Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pendangkalan pelabuhan akibat sedimentasi akan mempengaruhi pola operasi pelabuhan tersebut dan mengganggu navigasi kapal untuk bermanuver masuk ke dalam pelabuhan. Permasalahan tersebut akhirnya akan meningkatkan biaya operasi pelabuhan dan mengurangi profit margin. Tulisan ini membahas penanggulangan sedimentasi akibat pengaruh muara sungai di Pelabuhan Tanjung Mas Semarang. Analisis karakteristik sedimentasi dilakukan dengan menggunakan model angkutan sedimen sebagai alat bantu. Model angkutan sedimen divalidasi dengan data hasil pengukuran berupa data elevasi pasang surut selama satu bulan dan data arus selama lima belas hari. Hasil simulasi model yang diverifikasi dengan data lapangan dijadikan sebagai dasar identifikasi karakteristik pola sedimentasi. Hasil simulasi model angkutan sedimen di pelabuhan menunjukan bahwa sedimentasi dipengaruhi oleh muara sungai di sebelah barat dan timur Pelabuhan dengan konsentrasi sedimen tersuspensi maksimum 0,15 kg/m3. Penanggulangan sedimentasi dengan pengerukan berkala, sedimen dibuang di area dumping dan dari hasil simulasi menunjukan area dumping eksisting merupakan area ideal karena sedimen tidak berpotensi kembali ke dalam area pelabuhan. Dengan difungsikanya kembali pemecah gelombang di Pelabuhan Tanjung Mas akan dapat secara efektif mengurangi sedimentasi di kolam pelabuhan, sehingga difungsikanya kembali pemecah gelombang dapat menjadi solusi dalam penanggulangan sedimentasi di kolam pelabuhan."

"Analisis regresi merupakan suatu metode yang digunakan untuk menganalisis hubungan antar variabel yang diekspresikan dalam bentuk persamaan antara variabel dependen dengan variabel bebas. Dalam analisis regresi terdapat beberapa asumsi yang harus dipenuhi. Spasial dependen pada suatu kumpulan data sampel berarti observasi pada suatu lokasi berkorelasi dengan observasi pada lokasi lain. Sehingga asumsi error antar observasi yang saling bebas tidak terpenuhi. Oleh karena itu, dibutuhkan suatu model yang memperhitungkan adanya korelasi spasial yaitu model spasial dependen. Model spasial dependen terbagi dua yaitu spasial lag dan spasial error. Model spasial lag merupakan model regresi linier dimana pada variabel dependennya terdapat korelasi spasial sedangkan model spasial error merupakan model regresi linier dimana pada errornya terdapat korelasi spasial. Penaksiran parameter menggunakan metode maksimum likelihood. "

"Model regresi data panel spasial error dinamis adalah model regresi data panel yang melibatkan lag dari variabel dependen dan komponen dependensi spasial error. Karena terdapat korelasi antara lag dari variabel dependen dan komponen error, estimasi dengan Ordinary Least Squares menjadi bias dan tidak konsisten. Oleh karena itu, dibutuhkan metode lain untuk menaksir parameter dalam model. Metode yang dapat digunakan adalah perluasan metode Arellano dan Bond yang mencakup metode instrumental variabel menggunakan variabel instrumen yang disarankan oleh Mutl (2006) dan prinsip Generalized Method of Moments (GMM). Kemudian ditambah dengan metode pendekatan Kapoor, Kelejian, dan Prucha (KKP) sehingga dihasilkan taksiran yang konsisten.

---

The dynamic spatial error panel data regression model is panel data regression model which involves lag of the dependent variable and error spatial dependence. Because there is correlation between the lag of the dependent variable and error components, the ordinary least squares estimator becomes biased and inconsistent. Therefore, we need another method to estimate parameters in the model. The method which can be used is the extended method of Arellano and Bond covering instrumental variable method using instrument variables suggested by Mutl (2006) and the principle of the Generalized Method of Moments (GMM). Then the method is coupled with the method of Kapoor, Kelejian, and Prucha (KKP) approach so that it produces consistent estimators."

"Model Cox, Ingersol and Ross (CIR) merupakan salah satu model stokastik yang menggambarkan perubahan tingkat bunga untuk jangka waktu yang pendek. Model ini mempunyai sifat mean reversion. Untuk jangka waktu yang lama, diperoleh bahwa mean dan variansi dari tingkat bunga pada saat jatuh tempo mendekati suatu nilai. Pada skripsi ini akan dihitung harga dari zero ? coupon bond untuk tingkat bunga mengikuti model CIR. Diperoleh bahwa jika tingkat bunga naik, harga dari zero ? coupon bond akan turun."

"Penentuan harga opsi (option pricing) memegang peranan penting pada perdagangan saham agar dapat membuat keputusan yang dapat memperoleh keuntungan yang optimal baik untuk pembeli maupun penjual opsi. Salah satu model pasar yang dapat digunakan pada option pricing ini adalah model Black-Scholes dengan volatilitas stokastik dari harga saham yang berdasarkan proses Ornstein-Uhlenbeck. Model ini digunakan agar dapat menggambarkan sifat dari volatilitas yang ada pada pasar saham sesungguhnya. Untuk mengaproksimasi harga opsi call Eropa berdasarkan model tersebut, digunakan metode Euler-Maruyama. Diteliti juga laju konvergensi dari aproksimasi tersebut. Kemudian, dilakukan analisis terhadap hasil simulasi harga opsi menggunakan beberapa fungsi volatilitas harga saham yang berdasarkan proses Ornstein-Uhlenbeck. Hasil simulasi menunjukkan bahwa pemilihan fungsi volatilitas pada model pasar perlu dipertimbangkan lebih lanjut karena berkaitan dengan konsep mean-reversion yang diharapkan dari volatilitas pasar saham di dunia nyata.

---

Option pricing holds a crucial role in trading to make decision that would lead to the best benefit for both the option buyer and seller. The market model that could be used for option pricing is Black-Scholes model with stochastic stock prices volatility driven by Ornstein-Uhlenbeck process. This model is used in order to reflect the properties of the volatility in the real market. In this short thesis, Euler-Maruyama method is used to approximate the price of the European call option based on that model. The rate of convergence of the approximation is also determined. The simulation of the option price approximation is performed with some Ornstein-Uhlenbeck-driven volatility functions for the stock price model. The result of the simulation shows that the choice of the volatility function for the stock price model needs to be scrutinized since it is related to the mean-reversion concept that is expected from the stock prices volatility in real market."

"Model regresi data panel balanced dinamis dengan fixed effect merupakan model regresi data panel yang melibatkan lag dari variabel respon sebagai variabel penjelas. Asumsi model regresi data panel dinamis yang dibahas adalah balanced panel, yaitu tiap individu diamati untuk panjang waktu yang sama. Dengan asumsi fixed effect, heterogenitas dapat terlihat pada intersep model. Metode penaksiran yang digunakan dikenal sebagai LSDV (least square dummy variable) namun taksiran yang dihasilkan bias. Taksiran ini juga tidak konsisten ketika periode waktu berhingga. Oleh karena itu, dibutuhkan metode lain untuk menaksir parameter dalam model. Metode yang dapat digunakan adalah metode bias terkoreksi. Estimasi bias terkoreksi diperoleh dari koreksi bias asimtotik taksiran LSDV dengan bias asimtotik didapat melalui bentuk ketidakkonsistenan penaksir. Secara intuitif, koreksi bias ini menghilangkan bentuk tidak konsistennya taksiran LSDV sehingga menjadi taksiran yang konsisten. Prosedur iteratif digunakan untuk mendapatkan taksiran bias terkoreksi. Teknik bias terkoreksi ini diaplikasikan dalam analisis empiris dari model dinamis tingkat pengangguran di negara bagian Amerika Serikat pada periode 1991-2000.

---

Regression model of balanced dynamic panel data with fixed effect is a regression model of panel data involving lag of response variable as explanatory variable. Assumption regression model of dynamic panel data discussed is balanced panel, that is each individual observed for the same length of time period. Assuming a fixed effect, heterogeneity can be seen on the intercept model. The assessment method used is known as LSDV (least square dummy variable) however the resulting estimates generated bias. These estimators will also inconsistent for finite number of time period. Therefore, other methods are needed to estimate parameters in model. A method that can be used is bias corrected method. Bias corrected estimation is derived from the asymptotic bias correction LSDV estimator which the asymptotic bias obtained through the form of inconsistent of estimator. Intuitively, this bias correction eliminates the form of inconsistent of LSDV estimator so as to be consistent. Iterative procedure are used to obtain this bias corrected estimator. The proposed technique is applied in an empirical analysis of unemployment rate model dynamics at the U.S. state level for the 1991-2000 period."

"ABSTRAKAnalisis regresi linier memodelkan hubungan linier antara variabel respon dengan variabel regresor. Analisis regresi linier menghasilkan suatu model yang disebut model regresi linier. Metode yang sering digunakan untuk menaksir parameter pada model regresi linier adalah metode ordinary least square OLS . Metode OLS akan menghasilkan taksiran terbaik ketika semua asumsinya terpenuhi. Namun pada kenyataannya, asumsi-asumsi tersebut seringkali tidak terpenuhi. Asumsi yang seringkali tidak terpenuhi adalah adanya multikolinieritas dan outlier. Multikolinieritas akan menyebabkan variansi dari taksiran parameter regresi membesar, sedangkan outlier akan membuat taksiran parameter menjadi bias. Jika terdapat multikolinieritas dan outlier pada data, digunakan jackknife ridge M-estimator. Jackknife ridge M-estimator adalah taksiran koefisien regresi yang memiliki sifat robust sehingga tidak terpengaruh oleh outlier dan menggunakan metode ridge untuk mengatasi masalah multikolinieritas serta menggunakan metode jackknife untuk mereduksi bias yang dihasilkan metode ridge. Pada regresi linier berganda, model regresi dapat terdiri dari banyak kandidat variabel regresor. Metode subset selection digunakan untuk memilih sebagian kecil saja dari kandidat variabel regresor pada model regresi linier berganda yang paling baik dalam memprediksi nilai dari variabel respon. Kriteria seleksi yang dapat digunakan pada metode subset selection apabila terdapat outlier dan multikolinieritas pada data yaitu kriteria GSp yang merupakan generalized version dari kriteria Sp. Hal tersebut dikarenakan, kriteria GSp didasarkan oleh jackknife ridge M-estimator yang dapat mengatasi masalah outlier dan multikolinieritas. Selanjutnya, kriteria GSp diimplementasikan untuk mendapatkan model terbaik pada data IQ yang memiliki masalah outlier dan multikolinieritas. Berdasarkan analisis data, diperoleh bahwa untuk mengetahui IQ seseorang orang tersebut tidak harus melakukan 5 tes kepribadian berbeda, karena dengan hanya melakukan 3 tes kepribadian saja yaitu tes 1, tes 3 dan tes 5, sudah dapat diketahui besar IQ dari orang tersebut, dimana hal tersebut dapat mengurangi waktu, biaya dan tenaga yang diperlukan.

---

ABSTRACTLinear regression analysis model the linear relation between response variable with regressor variables. Linear regression analysis produce a linear regression model. Ordinary least squares OLS method is often utilized to estimate parameters of linear regression model. OLS method will produce the best estimates when all the assumptions are met. However, in real data, those assumptions are often not violated. Such as the multicollinearity and outliers. Multicollinearity will produce a large variance of the regression parameters, while outliers will cause a biased estimates. Jackknife ridge M estimator is recommended to be implemented in the model when these problems are present. Jackknife ridge M estimator is the regression with robust property, which makes it able not to be influenced by the presence of outlier, and ridge method is utilized to overcome multicollinearity, where the jackknife method is utilized to reduce the bias from the result of the ridge method. In multiple linear regression, regression model could possibly contain many regressor variable candidates. Subset selection method is utilized to select some of those regressor variable candidates on the multiple linear regression model that best predicts the value of the response variable. The selection criterion that can be utilized on the subset selection method when outlier and multicollinearity are present is the GSp criterion which is the generalized version of the Sp criterion. The reason for this is because the GSp criterion is based on jackknife ridge M estimator, which is able to solve the problem of outlier and multicollinearity. Furthermore, GSp criterion is implemented to obtain the best model on IQ data that has outlier and multicollinearity issues. Based on the data analysis, it was found that to know the IQ of a person the person does not need to do 5 different personality tests, because by only doing 3 personality test which is test 1, test 3 and test 5, it can be known the IQ of that person, where it can reduce the time, cost and energy required."

"Skripsi ini menganalisis pengaruh market timing terhadap struktur modal perusahaan dengan menggunakan proksi rasio market-to-book terhadap tingkat perubahan leverage serta komponennya, yaitu penerbitan saham, penerbitan hutang dan laba ditahan. Penelitian ini dilakukan dengan menggunakan metode OLS dan menunjukkan bahwa pada tahun IPO nilai mean rasio market-to-book mempunyai angka yang tinggi diikuti dengan tingginya jumlah penerbitan saham yang kemudian mengalami penurunan tajam pada tahun-tahun setelahnya.Hasil penelitian menunjukkan adanya hubungan negatif yang signifikan antara rasio market-to-book dengan perubahan leverage dan penerbitan saham serta IPO merupakan satu momentum yang dipertimbangkan perusahaan ketika melakukan penerbitan saham. Berdasarkan hal bahwa adanya pengaruh faktor market timing terjadi ketika perubahan leverage berasal dari penerbitan saham, maka hasil penelitian ini tidak konsisten dengan hasil penelitian oleh Baker dan Wurgler (2002). Untuk penelitian market timing selanjutnya dapat digunakan proksi hot-cold market (Alti, 2006).

---

This undergraduate thesis analyses market timing effect on capital structure of firms using market-to-book ratio as the proxy to the level of leverage changes and its components, namely net equity issue, net debt issue and retained earnings. The in-depth research uses OLS method and the IPO year showing a high value of market-to-book ratios? means, followed by a high amount of equity issuance which then declines sharply in the years that follow.The research findings show a significant negative correlation between market-to-book ratio and leverage changes also net equity issue while the IPO time is being an important consideration for firms when issuing equity. Under the interpretation that the effect on leverage changes explained by the market-to-book ratio comes through net equity issues as market timing theory implies, the results of this undergraduate thesis are inconsistent with the findings of Baker and Wurgler (2002). For the upcoming research on market timing, hot-cold market proxy could be used (Alti, 2006)."

"ABSTRAKSalah satu alternatif ukuran kekuatan prediksi yang dapat diterapkan pada model GLM dimana variabel responnya berdistribusi tidak hanya normal yaitu dengan menggunakan koefisien korelasi regresi regression correlation coefficient ndash; RCC . Koefisien korelasi regresi dibangun berdasarkan definisi koefisien korelasi dengan menggunakan model GLM. Sehingga RCC dapat didefinisikan sebagai nilai yang menyatakan kekuatan hubungan antara variabel respon dan ekspektasi bersyarat dari variabel respon. Koefisien korelasi regresi merupakan salah satu alternatif ukuran kekuatan prediksi yang dapat memenuhi sifat applicability, interpretability, consistency, dan affinity. Pada umumnya bentuk eksplisit dari RCC pada GLM sulit ditemukan. Namun, ketika RCC diterapkan pada model regresi Poisson dan variabel prediktor diasumsikan berdistribusi multivariat normal, maka akan ditemukan bentuk eksplisit. Bentuk eksplisit ini masih memuat parameter ndash; parameter dari model regresi Poisson yang tidak diketahui. Oleh karena itu, perlu dicari estimasi dari parameter - parameter tersebut sehingga diperoleh estimator dari RCC. Metode yang digunakan untuk mengestimasi parameter pada model regresi Poisson adalah metode maximum likelihood."

---

""ABSTRACT"The regression correlation coefficient RCC is one alternative measure of predictive power that can be applied to the GLM model in which the distribution of response variable is not only normal. The regression correlation coefficient is constructed based on the definition of correlation coefficient by using generalized linear model GLM . So, the RCC can be defined as a value that states the strength of the relationship between the response variable and the conditional expectation of the response variable. The regression correlation coefficient is one of predictable strength measure that can satiesfies the property like applicability, interpretability, consistency, and affinity. In general, the explicit form of RCC on GLM is difficult to find. However, when RCC is applied to the Poisson regression model and the predictor variable is assumed to be a normal multivariate distribution, an explicit form is found. This explicit form still contains the unknown parameters of the Poisson regression model. Therefore, we need to find an estimate of these parameters to obtain an estimator from the RCC. The method used to estimate the parameters in Poisson regression model is maximum likelihood method."

"Salah satu indikator penting untuk mengetahui miskin atau tidaknya suatu rumah tangga adalah jumlah pengeluaran rumah tangga tersebut per bulan. Tugas akhir mi membandingkan kontribusi pengeluaran pangan dan non pangan pada pengeluaran per bulan dengan memperhatikan karakteristik-karakteristik demografis dan sosial rumah tangga. Metode analisis yang digunakan adalah model regresi linier berganda, berdasarkan data rumah tangga hasil Survei Sosial Ekonomi Nasional 1990 (BPS 1990) untuk wilayah propinsi Jawa Barat. Beberapa model regresi di buat untuk rumah tangga miskin dan tidak miskin baik di kota maupun di desa. Hasil yang didapat adalah adanya perbedaan kontribusi pengeluaran pangan maupun non pangan pada pengeluaran rumah tangga per bulan antara rumah tangga miskin dan tidak miskin baik di kota maupun di desa. Kontribusi pengeluaran pangan pada rumah tangga miskin lebih besar dibandingkan rumah tangga tidak miskin, di kota maupun di desa. Sedangkan kontribusi pengeluaran non pangan pada rumah tangga tidak miskin lebih besar dibandingkan rumah tangga miskin, di kota maupun di desa. Karakteristik-karakteristjk yang diperhatikan dalam model adalah jenis kelamin kepala keluarga, sumber penghasilan utama, status pekerjaan, tingkat pendidikan kepala keluarga, jumlah pekerja dan jumlah anggota rumah tangga."