Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Data runtun waktu keuangan umum digunakan oleh investor untuk menganalisis pergerakan harga suatu aset investasi. Generalized Autoregressive Conditional Heteroskedasticity (GARCH) adalah model runtun waktu yang biasa digunakan untuk menganalisis data keuangan. GARCH dapat menangkap pengelompokkan volatilitas yang menjadi karakteristik pada data-data keuangan. Pada dunia perekonomian terdapat keterkaitan antara suatu data keuangan dengan data keuangan yang lain. Oleh karena itu dikembangkan model multivariat GARCH (MGARCH) untuk memperlihatkan informasi tentang pergerakan bersama dua variabel atau lebih serta menggambarkan interaksi antardata keuangan yang diteliti. Pada skiripsi ini dibahas versi multivariat dari GARCH, yaitu Baba Engle Kroner dan Kraft (BEKK) GARCH. Pembahasan dimulai dari bagaimana pembentukan struktur varian kovarian bersyarat model BEKK MGARCH, penaksiran parameter, sampai analisis data menggunakan model BEKK MGARCH dengan asumsi error model berdistribusi normal multivariat. Metode yang digunakan untuk mengestimasi parameter adalah metode maximum likelihood. Penurunan analitik pada metode maximum likelihood dibantu dengan sifat yang ada pada quasi maximum likelihood di mana penurunan fungsi likelihood dilakukan dengan menurunkan setiap elemen pada matriks varian kovarian bersyaratnya. Namun estimasi secara analitik tidak dapat digunakan karena persamaan yang non linear, maka digunakan penyelesaian secara numerik menggunakan algoritma quasi-Newton Broyden, Fletcher, Goldfarb, dan Shanno (BFGS). Kemudian model diimplementasikan pada data harian harga penutupan saham BMRI dan BBCA. Hasil analisis menunjukkan bahwa volatilitas saham BMRI dan BBCA tanggal 01 April 2021 sampai dengan 31 Maret 2022 dipengaruhi oleh shock perusahaan sendiri pada masa lampau. ......Financial time series data has been widely used by investors to analyze the movement of any asset pricing. Generalized Autoregressive Conditional Heteroskedasticity (GARCH) is a time series model that usually used to analyze financial datas. GARCH can capture the volatility clustering phenomenon found in most financial datas. In the economic world, there is relation between one to another financial data. Hence, GARCH model has been developed into its multivariate version called multivariate GARCH (MGARCH) to capture the information about comovement also the relationship between two or more variables. In this undergraduate thesis, we explain Baba Engle Kroner and Kraft (BEKK) multivariat GARCH, starting from how the structure of variance and covariance developed, parameter estimation, to implementation of BEKK MGARCH model assuming the error model has multivariate normal distribution. Parameter estimation will be done using the maximum likelihood method with property of quasi maximum likelihood. Parameter estimation can not be solved analytically because the likelihood function is non linear, so we used numerically method called quasi-Newton with Broyden, Fletcher, Goldfarb, dan Shanno (BFGS) algorithms. Then, this BEKK MGARCH model will be used to check the volatility spillover between BMRI and BBCA stock return. The analysis in chapter 4 shows that there is no volatility spillover between BMRI and BBCA. The volatility of their return is affected by their own past shock.

Abstrak :

Pertumbuhan penduduk yang terjadi di D.I Yogyakarta meningkatkan jumlah limbah yang dibuang sehingga mempengaruhi kualitas air sungai. Selain itu, pertumbuhan populasi juga berkontribusi pada perubahan penutup lahan di daerah aliran sungai yang kemudian akan berdampak pada kualitas air sungai. Tujuan penelitan ini adalah untuk menganalisis variabilitas spasial dan temporal kualitas air pada Sungai Code di Provinsi D.I Yogyakarta, selain itu mengetahui tren perubahan penutup lahan di Daerah Tangkapan Air (DTA) Sungai Code serta hubungannya dengan perubahan kualitas air sungai, dan mengidentifikasi serta menganalisis parameter kualitas air dominan yang  mempengaruhi variabilitas kualitas air Sungai Code secara keseluruhan. Data yang di analisis adalah data sekunder yang berasal dari Pemerintah Provinsi D.I Yogyakarta yang terbatas pada periode pemantauan 2011-2017. Metodologi yang dilakukan adalah analisis deskriptif untuk menganalisis variasi spasial dan temporal kualitas air secara visual, kemudian melakukan klasifikasi penutup lahan untuk Daerah Tangkapan Air (DTA) Sungai Code dengan software ArcGIS 10.3 serta menganalisis hubungan perubahannya dengan perubahan kualitas air Sungai Code, dan menganalisis variabilitas data kualitas air dengan Cluster analysis (CA) & Principal Component Analysis (PCA) menggunakan software IBM SPSS. Hasil penelitian menunjukan terdapat parameter yang konsentrasinya mediannya memiliki tren positif untuk variasi spasial dari hulu ke hilir, diantaranya: suhu, TDS, BOD, COD, Nitrat, Nitrit, Seng, Tembaga, Timbal, Bakteri koli tinja, selain itu terdapat juga parameter yang konsentrasi mediannya memiliki tren positif untuk variasi temporal dari tahun 2011-2017, diantaranya: pH, TDS, Nitrat, Nitrit, Deterjen, Seng, Warna. Terdapat juga parameter-parameter yang perlu diperhatikan karena konsentrasinya sebagian besar sudah melebihi baku mutu kelas 3 dan/atau kelas 4 yang ditetapkan dalam Pergub DIY No. 20 Tahun 2008 tentang Baku Mutu Air, diantaranya: BOD, Nitrit, Tembaga, Bakteri koli tinja. Hasil korelasi penutup lahan dan kualitas air mendapatkan bahwa penutup lahan vegetasi alami dapat memberikan dampak positif terhadap perubahan kualitas air Sungai Code, sedangkan penutup lahan agrikultur dan area bangunan cenderung memberikan dampak negatif terhadap perubahan kualitas air Sungai Code. Untuk CA, paramater kualitas air Sungai Code berhasil dikelompokan menjadi 4 cluster, diantaranya: kelompok pencemar nuterien, kelompok pencemar logam, kelompok pencemar materi organik dan kelompok pencemar grey water. Analisis komponen utama (PCA) menghasilkan empat komponen utama (PC1, PC2, PC3, PC4) yang mempunyai variansi secara berturut-turut 22,815%, 17,631%, 16,016%, 12,806% dan menjelaskan total 69,268% variabilitas data kualitas air Sungai Code. PC1 diinterpretasikan sebagai pencemar materi organik Sungai Code. PC2 diinterpretasikan sebagai pencemar nutrien dan kontaminasi tinja pada Sungai Code yang dapat berasal dari limbah dan air limpasan agrikultur. PC3 diinterpretasikan sebagai pencemar logam Sungai Code yang dapat berasal dari air limpasan urban dan limbah domestik. PC4 dapat diinterpretasikan sebagai dampak pencemaran grey water pada Sungai Code.

---

Population growth that occurred in D.I Yogyakarta increased the amount of waste discharged so that it affected river water quality. In addition, population growth also contributes to changes in land cover in watersheds which will then have an impact on river water quality. The purpose of this research is to analyze the spatial and temporal variability of water quality in the River Code, in addition to knowing trends in land cover changes in the Code watershed and its relationship to changes in river water quality, and analyzing dominant water quality parameters that affect Code River water quality variability as a whole. This research using secondary data from the Provinsi D.I Yogyakarta, which limited to the 2011-2017 monitoring period. The methodology used is descriptive analysis to analyze spatial and temporal variations in water quality, then classify land cover in Code watershed with ArcGIS 10.3 software and analyze the relationship of changes with changes in Code River water quality, analyze variability of water quality data with Cluster analysis (CA) & Principal Component Analysis (PCA) using IBM SPSS software. The results showed there are parameters whose median concentration has a positive trend for spatial variations from upstream to downstream, including: temperature, TDS, BOD, COD, Nitrate, Nitrite, Zinc, Copper, Lead, Fecal Coli Bacteria. There are also concentration parameters the median has a positive trend for temporal variations from 2011-2017, including: pH, TDS, Nitrate, Nitrite, Detergent, Zinc, Color. There are also parameters that need to be considered because most of the concentrations have exceeded the grade 3 and / or grade 4 water quality standards stipulated in Pergub DIY No. 20 Tahun 2008, including: BOD, Nitrite, Copper, fecal coli bacteria. The correlation results between land cover and water quality found that natural vegetation land cover can have a positive impact on changes in Code River water quality, while agricultural and building areas land cover tend to have a negative impact on changes in Code River water quality. For CA, the Code River water quality parameters were grouped into 4 clusters, including: the nutrient polluter group, the metal polluter group, the organic material polluter group and the gray water polluter group. Principal component analysis (PCA) produced four main components (PC1, PC2, PC3, PC4) which had variances respectively 22.815%, 17.631%, 16.016%, 12.806% and explained a total of 69.268% variability of Code River water quality data. PC1 is interpreted as organic matter pollutans in Code River. PC2 is interpreted as nutrients pollutants and fecal contamination in the Code River which may come from agricultural waste and runoff. PC3 is interpreted as a Code River metal pollutant that may come from urban runoff water and domestic waste. PC4 may interpreted as the impact of gray water pollution on the Code River.

Abstrak :
Penyelenggaraan layanan telekomunikasi di pedesaan (Universal Service Obligation) oleh pemerintah Indonesia telah berlangsung pada tahun 2003 dengan pendirian 3.010 SST (satuan sambungan telepon) di 3.010 desa dan pada tahun 2004 dengan pendirian 2.620 SST di 2.341 desa. Angka ini menunjukkan bahwa 43.000 desa yang menjadi target belum seluruhnya terlayani akses jasa telepon dasar. Oleh karena itu, dibentuklah BTIP - unit pelaksana pelayanan telekomunikasi pedesaan yang berada dibawah Ditjen Postel - sebagai tanda bahwa pemerintah kembali bersiap untuk menyelenggarakan USO guna pemerataan pembangunan diseluruh daerah yang masih tertinggal. Perbedaan kondisi desa tentunya akan mempengaruhi besar biaya layanan yang akan ditawarkan operator kepada pemerintah. Selain itu, dalam kelanjutannya, perlu dikembangkan aspek potensi desa yang dapat memacu arus tukar informasi. Dengan demikian, diperlukan analisis potensi desa. Berdasarkan permasalahan tersebut, maka tujuan dari penelitian ini adalah memperoleh klasifikasi desa berdasarkan potensi yang dimiliki dan mengetahui karakteristikkarakteristik desa yang terpilih sebagai indikator tidak langsung terhadap trafik penggunaan telepon. Dari factor analysis yang dilakukan, dihasilkan 4 faktor yaitu: Karakteristik dan Fasilitas Kebutuhan Dasar, Ekonomi dan Kesehatan, Aksesibilitas dan Kependudukan dan Bisnis dan Fasilitas Penunjangnya. Dan berdasarkan keempat faktor tersebut dilakukan cluster analysis yang menghasilkan 4 cluster optimal yaitu desa paling tertinggal, mencakup 190 desa; desa tertinggal, mencakup 533 desa; desa maju, mencakup 3 desa; dan desa paling maju, mencakup 63 desa. Selain itu, dengan multiple regression analysis dihasilkan pula fungsi regresi yang memuat 8 variabel karakteristik desa sebagai indikator tidak langsung tingkat penggunaan telepon oleh masyarakat. Hasil dari penelitian ini diharapkan dapat memberikan informasi bagi berbagai pihak yang bergelut dalam pelaksanaan program USO tersebut. Sehingga realisasi rencana program kedepannya dapat melibatkan pertimbanganpertimbangan yang diharapkan dapat mencapai hasil yang tepat guna dan tepat sasaran.

---

Undertaking telecommunication service in rural area (Universal Service Obligation) by Indonesian governments had been taken place in 2003 through installation 3.010 telephone connection units in 3.010 villages and in 2004 through installation 2.620 telephone connection units in 2.341 villages. This number shows that 43.000 targeted villages have not been served by basic telephone service on the whole. Therefore, establishment of BTIP'organizer of rural telecommunication service which is supervised by Directorate General of Post and Telecommunication'signifies that government reverts to get prepared in implementing USO in order to realize development spreading throughout rural areas entirely. The different condition of villages will definitely influence the amount of cost services offered by operators to government. Besides that, in continuation of this program, developing aspect of rural potency is needed which could push flow of information exchange. Thus, analyzing rural potency is required. According to this case, the objectives of this research are getting classification of villages according to their potency and discovering selected village characteristics as indirect indicators toward call traffic. By implementing factor analysis, there are four factors resulted: Characteristic and Facility of Basic Need, Economy and Health, Accessibility and Civilization, and Business with Its Supporting Facility. Then, base on these factors, executing cluster analysis gives 4 optimal clusters, they are: immature village consists of 190 villages; semi mature village consists of 533 villages; mature village consists of 3 villages; and urbanized village consists of 63 villages. Besides that, multiple regression analysis formulates regression function involving 8 variables as indirect indicators of telephone utilization level. Hopefully, the result of this research will give some information for them who are in charge in USO. So, realization of following program planning will be involving some considerations which are expectedly going to attain effective and efficient result.

Abstrak :
Runtun waktu adalah salah satu data yang paling umum dan banyak dijumpai di kehidupan sehari-hari. Runtun waktu dianalisis dengan dua tujuan utama, yaitu untuk memodelkan mekanisme stokastik dari runtun waktu tersebut dan untuk melakukan peramalan. Untuk keperluan dua tujuan tersebut, banyak model runtun waktu yang telah dikembangkan, salah satunya adalah model autoregressive moving average (ARMA). Model ARMA adalah model runtun waktu univariat yang cukup populer dan umum digunakan saat ini. Seiring berjalannya waktu, mulai dikembangkan model runtun waktu multivariat, yang dapat memodelkan runtun waktu dengan dua atau lebih variabel. Meng- gunakan model runtun waktu multivariat untuk memodelkan dua atau lebih variabel tentu lebih efektif dibandingkan memodelkannya satu per satu menggunakan model univariat. Selain itu, model runtun waktu multivariat juga dapat menjelaskan hubungan dinamis antarvariabel yang saling terkait. Dalam skripsi ini, akan dijelaskan versi multivariat dari model ARMA, yaitu model vector autoregressive moving average (VARMA), mulai dari karakteristiknya, spesifikasi model, penaksiran parameter, hingga melakukan pera- malan. Penaksiran parameter akan dilakukan dengan menggunakan metode conditional maximum likelihood. Model VARMA ini kemudian akan digunakan untuk melakukan peramalan dua variabel yang cukup berpengaruh dalam ekonomi makro, yaitu data harian indeks harga saham gabungan (IHSG) dan kurs mata uang rupiah terhadap dolar Amerika Serikat. Data tersebut juga akan dimodelkan menggunakan model ARMA(p,q) dan VAR(p). Model yang digunakan adalah model ARIMA(0,1,0) untuk data IHSG, model ARIMA(0,1,2) untuk data kurs rupiah, model VARI(3,1) dan model VARIMA(1,1,1). Menggunakan indikator mean absolute percentage error (MAPE), didapatkan hasil bahwa model VARI(3,1) memberikan hasil peramalan yang paling akurat. ......Time series is one of the most common data and is often found in everyday life. The purpose of time series analysis is generally twofold: to understand or model the stochastic mechanism that gives rise to an observed series and to predict or forecast the future values of a series based on the history of that series and, possibly, other related series or factors. For the purposes of these two objectives, many time series models have been developed, the most popular one is autoregressive moving average (ARMA) model. The ARMA model is a univariate time series model that is quite popular and commonly used today. Over time, multivariate time series models have been developed, which can model time series with two or more variables. Using a multivariate time series model to model two or more variables is certainly more effective than modeling them one by one using a univariate model. In addition, the multivariate time series model can also explain the dynamic relationship between interrelated variables. In this undergraduate thesis, we will explain the multivariate version of the ARMA model, the vector autoregressive moving average (VARMA) model, starting from its characteristics, model specifications, param- eter estimation, to forecasting. Parameter estimation will be done using the conditional maximum likelihood method. Then, this VARMA model will be used to forecast two maroeconomics indicators: daily data of Indonesia Composite Index and the USD-IDR exchange rate. The data will also be modeled using the ARMA(p,q) and VAR(p) models. In chapter 4, the models used are ARIMA(0,1,0) model for Indonesia Composite Index data, ARIMA(0,1,2) model for USD-IDR exchange rate data, VARI(3,1) model and VARIMA(1,1,1) model. Using the mean absolute percentage error (MAPE) indicator, the results show that VARI(3,1) model provides the most accurate forecasting results.