Hasil Pencarian  ::  Simpan CSV :: Kembali

"Investasi saham menjanjikan imbal hasil yang cukup tinggi, namun mengandung risiko yang juga cukup tinggi. Untuk mengantisipasi tingginya risiko tersebut, banyak investor melakukan perlindungan nilai (hedging) saham mereka dengan cara membeli opsi terhadap saham yang mereka miliki. Salah satu jenis opsi adalah opsi put Amerika, dengan opsi ini, pemegang opsi (holder) memiliki hak untuk menjual saham pada harga tertentu dalam jangka waktu tertentu. Ciri khusus opsi ini adalah, holder bebas menjual pada saat sebelum atau ketika jatuh tempo. Karena itu penentuan harga opsi merupakan hal yang penting dalam perdagangan opsi.Salah satu metode untuk menentukan nilai opsi adalah metode Least-Square Monte Carlo (LSM) yang dikemukakan oleh Longstaff dan Schwartz (2001). Metode ini bertujuan untuk menentukan waktu eksekusi optimal opsi put Amerika dengan cara simulasi. Metode LSM ini akan diimplementasikan untuk menilai harga opsi put saham Microsoft."

"Data Panel merupakan kombinasi dua jenis data yaitu data cross section dan data time series. Tujuan dari penulisan tugas akhir ini adalah mencari taksiran parameter pada model regresi untuk data panel yang tidak lengkap (incomplete panel data regression models) dengan komponen error satu arah (one-way error component). Selain itu model regresi tersebut merupakan random effect models, yang berarti perbedaan karakteristik individu dan waktu diakomodasikan pada komponen error dari model.Metode yang digunakan untuk menaksir parameter adalah metode Feasible Generalized Least Squares (FGLS). Pada metode tersebut, matriks kovarians error tidak diketahui, sehingga perlu dilakukan penaksiran terhadap komponen variansi yang terdapat pada matriks kovarians error tersebut. Metode yang digunakan untuk menaksir komponen variansi adalah modifikasi metode penaksiran ANOVA yang diusulkan oleh Wallace dan Hussain."

"ABSTRACTModel Generalized Space Time Autoregressive adalah suatu model spatio temporal yang merupakan pengembangan model Space Time Autoregressive (STAR). Model STAR adalah model spatio temporal dengan asumsi parameter-parameter sama untuk setiap lokasi. Model GSTAR dibentuk sebagai pengembangan dari model STAR yang memungkinan untuk mengestimasi parameter yang berbeda untuk setiap lokasinya. Borovkova, Lopuhaa dan Ruchjana (2002) mengembangkan model Generelized Space Time Autoregressive (GSTAR) dimana paramater-parameter pada model, berbeda untuk setiap lokasi. Metode kuadrat terkecil (least square method) digunakan untuk mengestimasi parameter pada model GSTAR. Metode kuadrat terkecil merupakan metode pendugaan parameter yang meminimumkan jumlah kuadrat error. Penggunaan model GSTAR pada data penyakit Hepatitis A di 5 kotamadya DKI Jakarta pada tahun 2011-2017 menghasilkan model GSTAR(4,1) sebagai model yang dipilih.

---

ABSTRACTGeneralized Space Time Autoregressive(GSTAR) model is a spatio temporal model which is the development of the Space Time Autoregressive (STAR) model. The STAR model is a spatio temporal model assuming the same parameters for each location. The GSTAR model was formed as a development of the STAR model which makes it possible to estimate different parameters for each location. Borovkova, Lopuhaa and Ruchjana (2002) developed the Generelized Space Time Autoregressive (GSTAR) model where parameters in the model differ for each location. The least square method is used to estimate the parameters in the GSTAR model. The least squares method is a parameter estimation method that minimizes the number of squared errors. The use of the GSTAR model on Hepatitis A data in 5 DKI Jakarta municipalities in 2011-2017 produced the GSTAR (4.1) model as the chosen model."

"Tugas Akhir ini menelaah least square adversarial autoencoder yang menggunakan least square generative adversarial network sebagai diskriminatornya. Diskriminator tersebut meminimalkan fungsi Pearson χ 2 divergence antara distribusi variabel laten dan suatu distribusi apriori. Adanya diskriminator memungkinkan autoencoder untuk membangkitkan data yang memiliki karakteristik yang menyerupai sampel pembelajarannya. Penelitian ini dilakukan dengan membuat program yang memodelkan least square adversarial autoencoder. Program memodelkan dua jenis autoencoder yaitu unsupervised least square adversarial autoencoder dan supervised least square adversarial autoencoder dengan memanfaatkan dataset MNIST dan FashionMNIST. Unsupervised least square adversarial autoencoder menggunakan variabel laten berdimensi 20 sementara supervised least square adversarial autoencoder menggunakan variabel laten masing-masing berdimensi 2, 3, 4, dan 5. Program diimplementasikan menggunakan framework PyTorch dan dieksekusi menggunakan Jupyter Notebook. Seluruh aktivitas pemrograman dilakukan pada environment cloud yang disediakan oleh Floydhub dan Tokopedia-UI AI Center yang masing-masing menggunakan GPU NVIDIA Tesla K80 dan NVIDIA Tesla V100 sebagai perangkat komputasinya. Proses pembelajaran pada unsupervised least square adversarial autoencoder berlangsung selama dua jam sementara pada supervised least square adversarial autoencoder berlangsung selama enam jam. Berdasarkan hasil eksperimen, nilai mean squared error unsupervised least square adversarial autoencoder untuk masing-masing dataset MNIST dan FashionMNIST adalah 0.0063 dan 0.0094. Sementara itu, nilai mean squared error supervised least square adversarial autoencoder pada dataset MNIST sebesar 0.0033. Selanjutnya, nilai Frechet Inception Distance unsupervised least square adversarial autoencoder untuk masing-masing dataset MNIST dan FashionMNIST adalah 15.7182 dan 38.6967. Sementara itu, nilai Frechet Inception Distance supervised least square adversarial autoencoder pada dataset MNIST sebesar 62.512. Hasil tersebut menunjukkan bahwa least square adversarial autoencoder mampu merekonstruksi citra dengan baik, namun kurang mampu membangkitkan citra dengan kualitas sebaik sampel pembelajarannya.

---

This Final Project (Tugas Akhir) investigates the least square adversarial autoencoder that uses least square generative adversarial network as its discriminator. The discriminator minimizes the Pearson χ 2 divergence between the latent variable distribution and the prior distribution. The presence of discriminator allows the autoencoder to generate data that has characteristics that resemble the original data. Python programs were developed to model the least square adversarial autoencoder. This programs try to model two types of autoencoder namely unsupervised least square adversarial autoencoder and supervised least square adversarial autoencoder by utilizing MNIST dataset and FashionMNIST dataset. The unsupervised least square adversarial autoencoder uses latent variables of dimension 20 while the supervised least square adversarial autoencoder uses latent variables with dimensions of 2, 3, 4, and 5, respectively. This programs were implemented using PyTorch and executed using Jupyter Notebook. All of the programming activities are carried out in the cloud environment provided by Floydhub and Tokopedia-UI AI Center, respectively using NVIDIA Tesla K80 GPU and NVIDIA Tesla V100 GPU as their computing resource. Training time in unsupervised least square adversarial autoencoder lasts for two hours while in supervised least square adversarial autoencoder lasts for six hours. The Results of experiments show that the mean squared error of unsupervised least square adversarial autoencoder for MNIST dataset and FashionMNIST dataset are 0.0063 and 0.0094, respectively. Meanwhile, the mean squared error of supervised least square adversarial autoencoder for MNIST dataset is 0.0033. Furthermore, the Frechet Inception Distance scores of unsupervised least square adversarial autoencoder for MNIST dataset and FashionMNIST dataset are 15.7182 and 38.6967, respectively. Meanwhile, the value of Frechet Inception Distance score of supervised least square adversarial autoencoder in MNIST dataset is 62.512. These results indicate that the least square adversarial autoencoder is able to reconstruct the image properly, but is less able to generate images with the same quality as the learning sample."

"Dalam penerapan analisis regresi seringkali terdapat efek dependensi spasial (lokasi) yaitu nilai observasi variabel dependen pada suatu lokasi bergantung pada nilai observasi di lokasi lain. Karateristik ini dinamakan spasial lag. Bentuk dependensi lain adalah spasial error yaitu error pada suatu lokasi dipengaruhi oleh error pada lokasi sekitarnya. Model regresi yang melibatkan efek dependensi spasial disebut model spasial dependen. Dalam kenyataannya tidak tertutup kemungkinan spasial dependen pada data cross section memiliki kedua kararateristik dependensi spasial. Tugas akhir ini membahas tentang prosedur mengestimasi parameter model dengan kedua jenis spasial dependen, yaitu spasial lag sekaligus spasial error dengan metode Generalized Spatial Two Stage Least Squares (GS2SLS). Metode ini menggunakan Two Stage Least Squares, Generalized Moment, dan transformasi Cochrane-Orcutt. Taksiran yang dihasilkan bersifat konsisten. Kata Kunci: Spasial Lag, Spasial Error, Two Stage Least Squares, Generalized Moment, Transformasi Cochrane-Orcutt."

"ABSTRAK

Peramalan tingkat mortalitas sangat dibutuhkan oleh perusahaan asuransi pada perencanaan kebijakan dalam penentuan premi untuk mengurangi risiko kerugian di masa mendatang. Dalam tesis ini, model Cairns-Blake-Dowd (CBD) digunakan untuk meramalkan tingkat mortalitas di Indonesia. Model CBD memuat dua parameter runtun waktu. Parameter-parameter dari model CBD diestimasi dengan menggunakan metode Least Square. Kemudian, peramalan parameter model CBD untuk beberapa periode ke depan dilakukan dengan menggunakan metode Bivariate Random Walk with Drift. Hasil dari peramalan parameter ini disubstitusi ke model CBD untuk mendapatkan tingkat mortalitas di Indonesia dalam beberapa periode ke depan. Keakuratan dari hasil estimasi dan peramalan diukur dengan menggunakan Mean Squared Error (MSE).

---

ABSTRACT

---

Forecasting mortality rates is needed by insurance companies in policy planning to determine premiums to reduce the risk of losses in the future. In this thesis, the Cairns-Blake-Dowd (CBD) model is used to forecast Indonesian mortality rates.  The CBD model contains two-time series parameters. The CBD model`s parameters are estimated by using the Least Square method. Then, parameters prediction for the next few periods used the Bivariate Random Walk with Drift method. The results of parameters prediction will be substituted to the CBD model to obtain Indonesian mortality rates for the next few periods. The accuracy of the estimation and forecasting results are measured by using Mean Squared Error (MSE).

"

"Tingkat mortalitas merupakan komponen penting dalam analisis kesehatan masyarakat yang diperlukan oleh banyak institusi seperti pemerintah, organisasi kesehatan, hingga perusahaan asuransi. Akan tetapi, data tingkat mortalitas merupakan data yang terus berubah seiring berjalannya waktu sehingga dibutuhkan peramalan tingkat mortalitas. Untuk melakukan peramalan tingkat mortalitas, diperlukan kesesuaian dari berbagai metode dan model untuk dapat memaksimalkan tingkat akurasi dari nilai hasil ramalan. Untuk mencapai hal tersebut, skripsi ini melakukan simulasi peramalan dengan model Cairns-Blake-Dowd (CBD) yang diaplikasikan terhadap data Tingkat Mortalitas Indonesia untuk jenis kelamin laki-laki yang bersifat tahunan. Model CBD sendiri memiliki dua parameter yang diestimasi menggunakan metode Least Square. Lalu, dikarenakan sifat parameter yang merupakan deret waktu multivariat, akan digunakan metode peramalan berupa Vector Autoregressive Integrated Moving Average (VARIMA). Hasil ramalan tersebut kemudian disubstitusikan kembali ke dalam model CBD untuk mendapatkan nilai tingkat mortalitas pada tahun-tahun berikutnya. Dalam menentukan akurasi hasil peramalan dari metode VARIMA dan estimasi parameter dari metode Least Square tersebut, digunakan metode Mean Squared Error (MSE).

---

Mortality rate is a crucial component in the analysis of public health which is required by various institutions such as the government, health organizations, and insurance companies. However, mortality rate data is constantly changing over time, necessitating the forecasting of mortality rates. Therefore, to forecast mortality rates, the alignment of various methods and models is necessary to maximize the accuracy of the forecasted values. To achieve this, this thesis will conduct a forecasting simulation using the Cairns-Blake-Dowd (CBD) model applied to Indonesian Mortality Rate data for males on an annual basis. The CBD model itself has two parameters to be estimated using the Least Square method. Then, due to the nature of the parameters as a multivariate time series, the Vector Autoregressive Integrated Moving Average (VARIMA) forecasting method will be employed. The forecasted results will be substituted back into the CBD model to obtain mortality rate values for the upcoming years. In determining the accuracy of the forecasting results from VARIMA and estimation from Least Square, the Mean Squared Error (MSE) method will be utilized."

"Pandemi Covid-19 mengakibatkan adanya perubahan pada gaya hidup masyarakat. Aktivitas-aktivitas yang biasanya dilakukan secara offline berubah menjadi online. Hal ini memberikan dampak negatif terhadap tubuh seperti badan menjadi tidak fit, imun tubuh turun, dan lainnya. Maka dari itu, masyarakat termasuk mahasiswa dihimbau untuk tetap menjaga kesehatan mereka salah satunya dengan berolahraga secara rutin. Sehingga seeorang harus memiliki motivasi olahraga yang baik. Tujuan dari penelitian ini, yaitu: (1) menganalisis variabel-variabel yang memengaruhi tingkat motivasi olahraga pada mahasiswa Universitas Indonesia; (2) menganalisis pengaruh social support terhadap hubungan physical self-concept dengan motivasi olahraga; (3) menganalisis pengaruh kecemasan terhadap Covid-19 terhadap hubungan health consciousness dengan motivasi olahraga, yang dilakukan dengan menggunakan metode Partial Least Square (PLS). Data yang digunakan merupakan data primer yang diambil dengan menggunakan metode purposive sampling sejumlah 876 mahasiswa S1 Universitas Indonesia angkatan 2018, 2019, 2020, dan 2021 tahun ajar 2021/2022 dengan status akademis aktif yang bersedia mengisi kuesioner. Hasil penelitian menunjukkan bahwa variabel jenis kelamin, ketersediaan fasilitas olahraga, health consciousness, dan physical self-concept mempengaruhi motivasi olahraga pada mahasiswa Universitas Indonesia. Social support merupakan variabel prediktor moderasi antara physical self-concept dengan motivasi olahraga. Selain itu, kecemasan terhadap Covid-19 merupakan variabel prediktor moderasi antara health consicousness dengan motivasi olahraga.

---

COVID-19 pandemic has changed people's lifestyles. Activities that are usually done offline turn into online. This has negative impact on the body such as the body becomes unfit, the body's immune system decreases, and so on. Therefore, the public, including students, are encouraged to maintain their health by exercising regularly. So, a person must have good exercise motivation. The aims of this study are to analyze the variables that affect the level of sports motivation in University of Indonesia students, to analyze the effect of anxiety on Covid-19 on the relationship between health consciousness and sports motivation, and to analyze the effect of social support on the relationship of physical self-concept to sports motivation by using the Partial Least Square (PLS) method. The data used is primary data taken using purposive sampling with a total of 876 undergraduate students at the University of Indonesia. The results showed that gender, availability of sports facilities, health consciousness, and physical self-concept have significant effect on sports motivation. Social support only acts as a moderating predictor variable between physical self-concept and sports motivation. In addition, it was found that anxiety about Covid-19 only acts as moderating predictor variable between health consciousness and exercise motivation."

"This is the first book devoted entirely to total least squares. The authors give a unified presentation of the TLS problem. A description of its basic principles are given, the various algebraic, statistical and sensitivity properties of the problem are discussed, and generalizations are presented. Applications are surveyed to facilitate uses in an even wider range of applications. Whenever possible, comparison is made with the well-known least squares methods. A basic knowledge of numerical linear algebra, matrix computations, and some notion of elementary statistics is required of the reader; however, some background material is included to make the book reasonably self-contained."

"Salah satu kias transformasi orthonormal yang digunakan pada penyelesaian persoalan Least Square adalah matrik transformasi Householder, dengan membentuk suatu matrik segitiga dari matriks data. Jika persoalan Least Square tersebut diperbaiki dengan menambah sejumlah data lama dan menghilangkan sejumlah data baru maka digunakan suatu kias matrik Hypernormal yang disebut dengan matrik trans1ormasi Hyperbolik Householder."