Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Model Kumaraswamy Autoregressive Moving Average (KARMA) merupakan suatu model runtun waktu yang digunakan untuk data runtun waktu yang terbatas pada interval tertentu (a,b) dan diasumsikan mengikuti distribusi Kumaraswamy. Distribusi Kumaraswamy adalah distribusi yang memiliki dua shape parameter, yaitu dan yang menyebabkan distribusi ini memiliki keanekaragaman bentuk grafik fungsi densitas probabilitas seperti unimodal, fungsi naik, fungsi turun, dan fungsi konstan. Pada praktiknya, distribusi ini sering diaplikasikan pada berbagai bidang seperti bidang hidrologi, kesehatan, ekonomi, dan lain-lain. Model KARMA dibentuk dari regresi Kumaraswamy dengan asumsi error model mengikuti proses ARMA. Pada model KARMA, median variabel respon dihubungkan dengan variabel-variabel prediktor (regresor) menggunakan sebuah fungsi penghubung yang monoton, kontinu, dan dapat diturunkan. Metode estimasi parameter model KARMA adalah Conditional Maximum Likelihood Estimation (CMLE) karena dalam proses estimasi diperlukan distribusi bersyarat dari periode sebelumnya. Model KARMA selanjutnya diaplikasikan pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, Brazil dari Januari 2000 hingga Desember 2017 karena data tingkat mortalitas merupakan data yang terbatas pada interval (0,1). Model KARMA terbaik untuk data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, digunakan model terbaik KARMA(3,3) dengan nilai MAPE sebesar 19.0988%.

---

The Kumaraswamy Autoregressive Moving Average (KARMA) model is a time-series model used for time-series data that is limited to a certain interval (a,b) and is assumed to follow the Kumaraswamy distribution. The Kumaraswamy distribution is a distribution that has two shape parameters, namely and which causes this distribution to have a diverse of graphic forms of probability density functions such as unimodal, increasing functions, decreasing functions, and constant functions. In practice, this distribution is often applied to various fields such as hydrology, health, economics, and other fields. The KARMA model is formed from Kumaraswamy regression assuming the error model follows the ARMA process. In the KARMA model, the median of response variable is linked to the predictor variables (regressor) using a monotonous, continuous, and derivable connecting function. The method used for parameter estimation in KARMA model is Conditional Maximum Likelihood Estimation (CMLE) because a conditional distribution of previous periods is required in the estimation process. The KARMA model will then be applied to monthly mortality rates due to occupational accidents in Rio Grande do Sul, Brazil from January 2000 to December 2017 data because mortality rate data is bounded to the interval (0.1). The best KARMA model for the data was selected based on Akaike's smallest Information Criterion (AIC) values and then forecasted for the next six periods. In the data on the monthly mortality rate due to work accidents in Rio Grande do Sul, a MAPE value of 19.0988% was obtained."

"Perubahan pada jadwal pengiriman dan jumlah produk yang dilakukan oleh pelanggan di perusahaan make-to-order menyebabkan kegiatan produksi terhambat pada perusahaan suatu perusahaan kemasan fleksibel. Hal ini menyebabkan sering terjadinya perubahan jadwal produksi serta ketidaktersediaan bahan baku untuk proses produksi. Maka dari itu, peramalan diajukan untuk menanggulangi ketidakpastian permintaan. Penerapan peramalan permintaan dilakukan untuk melakukan Perencanaan Kebutuhan Bahan. Tujuan dari penerapan perencanaan kebutuhan bahan baku adalah dapat memastikan ketersediaan bahan baku serta dapat mengurangi jumlah persediaan. Dalam penelitian ini, metode ARIMA, Holt-Winter’s, dan Jaringan Syaraf Tiruan diajukan untuk meramalkan permintaan pelanggan. Objek pada penelitian ini adalah 3 produk pada perusahaan objek penelitian. Dengan penerapan perencanaan kebutuhan bahan baku, setiap kebutuhan bahan baku untuk permintaan selama bulan oktober hingga desember 2019 dapat terpenuhi. Dalam penelitian ini, ditemukan bahwa penerapan perencanaan kebutuhan bahan baku dapat memenuhi kebutuhan permintaan namun dapat meningkatkan jumlah persediaan dan biaya persediaan yang dikeluarkan. Maka dari itu, peramalan dapat dikatakan berhasil memprediksi permintaan untuk menanggulangi ketidakpastian dan perencanaan kebutuhan bahan baku dapat dijadikan opsi untuk diterapkan pada perusahaan make-to-order dengan permintaan yang tidak pasti.

---

Alteration of order quantiy and delivery schedule by the customer is disrupting the production activity in a make-to-order type production corporation. The uncertainty of quantity and schedule creates a frequent occurence of production rescheduling and material stock out for production activity. Forecasting is proposed to tackle the uncertainty of the order quantity and schedule. Material Requirements Planning is used to determine the schedule and quantity needed for each material. The object of this research is three products with the highest order frequency and quantity. In this study, the proposed forecasting methods are Autoregressive Integrated Moving Average (ARIMA), Holt-Winter’s method, and Artificial Neural Network. These method will be compared to know which method are the best for each product by considering the error measurement of the methods. After implementing Material Requirements Planning for the actual demand of october until december 2019. These methods can fullfill every material needed for each product. The findings in this study is Material Requirements Planning can provide the requirements for production while increasing the inventory level and inventory cost. This proves that these methods can be applied as an option for make-to-order production company with an uncertain quantity and schedule of order."

"Tingkat mortalitas merupakan salah satu indikator dalam kemajuan bidang kesehatan dan untuk membantu mengidentifikasi kelompok masyarakat yang diutamakan menerima program kesehatan serta pembangunan khusus. Tingkat mortalitas juga dapat digunakan untuk menunjukkan tingkat kesejahteraan dan kualitas hidup suatu negara. Selain itu tingkat mortalitas juga berperan dalam penetapan harga premi (pricing) dan perhitungan cadangan manfaat (valuation) untuk polis asuransi, produk anuitas, serta berperan dalam manajemen risiko aktuaria dan program pensiun. Mengingat tingkat mortalitas merupakan variabel acak yang berubah dari waktu ke waktu dan nilainya berada pada interval (0,1), maka diperlukan suatu model untuk dapat meramalkan tingkat mortalitas di masa depan. Salah satu model yang memiliki potensi untuk dapat memodelkan dan meramalkan tingkat mortalitas adalah model Beta Autoregressive Moving Average (βARMA). Model βARMA merupakan pengembangan dari regresi beta di mana error modelnya mengikuti proses Autoregressive Moving Average (ARMA). Pada penelitian ini akan dibahas mengenai implementasi model βARMA dalam memodelkan dan juga meramalkan tingkat mortalitas. Data yang digunakan adalah data tingkat mortalitas tahunan Indonesia dari tahun 1960 hingga 2020 dengan trend menurun dan data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul dari Januari 2000 hingga Desember 2017 yang bersifat stasioner. Model βARMA terbaik untuk kedua data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Keakuratan peramalan diukur berdasarkan Root Mean Square Error (RMSE). Pada data tingkat mortalitas tahunan Indonesia, diperoleh nilai RMSE sebesar 0.0001, sementara pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, diperoleh nilai RMSE sebesar 0.0226.

---

The mortality rate is one of the indicators of progress in the health sector and to help identify groups of people who are prioritized to receive special health and development programs. The mortality rate can also be used to indicate the level of welfare and quality of life of a country. In addition, the mortality rate also plays a role in pricing premiums and calculating the benefit reserve (valuation) for insurance policies and annuity products, as well as playing a role in actuarial risk management and pension programs. Considering that the mortality rate is a random variable that changes from time to time and the value is in the interval (0,1), a model is needed to be able to forecast the mortality rate in the future. One model that has the potential to be able to model and forecast mortality rates is the Beta Autoregressive Moving Average (βARMA) model. The βARMA model is a development of beta regression where the error model follows the Autoregressive Moving Average (ARMA) process. In this study, we will discuss the implementation of the βARMA model in modeling and forecasting mortality rates. The data used are Indonesia's annual mortality rate data from 1960 to 2020 with a decreasing trend and the monthly mortality rate data due to work accidents in Rio Grande do Sul from January 2000 to December 2017 which is stationary. The best βARMA model for both data is selected based on the smallest Akaike's Information Criterion (AIC) value then a forecast is made for the next six periods. Forecasting accuracy is measured based on Root Mean Square Error (RMSE). In Indonesia's annual mortality rate data, the RMSE value is 0.0001, while in the monthly mortality rate data due to work accidents in Rio Grande do Sul, the RMSE value is 0.0226."

"Penjualan produk fesyen merupakan penjualan dengan tingkat kompetisi yang sangat tinggi dimana inventris merupakan faktor penting yang mempengaruhi permintaan produk dan keuntungan perusahaan. Produk fesyen merupakan produk dengan siklus hidup yang sangat singkat dimana suatu produk dapat digantikan dengan produk yang baru dalam jangka waktu yang sangat cepat. Kendala berupa kelebihan stok maupun kekurangan stok merupakan masalah yang sering terjadi. Perkiraan permintaan yang akurat untuk produk-produk tersebut sangat penting dalam mendorong operasi bisnis yang efisien dan mencapai keunggulan kompetitif yang berkelanjutan. Metode peramalan yang akurat sangat diperlukan dalam meramalkan produk fesyen karena beragamnya produk fesyen, selain itu produk fesyen memiliki data historis yang terbatas karena siklus hidupnya yang pendek. Oleh karena itu, sangat penting untuk mengembangkan metode peramalan yang berbeda untuk menganalisis tren permintaan produk ini. Dalam penelitian ini, skema peramalan dilakukan meggunakan metode hibrida klastering K-Means untuk melakukan agregasi terhadap beberapa jenis produk fesyen pada produk lama/produk historis, klasifikasi decision tree untuk meramalkan produk baru berdasarkan karakteristik produk lama, serta metode moving average untuk meramalkan penjualan berdasarkan time series pada produk baru.

---

Indonesian local fashion products are currently common in Indonesia because of highly level of competition where many business owner start their business in fashion local, higher demand from Indonesian citizen, efficient product development timeline and increasingly product diversity. The significant growth of Indonesian fashion local product has caused of a competitive business with the scope of Indonesian fashion local business. Accurate demand forecasting of such products become important in driving effective business especially in local fashion product and achieving a sustainable competitive advantage. In this study, forecasting demand of Indonesian local fashion product using hybrid method clustering K-means algorithm, classification method decision tree and moving average was conducted. Five independent variable/attribute descriptive was conducted to classify the item using decision tree classification method. They are color, size, material, price, and motif. In this research, the forecasting was performed as mid-term forecasting method. "

"Peramalan permintaan LPG untuk rumah tangga di Indonesia dimana masyarakatnya menggunakan sumber energi tersebut sebagai komoditi utama dalam aktifitas memasak merupakan salah satu bagian terpenting yang digunakan oleh para pengambil keputusan dalam merencanakan sebuah kebijakan. Dalam studi awal rantai pasokan selalu mengedepankan sisi permintaan dalam menentukan langkah perencanaan selanjutnya, termasuk dalam perencanaan pengelolaan LPG di Indonesia. Kodisi saat ini dimana dengan semakin meningkatnya konsumsi LPG ditengah dominasi impor dan tantangan geografis dalam distribusi, seringkali terjadi deviasi antara perencanaan dan realisasi. Hal tersebut berdampak pada aspek biaya dan operasional dilapangan. PT Pertamina (Persero) sebagai perusahaan yang diberi penugasan, dituntut untuk dapat menjalankan bisnis secara effektif dan efisien. Dimana salah satu untuk mencapai tujuan tersebut adalah dengan melakukan estimasi yang lebih akurat mengenai permintaan LPG kedepan supaya dapat dijadikan referensi untuk perencanaan pengelolaan LPG. Tujuan penelitian ini adalah melakukan analisis konsumsi LPG untuk memperoleh model peramalan yang lebih baik dan akurat guna memproyeksikan kebutuhan LPG bulanan di Indonesia. Oleh karena itu, dilakukan analisis data realisasi konsumsi bulanan LPG sektor rumah tangga nasional mulai tahun 2015-2020 dengan menggunakan salah satu metode time series forcasting yaitu Autoregressive Integrated Moving Average (ARIMA). Hasilnya penelitian menunjukkan model yang diperoleh yaitu Sessional ARIMA (1,1,1)(1,1,1)12 mempunyai tingkat keakurasian yang sangat signifikan dengan nilai parameter akurasi MAPE (mean absolute percentage error) yang dihasilkan 1.7% dan MSE (mean square error) yang rendah sehingga termasuk dalam kriteria model yang mempunyai kemampuan peramalan yang sangat baik.

---

Forecasting LPG demand for households in Indonesia, where people use this energy source as the primary commodity in cooking activities, is one of the most important parts of planning a policy. In the initial study, the supply chain always prioritizes the demand side in determining the next planning step, including planning for LPG management in Indonesia. However, the current condition is that with the increasing consumption of LPG amid the dominance of imports and geographical challenges in distribution, there is often a deviation between planning and realization. The impact of this situation is cost and operational aspects in the field. Therefore, PT Pertamina (Persero), as the company assigned the task, is required to be able to run the business effectively and efficiently. One way to achieve this goal is to make a more accurate estimate of future LPG demand so that it can be used as a reference for LPG management planning. Therefore, this study analyzes LPG consumption to obtain a better and more accurate forecasting model to project monthly LPG demand in Indonesia. Thus, analyzing the monthly LPG consumption realization data for the national household sector from 2015-2020 was carried out using one of the time series forecasting methods, namely the Autoregressive Integrated Moving Average (ARIMA). The results showed that the model obtained is Sessional ARIMA (1,1,1)(1,1,1)12 had a very significant level of accuracy with the MAPE accuracy parameter value (mean absolute percentage error) the resulting 1.7% and MSE (mean square error) is low, so it is included in the criteria of a model that has excellent forecasting ability. "

"Pembelajaran sistem kelas bergerak (moving class) adalah kegiatan pembelajaran dengan peserta didik berpindah sesuai dengan pelajaran yang diikutinya."

"

Model runtun waktu yang paling umum digunakan adalah runtun waktu diskrit yang mengasumsikan peubah yang diuji bersifat kontinu dan menghasilkan nilai kontinu. Padahal dalam banyak penerapan, diperlukan model runtun waktu diskrit yang dapat menangani peubah diskrit dan menghasilkan nilai diskrit juga. Salah satu model runtun waktu yang menangani data count atau bilangan bulat nonnegatif adalah model runtun waktu Integer-valued Autoregressive dengan order p yaitu INAR(p). Model ini dibangun dengan binomial thinning operator yang menerapkan operasi probabilistik dengan distribusi diskrit yang cocok memodelkan data count seperti Poisson dan Binomial. Parameter model akan diestimasi dengan metode Yule-Walker. Dalam penelitian ini, akan dibahas dan dijabarkan karakteristik dari model INAR(p) menggunakan operator binomial thinning. Spesifikasi INAR(p) mengikuti model Autoregressive dengan order p, AR(p). Peramalan INAR(p) menggunakan metode peramalan nilai tengah dengan menghitung probabilitas bersyarat dari setiap bilangan bulat nonnegatif yang mungkin menjadi nilai ramalan, lalu memilih nilai ramalan yang memiliki probabilitas bersyarat kumulatif lebih besar sama dengan 0,5. Model runtun waktu INAR(p) akan diaplikasikan pada data simulasi berjumlah 120 data yang bernilai bilangan bulat nonnegatif.

---

The most commonly used time series model is the discrete time series which assumes the variables being tested are continuous and produces continuous values. Whereas in many applications, a discrete time series model is needed to handle discrete variables and produce discrete values as well. Time series model that handles count or non-negative integer data is the Integer-valued Autoregressive model with the pth-order or INAR(p). This model is built with binomial thinning operator which implements probabilistic operations with discrete distribution that are suitable to model count data such as Poisson and Binomial. Model parameters will be estimated using the Yule-Walker method. In this research, we will discuss and describe the characteristics of the INAR(p) model using the binomial thinning operator. The INAR(p) specification follows the Autoregressive model with the p-th order, AR(p). Forecasting in INAR(p) uses median forecasting by calculating the conditional probability of each possible nonnegative integer value, then selecting a forecast value with a cumulative conditional probability greater than 0.5. The INAR(p) time series model will be applied to the 120 simulated data with nonnegative integer values.

"