Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Kejadian multivariat adalah kejadian-kejadian yang memiliki tidak hanya satu peristiwa yang mempengaruhi, tetapi bisa lebih banyak peristiwa yang memberi dampak pada peristiwa utamanya. Dampak yang dihasilkan dari suatu kejadian dapat berupa apa saja dan bisa diprediksi. Hal ini menyebabkan perlunya dibentuk sebuah model untuk memprediksi dampak dari sebuah kejadian sehingga dapat diambil keputusan penting berdasarkan kejadian tersebut. Saham merupakan salah satu contoh yang dapat direpresentasikan sebagai kejadian multivariat, seperti harga saham saat penutupan atau closing price, harga maksimal penutupan saham pada periode tertentu, dan durasi waktu (bulanan). Harga penutupan saham dan harga maksimal penutupan saham pada periode tertentu merupakan variabel acak kontinu yang masing-masing diasumsikan berdistribusi eksponensial dan truncated logistic. Durasi waktu (bulanan) merupakan variabel acak diskrit yang diasumsikan berdistribusi geometrik. Untuk mengakomodir kejadian multivariat yang melibatkan ketiga variabel acak tersebut digunakan distribusi trivariat yaitu, distribusi TETLG (Trivariate distribution with Exponential, Truncated Logistic, and Geometric marginals). Selanjutnya, untuk mengetahui pola hubungan antara ketiga variabel acak sebagai vektor respon dengan tiga kovariat yaitu, tingkat pengangguran, tingkat inflasi, dan tingkat obligasi 10 tahun, dikonstruksi sebuah Generalized Linear Model (GLM) untuk kejadian multivariat. Estimasi parameter model GLM kejadian multivariat, dilakukan menggunakan metode Maximum Likelihood. Sebagai implementasi pemodelan harga saham menggunakan GLM kejadian multivariat, diterapkan pada data harga penutupan saham dari Yahoo! Finance untuk periode 2 Januari 1958 hingga 17 April 2020. Berdasarkan uji likelihood ratio, diperoleh hasil bahwa hanya tingkat inflasi dan tingkat pengangguran yang memiliki pengaruh signifikan terhadap pemodelan harga saham.

---

Multivariate events are events that have not only one influencing event, but there can be more events that have an impact on the main event. The impact resulting from an event can be anything and can be predicted. This causes the need to establish a model to predict the impact of an event so that important decisions can be made based on the incident. Stocks are one example that can be represented as multivariate events, such as the closing price of a stock, the maximum closing price for a given period, the duration of time (monthly). The closing price of shares and the maximum closing price of shares in a certain period are continuous random variables which are assumed to have exponential distribution and truncated logistic respectively. Time duration (months) is a discrete random variable which is assumed to have a geometric distribution. To accommodate multivariate events involving the three random variables, a trivariate distribution is used, namely, the TETLG distribution (Trivariate distribution with Exponential, Truncated Logistic, and Geometric marginals). Furthermore, to determine the pattern of relationship between the three random variables as response vectors with three covariates, which are, the unemployment rates, the inflation rates, and the 10-year bond rates, a Generalized Linear Model (GLM) for multivariate events is constructed. Estimation of GLM model parameters for multivariate events was carried out using the Maximum Likelihood method. As an implementation of stock price modeling using GLM multivariate events, it is applied to closing stock price data from Yahoo! Finance for the period January 2, 1958 to April 17, 2020. Based on the likelihood ratio test, it was found that only the inflation rate and unemployment rate had a significant influence on stock price modelling."

"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."

"Model Markov Switching GARCH adalah model untuk runtun waktu yang dapat menangkap fenomena pengelompokan volatilitas. Pengelompokan volatilitas adalah keadaan dimana runtun memiliki variabilitas yang tidak sama untuk seluruh periode. Model ini adalah perluasan dari model GARCH dimana parameternya dapat melakukan pergantian nilai (switching) yang bergantung dari state rantai Markov sehingga nilainya tidak tetap untuk seluruh periode runtun. Mekanisme switching dari model Markov Switching ini mengikuti proses rantai Markov yang tidak terobservasi. Pada skripsi ini, akan dibahas mengenai struktur dan penaksiran parameter model Markov Switching GARCH. Penaksiran parameter menggunakan maximum likelihood estimator tidak dapat dilakukan karena masalah path dependence, sehingga penaksiran parameter akan dilakukan menggunakan Algoritma Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML). Model Markov Switching GARCH ini kemudian akan diaplikasikan untuk runtun nilai tukar US Dollar (USD) terhadap Indonesian Rupiah (IDR).

---

Markov Switching GARCH is a model for time series that can capture volatility clustering phenomenon. Volatility clustering is a condition when time series has no same variability for entire period. This model is an extension of the GARCH model in which the parameters can do the switching that depend on the state of the Markov chain so that the value is not fixed for the entire period. The switching mechanism of Markov Switching GARCH model follow the unobserved Markov chain process. In this undergraduate thesis, it will be discussed the structure and the parameter estimation of Markov Switching GARCH model. Parameter estimation using maximum likelihood estimator can not be done because of the path dependence problem, so that the parameter estimation will be carried out using Monte Carlo Expectation-Maximization (MCEM) dan Monte Carlo Maximum Likelihood (MCML) algorithm. Markov switching GARCH model will be applied to exchange rate US Dollar (USD) to Indonesia Rupiah (IDR) series."

"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."

"Dalam disertasi ini telah dilakukan penelitian tentang keterlibatan volume pada harga penutupan dihari transaksi. Hal ini dilakukan dalam upaya untuk mendapatkan indikator harga saham yang lebih baik. Hukum distribusi dan probabilitas statistik Maxwel-Boltzmann digunakan untuk menganalisis harga saham beserta perubahan persentasi harga pada pasar modal Bursa Efek Indonesia. Besaran volume dan harga digunakan sebagai variabelvariabelnya. Banyak trader tidak menghiraukan akan nilai besaran volume ini, namun sebenarnya disanalah banyak terkandung sejumlah informasi penting. Oleh karena analisis ini dapat digunakan untuk memprediksi harga dinamik saham di Bursa Efek Indonesia, baik dalam keadaan harga saham bulish atau bearish, naik maupun turun, juga persentasi perubahan harganya, maka diperoleh 1. Bahwa perbandingan antara indikator Statistik MaxwellBoltzmann terhadap indikator Stokastik Osilator George Lane dan lain-lainnya, diperoleh Maxwell-Boltzmann 69 benar, Stockastic Ocscillator 40.55 benar, 10 Simple dan 10 Exponential Moving Average 10 SMA- 10 EMA 43.55 yang benar, Relative Strengt Indexs RSI 46,67 , R William 45 benar, MACD 40,33 dan OBV 41,44 . 2. Pada sisi lain, dengan menggunakan rumus probabilitas Maxwell-Boltzmann, untuk memperkirakan perubahan harga, diperoleh minimum perubahan harga 0 to 3.59 persen deviasi minimum , and deviasi maksimumnya berada diantara 0 to 4,67 persen.

---

In this disertaion, we rsquo;ve investigated the involvement of closing volumes on closing prices as additional variables in order to achieve the better trend lines indicator. The MaxwellBoltzmann distribution physical statistic law and its probabilistic formula were utilized to analyze the dynamic trend lines and deviation percentage of price changes, where prices and volumes were used as variables indeed. Many traders ignore volumes; however, there is a huge number of information in it, particularly in volume of closing prices. This Maxwell-Boltzmann distribution law could be manipulated to predict shares dynamic trend lines in Indonesian Stock Exchange Idx market. Since these analysis could be utilized to predict the dynamic trend lines on bullish or bearish market, and percentage of price changes, than; 1. We are going to have the comparison of the dynamic trend line changes uptrend or down trend by utilizing MaxwellBoltzmann distribution law, and compare them to the George Lane stochastic oscillator formula. The result of the comparison percentage was Maxwell-Boltzmann for 69 right, Stochastic Oscillator 40.55 , 10 Simple and 10 Exponential Moving Average 10 SMA- 10 EMA for 43.55 , Relative Strength Index rsquo;s RSI 46,67 , R William for 45 right, MACD 40.33 right and OBV 41.44 2. On the other hand, the development of the MB probability formula, in term for predicting percentage of price changes, data rsquo;s given that minimum price changes around 0 to 3.59 percent minimum deviation , and maximum deviation around 0 to 4,67 percent in Indonesian Stock Exchanges Idx market."

"Skripsi ini bertujuan untuk membuat identifikasi iris mata menggunakan Hidden Markov Model dengan proses ekstraksi fitur berupa segmentasi, edge detection dan polarisasi. Proses yang pertama adalah pengambilan citra mata. Kemudian dilakukan proses segmentasi terhadap gambar mata yang didapat tersebut untuk memisahkan bagian iris dan pupilnya. Selanjutnya dilakukan proses polarisasi untuk memisahkan bagian iris dengan pupil kedalam bentuk polar. Hasil polarisasi inilah yang akan dikenali oleh sistem pengenal. Proses pengenalan iris mata dalam skripsi ini menggunakan Hidden Markov Model yang dilakukan melalui dua tahapan yaitu proses pelatihan data (training) yang dilakukan untuk melatih sistem pengenal yang bekerja, agar dapat mengetahui setiap garis-garis pada iris matanya, serta proses pengenalan iris mata itu sendiri (recognition) yang digunakan untuk mengenali iris mata yang ingin diuji. Seluruh proses yang dilakukan dibuat menggunakan sebuah perangkat lunak. Dari hasil uji coba yang diperoleh, sistem ini dapat mengenali iris mata yang diuji dengan tingkat akurasi mencapai 100%.

---

A Software of iris identification using hidden markov model is developed. The input image is extracted by using segmentation and polaritation process. The first process is taking of human eye image. Then do the process of segmentation of the image that is to separate iris and pupil from the eyes. Then do the process of polarization to separate iris with the pupil into the polar form. Results of this polarization will be recognized by the user's system.

The process of introduction of human iris in this script use the Hidden Markov Model which is done through two stages of the process of training is to train a system that works, so that each can know the lines on the eye iris, and the introduction of the iris itself (recognition) that is used to identify iris that you want to test. The whole process is created using a software. From the results of the trials obtained, this system can recognize the iris eyes tested with a level of accuracy reached 100%."

"Saham sektor properti dan real estate merupakan jalan bagi investor untuk berinvestasi di pasar properti dan real estate. Harga saham properti dan real esatate memiliki kecenderungan untuk mengalami pergerakkan yang fluktuatif. Untuk meningkatkan potensi perolehan capital gain serta untuk mengukur risiko investasi, harga saham dapat diprediksi menggunakan metode artificial neural network apabila faktor-faktor yang dapat mempengaruhinya diketahui. Variabel yang mempengaruhi harga saham properti dan real estate di Indonesia antara lain, Gross Domestic Product, inflasi, nilai Rupiah terhadap Dollar Amerika, uang beredar, harga minyak mentah, suku bunga jangka panjang, serta volume perdagangan saham.Hasil prediksi dan performa harga saham properti dan real estate Indonesia menggunakan artificial neural network kemudian dibandingkan dengan metode time series konvensional ARIMA dan regresi linier yang menunjukkan hasil berupa metode artificial neural network lebih unggul dibanding ARIMA dan regresi linier.

---

Property and real estate stocks facilitates investors to invest their fund in property and real estate market. Property and real estate stock price has a tendency to move fluctuatively. The price can be predicted using artificial neural network, if the variables which affect the price of property and real estate stock could be identified. The variables which affecting the Indonesian poperty and real estate stock price are Gross Domestc Product, inflation, exchange rate of Rupiah to US Dollar, money aggregates, crude oil price, long-term interest rate, and stock trading volume.

Predicticon results and the methods' performance then compared with the more conventional methods which are time series analysis ARIMA and linear regression. The result shows that performance of artificial neural network is better than ARIMA and linear regression."

"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."

"Pada skripsi ini dilakukan pembahasan secara umum mengenai MPC dan jenis MPC yang digunakan. Model yang digunakan adalah model dinamika berupa matriks state space sistem. Simulasi akan dilakukan dengan menggunakan metode State Space MPC dengan menggunakan perangkat lunak computer MATLAB yang bertujuan untuk melihat penerapan sistem dengan MPC pada Guided Flight Vehicle dan juga melihat sampai sejauh mana State Space MPC dapat berperan mengatasi disturbance yang mengganggu model system tersebut dan seberapa jauh UAV200 LAPAN dapat diikuti oleh MPC dengan berbagai prediction horizon dan moving horizon.

---

In this final project, a general knowledge about MPC will be discussed. The type of MPC that will be discussed is the State Space MPC method. The model that will be used is a dynamic model of the system in state space matrices form. Simulation will be done by using State Space MPC method using computer software, in this case is MATLAB. This simulation aims to see how the system of a Guided Flight Vehicle that applied with MPC strategy will react and also to see how far MPC can handle the disturbance and how far UAV200 LAPAN can be followed by MPC with various prediction horizon and moving horizon as well."