Hasil Pencarian  ::  Simpan CSV :: Kembali

"Multivariate calibration model can be used as an alternativemethods to predict the concentration of a gingerol compound....."

"Prediksi harga saham memiliki manfaat terhadap investor untuk dapat melihat bagaimana investasi saham pada sebuah perusahaan di masa yang akan datang. Prediksi harga saham membantu para investor dalam pengambilan keputusan. Untuk melakukan prediksi harga saham digunakan pendekatan analisis teknis dengan menggunakan metode ridge regresi dan kernel ridge regresi. Ridge regresi merupakan metode regresi yang dapat mengatasi terjadinya masalah multikolinieritas. Kernel ridge regresi merupakan kombinasi antara metode kernel dan ridge regresi dengan memetakan input data ke ruang yang berdimensi lebih tinggi. Pada skripsi ini, diimplementasikan metode ridge regresi dan kernel ridge regresi untuk memprediksi harga saham dengan variabel-variabel regresornya merupakan nilai harga saham pada k-hari sebelumnya. Hasil implementasi pada data yang digunakan dalam skripsi ini menunjukkan bahwa metode kernel ridge regresi memberikan tingkat akurasi rata-rata yang lebih baik dibandingkan metode ridge regresi.

---

Prediction of stock prices has benefits for investors to be able to see how the stock investment in a company in the future. Prediction of stock prices help investors in making decisions. Prediction of stock price used technical analysis approach using kernel ridge regression and ridge regression. Ridge regression is a regression method that can solve the multicollinearity problem. Kernel ridge regression is a combination of ridge regression and kernel methods to map the input data into a higher dimensional space. In this skripsi, the method is implemented to predict the stock price which is the variables regressors based on a value stock price on the previous day. The result of implementation, in this skripsi, indicates that kernel ridge regression method better than ridge regression method."

"Penuaan adalah proses alami yang secara bertahap menurunkan kondisi fisik dan menyebabkan kemunculan berbagai penyakit, yang pada akhirnya dapat mengurangi rentang hidup makhluk hidup serta berujung pada kematian. Dalam konteks ini, usia biologis berperan sebagai indikator penting yang mampu mengevaluasi proses penuaan dan prediksi penyakit lebih efektif dibandingkan dengan usia kronologis. Hal ini dikarenakan usia biologis juga memperhatikan kondisi fisiologis individu, bukan hanya mengukur lamanya hidup seseorang sejak lahir. Penelitian ini berfokus pada proses penuaan alami yang tidak dipengaruhi oleh penyakit. Dengan demikian, model ini dapat dijadikan alat untuk mengidentifikasi individu yang jalur penuaannya menyimpang dari jalur penuaan yang sehat. Penelitian ini menggunakan metode Support Vector Regression dan Principal Component Analysis untuk memprediksi usia biologis berdasarkan biomarker klinis yang berkontribusi terhadap proses penuaan. Data yang digunakan pada penelitian ini adalah data medis yang berasal dari Kementerian Kesehatan Republik Indonesia. Pada dataset, dilakukan data preprocessing yang meliputi pengubahan tipe data, penghapusan kolom yang tidak digunakan, penyaringan usia partisipan, pembentukan data sintetis, dan pemisahan dataset pria dan wanita. Selanjutnya, dilakukan feature selection, uji multikolinearitas, dan pembentukan model menggunakan metode Support Vector Regression dan Principal Component Analysis. Performa dari model yang dibentuk, dievaluasi menggunakan Root Mean Squared Error dan Coefficient of Determination. Untuk model yang menggunakan metode Support Vector Regression, didapatkan nilai RMSE = 5, 228 dan r2 = 0, 807 pada model pria, serta nilai RMSE = 1, 798 dan r2 = 0, 959 pada model wanita. Sementara itu, model yang menggunakan metode Principal Component Analysis didapatkan nilai RMSE = 6, 835 dan r2 = 0, 751 pada model pria dan nilai RMSE = 5, 35 dan r2 = 0, 874 pada model wanita. Berdasarkan analisis kinerja model yang dilakukan pada penelitian ini, model dengan metode Support Vector Regression lebih unggul dalam memprediksi usia biologis dibandingkan dengan metode Principal Component Analysis.

---

Aging is a natural process that gradually deteriorates physical condition and leads to the emergence of various diseases, ultimately reducing the lifespan of living beings and leading to death. In this context, biological age acts as an important indicator capable of evaluating the aging process and predicting diseases more effectively than chronological age. This is because biological age also considers an individual's physiological condition, not just measuring the length of time of person's life since birth. This research focuses on the natural aging process that is not influenced by disease. Thus, this model can be used as a tool to identify individuals whose aging path deviates from a healthy aging trajectory. This study uses Support Vector Regression and Principal Component Analysis methods to predict biological age based on clinical biomarkers that contribute to the aging process. The data used in this study are medical data from the Ministry of Health of the Republic of Indonesia. In the dataset, data preprocessing is performed, which includes changing data types, removing unused columns, filtering participant ages, forming synthetic data, and separating datasets for men and women. Next, feature selection, tests of multicollinearity, and model formation using the Support Vector Regression and Principal Component Analysis methods are conducted. The model formed is evaluated using Root Mean Squared Error and Coefficient of Determination. For the model using the Support Vector Regression method, RMSE=5,228 and r^2=0,807 were obtained for the men model, while an RMSE=1,798 and r^2=0,959 were obtained for the women model. Conversely, for the model using the Principal Component Analysis method, an RMSE=6,835 and r^2=0,751 were obtained for the men model, and an RMSE=5,35 and r^2=0,874 for the women model. Based on the performance analysis conducted in this study, the model using the Support Vector Regression method outperforms the Principal Component Analysis method in predicting biological age."

"Terdapat beberapa cara untuk memprediksi harga saham, ada yang menggunakan analisis runtun waktu, harga saham terdahulu, maupun menggunakan indikator teknis. Indikator teknis merupakan perhitungan matematis terhadap harga atau volume transaksi saham yang hasilnya dapat digunakan untuk memahami kecenderungan harga saham. Regresi ridge merupakan suatu metode regresi yang mampu mengatasi masalah dimana variabel-variabel regresornya tidak bebas linier. Regresi kernel ridge merupakan kombinasi antara regresi ridge dengan metode kernel dengan tujuan agar dapat memberikan hasil prediksi yang lebih baik. Pada skripsi ini, metode regresi ridge dan regresi kernel ridge akan diimplementasikan untuk memprediksi harga saham pada 12 perusahaan. Hasil percobaan menunjukkan bahwa metode regresi kernel ridge memberikan akurasi yang lebih baik daripada metode regresi ridge untuk beberapa perusahaan.

---

There are various way for predicting stock prices, some using time series analysis, past stock prices, or technical indicator. Technical indicator is a mathematical calculation over the stock prices or stock transaction volume that can be used to understand the stock price trend. Ridge regression is a regression method that can be used to solve the problem when some of the regressor variables are linearly dependent. Kernel ridge regression is a combination of ridge regression and kernel method in purpose to get better prediction. This skripsi will implement ridge regression and kernel ridge regression for stock prices forecasting of 12 companies. The result shows that kernel ridge regression gives better accuracy for stock price forecasting than ridge regression for some companies."

"Analisis regresi adalah salah satu metode yang digunakan dalam menganalisisdata. Metode yang sering digunakan untuk menaksir parameter dalam modelregresi linier adalah ordinary least square OLS. Metode OLS akan memberikantaksiran terbaik ketika semua asumsinya terpenuhi. Namun pada kenyataannya,asumsi tersebut seringkali tidak terpenuhi. Asumsi yang seringkali tidak terpenuhiadalah adanya multikolinieritas dan adanya pencilan outlier. Multikolinieritasakan membuat variansi taksiran parameter regresi menjadi sangat besar, sedangkanoutlier akan membuat taksiran parameter menjadi bias. Jika kedua pelanggaranasumsi ini terjadi pada data yang akan dianalisis digunakan robust jackknife ridgeregression. Robust jackknife ridge regression adalah regresi yang punya sifatrobust sehingga tidak terpengaruh oleh outlier dan menggunakan metode ridgeuntuk mengatasi masalah multikolinieritas serta menggunakan metode jackknifeuntuk mereduksi bias yang dihasilkan metode ridge. Metode yang digunakanuntuk mencapai sifat robust adalah MM-estimation sehingga taksiran yangdihasilkan punya breakdown point serta efficiency yang tinggi.

---

Regression Analysis is one of many methods used for analyzing data. Method thatusually used for estimating parameter in linear regression model is ordinary leastsquare OLS . OLS will give best estimator when all the assumptions are met. Butin reality, sometimes not all the assumptions are met. Assumptions that usuallyviolated are multicollinearity and outlier. Multicollinearity will make variance ofthe estimated parameter become large, while outlier will make the estimatedparameter become biased. If this two violation of assumptions happened, robustjackknife ridge regression is used. Robust jackknife ridge regression is regressionthat have robust property so that it will not affected by outlier and using ridgemethod to handle multicollinearity with jackknife method to reduce biased fromridge method. Method used to achieve robust property is MM estimation so thatthe estimated parameter have high breakdown point and high efficiency."

"Analisis regresi adalah sebuah teknik dalam statistika untuk menyelidiki dan memodelkan hubungan antara variabel respon dan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam penaksiran parameter regresi, banyak permasalahan yang muncul, salah satunya adalah multikolinieritas. Penaksiran dengan menggunakan metode OLS dalam kasus multikolinieritas menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain guna mengatasi permasalahan ini. Metode yang diperkenalkan dapat mengatasi multikolinieritas diantaranya yaitu metode ridge, metode Liu, dan metode GRR. Namun, ketiga metode ini menimbulkan permasalahan lain pada saat dilakukan penaksiran parameter, salah satunya ada pemilihan konstanta optimal yang sulit ditentukan dan nilai PRESS (Prediction Error Sum of Square) yang besar. Untuk itu, Liu dan Gao (2011) memperkenalkan taksiran linearized ridge regression (LRR) yang memiliki kelebihan dibandingkan ketiga metode sebelumnya yaitu pemilihan konstanta optimal yang mudah ditentukan dan juga nilai PRESS yang minimum diantara ketiga metode tersebut.

---

Regression analysis is a statistical technique for investigating and modeling the relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and give an estimator named least square estimator. In regression parameter estimation, there are many problems such as multicolinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this research will explain other methods which can solve this problem such as ridge method, Liu method, and GRR method. Unfortunately, these methods cause another problem when estimation parameter is done, such as hardly obtaining the optimal constants and the large value of PRESS (Prediction Error Sum of Squares). To solve this problems, Liu and Gao (2011) introduced Linearized Ridge Regression (LRR) estimator which has superiority amongs those prior methods which easily obtains the optimal contants and the minimum value of PRESS."

"Analisis regresi linier adalah suatu teknik dalam statistika untuk memodelkan dan menganalisis hubungan linier antara variabel respon dengan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam analisis regresi linier berganda, masalah yang sering terjadi adalah multikolinieritas. Multikolinieritas membuat penaksiran dengan menggunakan metode OLS menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain untuk mengatasi permasalahan ini. Metode yang diperkenalkan untuk mengatasi multikolinieritas diantaranya adalah metode GRR yang menghasilkan taksiran generalized ridge. Taksiran ini merupakan taksiran yang bias. Metode ini masih memiliki kekurangan, yaitu bias yang dihasilkan tidak dijamin akan selalu bernilai kecil. Untuk itu, Singh, Chaubey, dan Dwivedi (1986) memperkenalkan metode Jackknife Ridge Regression (JRR) yang menghasilkan taksiran Jackknife Ridge Regression. Taksiran ini akan mereduksi bias yang dihasilkan oleh taksiran generalized ridge sehingga terkait dengan data yang digunakan, nilai mean square error taksiran ini lebih kecil dibanding taksiran generalized ridge maupun taksiran least square.

---

Regression linear analysis is a statistical technique for modeling and investigating the linear relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and yields an estimator named least square estimator. Most frequently occurring problem in multiple linear regression analysis is the presence of multicollinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this undergraduate thesis will explain other method which can solve this problem such as GRR method that yields a bias estimator, named generalized ridge estimator. Unfortunately, this method still has a shortcoming because the bias in resulting estimator is not always guaranteed to be small. To solve this problems, Singh, Chaubey, and Dwivedi (1986) introduced Jackknife Ridge Regression (JRR) method that yields Jackknife Ridge Regression estimator. This estimator will reduce the bias of generalized ridge estimator, thus related to the data used, the resulting mean square error value of this estimator is smaller than the two methods."

"Analisis regresi merupakan salah satu teknik dalam statistika yang digunakan untuk mengetahui hubungan antar variabel respon dan satuatau lebih variabel regressor. Metode penaksiran parameter regresi yang umum digunakan adalah metode least square. Dalam penaksiran parameter regresi, banyak permasalahan yang muncul salah satunya adalah multikolinearitas. Multikolinearitas menghasilkan taksiran yang tidak stabil, sehingga diperlukan metode lain untuk mengatasi multikolinearitas yang diperkenalkan oleh Hoerl dan Kennard 1970 yaitu metode ridge regression dengan cara kerjanya adalah menambahkan konstanta bias ridge pada matriks X 39;X. Sarkar 1992 dan Grob 2003 mengembangkan metode tersebut dengan memanfaatkan informasi prior dari parameter - dan memperkenalkan metode restricted ridge regression. Berger 1980 mendefinisikan informasi prior untuk parameter - adalah suatu informasi non sampel yang muncul dari pengalaman masa lalu dan keputusan dari ahli dengan situasi yang hampir sama dan memuat parameter ? yang sama. Dalam skripsi ini penggunaan metode restricted ridge regression diaplikasikan untuk mengatasi multikolinearitas pada data Portland Cement dan menghasilkan MSE yang lebih kecil dibandingkan metode least square dan ridge regression.

---

Regression analysis is a technique in stastisticsto analyse the relationship between a response variable and one or more regressor variable's. Ordinary Least Square method is commonly used to estimate parameter's. Most frequently occurring problem in multiple linier regression analysis is the presence of multicolinearity. Multicollinearityin least square estimation produces estimation with large variance, so another method is needed to overcome the multicollinearity. Hoerl and Kennard 1970 introduced a new method called ridge regression by addingaconstant bias ridge to matrix X 39 X. Sarkar 1992 and Gro 2003 developed a method usingthe prior information of the parameter and introduced the restricted ridge regression method. Berger 1980 defined prior information of the parameter as a non sample information arising from past experiences and based on the opinions of an expertice with similar situations and containing the same parameters. This thesis will explain the use of restricted ridge regression method to overcome the presence of multicolinearity in regression model for Portland Cement dataset and produce smaller MSE than least square and ridge regression estimator."

"Salah satu tantangan dalam mendesain Pembangkit Listrik Tenaga Surya (PLTS) di daerah terpencil adalah penentuan besar konsumsi energi listrik yang tepat dikarenakan tidak tersedianya data konsumsi energi listrik di daerah terpencil, khususnya yang belum teraliri listrik. Salah satu solusi yang dapat dilakukan adalah dengan pemodelan dan proyeksi konsumsi energi listrik berdasarkan kondisi ekonomi dan sosial di wilayah terpencil tersebut dan sekitarnya. Penelitian ini memaparkan tentang pemodelan konsumsi energi listrik di daerah terpencil, Desa A dan Desa B, Kabupaten Wakatobi, Provinsi Sulawesi Tenggara untuk pembangkit listrik tenaga surya (PLTS) Mandiri. Pemodelan konsumsi energi listrik dilakukan dengan dua tahapan, yang pertama adalah menentukan kebutuhan energi listrik di kedua desa saat tahun 2015 (tahun pertama project life timeberjalan) dengan metode wawancara. Tahapan kedua adalah membuat proyeksi kebutuhan energi listrik sampai tahun2030 (tahun project lifetimeberakhir). Proyeksi pertumbuhan beban di kedua desa dilakukan dengan mempertimbangkan pertumbuhan beban listrik di Provinsi Sulawesi Tenggarayangditentukan menggunakan metode regresi principal component (PC). Berdasarkan metode regresi PC, hasil proyeksi konsumsi energi listrik di Desa A dan Desa Bsampaitahun 2030 masing-masing sebesar 501 kWh per hari dan 370 kWh per hariuntuk regresi PC tujuh variabel dan1.058 kWh per hari dan dan 782 kWh per hariuntukregresiPCtiga variabel.

---

Due to lack of historical electricity consumption data, one of challenges faced byPV power plant designer is determining electrical consumptiondata for PV power plant design,especially in remote areas. As solutions, this research proposes electricity consumption data projecting and modeling based on economic and social conditions in remote areaare proposedwithVillageA and Village B, Southeast Sulawesi Province as study location. Electrical consumption demand data in the village are determined based on villager Willingness to Pay(WTP). Theloaddata are also projected until 15 years ahead by considering electricity consumption growth in Southeast Sulawesi which is determined based on principal component (PC) regression methods. With seven regresisson variable, the daily electrical energy consumption projection in Village A and Village B are501 kWh and 370 kWh respectively. On the other hand, the daily electricity consumption projection in Village A and Village are B1,058 kWh and 782 kWh respectively three regression variable."

"ABSTRAKSuatu pemasalahan yang muncul dalam mendesain PLTS Pembangkit Listrik Tenaga Surya adalah adanya penentuan besarnya beban konsumsi energi listrik yang tepat di daerah kepulauan. Hal tersebut dikarenakan kurangnya informasi yang tersedia mengenai data konsumsi energi listrik di daerah terpencil atau jauh dari jangkauan listrik PLN. Salah satu solusi untuk mengatasi adanya permasalahan tersebut adalah dengan memberikan suatu pemodelan matematis berupa besarnya beban konsumsi energi listrik di daerah tersebut. Penelitian ini memaparkan tentang pemodelan konsumsi energi listrik di Desa Kolorai, Morotai, Provinsi Maluku Utara Indonesia berbasis energi baru terbarukan salah satunya yaitu Pembangkit Listrik Tenaga Surya. Tahapan yang dilakukan dalam peneliltian ini yaitu dengan menentukan besarnya beban energi listrik di desa tersebut pada tahun 2017 dengan metode wawancara. Selanjutnya, melakukan proyeksi pertumbuhan beban listrik dengan menerapkan metode regresi Principal Component PC untuk desa tersebut. Proyeksi kebutuhan energi listrik yang ditentukan berdasarkan proyek lifetime berakhir yaitu tahun 2033. Berdasarkan hasil metode regresi PC, proyeksi konsumsi energi listrik yang didapatkan tahun 2033 untuk skenario 1 dan 2 yaitu 258,93 kWh dan 145,03 kWh per hari untuk regresi PC lima variabel dan 257,66 kWh dan 144,29 kWh per hari untuk regresi PC tiga variabel.

---

ABSTRACTA problem gained for PV power plant designer is determining electrical energi consumption data for PV power plant design, especially for remote areas. It 39 s due to the lack of information available on data of electrical energy consumption in remote areas or far from a grid PLN . As solutions, this research proposes electrical energy consumption with mathematical modeling for that village based on economic and social conditions in Kolorai Village, Morotai, North Maluku Province as study locations based on PV sources. One of steps was undertaken in this research is to determine the electrical energi consumption in 2017 by the method of interview. The projection of the electrical energi consumption is determined by the lifetime of the project ends in 2033. Based on principal component regression method, the daily electrical energi consumption was obtained in 2033 with five regression variable for scenarios 1 and 2 are 258,93 kWh and 145,03 kWh per day. On the other hand, the daily electrical energi consumption projections are 257,66 kWh and 144,29 kWh per day respectively three regression variable."