Hasil Pencarian  ::  Simpan CSV :: Kembali

"Runtun waktu adalah salah satu data yang paling umum dan banyak dijumpai di kehidupan sehari-hari. Runtun waktu dianalisis dengan dua tujuan utama, yaitu untuk memodelkan mekanisme stokastik dari runtun waktu tersebut dan untuk melakukan peramalan. Untuk keperluan dua tujuan tersebut, banyak model runtun waktu yang telah dikembangkan, salah satunya adalah model autoregressive moving average (ARMA). Model ARMA adalah model runtun waktu univariat yang cukup populer dan umum digunakan saat ini. Seiring berjalannya waktu, mulai dikembangkan model runtun waktu multivariat, yang dapat memodelkan runtun waktu dengan dua atau lebih variabel. Meng- gunakan model runtun waktu multivariat untuk memodelkan dua atau lebih variabel tentu lebih efektif dibandingkan memodelkannya satu per satu menggunakan model univariat. Selain itu, model runtun waktu multivariat juga dapat menjelaskan hubungan dinamis antarvariabel yang saling terkait. Dalam skripsi ini, akan dijelaskan versi multivariat dari model ARMA, yaitu model vector autoregressive moving average (VARMA), mulai dari karakteristiknya, spesifikasi model, penaksiran parameter, hingga melakukan pera- malan. Penaksiran parameter akan dilakukan dengan menggunakan metode conditional maximum likelihood. Model VARMA ini kemudian akan digunakan untuk melakukan peramalan dua variabel yang cukup berpengaruh dalam ekonomi makro, yaitu data harian indeks harga saham gabungan (IHSG) dan kurs mata uang rupiah terhadap dolar Amerika Serikat. Data tersebut juga akan dimodelkan menggunakan model ARMA(p,q) dan VAR(p). Model yang digunakan adalah model ARIMA(0,1,0) untuk data IHSG, model ARIMA(0,1,2) untuk data kurs rupiah, model VARI(3,1) dan model VARIMA(1,1,1). Menggunakan indikator mean absolute percentage error (MAPE), didapatkan hasil bahwa model VARI(3,1) memberikan hasil peramalan yang paling akurat.

---

Time series is one of the most common data and is often found in everyday life. The purpose of time series analysis is generally twofold: to understand or model the stochastic mechanism that gives rise to an observed series and to predict or forecast the future values of a series based on the history of that series and, possibly, other related series or factors. For the purposes of these two objectives, many time series models have been developed, the most popular one is autoregressive moving average (ARMA) model. The ARMA model is a univariate time series model that is quite popular and commonly used today. Over time, multivariate time series models have been developed, which can model time series with two or more variables. Using a multivariate time series model to model two or more variables is certainly more effective than modeling them one by one using a univariate model. In addition, the multivariate time series model can also explain the dynamic relationship between interrelated variables. In this undergraduate thesis, we will explain the multivariate version of the ARMA model, the vector autoregressive moving average (VARMA) model, starting from its characteristics, model specifications, param- eter estimation, to forecasting. Parameter estimation will be done using the conditional maximum likelihood method. Then, this VARMA model will be used to forecast two maroeconomics indicators: daily data of Indonesia Composite Index and the USD-IDR exchange rate. The data will also be modeled using the ARMA(p,q) and VAR(p) models. In chapter 4, the models used are ARIMA(0,1,0) model for Indonesia Composite Index data, ARIMA(0,1,2) model for USD-IDR exchange rate data, VARI(3,1) model and VARIMA(1,1,1) model. Using the mean absolute percentage error (MAPE) indicator, the results show that VARI(3,1) model provides the most accurate forecasting results."

"Salah satu hal penting yang harus dipertimbangkan oleh perusahaan yang akan menawarkan sahamnya kepada masyarakat adalah penentuan harga saham perdana. Berdasarkan keputusan Ketua BAPEPAM No. KEP-01/PM/1988 tanggal 22 Pebruari 1988 pasal 11, disebutkan bahwa harga saham perdana ditetapkan berdasarkan kesepakatan bersama antara emiten dan penjamin emisi. Harga saham tersebut haruslah merupakan harga yang wajar, artinya bahwa harga saham tersebut sesuai dengan kondisi keuangan dan prospek usaha yang dimiliki perusahaan dan dapat diterima oleh para calon penanam modal.Pembicaraan mengenai harga sebuah saham juga menyangkut perkiraan prestasi perusahaan di masa mendatang yang dinilai dari kinerja keuangan selama waktu tak terhingga, yang dapat diamati dari laporan keuangan yang dikeluarkan secara periodik. Dalam penulisan karya akhir ini, penulis rnencoba menganalisis kinerja keuangan dan menghitung harga wajar saham perdana PT. Pembangunan Jaya Ancol, Tbk dengan menggunakan Iaporan keuangan selama periode tahun 1999-2003. Dalam melakukan penilaian fair price dari PT. Pembangunan Jaya Ancol, Tbk. penulis menggunakan metode Free Cash Flow to Equity Model dan P/E Multiple Model.Dalam Penawaran Umum Perdana Saham, PT. Pembangunan Jaya Ancal, Tbk. perkiraan harga saham perusahaan dilakukan dengan analisis internal perusahaan yang meliputi kinerja yang telah dicapai perusahaan, strategi yang akan dikembangkan perusahaan di masa mendatang. Hasil perhitungan yang diperoleh dari metode Free Cash Flow to Equity constant growth model memperlihatkan harga wajarnya sebesar Rp. 913,00, sedangkan two stage model memperlihatkan harga wajarnya sebesar Rp. 991,00.Hasil perhitungan metode P/E Multiple Model yang berdasarkan acuan PT. Ciputra Development memperlihatkan harga wajamya sebesar Rp. 637, 00. P/E Multiple model yang menggunakan acuan PIE Industri menghasilkan harga wajar sebesar Rp. 1070,00.Dengan menghitung rata-rata harga saham berdasarkan keempat perhitungan diatas maka harga wajarnya adalah sebesar Rp. 903,00: Dengan membandingkan harga saham perdana yang ditawarkan sebesar Rp. 1.025 dengan harga rata-rata tersebut, maka harga saham perdana yang ditawarkan PT. Pembangunan Jaya AncoI, Tbk dapat dikatakan overvalued.

---

One of the important factors that must be considered by a company when offering its share to public is determining the initial price. According to Keputusan Ketua BAPEPAM No. KEP-01IPM/1988 February 22, 1988 pasal 11 (government regulation), the initial price should be based on the agreement between the company and Effect Guaranteed Company. The share price must be a fair price. This suggests that it must be based on financial conditions, the company's ability to grow in the future and accepted by the investor.Share price also involves a prediction on the company's performance in the future. The performance counted till infinite time and could be kept track from financial report periodically. In this thesis, the writer attempts to analyze the financial performance of PT. Pembangunan Jaya Ancol, Tbk and calculate the fair price for its initial public offering using its financial report from 1999 to 2003. Two methods were used to valuate the fair price for PT. Pembangunan Jaya Ancol, Tbk, i.e. free Cash Flow to Equity Model and PIE Multiple Model.In the Initial Public Offering stage, PT. Pembangunan Jaya Ancol, Tbk estimated their share price using an Internal Analysis which includes the company's performance and the strategy applied for the future.Free Cash Flow to Equity Constant Growth model indicated a fair price of Rp. 913,00 per share. Meanwhile two stage model indicated a fair price Rp. 991 00. PIE Multiple Model with reference from PT. Ciputra Development indicated a fair price of Rp. 637, 00. Whereas the result from PIE Multiple Model with reference Property and Real Estate Industry indicated a fair price of Rp. 1.070, 00.By using the average share price based on the above calculations, the fair price is Rp 903.00. If we compare the initial public offering, that is Rp 1.025 with the average price, we can conclude that PT. Pembangunan Jaya Ancol, Thk's IPO stock price is over valued."

"ABSTRAKIndustri otomotif di Indonesia sebagai pelopor proses industrialisasi masih saja menghadapi berbagai kendala terutama ekonomi biaya tinggi dan ineffisiensi . Masalah ini tidak terlepas dan faktor "remote environment" seperti teknologi dan perubahan politik ekonomi dunia dewasa Ini turut mempengaruhi perekonomian secara nasional. Disamping Itu faktor "operating environment" misalnya jumlah pemasok dan pesaing yang membawa konsekwensi besar jumlah persediaan yang tidak dapat dijual baik pada kendaraan penumpang dan niaga.Remote environment akan mempengaruhi operating environment. Banyaknya produk yang tidak dapat dipasarkan menunjukkan perusahaan tidak dapat mengantisipasi pasar dan pengunaan teknik forecasting yang naif. Oleh karena itu menarik penulis untuk menjawab permasalahan tersebut dengan menulis karya ini.Persaingan dalam industri otomotif kendaraan penumpang mengalami tingkat persaingan yang sangat tinggi didalam memperebutkan pangsa pasar terutama dikelas 1000 - 1300cc antara Indomobil dengan produk Suzuki Forsa dan Toyota Astra Motor yang memproduksi Toyota Starlet. Persaingan ini menyulitkan bagi kedua industriawan otomotif dalam melakukan perencanaan -perencanaan penjualan dan investasi.Dalam kaitan tersebut diatas penulis memberikan alternatif dengan memperkenalkan teknik forecasting yang sederhana dan andal. Forecasting akan sangat mempengaruhi keberhasilan dalam perencanaan investasi kini dan masa mendatang.Dari hasil forecasting penulis menyimpulkan, bahwa industri otomotif belum melakukan teknik forecasting yang tepat dan benar dalam melakukan perencanaan - perencanaan baik yang bersifat jangka pendek maupun jangka panjang. Besarnya persediaan kendaraan penumpang yang terjadi dewasa kini dikarenakan kelemahan dalam mengantisipasi pasar."

"PT. Metalock Indonesia sebagai salah satu perusahaan domestik yang bergerak dl bidang perbaikan kapal, sejak tahun 1989 telah memperoleh lisensi langsung dan resmi menjadi anggo ta Metalock International Associated, Ltd. Sebagal perusahaan keluarga, alih generasi pimpinan peru sahaan diharapkan merupakan salah satu cara untuk membawa perusahaan ke tingkat pertumbuhan yang lebih baik. Namun demi kian, dapat dikatakan perusahaan ini belum menjamah pasar yang menjadi sasarannya. Sebagian besar operasinya (kurang lebih 99 %) masih melayani perusahaan induk dan perusahaan anggota resmi lainnya serta dilakukan di luar negeri. Hal ini menyebabkan peluang yang dimiliki hilang begitu saja dan kemampuan - terutama dilihat dari segi waktu - perusahaan untuk mengembangkan pasarnya menjadi sangat terbatas. Dengan demikian tujuan utama menerima lisensi agar dapat memasarkan produk teknologi pengelasan dengan sistem ?Metalock? di Indone sia belum sepenuhnya dapat dìlaksanakan. Masalah utama yang dihadapi untuk pemasarari dalam negeri adalah perusahaan tidak mampu menerapkan strategi biaya terken dali (overall cost leadership) secara konsisten. Strategj ini sulit diterapkan karena perusahaan induk mendominasi penen tuan barga bahan baku. Jika dikaji lebih mendala, perusahaan dapat disebut seba gai pemimpin dalam hal teknologi dl bidangnya yaitu di pasar Industri perbaikan kapal, khususnya pada repairing Engine of Ships?. Di dalam, negeri tidak ada perusahaan lain yang memiliki teknologi yang dapat disamakan. Ketergantungan perusahaan akan rekomendasi perusahaan induk dan perusahaan anggota resmi lainnya, merupakan risiko besar yang mengandung ketidakpastian di masa yang akan datang. Oleh karena itu, perusahaan perlu melakukan forecasting yang bertujuan agar forecastnya bisa meminimumkan pengaruh ketidak pastian terhadap perusahaan. Masalah yang timbul adalah bagai mana memilih metoda forecast yang paling cocok untuk kondisi perusahaan. Dari berbagai analisis yang telah dilakukan maka dengan basis data historis dapat disimpulkan bahwa metoda dekomposisi merupakan metoda yang balk digunakan. Kondisi data histor-js menunjukkan bahwa pola demand perusahaan mempunyai pola yang agak kompleks, misalnya ada unsur kenaikan, berfiuk tuasi, dan tidak teratur. Untuk dianalisa dan diforecast seka ligus sangat sulit, sehfngga sebaiknya dilakukan dekomposisi (pemecahan) ke dalam 4 komponen (pola) perubahan yaltu trend, fluktuasi musiman, fluktuasi siklus, dan perubahan yang bersi fat random. Masing-masing pola perubahan dianalisis satu per satu, setelah ditemukan dlgabungkan menjadi nilal, taksiran, atau ramalan. Metoda ini cukup kompleks tetapi untuk kondisi perusahaan seperti ini cukup akurat untuk menghasilkan forecast mendekati apa yang akan terjadi. Selanjutnya untuk implementasi forecast ing perlu dilaksanakan strategi atau program pemasaran jangka pendek misalnya promosi yang efisien dan efektif serta program jangka panjang misalnya perluasan segmen pasar serta struk turisasi harga."

"Forecasting adalah salah satu metode data mining yang digunakan untuk meramalkan atau memperkirakan mengenai sesuatu yang belum terjadi. Pada dunia bisnis, forecasting biasa digunakan dalam menentukan keputusan bisnis untuk masa yang akan datang. Penelitian ini ingin menunjukkan implementasi forecasting untuk data penjualan organisasi yang bersifat irregular, dengan menggunakan dua metode forecasting yaitu simple moving average dan single exponential smoothing. Hasil forecasting kemudian divisualisasikan dalam bentuk dashboard. Penelitian ini menunjukkan secara umum metode single exponential smoothing memberikan prediksi yang lebih baik dibandingkan simple moving average dengan selisih nilai forecast error sebesar 18,62 untuk produk dan 20,46 untuk customer.

---

Forecasting is one of data mining method that is used to predict or estimate something that has not happened. On the business world, forecasting often used to determine business decision for the future. This research would like to show the implementation of forecasting for sales data organization that is irregular, with the use of two methods of forecasting, which are simple moving average and single exponential smoothing.

The forecasting result then visualized in dashboard form. This research shows in general, single exponential smoothing method provides better predictions than simple moving average with the difference between the value of forecast error of 18,62 for products and 20,46 for customers."

"Peristiwa kebakaran hutan dan lahan (karhutla) merupakan salah satu bencana yang terjadi secara berulang di Indonesia, khususnya saat musim kemarau. Peristiwa ini tentunya menimbulkan banyak kerugian baik secara ekonomi, ekologi, maupun sosial. Oleh karena itu, perlu dilakukan prakiraan di wilayah yang berpotensi mengalami karhutla. Salah satu provinsi yang rawan mengalami karhutla adalah Provinsi Sumatera Selatan. Peristiwa karhutla dapat dipantau oleh satelit yang diindikasikan sebagai titik panas. Penelitian ini menggunakan data hotspot (titik panas) dengan parameter tanggal, tingkat kepercayaan, dan kabupaten-kabupaten di Sumatera Selatan yang tertangkap satelit pada periode tahun 2015-2019. Prediksi potensi karhutla dilakukan di wilayah kabupaten dengan jumlah titik panas tertinggi yaitu Kabupaten Ogan Komering Ilir, Kabupaten Musi Banyuasin, dan Kabupaten Banyuasin. Untuk mencapai tujuan penelitian, penelitian ini menggunakan Prophet Forecasting Model (PFM) yang didasarkan pada model aditif dengan memperhatikan tiga komponen utama yaitu trend, seasonality, dan holiday effects. PFM merupakan metode yang menggunakan pendekatan machine learning dalam melakukan prediksi terhadap deret waktu dimana permasalahan forecasting dilihat sebagai curve-fitting exercise. Hasil analisis menunjukkan bahwa PFM dapat diimplementasikan pada data titik panas dengan penilaian forecast accuracy termasuk dalam kategori baik di Kabupaten Ogan Komering Ilir dengan nilai MAPE 0,1753; kategori layak di Kabupaten Musi Banyuasin dengan nilai MAPE 0,2588; dan kategori baik di Kabupaten Banyuasin dengan nilai MAPE 0,1833.

---

Forest and land fires are one of the recurring disasters in Indonesia, especially during the dry season. This incident certainly caused many losses economically, ecologically, and socially. Therefore, it is necessary to make predictions in high potential areas for forest and land fires to occur. One province that is prone to forest and land fires is South Sumatra Province. Forest and land fires events can be monitored by satellites which are indicated as hotspots. This research uses hotspot data with parameters of date, level of confidence, and regencies in South Sumatra that are caught by satellites in the period 2015-2019. The prediction of the potential for forest and land fires was carried out in districts with the highest number of hotspots, namely Ogan Komering Ilir Regency, Musi Banyuasin Regency, and Banyuasin Regency. To achieve the research objectives, this study uses the Prophet Forecasting Model (PFM) which is based on additive model by taking into account three main components, namely trend, seasonality, and holiday effects. PFM is a method that uses a machine learning approach to predict time series where forecasting problems are seen as curve-fitting exercises. The results show that PFM can be implemented in hotspot data with forecast accuracy in the good category for Ogan Komering Ilir Regency with MAPE value of 0.1753; reasonable category in Musi Banyuasin Regency with MAPE value of 0.2588; and good category in Banyuasin Regency with MAPE value of 0.1833."