Hasil Pencarian  ::  Simpan CSV :: Kembali

"Bagan kendali multivariat digunakan untuk memonitor proses produksi dengan beberapa variabel karakteristik kualitas pada satu bagan kendali. Bagan kendali multivariat yang biasa digunakan adalah bagan kendali chi-square, tetapi bagan kendali ini tidak dapat mendeteksi pergeseran mean yang kecil pada suatu proses produksi. Namun, beberapa produksi memerlukan ketelitian yang tinggi dalam mendeteksi pergeseran mean yang kecil. Lowry dan Woodall (1995) memperkenalkan bagan kendali untuk beberapa variabel karakteristik kualitas yang dapat mendeteksi pergeseran mean yang kecil, yaitu Multivariate Exponentially Weighted Moving Average atau disingkat MEWMA. Menurut Rigdon (1995), menentukan batas kendali atas dari bagan kendali MEWMA adalah dengan melalui penaksiran persamaan integral untuk memperoleh average run length pada kondisi in control (ARL0). Untuk menentukan batas kendali atas, tentukan terlebih dahulu ARL0 yang diinginkan, kemudian pilih dan batas kendali atas (h4 ) sehingga dihasilkan ARL0 yang diinginkan. Selanjutnya, bila terdapat tanda out of control maka diperlukan identifikasi variabel karakteristik kualitas yang berkontribusi sehingga menimbulkan tanda out of control dengan menggunakan metode dekomposisi T2 yang diperkenalkan Montgommery.

---

Multivariate control chart is used for monitoring process production using several quality characteristic production variables in a control chart. Multivariate control chart that commonly used is chi-square control chart, but it cannot detect small shifts in the process. Nevertheless, some production needs high accuracy in detecting small shifts. Lowry and Woodall (1995) introduces multivariate control chart which can detect small shifts, called Multivariate Exponentially Weighted Moving Average (MEWMA).

According to Rigdon, to determine the upper control limit of the chart is from approximating integral equation to obtain in control average run length (ARL0). For determining the upper control limit of the chart, first determine the desired ARL0, then choose r and upper limit (h4) until finding the desired in control average run length. Furthermore, if there is out of control signal, then identification of characteristic production variables which contributes to the signal using decomposition T2introduced by Montgomery is needed."

"Dalam suatu proses produksi pasti terdapat variasi atau keberagaman dari hasil produksi. Variasi dari suatu produk mempengaruhi kualitas dari produk tersebut. Maka agar kualitas produk tetap terjamin, haruslah variasi dari produk diminimalisir. Pengendalian kualitas statistik atau Statistical Quality Control (SQC) adalah sekumpulan perangkat statistik yang berguna untuk mengontrol agar proses produksi berjalan dengan stabil dan meningkatkan kemampuan produksi melalui pengurangan variasi hasil produksi. Perangkat statistik yang biasa digunakan untuk tujuan tersebut adalah bagan kendali. Bagan kendali yang umum digunakan untuk mengontrol proses produksi adalah bagan kendali Shewhart ̅ dan atau . Namun, bagan kendali Shewhart ̅ kurang efektif dalam mendeteksi pergeseran nilai mean proses yang kecil karena tidak memperdulikan informasi dari data yang terdahulu ketika titik terbaru digambarkan pada bagan. Oleh karena itu, dibutuhkanlah bagan kendali lain yang dapat mengatasi permasalahan tersebut. Bagan kendali Exponentially Weighted Moving Average (EWMA) untuk mean proses sangat efektif dalam mendeteksi pergeseran nilai mean yang kecil. Pada bagan Exponentially Weighted Moving Average, data yang terbaru berhubungan dengan data yang telah ada sebelumnya di mana setiap data diberikan bobot λ. Bobot bergerak secara eksponensial dari data terbaru ke data sebelumnya.

---

There are variations or diversity of products in a production. Variations of a product affects the quality of the product. To keep the quality control of product, the variation of the product should be minimized. Statistical Quality Control (SQC) is a collection of useful statistical tools to control the production process.

Statistical tool commonly used for this purpose is the control charts. Control chart that commonly used to control the production process are Shewhart ̅and or control chart. Shewhart ̅ control charts are less effective in detecting small shift in mean because they do not take information from the past data when a new point is plotted. Thus, we need a control chart that can solve these problems.

The Exponentially Weighted Moving Average (EWMA) control chart for mean process is very effective in detecting small mean shifts. On Exponentially Weighted Moving Average chart, the new data is related to the earlier data by using weighting factor λ. The weight λ moves exponentially from the latest data to earlier."

"Penelitian ini tergolong studi asset pricing yang bertujuan untuk menguji bagaimana hubungan suatu risiko dengan expected return. Volatility merupakan salah satu proksi alami dari risk. Dalam penelitian ini, nilai volatility dihitung dengan pendekatan Exponentially Weighted Moving Average (EWMA). Penulis mengestimasi nilai volatility dengan metode EWMA karena terbukti sebagai metode yang paling akurat dalam perhitungan volatilitas dan sifat volatilitas yang memiliki variasi terhadap waktu (time varying). Hasil dari penelitian ini menunjukkan bahwa volatility berpengaruh positif terhadap return saham.

---

This research is classified as asset pricing study that conducted in order to identify the relationship between particular risk and return. Volatility is a natural proxy for risk. In this research, volatility estimated with Expected Weighted Moving Average (EWMA) method. We used the EWMA Method because it has been approved as the most accurate method to calculate volatility and the nature of volatility that varies over time. The results show that volatility has an impact on stock return and positively significantly related."

"Tugas akhir ini membahas tentang teknik graduasi dengan metode Rata-rata Bobot Berpindah (Moving Weighted Average). Metode graduasi ini merupakan salah satu dari beberapa metode graduasi yang berkembang saat ini. Perhitungannya dilakukan dengan mengambil sembarang harga untuk n dan z dalam menghitung harga koefisien-koefisien a. Harga koefisen ini dikalikan dengan sederetan nilai-nilai yang didapat dari hasil observasi (tingkat kematian kasar) untuk mendapatkan sederetan nilai (tingkat kematian hasil graduasi) yang lebih mulus dan mempunyai kecendrungan tertentu. Disamping itu nilai-nilai ini harus diuji dengan kriteria-kriteria kelicinan (smoothness) dan kecocokan (fit)."

"ABSTRAKPenelitian bertujuan memperoleh model peramalan harga emas terbaik antara model GARCH dan EWMA. Variabel dependen adalah harga emas Antam sedangkan variabel independen terdiri dari harga emas dunia, IHSG dan JIBOR. Penelitian menggunakan data harian periode Agustus 2010 - September 2012. Variabel independen berpengaruh signifikan terhadap harga emas Antam dan secara simultan diperoleh R-Square sebesar 97,7375%. Model dalam pendekatan pola adalah GARCH (2,1) sedangkan pada pendekatan kausal GARCH (1,1). Nilai MAPE peramalan harga emas Antam bulan Oktober 2012 menggunakan pendekatan kausal sebesar 1,9114%, pendekatan pola 4,4379% dan EWMA 10,618824%. Dengan demikian, dalam penelitian ini model GARCH lebih akurat dibandingkan EWMA.

---

ABSTRACTThe study aimed at obtaining the best gold price forecasting model between GARCH and EWMA models. The dependent variable is the price of Antam's gold while the independent variables consist of world gold prices, IHSG and JIBOR. The study uses daily data in August 2010 until September 2012. Independent variables significantly influence the Antam’s gold price and simultaneously acquired R-Square of 97.7375%. Models in the pattern approach is GARCH (2.1) whereas the causal approach GARCH (1,1). MAPE values of ​​Antam's gold price forecasting in October 2012 using the causal approach 1.9114%, the pattern approach 4.4379% and EWMA 10.618824%. Thus, in this study GARCH models are more accurate than EWMA."

"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."

"Kualitas menjadi salah satu faktor penting penentu keberhasilan diterimanya suatu produk oleh konsumen hingga menciptakan kepuasan konsumen. Kualitas produk yang dihasilkan sangat dipengaruhi oleh proses produksi yang dijalankan. Pada penelitian ini, dilakukan pengontrolan kualitas pada lini produksi plastic painting di salah satu perusahaan otomotif terkemuka di Indonesia untuk mengetahui penyebab sering terjadinya produk cacat. Multivariate control chart digunakan dalam penelitian ini untuk memantau dan menganalisis lini produksi yang melibatkan sejumlah karakteristik kualitas yang saling berkorelasi tersebut. Penggunaan metode ini dikarenakan pengendalian kualitas dengan univariate control chart yang umum digunakan hanya dapat menganalisis proses produksi dengan satu variabel kontrol. Metode ini kemudian menghasilkan beberapa pengamatan yang berada di luar kendali proses. Hasil analisis menunjukkan bahwa beberapa jenis-jenis cacat produk yang memberikan nilai kontribusi relatif terbesar pada sinyal di luar kendali proses adalah runs, buffing, dan gores dasar.

---

Quality is one of the important factors to determine the success of product acceptance by consumer to get their satisfaction. Product quality is strongly influenced by the executed production process. In this study, the quality control is carried out on production line of plastic painting in one of the leading automotive company in Indonesia to find out the mistakes led to the frequent occurrence of defective products. Multivariate control charts are used in this case to monitor and analyze production line involving a number of quality characteristics that are correlated with each other.

This method is applied in this study because quality control using univariate control chart commonly used is only be able to analyze the production process with only a control variable. This method generates a few observations that are beyond the process control. The analysis showed that some types of product defects that give the largest relative contribution to the signal beyond the process control are runs, sanding, and basic scratch."

"Estimation of regression curve usually conducted using three methods; parametric method, non- parametric method, and semi-parametric methods..."

"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. "

"Energi surya semakin dikenal sebagai sumber energi masa depan yang penting karena ketersediaannya yang melimpah dan sifatnya yang terbarukan. Namun, sifat energi surya yang intermiten dapat menyebabkan fluktuasi listrik yang dihasilkan, sehingga sulit menjamin pasokan listrik yang stabil dan andal. Salah satu solusi yang dapat diterapkan adalah dengan menggunakan baterai pada sistem Pembangkit Listrik Tenaga Surya (PLTS) fotovoltaik dengan algoritma pengendalian Simple Moving Average, yang dapat membantu menghaluskan dan meredakan fluktuasi daya keluaran tenaga surya. Parameter yang dapat disesuaikan pada algoritma Simple Moving Average adalah window size atau lebar waktu rerata aritmetika daya keluaran PLTS fotovoltaik. Penelitian ini mengevaluasi pengaruh perubahan parameter window size pada algoritma Simple Moving Average terhadap penghalusan daya keluaran PLTS fotovoltaik yang dihasilkan, dan efek teknis pada baterai yang ditimbulkan. Berdasarkan hasil evaluasi yang dilakukan, peningkatan parameter window size akan memperlambat respons PLTS fotovoltaik terhadap perubahan iradiasi, dan meningkatkan tingkat penghalusan dari daya keluaran PLTS fotovoltaik yang intermiten. Selain itu, meningkatnya window size akan mengurangi daya maksimum yang diterima di sisi beban, dan jumlah energi yang digunakan baterai selama proses penghalusan daya akan meningkat, sehingga kapasitas baterai yang dibutuhkan akan semakin besar.

---

Solar energy is increasingly recognized as an important future energy source due to its abundant availability and renewable nature. However, the intermittent nature of solar energy can cause fluctuations in the electricity produced, making it difficult to guarantee a stable and reliable electricity supply. One solution that can be implemented is to use batteries in a photovoltaic solar power plant system with a Simple Moving Average control algorithm, which can help smooth and reduce fluctuations in solar power output power. The parameter that can be adjusted in the Simple Moving Average algorithm is the window size or the arithmetic average width of the photovoltaic output power over time. This research evaluates the effect of change of window size parameter in the Simple Moving Average algorithm on the resulting smoothed photovoltaic output power, and the technical effects on batteries. Based on the results of evaluation, the increase of window size parameter will slow down the response of photovoltaic output power to changes in irradiation and increase the smoothing quality of the intermittent photovoltaic output power. In addition, increasing the window size will reduce the maximum power received on the load side, and the amount of energy used by the battery during the power smoothing process will increase, resulting in the increase of required battery capacity."