota, populasi negara, luas area (km2), Usia Negara, sistem pemerintahan, Income Category, dan Sedangkan faktor yang tidak masuk ke dalam model yaitu Gross Domestic Product (GDP), Logistic Performance Index (LPI) Score, Regulatory Quality Index, dan E–Government Development Index adalah prediktor yang mengalami multikolinearitas, sehingga model LASSO pada regresi logistik berhasil menyusutkan prediktor tersebut menjadi 0. Adapun model akhir dari Least Absolute Shrinkage and Selection Operator (LASSO) pada regresi logistik yang diperoleh adalah g(x) = 0,3399 – 0,8019 POP_CITY + 3,5925 POP_COUNTRY + 0,3406 AREA – 0,0156 AIRPOL + 0,0679 GEI + 0,8351 PS_AVT – 0,5682 GOV_EFFECT – 1,8643 AGE – 0,7043 SYSTEM_A – 1,4408 SYSTEM_B – 0,7036 INCOME_A – 0,5272 INCOME_B – 3,7404 INCOME_C – 0,9489 ARCHIPELAGO.

---

The capital city plays an important role in portraying how much political, cultural and economic power a country has. If the capital city has many unresolved problems, these problems can become factors that influence the country to move its capital city. After being traced, there are many countries that have moved their capital cities, including Indonesia. The purpose of this study is to model and analyze the factors that influence countries in the world to move its capital city with data containing problems: 1. Outliers, 2. Missing values, 3. Imbalanced data, 4. Multicollinearity. If the data contains these problems, the model formed becomes unrepresentative and difficult to interpret. Therefore, the methods that can be used to handle these 4 (four) problems, respectively: 1. Quantile-Based Flooring Capping, 2. K-Nearest Neighbor, 3. Adaptive Synthetic (ADASYN), and 4. Applying the Least Absolute Shrinkage and Selection Operator (LASSO) model in logistic regression. The results showed that the factors that influence a country to move its capital city are population size in the capital city, country population, area (km2), air pollution level (mg/m3), Global Entrepreneurship Index (GEI), Political Stability and No Violence/Terrorism Index, Government Effectiveness Index, Country Age, government system, Income Category, and whether a country is an archipelago or not. While the factors that did not enter the model, namely the Gross Domestic Product (GDP), Logistic Performance Index (LPI) Score, Regulatory Quality Index, and E-Government Development Index were predictors that experienced multicollinearity, so the LASSO model in logistic regression successfully shrinks these predictors to 0. The final Least Absolute Shrinkage and Selection Operator (LASSO) model in logistic regression obtained is g(x) = 0,3399 – 0,8019 POP_CITY + 3,5925 POP_COUNTRY + 0,3406 AREA – 0,0156 AIRPOL + 0,0679 GEI + 0,8351 PS_AVT – 0,5682 GOV_EFFECT – 1,8643 AGE – 0,7043 SYSTEM_A – 1,4408 SYSTEM_B – 0,7036 INCOME_A – 0,5272 INCOME_B – 3,740"

"Clustering merupakan salah satu metode pengolahan data yang bekerja dengan mengelompokkan objek-objek yang memiliki kemiripan ke dalam beberapa kelompok. Salah satu metode dari clustering adalah metode Ordering Points to Identify the Clustering Structure (OPTICS) yang adalah metode turunan dari metode Density Based Spatial Clustering of Application with Noise (DBSCAN). DBSCAN memiliki dua parameter, yaitu epsilon dan MinPts. Parameter ini mengakibatkan DBSCAN kurang bisa beradaptasi terhadap variasi densitas data. Karena itu, OPTICS hadir untuk mengatasi masalah tersebut dengan parameter core distance dan reachability distance. Tujuan dari penelitian ini adalah mengkaji metode OPTICS dan menerapkannya pada data sintetis dengan missing value serta pada data real, dengan data yang digunakan adalah data Socio-Economic dengan 167 observasi. Dari hasil pengkajian diketahui bahwa jika suatu data memiliki proporsi missing value lebih dari 15%, maka nilai akurasi dianggap tidak baik. Selanjutnya, dilakukan penerapan terhadap data Socio-Economic dan diperoleh 3 cluster. Cluster 1 memiliki jumlah anggota terbanyak dan cenderung memiliki skor terendah pada banyak variabel dibanding cluster lainnya dan dapat dilihat bahwa anggota dari cluster 1 banyak terdiri dari negara-negara berkembang. Cluster 2 cenderung memiliki skor tertinggi dan negara-negara di cluster 2 merupakan negara-negara maju. Cluster 3 banyak berisi negara campuran, baik negara berkembang maupun negara maju.

---

Clustering is a data processing technique that works by grouping objects that have similarities into different groups. One method of clustering is the Ordering Points to Identify the Clustering Structure (OPTICS) method, a derivative method of the Density Based Spatial Clustering of Application with Noise (DBSCAN) method. DBSCAN has two kinds of parameters, epsilon and MinPts. These parameters cause DBSCAN to not be able to adapt fully to arbitrary data forms. Therefore, OPTICS is here to solve this problem with the parameters of core distance and reachability distance. The purpose of this study is to examine the OPTICS method and apply it to synthetic with missing value and real data, using the Socio-Economic data with 167 observations. We can conclude that if a data has a missing value proportion of more than 15%, then the accuracy value is considered not good. Furthermore, the Socio-Economic data was applied and obtained 3 clusters. Cluster 1 has the largest number of members and have the lowest scores on many variables, which consists mostly of developing countries. Cluster 2 tends to have the highest score whereas most coming from developed countries. Cluster 3 contains many mixed countries, both developing and developed countries."

"Dunia sedang mengalami pandemi Covid-19 karena CoronaVirus yang pertama kali muncul di Wuhan, China. Pandemi ini sudah berlangsung sejak 2020 awal dan berlanjut hingga skripsi ini dibentuk (Juni 2022). Banyak kehidupan yang berubah semenjak pandemi ini berlangsung diantaranya adalah berubahnya pola pembelajaran. Dari yang sebelum pandemi pembelajaran dilaksanakan di dalam ruang kelas, dan saat pandemi pembelajaran dilaksanakan secara daring/online. Penelitian ini akan membahas apakah terdapat pengaruh pandemi Covid-19 ini terhadap biaya untuk menjalani studi S2 di luar negeri. Kemudian, akan dilakukan pemetaan untuk tiap negara berdasarkan kelompok yang terbentuk dari teknik clustering. Adapun komponen harga yang digunakan adalah biaya spp atau tuition fee per tahun, biaya pembuatan visa pelajar, biaya transportasi satu arah, biaya sewa tempat tinggal per tahun, biaya hidup per tahun, dan total biaya studi S2 yang merupakan penjumlahan ke 5 komponen sebelumnya dengan memperhatikan waktu 2 tahun. Teknik yang akan digunakan dalam penelitian ini adalah uji perbedaan dua populasi dan Clustering K-Means. Sebelumnya, dilakukan terlebih dahulu uji normalitas untuk menentukan uji yang akan dipakai. Didapatkan hasil uji normalitas Kolmogorov Smirnov bahwa data tidak berdistribusi normal, sehingga penelitian akan dilanjutkan menggunakan teknik Wilcoxon signed rank test atau Sign Test. Didapatkan dari hasil uji tiap variabel bahwa keenam komponen harga yang diteliti mengalami perubahan harga yang signifikan dari periode sebelum pandemi ke saat pandemi. Kemudian, dilakukanpen gelompokkan dengan teknik K-Means Clustering dan dibentuklah peta dunia dari hasil pengelompokkan sebelumnya.

---

The world is on Covid-19 pandemic that are caused is CoronaVirus that first appeared in Wuhan, China. This pandemic has been going since early 2020 and continuing till now (June 2022). There are so many lifestyle changes since this pandemic happened, like study environment alteration. From attending classes before pandemic, to attending online classes when pandemic. This research will examine if Covid-19 pandemic affects master degree study costs outside of Indonesia. Then, a map will be made from K-Means Clustering method results. The price components that are used in this research are tuition fee per year, cost of making student visa, one way transportation cost, living cost per year, rent fee per year, and total cost for master study which is the sum of the 5 components before for 2 years duration. The technique that will be used on this research are population difference test. Before doing it, we need to do a normality test first to determine what test will be used. Obtained from Kolmogorov Smirnov test that the data are not normally distributed, hence this research will be continued using Wilcoxon Signed rank test or Sign Test. Acquired from the test that all six cost components change significantly from before pandemic period to in pandemic period. After that, K-Means clustering method will be done and the result will be used for making the map."

"Kehadiran mahasiswa merupakan aspek penting dalam kegiatan perkuliahan. Sistem kehadiran yang banyak digunakan saat ini masih menggunakan kertas, smart card, RFID, dan fingerprint, yang sering kali memerlukan kontak fisik, rentan terhadap manipulasi, atau implementasi yang kompleks. iBeacon dipilih sebagai alternatif karena kemampuannya untuk mendeteksi keberadaan perangkat melalui sinyal Bluetooth Low Energy (BLE), yang memungkinkan pemantauan kehadiran tanpa kontak fisik serta biaya implementasi dan perawatan yang lebih rendah. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan sistem pencatatan dan pemantauan kehadiran siswa otomatis berbasis teknologi iBeacon. Sistem yang dibentuk menggunakan metode pemantauan proximity iBeacon untuk penentuan pola masuk atau keluar mahasiswa. Machine learning (ML) berperan penting dalam mendeteksi pola kehadiran mahasiswa dengan memproses data proximity yang diterima dari iBeacon untuk menentukan status kehadiran. Penelitian ini memberikan rekomendasi peletakan iBeacon serta model yang dapat digunakan, menunjukkan bahwa iBeacon yang diletakkan dengan jarak pemisahan sebesar 5 meter memberikan hasil terbaik. Model Random Forest menunjukkan akurasi tertinggi pada jarak 5 meter dengan akurasi 0.9727, F1-score 0.9731, precision 0.9735, dan recall 0.9727. Model ini juga kemudian diuji coba pada ruangan lain yang memiliki layout dan luas yang serupa, dan mendapatkan hasil yang cukup memuaskan. Sistem diuji menggunakan beberapa skenario yang mencakup berbagai kemungkinan yang terjadi saat penggunaan aplikasi sistem kehadiran. Selain itu, sistem ini juga menerapkan verifikasi random checking untuk memastikan validitas kehadiran mahasiswa secara acak, yang meningkatkan keakuratan dan mengurangi kemungkinan manipulasi data. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa sistem kehadiran berbasis iBeacon ini mampu meningkatkan efisiensi dan akurasi pencatatan kehadiran siswa.

---

Student attendance is a crucial aspect of college activities. The attendance systems widely used today still rely on paper, smart cards, RFID, and fingerprints, which often require physical contact, are prone to manipulation, or involve complex implementation. iBeacon was chosen as an alternative due to its ability to detect the presence of devices through Bluetooth Low Energy (BLE) signals, enabling contactless attendance monitoring and offering lower implementation and maintenance costs. This study aims to develop and implement an automatic student attendance recording and monitoring system based on iBeacon technology. The system employs iBeacon proximity monitoring to determine student entry or exit patterns. Machine learning (ML) plays a crucial role in detecting attendance patterns by processing proximity data received from iBeacons to determine attendance status. This study provides recommendations for iBeacon placement and suitable models, demonstrating that iBeacons placed with a separation distance of 5 meters yield the best results. The Random Forest model shows the highest accuracy at a 5-meter distance with an accuracy of 0.9727, an F1-score of 0.9731, a precision of 0.9735, and a recall of 0.9727. This model was also tested in another room with a similar layout and size, yielding satisfactory results. The system was tested using several scenarios covering various possible situations during the application of the attendance system. Additionally, the system implements random checking verification to ensure the validity of student attendance randomly, increasing accuracy and reducing the possibility of data manipulation. Overall, the findings indicate that the iBeacon-based attendance system can improve the efficiency and accuracy of student attendance recording."

"Sebagai negara dengan sumber daya yang melimpah, Indonesia memiliki kekayaan yang sangat besar. Kekayaan sumber daya tersebut digunakan seluas-luasnya dan seadil-adilnya untuk kemakmuran seluruh masyarakat Indonesia. Pada faktanya, masyarakat Indonesia memiliki ketimpangan ekonomi yang cukup tinggi. Oleh karena itu, penelitian ini dilakukan untuk menganalisis faktor-faktor apa saja yang dapat menjelaskan derajat ekonomi pada salah satu provinsi di Indonesia, yaitu Provinsi Jawa Tengah. Variabel independen yang digunakan dalam penelitian ini adalah Angka Kesakitan (AK), Usia Harapan Hidup (UHH), Pendapatan per Kapita (PPK), Indeks Kejahatan Terselesaikan (IKS), Angka Partisipasi Kasar tingkat Sekolah Dasar (APK) dan Kepadatan Penduduk (KP). Variabel dependen yang digunakan adalah Indeks Pembangunan Ekonomi Inklusif (IPEI) dan Persentase Penduduk Miskin (PPM). Model yang digunakan pada penelitian ini adalah Multivariate Geographically Weighted Regression. Model ini adalah model yang menggunakan lebih dari satu variabel dependen serta mempertimbangkan faktor spasial pada data. Model MGWR memberikan estimasi parameter yang berbeda untuk setiap lokasinya karena pembobotan yang dilakukan berdasarkan jarak Euclidean antar suatu lokasi terhadap lokasi lainnya. Fungsi kernel yang digunakan dalam memberikan bobot spasial adalah Fixed Tricube. Hasil dari analisis yang telah dilakukan adalah keseluruhan variabel independen memiliki variasi dalam menjelaskan kedua variabel dependen pada setiap lokasi.

---

As a country with abundant resources, Indonesia has a tremendous wealth. The utilization of these resources is extensive and fair to ensure the prosperity of all Indonesian people. However, the reality is that Indonesia has significant economic inequality. Therefore, this research aims to analyze the factors that can explain the level of economic development in one of Indonesia's provinces, Central Java Province. Independent variables used in this study are Disease Incidence Rate (AK), Life Expectancy (UHH), Income per Capita (PPK), Crime Solved Index (IKS), Gross Enrollment Rate at the Primary School (APK) and Population Density (KP). Dependent variables used are Inclusive Economic Development Index (IPEI) and Percentage of Poor Population (PPM). The model used in this research is called Multivariate Geographically Weighted Regression (MGWR). This model uses more than one dependent and takes spatial factors into model. The MGWR model provides different parameter estimates for each location, considering the weighting based on the Euclidean distance between locations. The spatial weighting is determined by the Fixed Tricube kernel function. The analysis result is that all independent variables have variations in explaining the two dependent variables at each location."

"ABSTRACTPengukuran risiko merupakan hal yang sangat penting untuk mengidentifikasi potensi kerugian sehingga dapat dilakukan mitigasi risiko. Salah satu alat ukur risiko yang paling sering digunakan adalah Tail Conditional Expectation (TCE) yang menyatakan rata-rata nilai loss terburuk yang melebihi suatu nilai persentil tertentu. Namun TCE belum dapat menggambarkan variabilitas loss pada ekor dengan jelas, karena dari pendefinisiannya TCE hanya mengukur rata-rata yaitu suatu ukuran pemusatan data. Padahal, informasi mengenai variabilitas loss pada ekor sangat penting karena loss dengan variabilitas yang tinggi cenderung memiliki risiko yang tinggi juga, sehingga pengukuran variabilitas loss pada ekor distribusinya diperlukan untuk mengurangi ketidakpastian terkait risiko. Oleh karena itu, pada skripsi ini dibahas dua alat ukur risiko yang dapat digunakan sebagai alternatif untuk mengukur variabilitas loss pada ekor distribusinya, yaitu Tail Variance Premium (TVP) dan Tail Standard Deviation Premium (TSDP). TVP dan TSDP mampu memberikan pengukuran risiko yang lebih komprehensif karena memiliki unsur ukuran pemusatan sekaligus dispersi data loss. Selain itu, pada skripsi ini juga ditentukan bentukbentuk eksplisit dari TVP dan TSDP untuk beberapa distribusi. Selanjutnya, dilakukan simulasi perhitungan risiko risiko dari aset investasi dan data klaim asuransi menggunakan TVP dan TSDP. Simulasi perhitungan risiko akan dilakukan dengan dua metode, yaitu metode parametrik dan non-parametrik.

---

ABSTRACTRisk measurement is important to identify potential loss hence risk mitigation could be done. Risk measure that is commonly used is Tail Conditional Expectation (TCE), which measures expectation of loss given loss exceeded certain percentiles. However, TCE cannot provide enough information related to variability of loss along its tail due to its definition as a measure of central tendency. On the other hand, information related to variability of loss along its tail is crucial since loss with higher variability tends to have higher risk as well hence variability measurement on the tail is necessary to reduce risk uncertainty. Therefore, this thesis explores two alternative risk measures for variability measurement, which are Tail Variance Premium (TVP) and Tail Standard Deviation Premium (TSDP). TVP and TSDP could provide more comprehensive risk measurement since both risk measurement possesses central tendency as well as dispersion of loss. Besides, this thesis provides the explicit form of TVP and TSDP of loss from several distributions. Next, simulation of risk calculation will be performed to measure risk of asset and insurance claim data using TVP and TSDP. Simulation is done under two methods, which are parametric and non-parametric."

"Tujuan dari penelitian ini adalah untuk mengidentifikasi karakteristikmahasiswa atau karyawan sebagai pengguna telekomunikasi, mengetahuipemanfaatan telekomunikasi serta melihat persebaran telekomunikasi diDepok. Data penelitian merupakan data primer tahun 2009 yang diambilsecara sembarang. Metode Multiple Correspondence Analysis digunakanuntuk menemukan karakteristik mahasiswa atau karyawan sebagai penggunatelekomunikasi. Selanjutnya dilakukan pemetaan pemanfaatan alattelekomunikasi serta pemetaan proposi kepemilikan alat telekomunikasiuntuk melihat persebaran telekomunikasi di Depok. Hasil penelitianmenunjukkan bahwa terdapat beberapa perbedaan karakteristik antaramahasiswa dan karyawan sebagai pengguna telekomunikasi, pemanfaatantelekomunikasi sebagai suatu alat untuk berhubungan dengan kerabat, danpengembangan telekomunikasi yang belum merata di kota Depok.Kata kunci : telekomunikasi, karakteristik, pemanfaatan, persebaran, MultipleCorrespondence Analysis, pemetaanvii + 97 hlm.; lamp."

"Pada skripsi akan dibahas elastisitas dari suatu sistem bonus-malus disuatu negara untuk asuransi kendaraan bermotor. Nilai elastisitas akandigunakan untuk mengukur seberapa baik suatu sistem bonus-malus darisudut pandang pemegang polis. Nilai elastisitas bergantung pada ekspektasibanyaknya klaim dan ekspektasi premi stasioner. Distribusi probabilitasstasioner dari keberadaan kelas pemegang polis menentukan ekspektasipremi stasioner. Jika nilai elastisitas suatu sistem bonus-malus semakinmendekati 1 maka sistem bonus-malus tersebut akan semakin tidakmendekati ideal dari sudut pandang pemegang polis, namun akan semakinmendekati ideal bagi perusahaan asuransi.Kata kunci : distribusi probabilitas stasioner, ekspektasi banyaknya klaim,ekspektasi premi stasioner, elastisitas.viii + 85 hlm.; gbr; lamp; tab.Bibliografi: 9 (1972-2007)"

"Pada skripsi akan dibahas penentuan premi manfaat dan cadanganmanfaat yang memperhitungkan biaya pengeluaran. Penentuan premi inimenggunakan prinsip ekivalen. Prinsip ekivalen ini merupakan ekspektasikerugian pada waktu masuk asuransi bernilai nol. Sedangkan ekspektasikerugian yang memperhitungkan biaya pengeluaran setelah asuransiberjalan dimana pemegang polis pada waktu tersebut masih hidupmerupakan cadangan manfaatnya. Kerugian ini merupakan selisih dari nilaisaat ini dari uang pertanggungan dengan akumulasi preminya. Kerugian inijuga bergantung pada biaya pengeluaran yang ditetapkan oleh perusahaanasuransi, asuransi jiwa yang dipilih oleh pemegang polis dan jenis premimanfaat yang harus dibayar oleh pemegang polis.Kata kunci : prinsip ekivalen, kerugian, asuransi jiwa, anuitas, premi manfaat,cadangan manfaat.viii + 129 hlm; lamp; tab.Bibliografi: 7 (1985-1997)"