Hasil Pencarian  ::  Simpan CSV :: Kembali

"Model Markov Switching GARCH adalah model untuk runtun waktu yang dapat menangkap fenomena pengelompokan volatilitas. Pengelompokan volatilitas adalah keadaan dimana runtun memiliki variabilitas yang tidak sama untuk seluruh periode. Model ini adalah perluasan dari model GARCH dimana parameternya dapat melakukan pergantian nilai (switching) yang bergantung dari state rantai Markov sehingga nilainya tidak tetap untuk seluruh periode runtun. Mekanisme switching dari model Markov Switching ini mengikuti proses rantai Markov yang tidak terobservasi. Pada skripsi ini, akan dibahas mengenai struktur dan penaksiran parameter model Markov Switching GARCH. Penaksiran parameter menggunakan maximum likelihood estimator tidak dapat dilakukan karena masalah path dependence, sehingga penaksiran parameter akan dilakukan menggunakan Algoritma Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML). Model Markov Switching GARCH ini kemudian akan diaplikasikan untuk runtun nilai tukar US Dollar (USD) terhadap Indonesian Rupiah (IDR).

---

Markov Switching GARCH is a model for time series that can capture volatility clustering phenomenon. Volatility clustering is a condition when time series has no same variability for entire period. This model is an extension of the GARCH model in which the parameters can do the switching that depend on the state of the Markov chain so that the value is not fixed for the entire period. The switching mechanism of Markov Switching GARCH model follow the unobserved Markov chain process. In this undergraduate thesis, it will be discussed the structure and the parameter estimation of Markov Switching GARCH model. Parameter estimation using maximum likelihood estimator can not be done because of the path dependence problem, so that the parameter estimation will be carried out using Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML) algorithm. Markov switching GARCH model will be applied to exchange rate US Dollar (USD) to Indonesia Rupiah (IDR) series."

"Pemerintah Indonesia melalui Undang-Undang Nomor 44 Tahun 2009 mewajibkan semua alat Kesehatan untuk dikalibrasi. Sebagai implementasi dari peraturan tersebut, Kementerian Kesehatan menerbitkan Peraturan Menteri Kesehatan Nomor 54 Tahun 2015 yang mengharuskan alat kesehatan untuk dikalibrasi minimal sekali dalam satu tahun. Defibrillator adalah salah satu alat kesehatan yang berfungsi untuk memberikan kejutan listrik kepada pasien yang mengalami gangguan jantung. Untuk memastikan akurasi dan ketertelusuran metrologi, defibrillator harus dikalibrasi minimal satu kali dalam setahun. Dalam melakukan kalibrasi defibrillator, digunakan perangkat bernama defibrillator analyzer. Seperti halnya defibrillator, defibrillator analyzer juga harus dikalibrasi untuk memastikan akurasi dan ketertelusuran metrology. Metode Monte Carlo digunakan dalam kegiatan kalibrasi defibrillator analyzer dengan menggunakan high voltage differential probe untuk melakukan estimasi ketidakpastian pengukuran. Metode Monte Carlo menggunakan propagasi distribusi dan umumnya memberikan hasil yang lebih dekat dengan kenyataan serta menghasilkan nilai ketidakpastian yang lebih baik. Hasil dari kalibrasi defibrillator analyzer adalah nilai pengukuran (measurand) dengan persentase antara 93% hingga 95%, dan perhitungan ketidakpastian menggunakan Metode Monte Carlo menghasilkan ketidakpastian yang valid sebesar 100%.

---

The Indonesian Government, through Law Number 44 of 2009, mandates calibration for all healthcare equipment. As an implementation of this provision, the Ministry of Health issued Ministerial Regulation Number 54 of 2015 concerning Testing and Calibration of Healthcare Equipment, which requires healthcare equipment to be calibrated at least once a year. A defibrillator is a medical device used to deliver an electric shock to patients with heart problems. To ensure accuracy and metrological traceability, a defibrillator must be calibrated at least once a year. During the calibration of a defibrillator, a device called a defibrillator analyzer is used. Similar to the defibrillator, the defibrillator analyzer also needs to be calibrated to ensure accuracy and metrological traceability. The Monte Carlo method is used in the calibration of the defibrillator analyzer, utilizing a high voltage differential probe to estimate measurement uncertainty. The Monte Carlo method employs distribution propagation and generally yields results closer to reality, producing better uncertainty values. The result of the defibrillator analyzer calibration is a measurand value (measurement value) ranging between 93% and 95%, and the uncertainty calculation using the Monte Carlo method yields a valid uncertainty value of 100%."

"ABSTRAKTingkat ketidakpastian pada tahap FEED yang cukup tinggi mengharuskan perencana untuk mengalokasikan biaya kontingensi guna mengantisipasi tindakan korektif yang harus dilakukan sebagai respon terhadap resiko yang terjadi. Metode yang digunakan untuk menghitung biaya kontingensi pada penelitian ini adalah Monte Carlo Simulation yang permodelannya didapatkan dari analisa regresi dimana contruct dari penelitian ini berbasis PMBOK 2013. Faktor resiko dominan yang dinilai berpengaruh signifikan terhadap kenaikan biaya proyek FEED adalah Faktor Resiko Planning Controlling yang dipengaruhi oleh Faktor Eksternal, Faktor Lemahnya Kompetensi Kontraktor Engineering dalam Mengelola Proyek, Faktor Resiko Kurangnya Pengetahuan Tim Teknis mengenai Change Management. Dengan melakukan simulasi monte carlo menggunakan data responden pada tingkat kepercayaan 95 , maka didapatkan bahwa alokasi biaya kontingensi sebesar 11,16 pada anggaran proyek FEED dapat mengantisipasi kenaikan biaya yang terjadi. Dari penelitian ini didapatkan bahwa dalam proses penyusunan anggaran, saat melakukan estimasi biaya kontinensi sebaiknya tidak menggunakan persentase kontingensi proyek terdahulu karena masing - masing proyek memiliki tingkat kesulitan yang berbeda dan risiko yang berbeda juga. Untuk itu, proses penyusunan risk register pada proses penyusunan anggaran menjadi komponen yang penting.

---

ABSTRACTThe high level of uncertainty of the FEED stage requires a planner to allocate cost contingency to anticipate the corrective actions that may occur as risk responses. The cost contingency calculation method used in this research is the Monte Carlo Simulation. The dominant risk factor that significantly affect cost increase are planning controlling risk due to external factors, shortcomings of engineering contractor competence in managing project, technical team lack of knowledge regarding change management. By using respondents data as monte carlo simulation inputs with 95 of confidence level, it is shown that the cost contingency allocation of 11,16 in FEED budget estimation is sufficient to anticipate any potential cost increase. This research shows that in the process of budget settings, planners are suggested not to use the contingency percentage from previous projects because every project has their own difficulty level and different kind of risk. Therefore, the process of constructing risk register as a part of budget estimation process becomes crucial."

"Hotspot atau kejadian luar biasa (KLB) adalah intensitas yang paling tinggi pada suatu lokasi tertentu. Pendeteksian adanya KLB sangat diperlukan, khususnya dalam bidang kesehatan masyarakat, karena dapat digunakan sebagai peringatan dini (early warning). Spatial Scan Statistics adalah suatu metode yang dapat digunakan untuk mendeteksi dan mengevaluasi pengelompokan daerah yang memiliki intensitas yang paling tinggi dari suatu kejadian yang diperhatikan. Kejadian diasumsikan mengikuti proses poisson spasial nonhomogen sehingga metode yang akan digunakan adalah spatial scan statistics dengan model poisson. Untuk mencari caloncalon kelompok daerah KLB, dilakukan dengan pembentukan scanning window. Dari tiap scanning window yang terbentuk, hitung nilai rasio likelihood. Potensial cluster adalah scanning window dengan nilai rasio likelihood tertinggi. Untuk mendapatkan p-value untuk potensial cluster, digunakan pendekatan Monte Carlo, yaitu p = Rsim / (R+1) dengan R adalah banyaknya replicate data yang dibangun dibawah kondisi H0, dan Rsim adalah banyaknya replicate data yang mempunyai nilai rasio likelihood yang lebih tinggi dari data asli. "

"Model regresiZero Inflated Poisson (ZIP) digunakan untuk memodelkan count data dengan overdispersi yang disebabkan oleh nilai nol yang berlebih pada pengamatannya(excess zero). Namun, ketika overdispersi berasal dariexcess zerodan datacount, makaZIP tidak lagi cocok. Model regresi Zero Inflated Negative Binomial (ZINB) bertujuan untuk mengetahui variabel apa saja yang berpengaruh secara signifikan terhadap variabelrespon. Data untuk regresi ZINB ini memiliki dua sumber overdispersi. Terdapat dua proses pada variabel respon, yang mendasari pengamatan masuk ke dalam structural zeros atau Negative Binomial (NB) counts. Jadi, regresi ZINB terdiri dari dua model. Pada kedua model tersebut dilakukan penaksiran parameter menggunakan metode Bayesian. Metode ini menganggap parameter-parameter yang digunakan merupakan variabel acakyang memiliki distribusi sebagai informasi prior, dan mengkombinasikannya dengan data yang dimiliki. Kombinasi tersebut selanjutnya disebut sebagai distribusi posterior. Sampling parameter dari distribusi posterior dilakukan dengan simulasi Markov Chain Monte Carlo (MCMC). Sebagai penerapan, digunakan data Parkinson dari Parkinsons Progression Markers Initiative (PPMI). Variabel responnya yaitu frekuensi seberapa sering pasien mengalami komplikasi setelah meminum obat atau tidak, dan variabel prediktornya berupa skor pemeriksaan aspek motorik, non-motorik, dan respon-respon tubuh. Diperoleh hasil bahwa model ZINB cocok untuk memodelkan data tersebut yangditandai dengan hasil simulasi yang konvergen.

---

Zero Inflated Poisson (ZIP) regression model is a standard framework for modeling discrete data with over-dispersion caused by excess zero. When over-dispersion has comefrom excess zero and count data, ZIP is no longer matches. A Zero Inflated Negative Binomial (ZINB) regression model aims to analyze the variables affecting data with two sources of over-dispersion. Hence there are two processes at the response variable, which make an observation classified as structural zeros or Negative Binomial (NB) counts. So, ZINB regression consists oftwo models. This paper will use Bayesian method forestimating parameter in both models. The Bayesian method considers parameters to bea random variable that has distribution known as prior distribution, and combine with information of the data. This combination referred as posterior distribution. Sampling parameter from posterior distribution is done using Markov Chain Monte Carlo (MCMC) simulation. As an application, the Parkinsons data is used from Parkinsons Progression Markers Initiative (PPMI). Frequency of how often the patient has complications aftertaking the drug or not is the response, and the predictive variables are motoric aspect, non-motoric aspect, and body responses test scores. The simulation result shows that it isconvergent, indicate that ZINB model is suitable for modeling Parkinsons data."

"Pada pengamatan runtun waktu menggunakan alat monitor, sering kali tidak semua nilai runtun waktu tercatat dikarenakan adanya batas deteksi. Hal ini menyebabkan runtun waktu yang diperoleh tidak lengkap. Agar dapat dianalisis, perlu dibentuk runtun waktu tersensor dengan cara mensubtitusi nilai-nilai yang tidak tercatat dengan batas deteksi. Runtun waktu tersensor selanjutnya digunakan untuk mencari taksiran parameter model AR(1) dengan membentuk data yang diperluas yang memiliki distribusi serupa dengan runtun waktu yang diamati. Data yang diperluas dikonstruksi menggunakan metode imputasi dengan mem-fit runtun waktu tersensor ke model CENAR(1). Ide dasar metode imputasi adalah mensubtitusi observasi yang tersensor dengan sampel random yang dibangkitkan dari suatu target distribusi multivariat menggunakan Gibbs sampling.

---

In time series measurements using monitor devices, often times not all values are recorded due to detection limits. This causes the time series obtained to be incomplete. In order to analyze the incomplete time series, censored time series need to be formed by substituting values which are not recorded by detection limits. The censored time series will then be used to estimate parameters of the AR(1) model by forming an augmented data which has an equal distribution with the time series measured. The augmented data is constructed using the imputation method by adjusting censored time series into the CENAR(1) model. The basic idea of the imputation method is substituting the censored observation with a random sample which is generated from the multivariate distribution using the Gibbs sampling."

"ABSTRAKPerhitungan secara kuantitatif mengenai jumlah maksimum risiko yang dapatditanggung, serta jumlah potential loss pada portofolio saham available for sales yang sebagian besar jumlahnya semakin tinggi setiap tahun. Berdasarkan hal tersebut dibutuhkan suatu metode untuk mengukur dan mengestimasi jumlahrisiko maksimum yang dapat ditanggung menggunakan Value at Risk denganSimulasi Monte Carlo. Value at risk merupakan maksimum kerugian yangdiharapkan dalam horizon waktu dengan tingkat kepercayaan tertentu. Alasanpemilihan simulasi Monte Carlo dikarenakan lebih powerfull dan flexible sertamemberikan estimasi yang lebih besar dibandingkan metode lainnya dengankelemahan tingkat komputasi yang rumit.Estimasi risiko portofolio saham available for sales dengan simulasi Monte Carlomemiliki dua kategori yaitu related parties dan third parties. Periode pengamatandata dilakukan dari Tahun 2012 sampai dengan Tahun 2014. Horizon waktu yangdigunakan untuk dilakukan simulasi secara tahunan dan kuartalan dengan tingkatkepercayaan yang digunakan yaitu 95%, 97.5% dan 99%. Hasil penelitianmenunjukkan bahwa sebagian besar emiten pada portofolio saham available forsales PT Taspen (Persero), nilai Value at Risk simulasi Monte Carlo lebih kecildibandingkan dengan potential loss yang ada. Sehingga dapat diberikan sarankepada PT Taspen (Persero) akan batas kerugian maksimal yang dihadapi setiapemiten. Selain itu, penentuan tingkat kepercayaan dapat disesuaikan dengankemampuan pencadangan dana suatu perusahaan, dikarenakan semakin tinggitingkat kepercayaan yang digunakan maka semakin tinggi pula cadangan danayang harus disiapkan.

---

ABSTRACTQuantitative calculation of the maximum amount of risk that may be incurred, aswell as the amount of potential loss on a portfolio of stocks available for saleswere mostly higher in number every year. Based on this we need a method tomeasure and estimate the maximum amount of risk that may be incurred using theValue at Risk with Monte Carlo simulations. Value at risk is the maximumexpected loss within a time horizon with a certain confidence level. Reasons forthe selection of Monte Carlo simulation due to more powerful, flexible andprovide larger estimates than other methods but the weakness are complexitycomputational level..Monte Carlo Simulation for Risk Estimation of Available for Sale Stock Portfoliohas two categories of related parties and third parties. The data observation periodfrom 2012 up to 2014. Time horizon used for simulation of annual and quarterlybasis with a confidence level used is 95%, 97.5% and 99%. The results showedthat the vast majority of listed companies in the available for sale stock portfolioin PT Taspen (Persero), the result of the Value at Risk Monte Carlo simulation issmaller than the potential losses that exist. So it can be given advice to PTTASPEN (Persero) will limit the maximum loss that faced each issuer. Inaddition, the determination of confidence level can be tailored to a company'sability reserve fund, because the higher the level of trust that is used, the higherthe reserve fund must be prepared."

"Ketidakpastian dalam pada data geologi dan geofisika mempengaruhi estimasi cadangan hidrokarbon. Untuk mengurangi ketidakpastian dapat dilakukan analisis resiko, salah satunya menggunakan Simulasi Monte Carlo. Tujuan dari penelitian ini adalah mengestimasi cadangan volumetrik minyak bumi menggunakan Simulasi Monte Carlo. Penelitian ini dilakukan pada kasus offshore di Kalimantan, Indonesia. Ada dua tahap dalam penelitian ini, pertama menganalisis zona reservoir agar diperoleh nilai properti batuan yang digunakan untuk estimasi cadangan, kedua menghitung probabilitas dengan mensimulasikan nilai random berdasarkan distribusinya dan mengestimasi cadangan hidrokarbon berdasarkan perhitungan probabilitas tersebut. Sebagai tambahan, kedua tahapan tersebut perlu dilakukan sebagai landasan untuk membuat keputusan yang efektif apakah akan mengebor prospek. Hasil menunjukkan bahwa Simulasi Monte Carlo dapat memberikan estimasi cadangan hidrokarbon beserta nilai resikonya berdasarkan hasil integrasi atribut RMS, atribut sweetness, dan parameter-parameter Gross Rock Volume, Net to Gross, Porositas, Saturasi Air, dan Formation Volume Factor (Bg).

---

Uncertainty in geological and geophysical data affects the estimation of hydrocarbon reserves. To reduce uncertainty, risk analysis can be performed, one of which uses Monte Carlo Simulation. The purpose of this study is to estimate volumetric reserves of petroleum using the Monte Carlo Simulation. This research was conducted in the case of offshore in Kalimantan, Indonesia. There are two stages in this study, first analyzing reservoir zones to obtain rock property values used for estimation of reserves, secondly calculating probabilities by simulating random values based on their distribution and estimating hydrocarbon reserves based on these probability calculations. In addition, both stages need to be carried out as a basis for making effective decisions on whether to drill prospects. The results show that the Monte Carlo Simulation can provide estimates of hydrocarbon reserves and their risk values based on the integration of RMS attributes, sweetness attributes, and Gross Rock Volume, Net to Gross, Porosity, Water Saturation, and Formation Volume Factor (Bg) parameters."

"Keadaan masa depan tidak dapat diketahui dengan pasti. Investasi yang kita lakukan sekarang belum tentu menguntungkan pada masa yang akan datang, begitu pula dengan investasi jalan tol. Dengan adanya ketidakpastian ini, maka pemasukan analisa risiko dalam kaitannya dengan penganggaran modal dan investasi menjadi sangat penting.Dalam identifikasi risiko keterlibatan para pakar investasi sangat dibutuhkan. Oleh karena itu, dibuatlah kuesioner. Dari penelitian ini teridentifikasi risiko-risiko yang terjadi dalam investasi jalan tol dan probabilitas masing-masing, dengan menggunakan metode Analitical Hierarchy Process (AHP). Risiko ini dikelompokkan dalam risiko kebijakan pemerintah, risiko dalam pelaksanaan konstruksi, risiko keuangan dan ekonomi, serta risiko lingkungan. Risiko yang paling, besar adalah risiko tarif.Salah satu teknik analisa risiko adalah Simulasi Mama Carlo. Simulasi untuk risiko tarif dan biaya pernbebasan tanah, dengan mempertimbangkan faktor inflasi dan tingkat suku bunga menghasilkan berbagai tingkat kelayakan untuk distribusi NPV dan IRR, antara lain probabilitas kelayakan NPV hampir 100%, dan probabilitas kelayakan IRR senilai 92.69% ketika tarif tol sesuai harapan investor dan tidak ada kenaikan biaya pembebasan tanah.

---

Future is uncertainty. Money we invest now is uncertainly to give benefit in the future, i.e. in toll road investment. Therefore, incorporating risk analysis in capital budgeting and investment is really important.

In order to identify the risks, expert judgment is actually needed. This research has identified the risks and their likelihood, by Analytical Hierarchy Process (AHP) method, in group of government risks, construction risks, financial and economics risks, and environmental risks. The big risk is toll fee risk with the likelihood of 0.221.

One of risk analysis tools is Monte Carlo simulation. The simulation of toll fee risk and land acquisition cost risk, regarding inflation rate and discount rate, results several certainty level for NPV and IRR, for example almost 100% certainty level for NVP, and 92.69% certainty level for IRR when the toll fee is suitable for investor and no added cost for the land acquisition."