Hasil Pencarian  ::  Simpan CSV :: Kembali

"Investor membutuhkan suatu model matematis yang dapat digunakan untuk memprediksi perubahan harga saham pada masa mendatang. Salah satu model yang sering digunakan oleh analis dalam memprediksi pergerakan harga saham adalah model runtun waktu. Model local level merupakan salah model runtun waktu dengan tujuan untuk mendapatkan karakteristik nilai komponen unobserved dari data observasi. Filter Kalman merupakan algoritma rekursif yang bertujuan menghitung komponen unobserved dengan variansi minimum dari suatu himpunan data. Skripsi ini membahas bagaimana mengestimasi solusi dan meramal data pada model local level menggunakan Filter Kalman. Implementasi menggunakan data harga saham historis bank BCA pada http://finance.yahoo.com/. menunjukkan bahwa hasil peramalan kurang baik. Peramalan yang kurang baik disebabkan karakteristik pergerakan harga saham bulanan yang digunakan.

---

Investor needs a mathematical model to forecast future stock price changes. One of the mostly used models by stock analists to predict stock price movement is time series model. Local level model is one of the time series model which its goal is to obtain unobserved component characteristic from observation. Filter Kalman is a recursive algorithm to compute the unobserved component with the minimum variance from a set of past observations.

This scription shows how to estimate solution and forecast stock price in local level model by applying Kalman Filter. Implementation using BCA?s stock price at http://finance.yahoo.com/. show that estimation is very good and forecasting is less good. It is because the characteristic of stock price movement which was used."

"Pergerakan harga saham berfluktuasi. Diperlukan suatu metode untuk mengestimasi pergerakannya. Model runtun waktu merupakan suatu model yang dapat digunakan dalam menganalisis pergerakan harga saham. Salah satu model runtun waktu sederhana adalah model local linear trend dengan level stokastik dan slope deterministik. Algoritma filter Kalman dapat digunakan untuk mengestimasi solusi model. Implementasi menggunakan data harga saham BMRI dan LSIP memberikan hasil yang cukup baik dilihat dari nilai rata – rata eror relatif dan nilai MSE (mean square error).

---

The movements of stock price is fluctuate. A method is required to determine such movement. Time series model is one of the models that can be used in analyzing stock price movements. One of the basic model of time series is the local linear trend model with stochastic level and deterministic slope. Kalman filter algorithm can be used to estimate the solution of that model. Implementation on BMRI and LSIP stock price data gives satisfactory results based on the average relative error and MSE (mean square error)."

"Sistem tata udara presisi merupakan mesin refrigerasi yang digunakan di ruang pusat data untuk menjaga temperatur di dalam kabinet berkisar antara 20º - 22ºC, dan kelembaban antara 45-55%. Untuk mencapai keadaan tersebut, delapan variabel tak terukur belum dapat diestimasi sehingga dibutuhkan observer. Proses estimasi state dilakukan menggunakan model ruang keadaan. Persamaan untuk Filter Kalman dibagi menjadi persamaan time update dan measurement update. Penggunaan metode ini diharapkan diperoleh nilai matriks prediction error covarians yang konvergen pada nilai sekecil mungkin. Selain itu juga dibandingkan state hasil estimasi dengan state aktual model untuk mengetahui nilai kuadrat kesalahan estimasi yang terjadi.

---

Precision air conditioning is a refrigeration machine that used in the data center to keep the temperature inside the cabinet ranged from 20 º - 22 º C, and humidity between 45-55%. To reach that state, the eight variables not measured can not be estimated so that the observer is required. State estimation process is done using a state space model. The equation for the Kalman Filter equations are divided into time update and measurement update. Use of this method is expected to obtain the prediction error matrix covarians which converges on the value as small as possible. It also compared to the estimated state with the actual state of the model to determine the value of the square of estimation error that occurred."

"Teknologi yang sedang digunakan untuk mengoptimalkan pengereman ini merupakan Anti Lock Braking System (ABS). Teknologi ini menggunakan referensi rasio slip secara longitudinal pada roda dimana variabel ini mempunyai pengaruh terhadap koefisen gesek yang menyebabkan gaya gesek antara ban dan jalan menjadi maksimal. Rasio slip merupakan fungsi perbandingan kecepatan kendaraan dengan kecepatan roda dikalikan dengan jar-jari roda. Pengukuran kecepatan longitudinal kendaraan secara konvensional menggunakan perkalian radius roda dengan kecepatan angular roda yang dapat secara mudah diukur dengan sensor encoder. Akan tetapi metode ini mempunyai kelemahan yaitu tidak validnya kecepatan longitudinal yang didapat ketika kendaraan tetap melaju tetapi roda mengalami keadaan terkunci saat pengereman terjadi. Maka dari itu diperlukan adanya estimasi terhadap variabel kecepatan longitudinal kendaraan agar perhitungan rasio slip dapat dilakukan. Estimasi dilakukan menggunakan observer Adaptive Kalman Filter (AKF). Pada algoritma adaptif yang diusulkan adalah dengan memodifikasi gain pada algoritma Kalman filter konvensional. Gain dimodifikasi berdasarkan keadaan dari roda kendaraan saat terjadinya rasio slip berlebih atau ban yang terkunci dimana data dari akselerometer digunakan sepenuhnya. Desain observer ini menggunakan persamaan pengukuran dari kecepatan kendaraan yang diukur dari roda kendaraan dan masukan yang merupakan data dari akselerometer. Dengan adanya kombinasi dari dua pengukuran ini dapat diperoleh hasil yang optimal dimana terdapat kelebihan dari masing-masing sensor yang mengkompensasi kelemahan dari masing-masing sensor tersebut. Simulasi percobaan dilakukan menggunakan model half car dengan pengendali Proportional Integral (PI) dan Model Predictive Control (MPC) pada kondisi jalan aspal basah dan kering. Hasil estimasi terbaik didapatkan pada percobaan pengereman pada aspal basah dengan nilai cost function 0.002015.

---

The technology that being used to optimize the braking is an Anti-Lock Braking System (ABS). The technology uses a reference of longitudinal slip ratio on wheels in which these variables have an influence on the coefficient of friction that causes frictional forces between the tire and the road becomes maximum. This is because that slip ratio is a function of the longitudinal vehicle velocity that can not be measured directly. Measurement of longitudinal velocity of the vehicle using a conventional radius multiplication wheels with wheel angular velocity that can be easily measured by the encoder sensor. However, this method has the disadvantage that the invalidity of the longitudinal speed obtained when the vehicle may have run but the wheels are over slip or the current state of the wheels are locked due to braking occurs. Thus it is necessary to estimate the variable speed of the vehicle that the longitudinal slip ratio calculation can be done. Estimation was performed using Adaptive Kalman Filter (AKF) observer.

In the proposed adaptive algorithm is to modify the gain on conventional Kalman Filter algorithm. Gain is modified based on the state of the vehicle when the wheels are over slip locked then data from the accelerometer is fully used. The observer design using equation measurements of measured vehicle speed from the wheels of the vehicle and input observer is the data from the accelerometer. With the combination of these two measurements can be obtained optimal results where the advantages of each of the sensors can compensate for the weaknesses of each of these sensors. The simulation of system use the half car model with Proportional Integral (PI) and Model Predictive Control (MPC) controller on dry and wet asphalt for road condition. The best result of estimation achieved by simulation on wet asphalt with cost function value 0.02105."

"Pemodelan dan peramalan harga saham merupakan hal yang sangat penting bagi seorang investor. Harga saham selalu mengalami perubahan seiring berjalannya waktu. Perubahan ini tidak konstan dan sangat berdampak jika diabaikan karena hal tersebut dapat menimbulkan risiko kerugian. Banyak model yang sudah dibuat dengan tujuan untuk meminimalkan risiko kerugian tersebut. Pada penelitian ini, akan digunakan model ARIMA-GARCH untuk meramalkan volatilitas dalam harga saham. Alasan dari penggunaan gabungan kedua model tersebut adalah karena Model ARIMA saja tidak dapat menangani data dengan volatilitas besar dan yang non-linear. Maka, diharapkan bahwa penggunaan dari model gabungan ini dapat menangani masalah tersebut. Data harga saham yang digunakan pada penelitian ini adalah data harga penutupan dalam dua saham yang termasuk dari indeks LQ45. Pada penelitian ini, data tersebut akan dimasukkan kedalam model gabungan tersebut untuk mendapat peramalan di hari selanjutnya. Setelah itu, akan digunakan metode Walk Forward untuk mendapat semua hasil peramalannya. Dari hasil tersebut, didapat bahwa pengabungan dari ARIMA (1,1,1)-GARCH (1,1) memberikan perdiksi harga saham yang terbaik untuk kedua saham yang dipilih. Lalu, menggunakan hasil MAE dan RMSE dari saham, dapat disimpulkan bahwa model ARIMA-GARCH merupakan model yang dapat memprediksi harga saham dengan baik.

---

For an Investor, modelling and forecasting the stock prices are very important. Stock price fluctuate as time goes and these changes vary from one point of time to another. These changes can be really dangerous if ignored because the risk of loss it might create. Many models have been created with the purpose of minimizing the risk of loss. In this study, the ARIMA-GARCH model will be used to predict closing price in the stock prices which contain volatility. The reason for using the combination of the two models is due to ARIMA model unable to handle large volatility along with non-linear data. Thus, it is hoped the use of this combined model can solve this problem. The data that is used on this study is the closing price of 2 stocks that is part of the LQ45 index. In this research, the data will be used on the combined model to get the forecast price of the next day. Then, the rest of the forecast price will be found using a process called Walk Forward. After acquiring all the forecasted price, it is found that the combination of ARIMA (1,1,1)-GARCH (1,1) yield the best result in forecasting the stock prices. Then, by using MAE and RMSE to check the error of the results, it can be concluded that the ARIMA-GARCH model is a model that is able to predict stock prices well."

"Rollover merupakan penyebab utama adanya korban jiwa dari peristiwa ketidakstabilan kendaraan. Karenanya, inovasi pencegahan rollover pada kendaraan roda empat terus dikembangkan untuk meningkatkan keselamatan berkendara. Variabel sudut roll dan kecepatan sudut roll sangat diperlukan dalam pengendalian pencegahan rollover kendaraan, namun kedua variabel ini tidak dapat diukur secara langsung pada kendaraan roda empat karena tingginya harga sensor yang diperlukan. Metode estimasi sudut roll dan kecepatan sudut roll yang akurat dibutuhkan agar pengendalian pencegahan rollover dapat bekerja. Pada penelitian skripsi ini, didesain observer menggunakan metode extended Kalman filter (EKF) diskrit untuk mengestimasi sudut roll dan kecepatan sudut roll. Metode EKF dipilih karena dapat menghasilkan estimasi yang baik pada kondisi non-linier. Persamaan keadaan non-linier yang digunakan pada EKF diturunkan dari model gerak kendaraan pada bidang datar dan model gerak poros kendaraan. Persamaan keadaan non-linier yang dalam bentuk kontinu diaproksimasikan ke bentuk diskrit menggunakan metode Runge-Kutta orde 4. Observer yang didesain lalu diintegrasikan dengan sistem pengendali prediktif pencegahan rollover untuk menguji kinerja metode observer saat kendaraan dalam kondisi pengendalian kestabilan yang non-linier. Metode observer EKF hasil penelitian kemudian dibandingkan dengan metode Kalman filter pada simulasi menggunakan perangkat lunak Carsim dan MATLAB & Simulink.

---

Rollover is the main cause of fatalities from vehicle instability. Therefore, rollover prevention innovations in four-wheeled vehicles continue to be developed to improve driving safety. Roll angle and roll rate are very necessary in vehicle rollover prevention control, but these two variables cannot be directly measured on four-wheeled vehicles because of the high price of the sensors needed. The method of high-performance roll angle and roll rate estimation is needed so that rollover prevention control can operate. In this final project, the observer is designed with discrete extended Kalman filter (EKF) method to estimate roll angle and roll rate of the vehicle. The EKF method was chosen because it can yield good estimates in nonlinear conditions. The nonlinear equations used in EKF are derived from the yaw-plane vehicle dynamics model and axis dynamics model. The nonlinear equations which are still in continuous form are approximated to discrete form using the 4th order Runge-Kutta method. The designed observer is integrated with the predictive rollover prevention control system to test the performance of EKF when the vehicles is in stability controlling, nonlinear conditions. The designed EKF observer method is then compared to the Kalman filter method in a simulation using Carsim and MATLAB & Simulink software."

"This book describes one of the first systems for sparse point-based 3D reconstruction and egomotion estimation from an image sequence; able to run in real-time at video frame rate and assuming quite weak prior knowledge about camera calibration, motion or scene. Its chapters unify the current perspectives of the robotics and computer vision communities on the 3D vision topic : as usual in robotics sensing, the explicit estimation and propagation of the uncertainty hold a central role in the sequential video processing and is shown to boost the efficiency and performance of the 3D estimation. On the other hand, some of the most relevant topics discussed in SfM by the computer vision scientists are addressed under this probabilistic filtering scheme, namely projective models, spurious rejection, model selection and self-calibration."

"Prediksi harga saham memiliki manfaat terhadap investor untuk dapat melihat bagaimana investasi saham pada sebuah perusahaan di masa yang akan datang. Prediksi harga saham membantu para investor dalam pengambilan keputusan. Untuk melakukan prediksi harga saham digunakan pendekatan analisis teknis dengan menggunakan metode ridge regresi dan kernel ridge regresi. Ridge regresi merupakan metode regresi yang dapat mengatasi terjadinya masalah multikolinieritas. Kernel ridge regresi merupakan kombinasi antara metode kernel dan ridge regresi dengan memetakan input data ke ruang yang berdimensi lebih tinggi. Pada skripsi ini, diimplementasikan metode ridge regresi dan kernel ridge regresi untuk memprediksi harga saham dengan variabel-variabel regresornya merupakan nilai harga saham pada k-hari sebelumnya. Hasil implementasi pada data yang digunakan dalam skripsi ini menunjukkan bahwa metode kernel ridge regresi memberikan tingkat akurasi rata-rata yang lebih baik dibandingkan metode ridge regresi.

---

Prediction of stock prices has benefits for investors to be able to see how the stock investment in a company in the future. Prediction of stock prices help investors in making decisions. Prediction of stock price used technical analysis approach using kernel ridge regression and ridge regression. Ridge regression is a regression method that can solve the multicollinearity problem. Kernel ridge regression is a combination of ridge regression and kernel methods to map the input data into a higher dimensional space. In this skripsi, the method is implemented to predict the stock price which is the variables regressors based on a value stock price on the previous day. The result of implementation, in this skripsi, indicates that kernel ridge regression method better than ridge regression method."