Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPenentuan harga opsi sering dimodelkan menggunakan persamaan Black-Scholes dimana harga aset pada persamaan Black-Scholes dirumuskan dengan gerak Geometrik-Brownian. Namun gerak Geometrik-Brownian sering tidak konsisten terhadap harga pasar aktual karena tidak ada pengelompokan rezim dalam modelnya constant return rate . Model threshold autoregressive diadaptasi pada gerak Geometrik-Brownian sehingga parameter dari gerak Geometrik-Brownian berganti-ganti setiap terjadi regime-switching. Regime-switching ditandai dengan pergerakan force of interest dari harga aset yang mengikuti gerak Brownian. Asumsi pasar tidak lengkap menyebabkan ada tak hingga satuan ukur risk-neutral. Satuan ukur risk-neutral yang diinginkan, didapatkan menggunakan metode transformasi Esscher dan minimal entropy martingale measure MEMM . Pada akhirnya harga opsi dapat dihitung menggunakan satuan ukur risk-neutral yang telah didapatkan.

---

ABSTRACTOption pricing is often modeled using the Black Scholes equation where the asset price of the Black Scholes equation is formulated by Geometric Brownian motion. But Geometric Brownian motion is often inconsistent with market prices because there is no regime grouping in the model constant return rate . The threshold autoregressive model is adapted to Geometric Brownian motion so that the parameters of Geometric Brownian motion will alternate between regimes. Regime switching are detected by the movement of force of interest from the price of the underlying assets. The market assumption is incomplete causing there are infinite existences of risk neutral measure. The desired risk neutral measure, obtained using the Esscher transformation method and a minimum entropy martingale measure MEMM . In the end, the option price can be calculated using the risk neutral measure that already obtained."

"Investasi saham menjanjikan imbal hasil yang cukup tinggi, tetapi dengan resiko yang cukup tinggi juga. Sehingga, investor biasanya membeli opsi untuk mengantisipasi tingginya resiko tersebut. Opsi dengan aset dasar berupa saham disebut opsi saham. Salah satu jenis opsi adalah opsi call Eropa. Penentuan premi opsi merupakan hal yang penting dalam perdagangan opsi. Salah satu metode untuk menentukan premi opsi adalah metode Monte Carlo. Metode Monte Carlo merupakan metode untuk mengaproksimasi ekspektasi dari variabel random dengan menggunakan pembangkitan bilangan pseudorandom. Untuk meningkatkan efisiensi metode Monte Carlo dari sisi variansi, dapat diterapkan teknik reduksi variansi. Teknik-teknik reduksi variansi tersebut antara lain antithetic variates dan control variates. Data saham yang digunakan dalam mengaproksimasi premi opsi call Eropa adalah data saham Ambac Financial Group, Inc. tahun 2009. Hasil implementasi menunjukkan bahwa semakin banyak simulasi yang dilakukan, semakin kecil variansi taksiran simulasi. Selain itu, dengan menerapkan teknik reduksi variansi akan diperoleh variansi taksiran simulasi yang lebih kecil daripada variansi taksiran simulasi tanpa reduksi variansi."

"Kehadiran mahasiswa merupakan aspek penting dalam kegiatan perkuliahan. Sistem kehadiran yang banyak digunakan saat ini masih menggunakan kertas, smart card, RFID, dan fingerprint, yang sering kali memerlukan kontak fisik, rentan terhadap manipulasi, atau implementasi yang kompleks. iBeacon dipilih sebagai alternatif karena kemampuannya untuk mendeteksi keberadaan perangkat melalui sinyal Bluetooth Low Energy (BLE), yang memungkinkan pemantauan kehadiran tanpa kontak fisik serta biaya implementasi dan perawatan yang lebih rendah. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan sistem pencatatan dan pemantauan kehadiran siswa otomatis berbasis teknologi iBeacon. Sistem yang dibentuk menggunakan metode pemantauan proximity iBeacon untuk penentuan pola masuk atau keluar mahasiswa. Machine learning (ML) berperan penting dalam mendeteksi pola kehadiran mahasiswa dengan memproses data proximity yang diterima dari iBeacon untuk menentukan status kehadiran. Penelitian ini memberikan rekomendasi peletakan iBeacon serta model yang dapat digunakan, menunjukkan bahwa iBeacon yang diletakkan dengan jarak pemisahan sebesar 5 meter memberikan hasil terbaik. Model Random Forest menunjukkan akurasi tertinggi pada jarak 5 meter dengan akurasi 0.9727, F1-score 0.9731, precision 0.9735, dan recall 0.9727. Model ini juga kemudian diuji coba pada ruangan lain yang memiliki layout dan luas yang serupa, dan mendapatkan hasil yang cukup memuaskan. Sistem diuji menggunakan beberapa skenario yang mencakup berbagai kemungkinan yang terjadi saat penggunaan aplikasi sistem kehadiran. Selain itu, sistem ini juga menerapkan verifikasi random checking untuk memastikan validitas kehadiran mahasiswa secara acak, yang meningkatkan keakuratan dan mengurangi kemungkinan manipulasi data. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa sistem kehadiran berbasis iBeacon ini mampu meningkatkan efisiensi dan akurasi pencatatan kehadiran siswa.

---

Student attendance is a crucial aspect of college activities. The attendance systems widely used today still rely on paper, smart cards, RFID, and fingerprints, which often require physical contact, are prone to manipulation, or involve complex implementation. iBeacon was chosen as an alternative due to its ability to detect the presence of devices through Bluetooth Low Energy (BLE) signals, enabling contactless attendance monitoring and offering lower implementation and maintenance costs. This study aims to develop and implement an automatic student attendance recording and monitoring system based on iBeacon technology. The system employs iBeacon proximity monitoring to determine student entry or exit patterns. Machine learning (ML) plays a crucial role in detecting attendance patterns by processing proximity data received from iBeacons to determine attendance status. This study provides recommendations for iBeacon placement and suitable models, demonstrating that iBeacons placed with a separation distance of 5 meters yield the best results. The Random Forest model shows the highest accuracy at a 5-meter distance with an accuracy of 0.9727, an F1-score of 0.9731, a precision of 0.9735, and a recall of 0.9727. This model was also tested in another room with a similar layout and size, yielding satisfactory results. The system was tested using several scenarios covering various possible situations during the application of the attendance system. Additionally, the system implements random checking verification to ensure the validity of student attendance randomly, increasing accuracy and reducing the possibility of data manipulation. Overall, the findings indicate that the iBeacon-based attendance system can improve the efficiency and accuracy of student attendance recording."