Hasil Pencarian  ::  Simpan CSV :: Kembali

"Aktivitas jantung janin atau Fetal Electrocardiogram (FECG) dapat digunakan untuk mendeteksi potensi kelainan pada jantung janin. Perekaman FECG dilakukan dengan menggunakan Elektrokardiogram (EKG) pada perut ibu hamil. Namun hasil yang didapat tidak serta merta memberikan nilai detak jantung janin per menit, karena terdapat berbagai macam suara bising yang mengganggu pembacaan FECG. Sinyal noise tersebut didapat dari keberadaan Maternal ECG (MECG) yang mendominasi pembacaan, pergerakan rahim, dan lain sebagainya. Sehingga dibutuhkan dokter ahli dalam pembacaan manual hasil EKG perut yang memperlambat proses diagnosis. Oleh karena itu, diperlukan suatu metode untuk memisahkan FECG dengan Maternal Electrocardiogram (MECG). Tujuan dari penelitian ini adalah untuk merancang metode baru menggunakan Fast Fourier Transform dan Filter Moving Average kemudian membandingkan hasilnya dengan metode yang sudah ada untuk memisahkan FECG dari MECG. Cara validasi yang dilakukan adalah membandingkan FHR yang didapat dari kedua metode (Metonia et al. (2020) dan Fast Fourier Transform dan Filter Moving Average) dengan nilai yang sudah divalidasi oleh dokter. Hasil yang didapat adalah pada data Ibu Hamil, Mean Average Error (MAE) menggunakan metode Moving Average dan FFT Filter bernilai 0,727 yang lebih kecil dibandingkan metode Metonia et al., (2020) yang bernilai 1,939. Pada data Ibu Melahirkan, Mean Average Error (MAE) menggunakan metode Moving Average dan FFT Filter bernilai -0,5490 yang lebih kecil dibandingkan metode Metonia et al., (2020) yang bernilai -0,3275.

---

Fetal heart activity or Fetal Electrocardiogram (FECG) can be used to detect potential abnormalities in the fetal heart. FECG recording is done using an Electrocardiogram (ECG) on the abdominal of pregnant women. However, the recording results obtained do not immediately provide a value for the fetal heart rate per minute, because there are various kinds of noise that interfere with the reading of the FECG. The noise signal is obtained from the presence of the Maternal ECG (MECG) which dominates the reading, the movement of the uterus, and so on. So that an expert doctor is needed in manual reading of the Abdominal ECG results which slows down the diagnosis process. Therefore, it is necessary to have a method for separating FECG with Maternal Electrocardiogram (MECG). The purpose of this research is to design a new method using Fast Fourier Transform and Moving Average Filter then compare the results with the current available method to separate FECG from MECG. The results obtained are the data for pregnant women, the Mean Average Error (MAE) using the Moving Average and FFT Filter methods, is 0.727 which is smaller than the Metonia et al., (2020) method which is 1.939. In Maternal data, the Mean Average Error (MAE) using the Moving Average and FFT Filter methods is -0.5490 which is smaller than the Metonia et al., (2020) method which is -0.3275."

"Kegiatan utama perbankan meliputi pengelolaan risiko dan return. Krisis ekonomi yang terjadi tahun 1997 menunjukkan bahwa industri perbankan nasional belum memiliki kelembagaan perbankan yang kokoh dan infrastruktur perbankan yang baik. Secara fundamental bank harus diperkuat untuk dapat mengatasi gejolak internal maupun eksternal yang berkembang pesat saat ini yang diikuti oleh semakin kompleksnya risiko perbankan sekaligus menimbulkan peluang-peluang baru.Semakin kompleksnya risiko tersebut tentunya akan meningkatkan kebutuhan praktek tata kelola yang sehat (good governance) dan fungsi identifikasi, pengukuran, pemantauan dan pengendalian risiko bank. Risiko-risiko utama yang menjadi perhatian bank adalah risiko kredit, risiko pasar, risiko operasional dan risiko likuiditas.Salah satu cara untuk mengukur risiko adalah metode Value at Risk (VaR). VaR merupakan pengukuran risiko secara kuantitatif yang mengestimasi potensi kerugian maksimal (maximum potential loss) yang mungkin terjadi pada masa yang akan datang yang akan dihadapi pada jangka waktu tertentu (holding period) dan pada tingkat kepercayaan (confidence level) tertentu pada kondisi pasar yang normal.Terdapat tiga pendekatan yang digunakan untuk menghitung VaR yaitu Parametric VaR, Historical Simulation, dan Monte Carlo Simulation. Dalam penelitian ini metode yang digunakan adalah Parametric VaR yang disebut juga Linear VaR, Variance-Covariance, Greek-Normal VaR, Delta Normal VaR, atau Delta-Gamma Normal VaRBank X menggunakan dua metodologi untuk menghitung potensi kerugian atas perubahan nilai insirumen keuangan yang diakibatkan oleh perubahan nilai tukar, yaitu Gap Analisis dan VaR. Dalam Gap Analisis risiko forex dihitung untuk setiap mata uang asing di mana bank mempunyai posisi dengan cara menghitung exposure dan volatilitas baik pada valas tunggal maupun gabungan. Sedangkan VaR digunakan untuk menghitung perubahan nilai instrumen keuangan bank akibat perubahan nilai tukar untuk setiap mata uang asing atas dasar cost-to-close posisi terkini. Dengan level of confidence tertentu, VaR memberikan gambaran potensi maksimum kerugian atas portofolio instrumen keuangan Bank.Volatilitas dipakai untuk mengestimasi kerugian maksimum yang mungkin diderita suatu bank. Volatilitas adalah suatu ukuran untuk mengetahui fluktuasi harga suatu aset. Terdapat beberapa metode pengukuran volatilitas. Metode estimasi volatilitas yang dipakai Bank X adalah metode Exponentially Weighted Moving Average (EWMA) dengan menggunakan asumsi level of confidence 99% dan decay factor 0,94. Permasalahan yang timbul adalah apakah metode dan asumsi yang digunakan oleh Bank X sudah tepat mengingat terdapat berbagai metode yang digunakan untuk melakukan estimasi volatilitas.Penelitian ini bertujuan untuk mengetahui karakteristik data return nilai tukar mata uang USD, SGD, JPY dan HKD terhadap IDR selama periode penelitian. Tujuan lainnya adalah untuk memberikan informasi mengenai besarnya VaR untuk nilai tukar mata uang USD, SGD, JPY dan HKD terhadap IDR dengan menggunakan estimasi volatilitas EWMA dan GARCH. Selanjutnya adalah menentukan model estimasi volatilitas terbaik yang akan digunakan dalam perhitungan VaR portofolio, untuk memberikan informasi mengenai besarnya VaR portofolio dengan menggunakan model estimasi volatilitas terbaik dan untuk mengetahui metode apakah yang paling sesuai untuk digunakan dalam menghitung VaR pada Bank X.Berdasarkan pengujian karakteristik data return selama periode penelitian diketahui bahwa ke-empat data return nilai tukar bersifat stationer, tidak berdistribusi normal, dan varian heteroscedastic sehingga forecasting volatilitas harus menggunakan metode EWMA dan GARCH. Forecasting volatilitas metode EWMA menggunakan decay factor optimum, sedangkan metode GARCH dibatasi dengan estimator GARCH (1,1).Dari hasil pengujian yang dilakukan dengan backtesting dan Kupiec test berdasarkan proses TNoF diperoleh hasil bahwa forecasting volatilitas dengan metode GARCH(1,1) lebih tepat digunakan dibandingkan metode EWMA. Artinya metode GARCH(1,1) lebih dapat menangkap pergerakan actual loss yang terjadi dan lebih mendekati atau mencerminkan keadaan risiko yang sesungguhnya. Dari sisi jumlah overshoot yang terjadi juga masih dalam batas toleransi, hal ini terbukti karena telah lulus uji Kupiec test sehingga dapat digunakan untuk menghitung VaR portofolio. Berdasarkan estimasi volatilitas GARCH(1,1), dengan confidence level 95% potensi kerugian maksimum PT Bank X pada tanggal 1 Juli 2005 karena memiliki portofolio yang terdiri dari valas USD, SGD, JPY dan HKD Rp. 221.056.000.000,- adalah sebesar Rp. 1.073.450.000,-.Dalam melakukan perhitungan VaR portofolio menggunakan internal model, Bank X disarankan agar menggunakan estimasi volatilitas GARCH(1,1). Dengan alasan nilai VaR yang dihasilkan metode estimasi volatilitas GARCH (1,1) lebih mencerminkan keadaan yang sebenarnya, lebih mendekati kondisi aktual. Karena VaR merupakan potensi kerugian maksimum dan merupakan dasar untuk penetapan Minimum Capital Requirement maka penggunaan metode yang tepat pada akhirnya akan berdampak pada optimalisasi efisiensi pencadangan. Sehingga Bank X dapat mengalokasikan modal pencadangan untuk kepentingan yang lain."

"Perubahan pada jadwal pengiriman dan jumlah produk yang dilakukan oleh pelanggan di perusahaan make-to-order menyebabkan kegiatan produksi terhambat pada perusahaan suatu perusahaan kemasan fleksibel. Hal ini menyebabkan sering terjadinya perubahan jadwal produksi serta ketidaktersediaan bahan baku untuk proses produksi. Maka dari itu, peramalan diajukan untuk menanggulangi ketidakpastian permintaan. Penerapan peramalan permintaan dilakukan untuk melakukan Perencanaan Kebutuhan Bahan. Tujuan dari penerapan perencanaan kebutuhan bahan baku adalah dapat memastikan ketersediaan bahan baku serta dapat mengurangi jumlah persediaan. Dalam penelitian ini, metode ARIMA, Holt-Winter’s, dan Jaringan Syaraf Tiruan diajukan untuk meramalkan permintaan pelanggan. Objek pada penelitian ini adalah 3 produk pada perusahaan objek penelitian. Dengan penerapan perencanaan kebutuhan bahan baku, setiap kebutuhan bahan baku untuk permintaan selama bulan oktober hingga desember 2019 dapat terpenuhi. Dalam penelitian ini, ditemukan bahwa penerapan perencanaan kebutuhan bahan baku dapat memenuhi kebutuhan permintaan namun dapat meningkatkan jumlah persediaan dan biaya persediaan yang dikeluarkan. Maka dari itu, peramalan dapat dikatakan berhasil memprediksi permintaan untuk menanggulangi ketidakpastian dan perencanaan kebutuhan bahan baku dapat dijadikan opsi untuk diterapkan pada perusahaan make-to-order dengan permintaan yang tidak pasti.

---

Alteration of order quantiy and delivery schedule by the customer is disrupting the production activity in a make-to-order type production corporation. The uncertainty of quantity and schedule creates a frequent occurence of production rescheduling and material stock out for production activity. Forecasting is proposed to tackle the uncertainty of the order quantity and schedule. Material Requirements Planning is used to determine the schedule and quantity needed for each material. The object of this research is three products with the highest order frequency and quantity. In this study, the proposed forecasting methods are Autoregressive Integrated Moving Average (ARIMA), Holt-Winter’s method, and Artificial Neural Network. These method will be compared to know which method are the best for each product by considering the error measurement of the methods. After implementing Material Requirements Planning for the actual demand of october until december 2019. These methods can fullfill every material needed for each product. The findings in this study is Material Requirements Planning can provide the requirements for production while increasing the inventory level and inventory cost. This proves that these methods can be applied as an option for make-to-order production company with an uncertain quantity and schedule of order."