Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTInvestigating if the market is efficient is an old issue as market efficiency is imperative for channeling investments to best-valued projects and its importance endures. There is contradictory evidence in the literature provided by empirical researches. The primary purpose of this research has been to find out whether share prices are a random walk process by applying multiple unit root tests, Runs Test and newly developed State Space Model. The empirical findings of the study provide sufficient evidence that the stock prices of KSE 100 Index, S & P BSE 500 Index, and CSE All Share Index is not a random walk process and are thus weak form inefficient hypothesis. In this study, the concept of the random walk is examined considering only the stock markets while bypassing the other asset markets. This research supply exciting facts about independent samples from Pakistan, India, and Bangladesh and complement the existing literature on emerging markets."

"ABSTRAKStudi ini mempelajari penjalaran gelombang seismik pada medium berlapis dengan metode state space model (SSM) pantulan normal (Ni) dalam domain waktu, dengan anggapan medium sebagai medium homogen isotropis dan tidak meredam gelombang.Seismogram sintetis state space model yang dihasilkan merupakan jumlah gelombang downgoing dan upgoing pada titik titik yang berbeda kedalainannya dan biasanya sebanding dengan interval ruang. Informasi titik kedalaman tidak dapat digunakan untuk menentukan persamaan keadaan, tetapi dengan menggunakan tambahan koefisien refleksi dari bidang batas baru dapat ditentukan persamaan keadaan. Adapun model elastik setiap lapisan dilukiskan oleh densitas dan kecepatan penjalaran gelombang.Pada tesis ini dikembangkan prosedur singkat untuk menghitung seismogram sintetis dan koefisien refleksi arah vertikal pantulan normal. Seismogram sintetis dibentuk oleh superposisi gelombang downgoing dan upgoing pada setiap posisi kedalaman (level) dibawah permukaan tanah. Dari plot trace seismik diberbagai kedalaman memperlihatkan pola gelombang downgoing dan upgoing yang menggambarkan karakteristik perlapisan medium."

"ABSTRAKPenelitian ini mengembangkan permodelan gelembung harga saham rasional dan irasional menggunakan model state-space dengan markov switching. Gelembung harga saham merupakan unobserved variable yang dapat ditentukan dengan pendekatan teori ekspektasi rasional dimana dalam penelitian ini gelembung harga saham ditentukan oleh informasi ekstraneus yang terdiri dari faktor eksternal dow jones Index dan Hangseng Index dan faktor internal faktor politik dan keamanan . Untuk menganalisis unobserved variable tersebut digunakan model state-space yaitu Kalman Filter. Selain itu gelembung harga saham dapat megalami perubahan struktural yang juga bersifat unobserved yaitu adanya gelembung harga saham irasional. Dikarenakan gelembung irasional juga bersifat unobserved maka digunakan model markov switching.Untuk melihat bagaimana model state space dengan markow switching bekerja, penelitian ini menerapkan model tersebut pada data harga saham Indonesia periode Januari 1989 hingga Desember 2013. Hasil estimasi model menunjukan bahwa DJIA berpengaruh positif signifikan terhadap gelembung harga saham di Indonesia, sedangkan HSI tidak berpengaruh signifikan. Dari faktor internal, faktor politik berpengaruh negatif signifikan terhadap gelembung harga saham di Indonesia, sedangkan faktor keamanan tidak berpengaruh signifikan. Dengan permodelan ini, gelembung harga saham rasional dan irasional dapat di identifikasi di pasar modal Indonesia namun gelembung harga saham tidak terjadi setiap tahun selama periode penelitian.

---

ABSTRACTThis paper develops a model of rational and irrational stock price bubbles using State Space Model with Markov Switching. Stock price bubbles are the unobserved variables that can be determined with rational expectations theory approach, which in this study is determined by stock price bubbles extraneous information consisting of external factors Dow Jones Index and the Hang Seng Index and internal factors political and security factors . A state space model, Kalman filter, is used to analyze this unobserved variables. Stock price bubbles may undergo structural changes that are also unobserved, namely the irrational stock price bubble. Thus, due to this unobserved nature, the Markov switching model is used to analyze this unobserved structural changes. To see how the model state space with Markov switching works, this study applies the model to the Indonesian stock price data from the period of January 1989 to December 2013. The result of the model estimation shows that the external factor, DJIA has significant positive effects, whereas HSI has no significant effect on the stock price bubble in Indonesia. The result from internal factors shows that a political factor has significant negative effect, whereas the safety factor has no significant effect on the stock price bubble in Indonesia. Furthermore, this model could help identify the rational and irrational stock price bubble in the Indonesian stock market, nonetheless, this stock price bubbles do not occur every year during the study period."

"Dalam era digital, video menjadi bentuk konten utama di berbagai platform media sosial seperti TikTok. Dengan jutaan video yang diunggah setiap hari, diperlukan sistem klasifikasi otomatis yang mampu memproses dan mengkategorikan konten secara cepat dan efisien untuk mendukung moderasi konten. Penelitian ini bertujuan untuk merancang dan mengevaluasi sistem inferensi real-time berbasis deep learning untuk klasifikasi video TikTok, dengan fokus pada efisiensi sistem, akurasi model, serta kestabilan proses pelatihan. Metodologi yang digunakan melibatkan modifikasi arsitektur Long-term Recurrent Convolutional Network (LRCN) dengan menggantikan LSTM menggunakan State Space Model (SSM) sebagai drop-in replacement untuk pemodelan sekuens temporal. Arsitektur sistem terdiri dari CNN untuk ekstraksi fitur spasial, jaringan saraf 3-lapisan untuk koneksi antar modul, serta penggunaan ZeroMQ dan Docker untuk mengurutkan data dan isolasi proses inferensi. Evaluasi dilakukan pada skenario batch dan real-time, mencakup pengukuran akurasi, F1-score, jumlah parameter, latensi inferensi, dan kestabilan pelatihan. Hasil penelitian menunjukkan bahwa SSM dan LSTM memiliki akurasi klasifikasi yang setara (sekitar 76%), namun SSM memiliki parameter yang lebih sedikit (50% parameter LSTM) kestabilan pelatihan, khususnya pada hidden size besar. Meskipun latensi inferensi keduanya serupa, SSM terbukti lebih ringan secara komputasi dan mudah dioptimasi, menjadikannya alternatif yang lebih praktis untuk sistem inferensi real-time berskala besar. Temuan ini mengindikasikan bahwa SSM merupakan alternatif yang efisien dan praktis untuk diterapkan dalam sistem inferensi real-time.

---

In the digital era, video has become the primary form of content across various social media platforms such as TikTok. With millions of videos uploaded daily, there is a need for an automated classification system capable of quickly and efficiently processing and categorizing content to support content moderation. This research aims to design and evaluate a real-time inference system based on deep learning for TikTok video classification, focusing on system efficiency, model accuracy, and training stability. The methodology involves modifying the Long-term Recurrent Convolutional Network (LRCN) architecture by replacing the LSTM with a State Space Model (SSM) as a drop-in replacement for modeling temporal sequences. The system architecture consists of a CNN for spatial feature extraction, a 3-layer neural network for intermodule connections, and the use of ZeroMQ and Docker for data sequencing and inference process isolation. Evaluation is conducted under both batch and real-time scenarios, including measurements of accuracy, F1-score, parameter count, inference latency, and training stability. The results show that SSM and LSTM achieve comparable classification accuracy (about 76%), but SSM have fewer parameter (50% of LSTM) and training stability, especially at larger hidden sizes. Although their inference latencies are similar, SSM is computationally lighter and easier to optimize, making it a more practical alternative for large-scale real-time inference systems. These findings indicate that SSM is an efficient and practical alternative for implementation in real-time inference systems."

"Sistem tata udara presisi merupakan komponen yang sangat penting dalam sebuah ruang pusat data untuk menjaga agar perangkat yang disimpan tidak mengalami kerusakan pada waktu singkat. Sistem ini merupakan sistem multivariabel dan diperlukan untuk menjaga suhu dan kelembaban ruang pusat data pada batasan yang sesuai dengan kondisi kerja peralatan IT, sehingga diperlukan pengendali cerdas yang mampu bekerja pada batasan tertentu dan mampu menangani sistem multivariabel. Selain itu, pengendali tersebut juga harus mampu menangani karakteristik sistem tata udara presisi yang nonlinier. Oleh karena itu, pengendali MPC (Model Predictive Control) digunakan untuk mengendalikan sistem tersebut.Pengendali MPC merupakan pengendali yang menggunakan model proses secara eksplisit dalam penghitungan sinyal kendalinya. Model linier digunakan untuk menghitung prediksi keluaran sistem nonlinier dan menghitung besar sinyal kendali agar keluaran sistem nonlinier sesuai dengan acuan. Agar besar kesalahan prediksi keluaran dari model dan keluaran sesungguhnya dari sistem dapat diminimalisasi maka digunakan model ruang keadaan multimodel yang diperoleh melalui metode identifikasi least square.Model yang diperoleh dari hasil identifikasi dapat digunakan untuk pengendalian MPC sebab memiliki nilai 𝐽𝑒𝑒 dan FPE yang rendah (< 10−5), nilai eigen berada di dalam unit circle, serta memiliki sifat fully controllable dan fully observable. Pengendali MPC berbasis multimodel linier kemudian dirancang untuk mengendalikan sistem tata udara presisi yang bersifat MISO (multi input single output), dengan keluaran berupa temperatur udara masukan kabinet (𝑇𝑖𝑛,𝑐𝑎𝑏). Untuk memperoleh pengendalian yang terbaik, pengendali MPC disimulasikan pada sistem linier dan nonlinier. Variasi nilai 𝐻𝑝, 𝐻𝑢, Q, dan R diberikan untuk mengetahui pengaruh perubahan nilai parameter pengendali MPC terhadap karakteristik sinyal kendali masukan dan sinyal respon keluaran sistem, serta waktu komputasi dan nilai loss function. Simulasi pengendalian MPC menunjukkan hasil yang baik pada nilai 𝐻𝑝 = 𝐻𝑢 = 6, 𝐐 = 50, dan 𝐑 = 5 untuk sistem linier, dan nilai 𝐻𝑝 = 12, 𝐻𝑢 = 3, 𝐐 = 70, dan 𝐑 = 0.5 untuk sistem nonlinier.

---

Precision air conditioning is a vital component in a data center to keep the stored devices from failures. This system is a multivariable system and needed to keep the temperature and humidity of a data center in a certain constraints which is suitable for IT devices operating condition. Hence, an intelligent controller which can take constraints into account and handle multivariable system is needed. Furthermore, the controller must be capable to handle nonlinear characteristic of such system. Thus, Model Predictive Controller (MPC) is used to control such systems.

MPC is a controller that used the model of a process explicitly to compute the control signal. The linear model is used to predict the output of nonlinear system and calculate the control signal to meet the given target. To minimize error between predicted output from the model and the actual output of the plant, double-stage state space model is used.

The model is identified using least square method and can be used for system control using MPC due to its low 𝐽𝑒𝑒 and FPE (< 10−5), its eigenvalues located inside the unit circle, and its characteristics which is fully controllable and fully observable. MPC based on linear multimodel linear is designed to control PAC system which is a MISO (Multiple Input Single Output) system, which output is the temperature of input air to cabinet (𝑇𝑖𝑛,𝑐𝑎𝑏). In order to obtain the best control action, MPC is simulated in linear and nonlinear system. The value of controller parameters 𝐻𝑝, 𝐻𝑢, Q, and R is varied to study the effect of changes in parameter value to the characteristic of input control signal and system responds, input signal computing time and the value of loss function. The best simulation result is obtained at 𝐻𝑝 = 𝐻𝑢 = 6, 𝐐 = 50, and 𝐑 = 5 for linear system, and 𝐻𝑝 = 12, 𝐻𝑢 = 3, 𝐐 = 70, and 𝐑 = 0.5 for nonlinear system."