Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Kelas Graf Tangga Umum GTU(n,m) adalah graf lingkaran n C dengan penambahan ( 1) m- tali-busur, yang disebut busur partisi, dengan syarat tidak ada busur partisi yang memiliki simpul persekutuan, tidak ada busur partisi yang saling bersilangan di sisi dalam graf, dan setiap blok graf memiliki maksimal 2 busur partisi. Untuk mengkonstruksi GTU(n,m) berlabel Total Busur Ajaib Super (TBAS), bobot busur partisi yang ditambahkan adalah min{ } 1 W - atau max{ } 1 W + , di mana W adalah himpunan bobot busur dari GTU(n,m-1). Berdasarkan bobot busur partisinya, GTU(n,m) dapat digolongkan menjadi 3 jenis yaitu GTU(n,m) dengan busur partisi berbobot minimal, GTU(n,m) dengan busur partisi berbobot maksimal, atau GTU(n,m) dengan busur partisi berbobot kombinasi minimal dan maksimal. Di dalam tesis ini, konstruksi Kelas Graf Tangga Umum GTU(n,m) dilakukan dengan menggunakan matriks ketetanggaan (a,1)-Simpul Antiajaib Busur (SAB). Pola pelabelan TBAS yang digunakan adalah pola pelabelan TBAS untuk n C dari Enomoto et al. (1998) untuk n ganjil, dan pola pelabelan TBAS untuk t n C dari MacDougall dan Wallis (2003) untuk n genap. Berdasarkan sifatsifat pada matriks ketetanggaan SAB untuk GTU(n,m), sifat-sifat dari kelas GTU(n,m) dapat diketahui. ......General Ladder Graph class GTU(n,m) is a cycle graph n C added with ( 1) m- chords, called as partition edges, by conditions that there are no partition edges sharing a vertex, there are no partition edges crossing each other in the inner side of the graph, and every block has maximum 2 partition edges. To construct GTU(n,m) with Super Edge-Magic Total (SEMT) labeling, the weight of the newly added partition edge is min{ } 1 W - or max{ } 1 W + , where W is a set of edge weights of GTU(n,m-1). Based on the weight of partition edges, GTU(n,m) is divided into three categories. There are GTU(n,m) with minimum weight of partition edges, GTU(n,m) with maximum weight of partition edges, and GTU(n,m) with combination of minimum and maximum weight of partition edges. The construction of General Ladder Graph class GTU(n,m) explained in this thesis is done by using (a,1)-Edge-Antimagic Vertex (EAV) adjacency matrix. SEMT labeling function for n C from Enomoto et. al (1998) is used for n odd, and SEMT labeling function for t n C from MacDougall and Wallis (2003) is used for n even. Based on the properties of EAV adjacency matrix for GTU(n,m), the properties of GTU(n,m) graph can be discovered.

Abstrak :
ABSTRAK Penyakit TBC adalah penyakit menular yang disebabkan oleh bakteri Mycobacterium tuberkulosis (Mtb). Sejak tahun 1993, WHO (World Health Organization) menyatakan bahwa penyakit Tuberkulosis (TBC) merupakan kedaruratan global. Indonesia sekarang berada pada ranking kelima negara dengan beban TBC tertinggi di dunia. Model matematis kontrol epidemik TBC dengan Exogenous Reinfection sebagai permasalahan kontrol optimal yang diselesaikan dengan mentransformasikan ke dalam bentuk permasalahan pemrograman tak linear (nonlinier programming). Kontrol dalam penelitian ini adalah pengontrolan yang ditujukan untuk menekan terjadinya Exogenous Reinfection, bertujuan untuk meminimalkan jumlah individu TBC aktif (infectious ) melalui penerapan kontrol optimal. Simulasi pada tesis ini ditinjau dari dua keadaan R0 (Basic Reproduction Ratio) , dengan R0 > 1 untuk kasus terjadinya endemik dan R0 < 1 untuk kasus tidak terjadinya endemik.

---

ABSTRACT Tuberculosis is an infectious disease caused by the bacterium Mycobacterium tuberculosis (Mtb) . In 1993, World Health Organization (WHO) declared Tuberculosis (TB) is a global emergency. Indonesia now is ranked fifth highest TB burden countries in the word. The mathematical epidemic model of TB control with Exogeneous Reinfectionthe as the optimal control problem is solved by transforming the problem into form nonlinier programming. Control of the research is aimed at controlling the pressure of Exogenous Reinfection, aiming to minimize the number of individuals with active TB through the application of optimal control. Simulation in this thesis are in terms of two states R0 (Basic Reproduction Ratio), with R0 > 1 for case accurrence of endemic and R0 < 1 for case no accurrence of endemic.

Abstrak :
Dalam tesis dibahas pencocokan hampiran untai (approximate string matching) dari dua untai berbeda. Dalam meninjau tingkat kedekatan hampiran dua untai atau tingkat kemiripan dua untai digunakan ukuran Jarak Levenshtein, Dalam penentuan jarak tersebut digunakan metode program dinamik. Diperoleh beberapa sifat-sifat yang berhubungan dengan susunan kedua untai yang dicocokkan. Pada akhir tesis diberikan juga program komputer sederhana dalam penentuan jarak Levenshtein.

---

In this thesis described approximate string matching problem between two different strings. To show the approximate level of both strings or the similarity level of both strings is used Levenshtein distance. To determine Levenshtein distance is used by dynamic programming method. Found Some characteristics that have relation with composition of both strings that are matched. At the end of the thesis, given the simple computer program to determine Levenshtein distance.

Abstrak :
ABSTRAK
Produk yang dihasilkan oleh pabrik akan didistribusikan ke pengecer melalui distributor. Sehingga perlu ditentukan strategi terbaik untuk mendistribusikan produk dari pabrik ke distributor dan dari distributor ke pelanggan sesuai kebutuhan pelanggan. Masalah pendistribusian produk ini merupakan bagian dari masalah pengelolaan rantai pasokan. Pada tesis ini dibahas pengelolaan rantai pasokan yang terdiri dua tahap. Pertama, tahap dimana produk yang dihasilkan pabrik didistribusikan ke distributor. Kedua, tahap dimana distributor mendistribusikan produk ke pengecer. Untuk menentukan penyelesaian pada setiap tahap digunakan metode transportasi. Selanjutnya untuk mencari penyelesaian secara keseluruhan dapat digunakan prinsip keoptimuman Bellman. Solusi optimal secara keseluruhan merupakan gabungan dari solusi optimal setiap tahap.

---

Abstract
Products that produced by a manufacturers are to be distributed to retailer through distributor. It is necessary to establish a best strategy to distribute the product from the manufacturer to the distributor and from the distributor to customer in line with customer?s need. Product distribution problem is apparently a part of the management of supply chain problem. In this thesis, it is described the management of supply chain which can be divided into two phases. The first phase is how the products produced by manufacturer are distributed to ditributors. The second phase is how the distributor distributes the products to retailers. To solve the problem in each phace, the transportation method is used futhermore, to fine the solution of the entire phases. Bellman Optimizing Principle is adopted. The optimal solutionof the whole problem is the combination of the optimal solution of each phase.

Abstrak :
Saham merupakan instrumen investasi yang menawarkan tingkat keuntungan yang menarik, namun memiliki risiko kerugian yang tinggi. Hal ini disebabkan oleh harga saham yang selalu berfluktuasi dan dipengaruhi oleh faktor-faktor tak menentu. Untuk memperoleh keuntungan seperti yang diharapkan, dibutuhkan prediksi pergerakan harga saham yang akurat. Umumnya, investor menggunakan indikator teknikal dalam mengantisipasi pergerakan harga di masa depan. Pada skripsi ini, sebanyak delapan indikator teknikal digunakan dan diproses ke dalam dua pendekatan. Pendekatan pertama memanfaatkan nilai-nilai indikator teknikal yang bersifat kontinu, sementara pendekatan lainnya memanfaatkan kriteria tertentu yang dimiliki oleh setiap indikator teknikal dalam menggambarkan pergerakan harga saham yang bersifat diskrit. Keduanya kemudian dijadikan data input bagi model prediksi dengan menggunakan metode Support Vector Machines yang mengklasifikasi data harga saham ke dalam dua kelas, yaitu naik dan turun. Hasil prediksi tersebut menunjukkan bahwa performa model prediksi yang menerapkan data input bernilai diskrit melampaui performa model prediksi yang menerapkan data input bernilai kontinu, dengan tingkat akurasi tertinggi yang diperoleh ialah sebesar 94,12. ......Stock is an investment instrument that offers an attractive rate of return, yet has a high risk of loss. This due to the nature of stock prices that are always fluctuate and influenced by uncertain factors. To obtain the expected profit, an accurate prediction of stock price movement is required. Generally, investors use technical indicators to anticipate the future price movement. In this undergraduate thesis, a number of eight technical indicators are used and processed into two approaches. The first approach use the values of technical indicators that are continuous, while the other utilizes certain criteria owned by each technical indicator in describing stock price movement which is a discrete type of value. Both approaches are then used as input data for prediction model using the Support Vector Machines method which classifies the stock price data into two classes, i.e. up and down. The prediction results indicate that the performace of prediction models applying discrete valued of input data exceeds the performance of prediction models which apply continuous valued of input data, with the highest accuracy obtained at 94.12.

Abstrak :
Pemilihan portofolio adalah salah satu bidang penelitian yang menarik dan penting di bidang keuangan karena masa depan dan ketidak beraturan pasar keuangan yang tidak dapat diprediksi. Setiap investor berharap mendapatkan tingkat pengembalian yang tinggi untuk portofolio mereka dengan risiko sekecil mungkin dan hal ini sulit dicapai, sehingga investor mencoba menyeimbangkan kinerja dan risiko portofolio melalui diversifikasi. Tujuan penelitian ini adalah untuk menyelidiki strategi pemilihan portofolio melalui metode clustering dan Genetic Algorithm. Clustering digunakan untuk diversifikasi portofolio dengan membentuk sekelompok aset homogen berdasarkan karakteristik rasio keuangan mereka. Ada tujuh rasio keuangan yang akan digunakan, yaitu EPS, PER, PEG, ROE, DER, Current Ratio, dan Profit Margin. Dalam skripsi ini digunakan algoritma Density Based Clustering of Application with Noise sebagai metode clustering DBSCAN. Setelah fase clustering, Genetic Algorithm digunakan untuk membentuk portofolio optimum. Genetic Algorithm secara otomatis memilih portofolio dengan risiko dan pengembalian yang optimal berdasarkan hasil clustering dengan memutuskan aset dan bobot masing-masing yang akan dimasukkan dalam portofolio. Algoritma genetika didasarkan pada model Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO dan disebut metode Genetic Algorithm dengan kendala. Metode ini berhasil memberikan tingkat pengembalian dan Sharpe ratio yang lebih tinggi 25,35 dan 17,20 dibandingkan dengan indeks S P 500 pada periode waktu yang sama dengan tingkat pengembalian dan Sharpe ratio masing-masing 12,34 dan 2,7.

---

Portfolio selection is one of the interesting and important fields of research in finance because of the unpredictable future and randomness of the financial market. Every investor is hoping to get a high rate of return for their portfolio with as little risk as possible, which is hard to achieve, so investors try to balance the performance and risk of the portfolio through diversification. The motivation of this research is to investigate the portfolio selection strategies through clustering method and application of genetic algorithm. Clustering is used to diversify the portfolio by forming a homogenous cluster of assets with respect to their financial ratios characteristic. There are seven financial ratio characteristics that is used, they are EPS, PER, PEG, ROE, DER, Current Ratio and Profit Margin. In this thesis, Density Based Clustering Algorithm with Application of Noise used as the clustering method DBSCAN. After the clustering phase, genetic algorithm used for portfolio selection. Genetic Algorithm automatically select the optimum risk and return portfolio based on the clustered asset by deciding which assets and their respective weights included in the portfolio. The genetic algorithm is based on the Mean Variance Cardinality Constrained Portofolio Optimization MVCCPO model and called a Constrained Genetic Algorithm. The method succesfully give a higher level of return 25,35 and Sharpe ratio 17,20 compared to S P 500 index in the same period of time 12.34 and 2.7 respectively.

Abstrak :
Harga saham selalu berfluktuasi setiap waktu. Hal ini merupakan salah satu bentuk ketidakpastian yang terjadi di pasar saham. Risiko akibat dari ketidakpastian ini dapat diminimalisir dengan peramalan harga saham yang dibentuk dengan model linier. Salah satu model linier yang dapat digunakan dalam peramalan harga saham adalah model hybrid ARFIMA-GARCH. Model ini merupakan gabungan dari model ARFIMA dan model GARCH yang sudah pernah digunakan oleh penelitian sebelumnya dan disinyalir memiliki kekurangan dan kelebihan masing-masing. Model ARFIMA baik digunakan untuk peramalan jangka panjang, namun memiliki kendala, yakni adanya volatilitas yang terjadi dalam jangka panjang. Hal ini dapat diatasi oleh model GARCH yang baik digunakan dalam volatilitas pada harga saham dalam jangka panjang. Model GARCH merupakan pengembangan dari model Autoregressive Conditional Heterocedastic (ARCH), di mana model ini menggunakan volatilitas pada data sebelumnya. Berikutnya, model ARFIMA dan GARCH yang digabungkan menjadi model hybrid ARFIMA-GARCH akan digunakan pada penelitian ini untuk peramalan harga saham LQ45. Pada penelitian ini, hanya dua saham dari indeks saham LQ45 yang akan diprediksi harga sahamnya, yakni saham dengan volatilitas harga terkecil dan terbesar. Data harga saham yang digunakan adalah harga penutupan harian saham BBCA (PT Bank Central Asia Tbk.) dan TKIM (PT Tjiwi Kimia Paper Factory Tbk.) pada periode tahun 2017-2021. Hasil peramalan dengan model ARFIMA-GARCH akan dievaluasi nilai erornya menggunakan Root Mean Square Error dan Mean Absolute Percentage Error. Berikutnya, nilai akurasi ini akan dibandingkan dengan nilai akurasi peramalan menggunakan model ARFIMA. Pada akhirnya, diperoleh hasil bahwa peramalan harga saham dengan model ARFIMA-GARCH lebih baik dibandingkan dengan model ARFIMA. ...... Stock price always fluctuate all the time. This is one form of buffer that occurs in the stock market. The risk resulting from this buffer can be minimized by forecasting stock prices using linear model. One of the linear model that can be used in stock price forecasting is the hybrid ARFIMA-GARCH model. This model is a combination of the ARFIMA model and GARCH model which have been used in previous studies and allegedly each models have advantages and disadvantages. ARFIMA model is good for long-term forecasting, but has a problem, which is the volatility that occurs in the long term. This can be resolved by GARCH model which is good for volatility in stock prices, even for a long term data. GARCH model is a development of Autoregressive Conditional Heterocedastic (ARCH) model, where this model uses volatility in previous data. Furthermore, the ARFIMA and GARCH models are combined into the hybrid ARFIMA-GARCH model which will be used in this study for forecasting LQ45 stock prices. In this study, only two stock prices from LQ45 stock index that will be forecast, stocks which have the smallest and largest price volatility. The price data used is the daily closing price of BBCA (PT Bank Central Asia Tbk.) and TKIM (PT Tjiwi Kimia Paper Factory Tbk.) in 2017- 2021. The ARFIMA-GARCH model forecasting results will be evaluated by using the Root Mean Square Error and Mean Absolute Percentage Error. Next, this error accuracy value will be compared with the forecasting accuracy value using ARFIMA model. In the end, our hypothesis is that the stock price forecasting with ARFIMA-GARCH model is better than ARFIMA model.

Abstrak :
Model tingkat bunga yang akan dibahas pada Tesis ini adalah model ekuilibrium satu faktor, yaitu model Rendleman - Bartter (RB) yang diasumsikan dalam ukuran risk-neutral. Tesis ini membahas mengenai stabilitas model RB, yaitu stabilitas stokastik asimtotik dan stabilitas mean-square. Stabilitas model RB ini terkait dengan parameter model RB. Namun, nilai parameter model RB tidak diketahui nilainya sehingga untuk implementasi model diperlukan penaksiran parameter model RB. Penaksiran parameter model RB membutuhkan data historis tingkat bunga. Model RB terkait dengan data historis berada pada ukuran aktual (actual measure). Sedangkan, model RB berada pada ukuran riskneutral, sehingga sebelum menentukan taksiran parameter dilakukan perubahan ukuran pada model RB menggunakan Teorema Girsanov. Metode yang digunakan dalam penaksiran parameter adalah Maximum Likelihood Estimation (MLE) dan dilanjutkan dengan metode numerik Newton ? Raphson. Dengan menggunakan data tingkat bunga bulanan suatu zero-coupon bond dengan maturity time 5 tahun periode Januari tahun 1982 hingga Februari 2011 yang diunduh dari http://www.bankofengland.co.uk dapat diperoleh nilai taksiran parameter yang memenuhi stabilitas model RB.

---

The Rendleman-Bartter (RB) model is a one-factor equilibrium interest rate model under risk-neutral measure. This thesis presents the stability of RB model, that is, stochastically asymptotically stable and mean-square stable, and their stability corresponds to parameter RB model. However, in the application the value of parameters RB model is unknown and needs to be estimated. Parameter estimation of RB model requires historical data of interest rates under actual measure. Therefore, Girsanov Theorem is used to change measure. Also, Maximum Likelihood Estimation (MLE) and Newton-Raphson method can be used to estimate these parameters. Parameter estimators are obtained by data of a zero-coupon bond with maturity time of five years from January 1982 to February 2011. This data can be downloaded from http://www.bankofengland.co.u.

Abstrak :
Pelabelan pada graf G adalah penetapan nilai bilangan bulat untuk simpul dan busur dari G dengan aturan tertentu. Pelabelan graceful adalah fungsi injektif g dari himpunan simpul V ke himpunan bilangan { | |} yang menginduksi fungsi bijektif g? dari himpunan busur E ke himpunan bilangan { | |}, dimana setiap busur uv E dengan simpul u,v V berlaku g?(uv) = |g(u) ? g(v)|. Pelabelan ̂ merupakan modifikasi lain dari pelabelan graceful. Pelabelan ̂ adalah fungsi injektif h dari himpunan simpul V ke himpunan bilangan { | | } yang menginduksi fungsi bijektif h? dari himpunan busur E ke himpunan bilangan { | |} atau { | | | | }, dimana setiap busur uv E dengan simpul u,v V berlaku h?(uv) =| ? |. Graf pot bunga ( ) dibentuk dari gabungan graf bintang dan graf lingkaran dengan tambahan busur yang menghubungkan pusat graf bintang dengan salah satu simpul pada graf lingkaran . Graf pohon palem ( ) merupakan gabungan graf sapu dan graf lingkaran dengan tambahan busur yang menghubungkan simpul ujung graf dengan salah satu simpul pada graf lingkaran . Pada makalah ini diberikan konstruksi pelabelan graceful dan pelabelan ̂ untuk graf pot bunga ( ) dan graf pohon palem ( ), dengan k bilangan bulat, k ≥ 3 dan m, n bilangan asli. Pelabelan graceful pada graf pot bunga dan graf pohon palem hanya untuk k ≡ 0, 3 (mod 4). ......A labeling on a graph G is an asingment of integer value to vertex and edge of G with certain rule. A graceful labeling is an injective function g from the set of vertices V to a set of numbers {0,1,2,?, |E|} which induces a bijective function g' from the set E to the set of numbers {1,2,?,|E|}, where for each edge uv E with u, v V applies g?(uv) = |g(u) ? g(v)|. A ̂ labeling is a modification of graceful labeling. The ̂ labeling is an injective function h from the set V to the set of numbers {0,1,2,?,|E|+1} which induces a bijective function h' from the set of edges E to the set of numbers {1,2,?,|E|} or {1,2,?,|E|-1, |E|+1}, where each edge u v E with u, v V applies h? (u v) = | ? |. A flower pot graph ( ) is formed by combining the center of star graph with a vertex of cycle graph with an edge. A palm tree graph ( ) is formed by combining the end vertex of broom graph with a vertex of cycle . In this thesis is given constructions of graceful labeling and ̂ labeling for flower pot graph ( ) and palm tree graph ( ), with integer k ≥ 3 and m, n are positive integer. Graceful labeling on flower pot graph and palm tree graph are given only for k ≡ 0, 3 (mod 4).