Hasil Pencarian  ::  Simpan CSV :: Kembali

"Serat Jangka (ramalan) Raja Jayabaya tentang 3 zaman besar: 1. Zaman Kaliswara; 2. Zaman Kaliyoga; 3. Zaman Kalisangara."

"Buku ini berisi mengenai pembahasan Jangka Jayabaya atau ramalan Jayabaya yang dikaitkan atau diselaraskan dengan peristiwa Indonesia yang berhasil merdeka. Bahwa bangsa Indonesia mendapat keadilan pada semua aspek yang dilaluinya. Gambaran mengenai pemimpin rakyat."

"Teks ini berisi ramalan Prabu Jayabaya dari Kediri mengenai Tanah Jawa, diawali cerita mengenai tanah Jawa yang belum ada penghuninya. Diceritakan, Sultan Galbah dari Rum diperintah untuk mengisi pulau Jawa. Dua puluh ribu orang dari Rum membantu mendirikan rumah dan membabad hutan di pulau Jawa. Cerita diakhiri dengan cerita mengenai Jaka Sangkala seorang peramal yang disegani banyak orang karena kepandaiannya meramal. Juga ada daftar tahun Jawa dan tahun Arab."

"Buku ini membahas mengenai perhitungan baik buruknya hari dengan menggunakan perhitungan pawukon, agar selamat dalam mengerjakan berbagai hal. Pengetahuan mengenai perhitungan ?Wariga Gemet? tersebut dipercaya sebagai ajaran dari Sunan Giri"

"Bagian Operasional Badan Meteorologi Klimatologi dan Geofisika hingga saat ini belum memiliki metode baku dalam memprakirakan cuaca jangka pendek. Metode yang selama ini digunakan adalah dengan analogi peristiwa cuaca yang telah lampau. Penelitian ini berusaha menjawab apakah metode pohon keputusan yang dihasilkan algoritma C4.5 dapat digunakan untuk memprakirakan cuaca jangka pendek? Bagaimana tingkat akurasi yang dapat diberikan oleh metode ini? Training data serta testing data yang digunakan dalam penelitian ini berupa data hasil pengamatan unsur cuaca rata-rata harian (temperatur udara, kelembaban udara, tekanan udara, kecepatan angin, arah angin, lama penyinaran matahari, dan curah hujan) yang diperoleh dari Stasiun Meteorologi 745 Kemayoran Jakarta. Sebagai training data digunakan data pengamatan unsur cuaca dari tahun 2002 hingga 2006 sedangkan testing data adalah data tahun 2007 dan 2008. Tingkat akurasi prakiraan cuaca yang dihasilkan metode pohon keputusan ini berkisar pada angka 40% hingga 80% untuk 2 kategori (hujan dan tidak hujan). Sedangkan untuk tingkat akurasi prediksi 6 kategori (tidak hujan, hujan sangat ringan, hujan ringan, hujan sedang, hujan lebat, dan hujan sangat lebat) berkisar pada angka 30% hingga 80%. Perbedaan akurasi dipengaruhi dari jenis musim testing data (musim hujan, pancaroba I, kemarau, dan pancaroba II). Metode pohon keputusan ini dapat digunakan untuk memprakirakan cuaca jangka pendek dimana akurasi yang dihasilkan telah diterima Badan Meteorologi Klimatologi dan Geofisika karena untuk 2 kategori, nilai akurasinya relatif berada diatas 60%.

---

The Operational of Badan Meteorologi Klimatologi dan Geofisika until now have no standardized method in doing short-range weather forecasting. They use analogical method in forecasting what the weather would be the day after. This research is conducted in order to discover whether decision tree method could be used to forecast weather for such a short period of time and also to discover how acurate this method could be. The research uses daily-monitored weather elements data such as temperature, humidity, pressure, wind speed, from where the wind blowing, sunshine, and precipitation. The data was gathered from Stasiun Meteorologi 745 Kemayoran Jakarta. Data measured during 2002-2006 is used as training data, and the one measured during 2007 and 2008 is used as testing data. Prediction accuracy resulted from this decision tree method is around 40% to 80% for 2-category prediction (rain and no-rain). And for 6-category prediction (no-rain, very-light-rain, light-rain, moderate-rain, heavy-rain, and very-heavy-rain), the accuracy is around 30% to 80%. The 6-category prediction accuracy differs from the 2-category prediction because the testing data was measured in different seasons and it causes the accuracy for rainy season testing data is lower than any other season in 6-category prediction. The conclusion that can be made is that decision tree method could be used as one of short-range weather forecasting methods since its prediction accuracy for 2-category is acceptable according to Badan Meteorologi Klimatologi dan Geofisika (relatively above 60%)."

"Naskah ini berisi kumpulan dari beberapa karya tentang ramalan, pralambang nagari, agama Islam serta nasib manusia setelah mati, yang digabung menjadi satu teks besar berbentuk tembang macapat. Di dalam naskahnya sendiri batas-batas antar teks tidak ditandai dengan jelas, hanya disebutkan pada awal pupuh baru bahwa sumber lain akan dikutip. Bagian teks yang sempat kami bedakan berdasarkan keterangan dalam teksadalah disebutkan di bawah ini: 1) Jangka Jayabaya (h.i-37) konon disadur dari Kitab Musarar (h.1), berisi uraian tentang sejarah tanah Jawa yang dibagi-bagi dalam periode setiap seratus tahun, baik untuk masa lampau maupun masa yang akan datang. Daftar pupuh sebagai berikut: (1) asmaradana; (2) dhandanggula; (3) sinom; (4) pangkur; (5) mijil.; 2) Kitab yang meneruskan uraian ala janga Jayabaya, khususnya menerangkan tentang asal usul tanah Jawa (gunung, sungai dan lain-lain), menurut keterengan dalam teks (h.37) diambil dari buku utama Ungmul Katabi (h.37-74). Daftar pupuh sebagai berikut: (6) pangkur; (7) sinom; (8) dhandanggula; (9) asmaradana.; 3) Masih meneruskan keterangan yang sama di atas, tetapi mengaku menyadur dari Kitab Mukharar (h.74-105), namun yang dimaksud tidak mungkin dari Kitab Mukharar karangan Ar-Rafii yang terkenal, sebab masalah fiqih tidak disentuh-sentuh di dalamnya. Daftar pupuh sebagai berikut: (10) pangkur; (11) asmaradana; (12) pangkur; (13) sinom; (14) durma.; 4) Bagian terakhir (h.105-183) berisi ajaran-ajaran tentang beberapa aspek teologi Islam, terutama tentang nasib manusia setelah meninggal dunia. Pada h.183 penyalin menyebutkan judulnya sebagai Kabar Kiyamat. Daftar pupuh sebagai berikut: (15) asmaradana; (16) sinom; (17) durma; (18) sinom; (19) asmaradana; (20) durma; (21) dhandanggula; (22) sinom; (23) durma; (24) pangkur; (25) sinom; (26) dhandanggula; (27) sinom; (28) pangkur. Informasi penulisan teks ini tidak disebutkan dalam naskah, tetapi penyalinan dilaksanakan di skriptorium Kraton Ngayogyakarta pada zaman HB V, dimulai pada tanggal 18 Desember 1846 dan selesai 27 Januari 1847 ( 9 Sapar, Dal 1775, ongka merta 330). Dilihat dari cara penanggalan dan gaya tulisan yang sangat khas, cocok sekali dengan identifikasi naskah sebagai produk Kraton Yogyakarta zaman HB V."

"Dalam penelitian ini, penulis menguji kinerja return jangka panjang dari 39 perusahaan yang melakukan lnitiai Public Offering (IPO) dari tahun 1999-2001. Pengujian bettujuan untuk melihat apakah kinmja saham-saham IPO tersebut Iebih rendah dibandingkan dengan kinerja pasar (imderperform) seperti yang ditemukan peneliti lain di mancanegara scbagai "new issues puzzle". Penulis juga menguji konsistensi beberapa metode pengukuran kinerja terhadap hipotesa underperform, serta melihat teori mana yang dapat menjelaskan fenomena underperform tersebut diantara tiga teori ; the divergence of opinion, the impresario dan the windows of oppotunity hypothesis. Pengujian dilakukan Secara event study dan cross section. Event study digunakan untuk melihat pergerakan harga saham-saham IPO dengan parameter abnormal rerun: secara kumulatif dan stratcgi buy-and-hold dengan pembobotan seimbang dan berdasarkan value. Sedangkan analisa cross section digunakan untuk melihat teori yang mempengaruhi return dengan strategi buy-and-hold. Dalam analisa ini digunakan model regresi berganda dengan variabel bebas initial return hari pertama saham-saham IPO, size perusahaan dan return pasar enarn (6) bulan sebelum IPO juga dimasukan variabel variabel dummy selector keuangan. Secara keseluruhan diperoleh kesimpulan bahwa kinerja yang underperjorm hanya terjadi pada emiten non keuangan dalam penode satu, dua maupun tiga tahun. Dari metode pengukuran yang digunakan, diperoleh hasil dan kekuatan pengujian yang berbeda Penulis juga menemukan dalam analisa cross section bahwa hanya variabel initial return hari pertama saham-saham IPO dan dummy sektor keuangan yang mempunyai pengaruh signifikan dengan I1 5-10% terhadap kinerja jangka panjang saham-saham IPO. Hasil ini sesuai dengan teori The impressario hypothesis dari Shiller (1990) dan Debont &. Thaler (l985,I98'?) yang menjelaskan bahwa IPO merupakan subyek yang bisa diatur untuk menciptakan excess demand. Penulis melihat dipacunya perkembangan BEJ dengan pesat melalui proses IPO yang relatif mudah dan orientasi trading investor yang jangka pendek, membuka peluang pengaturan dalam IPO. Sehingga dalam jangka panjang kinerja return saham-saham IPO tersebut akan jelek. Namun hal ini sulit teljadi pada emiten-emiten hesar yang mempunyai fundamental yang kuat. "

"Dalam perencanaan operasi harian, diperlukan perkiraan beban beberapa waktu kedepan sebagai dasar penentuan strategi pembangkit. Saat ini belum dibentuk suatu model matematis yang dapat digunakan untuk melakukan perkiraan beban listrik secara akurat. Untuk itu pada penelitian kali ini akan disusun model matematis yang dapat melakukan peramalan beban secara akurat. Metode yang digunakan pada penelitian ini untuk melakukan peramalan beban listrik di Jawa-Bali adalah dengan menggunakan Feed Forward Neural Networks dan Bayesian Neural Networks. Hasil dari pengolahan data yang telah dilakukan diperoleh hasil bahwa peramalan dengan Feed Forward Neural Networks memberikan hasil peramalan yang lebih baik untuk rentang waktu 1 minggu kedepan, sedangkan untuk melakukan ramalan 1 ? 2 hari kedepan Bayesian Neural Networks memberikan hasil yang lebih akurat.

---

In the daily operations planning, required load estimates as a basis for determining the generating strategy. Currently a mathematical model that can be used to perform accurately estimate the electric load has not been established. Therefore in the present study will be developed a mathematical model that can perform load forecasting accurately. The method used in this study to to forecast electricity load in Java-Bali is by using Feed Forward Neural Networks and Bayesian Neural Networks. The results shows forecasting with Feed Forward Neural Networks provide better forecasting results for a span of 1 week ahead, while to do a forecast 1-2 days ahead of Bayesian Neural Networks provide more accurate results."

"Sebagai dasar dalam perencanaan operasi, dibutuhkan prakiraan yang tepat untuk mengetahui kebutuhan tenaga listrik dalam periode waktu tertentu. Prakiraan biasanya berupa prakiraan beban load forecasting meliputi beban puncak MW, dan prakiraan kebutuhan energi listrik MWh. Dalam melakukan prakiraan telah berkembang berbagai macam metode, salah satunya metode koefisien yang digunakan oleh PT PLN Persero- P2B untuk memprakirakan beban harian dan mingguan dengan data realisasi 3 tahun sebagai pengembangan dari metode autoregresi. Metode prakiraan ini merupakan metode yang relatif akurat dengan tingkat kesalahan terhadap nilai-nilai beban aktual berkisar 5 - 10.

---

A basis for operations planning, precise forecasts are needed to determine the demand for electricity over a period of time. Forecasts usually includes load forecasting including peak load MW, and forecasts for electrical energy MWh. In doing the work has evolved a variety of methods, one of which is the coefficient method used by PT PLN Persero P2B to forecast daily and weekly loads with 3 years realization data as the development of the autoregression method. This forecasting method is a relatively accurate method with an error rate against actual load values ranging from 5 10."

"ABSTRAKSuatu runtun waktu dikatakan proses memori jangka panjang jika setiap pengamatan masih memiliki ketergantungan. Proses memori jangka panjang tidak dapat dimodelkan dengan model umum AR, MA, ARMA, serta ARIMA, karena pada proses memori jangka panjang korelasi antar pengamatan yang terpisah jauh tidak diabaikan. Granger Joyeux 1981 mengembangkan model Autoregressive Fractionally Integrated Moving Average ARFIMA yang dapat memodelkan proses memori jangka panjang dengan parameter fractional differencing d yang bernilai riil karena melibatkan seluruh data pengamatan, artinya korelasi setiap pengamatan yang sudah lama tidak diabaikan. Untuk memodelkan suatu runtun waktu dengan model ARFIMA, terlebih dahulu dilakukan pengujian untuk menentukan adanya proses memori jangka panjang yaitu analisis rescaled range. Analisis ini dilakukan dengan mempartisi runtun waktu menjadi beberapa sub-periode dan melihat korelasi antar sub-periode yang dipartisi. Dari analisis tersebut diperoleh eksponen Hurst H yang menggambarkan sifat runtun waktu. Proses memori jangka panjang terjadi ketika . Pada model ARFIMA dilakukan proses penaksiran untuk menentukan nilai parameter yang tepat untuk memodelkan proses memori jangka panjang pada data. Suatu data dikatakan stasioner dan memori jangka panjang jika . Penaksiran parameter yang digunakan yaitu metode Geweke Porter-Hudak GPH . Metode GPH ini dilakukan dengan membentuk persamaan spektral model ARFIMA menjadi persamaan regresi spektral dengan log-periodogram sebagai variabel tak bebasnya.

---

ABSTRACTA time series is said to be a long term memory process if each observations still has a dependency. Long term memory processes can not be modeled with AR, MA, ARMA, and ARIMA general models, because the correlations between remote observations of long term memory processes of can not be ignored. Granger Joyeux 1981 developed an Autoregressive Fractionally Integrated Moving Average ARFIMA model for modeling time series in the presence of long memory with fractional differencing d parameters that are real value. So, the model involve all observational data, which means the correlation of any observations that are far apart by time is not ignored . For modeling a time series with the ARFIMA model, we have to determine the long term memory process by rescaled range analysis. This analysis is applied by partitioning the time series into several sub periods and considering the correlations between partitioned sub periods. From the analysis, Hurst exponents H are obtained which illustrate the time series characteristics. Long term memory process occurs when . In the ARFIMA model an estimation process is performed to determine the exact fractional differencing parameter values of data to model the long term memory process in the data. A data is said to be stationary and long term memory if . The estimation of fractional differencing parameter use the Geweke Porter Hudak GPH method. This method is implemented by forming spectral functions of the ARFIMA model into a spectral regression equation with log periodogram as the dependent variable. "