Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPeramalan jumlah pasien pneumonia dapat membantu subjek medis untuk mempersiapkan keperluan obat, pekerja, atau dalam pencegahan dengan melakukan penyuluhan pada orang tua, lansia, dan perokok. Permasalahan ini menyangkut kehidupan banyak orang, maka dari itu akurasi yang baik diperlukan dalam proses peramalan. Fuzzy Time Series (FTS) merupakan salah satu metode alternative dalam melakukan peramalan. Dengan metode yang umum digunakan seperti ARIMA dan Exponential Smoothing, terdapat kesulitan dalam mendapatkan model terbaik. FTS pada penelitian ini, memodifikasi algoritma yang digunakan Cheng (2008), dengan menggunakan OrdeTinggi (dua atau lebih data historis) untuk meningkatkan akurasi peramalan dan dilihat dari nilai Mean Absolute Percentage Error (MAPE). Data diambil dari jumlah pasien pneumonia di Jakarta tahun 2008 hingga 2018. Penelitian ini menggunakan bantuan aplikasi R dan Microsoft Excel untuk perhitungan sederhana. Akurasi peramalan akan semakin berkurang apabila dilakukan untuk meramalkan periode yang jauh. Maka, penelitian ini hanya akan meramalkan 5 periode kedepan. Hasil yang diperoleh FTS dengan membandingkan 2 metode yang pada umumnya digunakan (ARIMA dan Exponential Smoothing) adalah nilai MAPE secara terurut, 9.70%, 16.85%, dan 18.55%.

---

ABSTRACTForecasting the amount of Pneumonia patients could help medical practitioners to prepare the required medicines, aid-workers, or even prevent it by sharing knowledge to parents, elders, and smokers. This problem poses great concerns on the lives of many people, therefore, adequate accuracy is required in forecasting. Fuzzy Time Series (FTS) is an alternative way to forecast data. By using ARIMA and Holts Exponential Smoothing, there are some problems that are difficult to obtain the best model. Using our FTS method, we modified the Cheng algorithm by using higher order (using two or more historical data) to make the accuracy better by seeing the Mean Absolute Percentage Error (MAPE). Data was selected from the amount of Pneumonia Patients in Jakarta from 2008 to 2018. We use R to carryout ARIMA and Holts Exponential Smoothing. Forecastings accuracy will decrease if theti meframe between these occurrences is lengthy. As a result of this, we made use of 5 periods which are January until May 2019. The result obtained was compared against ARIMA and Holts Exponential Smoothing, as well as the MAPE are 9.70%, 16.85%, and 18.55% respectively. "

"Penelitian ini menginvestigasi berbagai pendekatan untuk memodelkan risiko sistematis yang bervariasi waktu di negara Indonesia dan Thailand dengan menggunakan data time-series dari tahun 2009 hingga 2017. Penelitian ini meneliti model dinamis beta menggunakan GARCH (1,1), EGARCH, TARCH, Schwert-Seguin, dan kelompok Kalman-Filter untuk secara empiris menemukan model time-varying beta yang paling optimal. Penelitian ini menggunakan model asset pricing Fama-French Five Factors untuk memasukkan faktor-faktor lain yang mungkin mempengaruhi nilai risiko sistematis pada setiap portofolio di setiap negara. Dengan memasukkan estimasi volatilitas dan state space, penelitian ini membandingkan semua model yang diuji berdasarkan kriteria informasi (AIC, SIC, dan HIC). Hasil dari penelitian ini membuktikan bahwa GARCH(1,1) mengungguli model lainnya dalam menangkap risiko sistematis.

---

This study investigates the various approaches to model the time-varying systematic risk in Indonesia and Thailand by using time-series data from 2009 to 2017. This study examines dynamic model of beta using GARCH (1,1), EGARCH, TARCH, Schwert-Seguin, and Kalman-Filter group to empirically find the most optimal time-varying beta model. This study employs the Fama-French Five Factors asset pricing model to incorporate another factors which might influences value of systematic risk for each portfolio in every countries. By incorporating volatility and state space estimation, this study compares all tested models based on information criteria (AIC, SIC, and HIC). The result of this study proves that GARCH (1,1) outperforms the other models in capturing the systematic risk."