Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPergerakan tingkat bunga merupakan salah satu faktor yang perlu diperhatikan dalam berinvestasi. Untuk menentukan nilai tingkat bunga pada waktu tertentu sebaiknya investor memiliki pengetahuan tentang pergerakan tingkat bunga. Pergerakan tingkat bunga dapat direpresentasikan oleh model tingkat bunga dalam bentuk persamaan diferensial stokastik. Model tingkat bunga pada tesis ini adalah model CARMA (2,1) dengan . Dalam implementasi, digunakan 2 buah data tingkat bunga harian zero-coupon bond dengan masa jatuh tempo 5 tahun yaitu periode 2 Maret 2009 sampai dengan 26 Februari 2010 yang bersifat tidak stasioner dan data periode 1 Agustus 2011 sampai dengan 31 Oktober 2011 yang bersifat stasioner. Estimasi parameter model CARMA (2,1) dilakukan dengan cara menggunakan hasil estimasi parameter proses ARMA (2,1) yang ditransformasikan ke dalam proses CARMA (2,1) berdasarkan suatu proposisi. Hasil implementasi menggunakan data yang stasioner menunjukkan bahwa estimasi nilai parameter yang diperoleh dapat merepresentasikan cukup baik pergerakan data historis tingkat bunga yang digunakan.

---

ABSTRACTThe dynamics of interest rates are cause for concern on investment. To determine the interest rate at a certain time, the investors should have knowledge about the dynamics of interest rates. The dynamics of interest rates can be represented by an interest rate model which is a stochastic differential equation (SDE). The interest rate model used in this thesis is CARMA (2,1) model with . In the implementation, we use two periods of daily interest rate data for zero-coupon bond with five years maturity date. They are non-stationary data for the period from March 2, 2009 to February 26, 2010, and stationary data from August 1, 2011 to October 31, 2011. Estimation of CARMA(2,1) parameters is obtained by applying the parameter estimation of ARMA(2,1) process and then transforming it into CARMA(2,1) process based on a proposition. The results of implementation using stationary data show that the parameters obtained can represent the historical interest rate data quite well."

"Model Kumaraswamy Autoregressive Moving Average (KARMA) merupakan suatu model runtun waktu yang digunakan untuk data runtun waktu yang terbatas pada interval tertentu (a,b) dan diasumsikan mengikuti distribusi Kumaraswamy. Distribusi Kumaraswamy adalah distribusi yang memiliki dua shape parameter, yaitu dan yang menyebabkan distribusi ini memiliki keanekaragaman bentuk grafik fungsi densitas probabilitas seperti unimodal, fungsi naik, fungsi turun, dan fungsi konstan. Pada praktiknya, distribusi ini sering diaplikasikan pada berbagai bidang seperti bidang hidrologi, kesehatan, ekonomi, dan lain-lain. Model KARMA dibentuk dari regresi Kumaraswamy dengan asumsi error model mengikuti proses ARMA. Pada model KARMA, median variabel respon dihubungkan dengan variabel-variabel prediktor (regresor) menggunakan sebuah fungsi penghubung yang monoton, kontinu, dan dapat diturunkan. Metode estimasi parameter model KARMA adalah Conditional Maximum Likelihood Estimation (CMLE) karena dalam proses estimasi diperlukan distribusi bersyarat dari periode sebelumnya. Model KARMA selanjutnya diaplikasikan pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, Brazil dari Januari 2000 hingga Desember 2017 karena data tingkat mortalitas merupakan data yang terbatas pada interval (0,1). Model KARMA terbaik untuk data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, digunakan model terbaik KARMA(3,3) dengan nilai MAPE sebesar 19.0988%.

---

The Kumaraswamy Autoregressive Moving Average (KARMA) model is a time-series model used for time-series data that is limited to a certain interval (a,b) and is assumed to follow the Kumaraswamy distribution. The Kumaraswamy distribution is a distribution that has two shape parameters, namely and which causes this distribution to have a diverse of graphic forms of probability density functions such as unimodal, increasing functions, decreasing functions, and constant functions. In practice, this distribution is often applied to various fields such as hydrology, health, economics, and other fields. The KARMA model is formed from Kumaraswamy regression assuming the error model follows the ARMA process. In the KARMA model, the median of response variable is linked to the predictor variables (regressor) using a monotonous, continuous, and derivable connecting function. The method used for parameter estimation in KARMA model is Conditional Maximum Likelihood Estimation (CMLE) because a conditional distribution of previous periods is required in the estimation process. The KARMA model will then be applied to monthly mortality rates due to occupational accidents in Rio Grande do Sul, Brazil from January 2000 to December 2017 data because mortality rate data is bounded to the interval (0.1). The best KARMA model for the data was selected based on Akaike's smallest Information Criterion (AIC) values and then forecasted for the next six periods. In the data on the monthly mortality rate due to work accidents in Rio Grande do Sul, a MAPE value of 19.0988% was obtained."

"Tingkat mortalitas merupakan salah satu indikator dalam kemajuan bidang kesehatan dan untuk membantu mengidentifikasi kelompok masyarakat yang diutamakan menerima program kesehatan serta pembangunan khusus. Tingkat mortalitas juga dapat digunakan untuk menunjukkan tingkat kesejahteraan dan kualitas hidup suatu negara. Selain itu tingkat mortalitas juga berperan dalam penetapan harga premi (pricing) dan perhitungan cadangan manfaat (valuation) untuk polis asuransi, produk anuitas, serta berperan dalam manajemen risiko aktuaria dan program pensiun. Mengingat tingkat mortalitas merupakan variabel acak yang berubah dari waktu ke waktu dan nilainya berada pada interval (0,1), maka diperlukan suatu model untuk dapat meramalkan tingkat mortalitas di masa depan. Salah satu model yang memiliki potensi untuk dapat memodelkan dan meramalkan tingkat mortalitas adalah model Beta Autoregressive Moving Average (βARMA). Model βARMA merupakan pengembangan dari regresi beta di mana error modelnya mengikuti proses Autoregressive Moving Average (ARMA). Pada penelitian ini akan dibahas mengenai implementasi model βARMA dalam memodelkan dan juga meramalkan tingkat mortalitas. Data yang digunakan adalah data tingkat mortalitas tahunan Indonesia dari tahun 1960 hingga 2020 dengan trend menurun dan data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul dari Januari 2000 hingga Desember 2017 yang bersifat stasioner. Model βARMA terbaik untuk kedua data dipilih berdasarkan nilai Akaike’s Information Criterion (AIC) terkecil kemudian dilakukan peramalan untuk enam periode selanjutnya. Keakuratan peramalan diukur berdasarkan Root Mean Square Error (RMSE). Pada data tingkat mortalitas tahunan Indonesia, diperoleh nilai RMSE sebesar 0.0001, sementara pada data tingkat mortalitas bulanan akibat kecelakaan kerja di Rio Grande do Sul, diperoleh nilai RMSE sebesar 0.0226.

---

The mortality rate is one of the indicators of progress in the health sector and to help identify groups of people who are prioritized to receive special health and development programs. The mortality rate can also be used to indicate the level of welfare and quality of life of a country. In addition, the mortality rate also plays a role in pricing premiums and calculating the benefit reserve (valuation) for insurance policies and annuity products, as well as playing a role in actuarial risk management and pension programs. Considering that the mortality rate is a random variable that changes from time to time and the value is in the interval (0,1), a model is needed to be able to forecast the mortality rate in the future. One model that has the potential to be able to model and forecast mortality rates is the Beta Autoregressive Moving Average (βARMA) model. The βARMA model is a development of beta regression where the error model follows the Autoregressive Moving Average (ARMA) process. In this study, we will discuss the implementation of the βARMA model in modeling and forecasting mortality rates. The data used are Indonesia's annual mortality rate data from 1960 to 2020 with a decreasing trend and the monthly mortality rate data due to work accidents in Rio Grande do Sul from January 2000 to December 2017 which is stationary. The best βARMA model for both data is selected based on the smallest Akaike's Information Criterion (AIC) value then a forecast is made for the next six periods. Forecasting accuracy is measured based on Root Mean Square Error (RMSE). In Indonesia's annual mortality rate data, the RMSE value is 0.0001, while in the monthly mortality rate data due to work accidents in Rio Grande do Sul, the RMSE value is 0.0226."

"Pembelajaran sistem kelas bergerak (moving class) adalah kegiatan pembelajaran dengan peserta didik berpindah sesuai dengan pelajaran yang diikutinya."

"

Model runtun waktu yang paling umum digunakan adalah runtun waktu diskrit yang mengasumsikan peubah yang diuji bersifat kontinu dan menghasilkan nilai kontinu. Padahal dalam banyak penerapan, diperlukan model runtun waktu diskrit yang dapat menangani peubah diskrit dan menghasilkan nilai diskrit juga. Salah satu model runtun waktu yang menangani data count atau bilangan bulat nonnegatif adalah model runtun waktu Integer-valued Autoregressive dengan order p yaitu INAR(p). Model ini dibangun dengan binomial thinning operator yang menerapkan operasi probabilistik dengan distribusi diskrit yang cocok memodelkan data count seperti Poisson dan Binomial. Parameter model akan diestimasi dengan metode Yule-Walker. Dalam penelitian ini, akan dibahas dan dijabarkan karakteristik dari model INAR(p) menggunakan operator binomial thinning. Spesifikasi INAR(p) mengikuti model Autoregressive dengan order p, AR(p). Peramalan INAR(p) menggunakan metode peramalan nilai tengah dengan menghitung probabilitas bersyarat dari setiap bilangan bulat nonnegatif yang mungkin menjadi nilai ramalan, lalu memilih nilai ramalan yang memiliki probabilitas bersyarat kumulatif lebih besar sama dengan 0,5. Model runtun waktu INAR(p) akan diaplikasikan pada data simulasi berjumlah 120 data yang bernilai bilangan bulat nonnegatif.

---

The most commonly used time series model is the discrete time series which assumes the variables being tested are continuous and produces continuous values. Whereas in many applications, a discrete time series model is needed to handle discrete variables and produce discrete values as well. Time series model that handles count or non-negative integer data is the Integer-valued Autoregressive model with the pth-order or INAR(p). This model is built with binomial thinning operator which implements probabilistic operations with discrete distribution that are suitable to model count data such as Poisson and Binomial. Model parameters will be estimated using the Yule-Walker method. In this research, we will discuss and describe the characteristics of the INAR(p) model using the binomial thinning operator. The INAR(p) specification follows the Autoregressive model with the p-th order, AR(p). Forecasting in INAR(p) uses median forecasting by calculating the conditional probability of each possible nonnegative integer value, then selecting a forecast value with a cumulative conditional probability greater than 0.5. The INAR(p) time series model will be applied to the 120 simulated data with nonnegative integer values.

"

"ABSTRAKPenelitian ini membuktikan pernyataan Dodd dan Favaro 2006 bahwa hasil batting average yang lebih bervariasi dalam industri dibandingkan antar industri. Batting average yang menjadi pengukuran kemampuan perusahaan mengelola three tensions dianalisis pada perusahaan LQ45 dan dibandingkan satu sama lain berdasarkan industri dan pergantian chief executive officer dan dihubungkan dengan total shareholder return. Dari hasil penelitian yang dilakukan, penelitian ini menunjukkan hasil yang searah dengan pernyataan Dodd dan Favaro 2006 bahwa hasil batting average lebih bervariasi dalam industri dibandingkan antar industri, namun tidak memiliki hubungan dengan total shareholder return. Penelitian ini juga menunjukkan perbedaan hasil batting average pada pergantian chief executive officer, yang menunjukkan bahwa variasi batting average yang lebih besar dalam industri disebabkan oleh perbedaan strategi masing-masing perusahaan.

---

ABSTRACTThis study proves Dodd and Favaro 2006 statement that the batting average results are more varied within the industry than between industries. Batting averages which indicate the company 39 s ability to manage the three tensions is analyzed at the LQ45 company and compared with each other based on the industry, chief executive officer turnover, and total shareholder return. Based on result on the research conducted, this study shows that the results in line with Dodd and Favaro 2006 statement that the results of the batting average is more varied in the industry than between industries, but in contrast do not have a relationship with TSR. This study also shows differences in the results of the batting average on chief executive officer turnover, which indicates that the variation batting average greater in the industry due to the differences in each company 39 s strategy. "

"Setiap aset atau investasi sangat dipengaruhi oleh tingkat bunga. Tingkat bunga yang berubah-ubah secara tidak pasti ini menyebabkan tingkat bunga sulit diprediksi. Tesis ini membahas tentang salah satu model pergerakan tingkat bunga one factor equilibrium yaitu model Rendleman?Bartter. Penjelasan model Rendleman?Bartter dan solusi eksplisit model ini akan dibahas. Estimasi parameter drift dan diffusi model Rendleman ? Bartter dilakukan dengan metode Maximum Likelihood Estimation (MLE) dan pendekatan numerik Newton - Raphson. Estimasi Parameter yang diperoleh akan digunakan dalam solusi eksplisit model Rendleman ? Bartter, kemudian solusi eksplisit akan dibandingkan dengan data real yang dapat diunduh dari http://www.bankofengland.co.uk/statistics/yieldcurve/index.htm. Hasil simulasi menunjukkan bahwa model Rendleman ? Bartter dapat mengaproksimasi pergerakan short rate untuk jangka waktu yang tidak terlalu panjang.

---

Any asset or investment is strongly influenced by interest rates. Interest rate swings are not sure this causes the interest rate is difficult to predict. This thesis presents a model of interest rate movements are one-factor equilibrium models Rendleman-Bartter. Explanatory models Rendleman-Bartter and explicit solutions of this model will be discussed. Estimated parameters of drift and diffusion models Rendleman - Bartter analysis was conducted using Maximum Likelihood Estimation (MLE) and the numerical approach the Newton - Raphson. Estimated parameters obtained will be used in the model explicit solutions Rendleman - Bartter, then explicit solutions will be compared with real data which can be downloaded from http://www.bankofengland.co.uk/statistics/yieldcurve/index.htm. Simulation results show that the models Rendleman - Bartter can approximates the movement of short-term rate that is not too long."