Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRACT
Penentuan harga opsi penting untuk meningkatkan pendapatan untuk keperluan investasi. Pada skripsi ini, metode dimension reduction Monte Carlo diimplementasikan pada model six-factor cross currency untuk menentukan harga opsi Eropa. Model six-factor cross currency merupakan suatu model berdimensi tinggi yang biasa diselesaikan menggunakan metode Monte Carlo. Akan tetapi, metode Monte Carlo membutuhkan jumlah simulasi yang besar.  Dimension Reduction Monte Carlo merupakan suatu pendekatan yang digunakan untuk mereduksi jumlah dimensi pada model berdimensi tinggi secara one-way coupling. Metode tersebut dapat digunakan untuk mereduksi dimensi dari model six-factor cross currency dari 6 menjadi 1. Melalui pendekatan dimension reduction, hanya satu variabel yang perlu diaproksimasi. Pada kasus tersebut, dipilih variabel variansi dari spot foreign exchange rate dan nilainya diaproksimasi menggunakan metode Milstein.

---

ABSTRACT
Option pricing determination is important in order to increase profit for investment. In this thesis defend, the dimension reduction Monte Carlo method is implemented to determine put and call European option pricing under a six-factor cross currency model.  A six-factor cross currency model is a high-dimensional model which is usually solved using Monte Carlo. However, Monte Carlo requires hugh numbers of simulations. Dimension reduction Monte Carlo is an approach for reducing the dimension of high-dimensional models with one-way coupling. It can be applied to reduce the dimension of six-factor cross currency from 6 to 1. By the dimension reduction approach, only the factor that is conditioned on is needed to be approximated. In this case, the variance of spot foreign exchange rate is chosen as the factor that is conditioned on and its value is approximated using the Milstein method.

Abstrak :
Ant-based document clustering is a cluster method of measuring text documents similarity based on the shortest path between nodes (trial phase) and determines the optimal clusters of sequence do-cument similarity (dividing phase). The processing time of trial phase Ant algorithms to make docu-ment vectors is very long because of high dimensional Document-Term Matrix (DTM). In this paper, we proposed a document clustering method for optimizing dimension reduction using Singular Value Decomposition-Principal Component Analysis (SVDPCA) and Ant algorithms. SVDPCA reduces size of the DTM dimensions by converting freq-term of conventional DTM to score-pc of Document-PC Matrix (DPCM). Ant algorithms creates documents clustering using the vector space model based on the dimension reduction result of DPCM. The experimental results on 506 news documents in Indo-nesian language demonstrated that the proposed method worked well to optimize dimension reduction up to 99.7%. We could speed up execution time efficiently of the trial phase and maintain the best F-measure achieved from experiments was 0.88 (88%).

Klasterisasi dokumen berbasis algoritma semut merupakan metode klaster yang mengukur kemiripan dokumen teks berdasarkan pencarian rute terpendek antar node (trial phase) dan menentukan sejumlah klaster yang optimal dari urutan kemiripan dokumen (dividing phase). Waktu proses trial phase algoritma semut dalam mengolah vektor dokumen tergolong lama sebagai akibat tingginya dimensi, karena adanya masalah sparseness pada matriks Document-Term Matrix (DTM). Oleh karena itu, penelitian ini mengusulkan sebuah metode klasterisasi dokumen yang mengoptimalkan reduksi dimensi menggunakan Singular Value Decomposition-Principal Component Analysis (SVDPCA) dan Algoritma Semut. SVDPCA mereduksi ukuran dimensi DTM dengan mengkonversi bentuk freq-term DTM konvensional ke dalam bentuk score-pc Document-PC Matrix (DPCM). Kemudian, Algoritma Semut melakukan klasterisasi dokumen menggunakan vector space model yang dibangun berdasarkan DPCM hasil reduksi dimensi. Hasil uji coba dari 506 dokumen berita berbahasa Indonesia membuk-tikan bahwa metode yang diusulkan bekerja dengan baik untuk mengoptimalkan reduksi dimensi hingga 99,7%, sehingga secara efisien mampu mempercepat waktu eksekusi trial phase algoritma se-mut namun tetap mempertahankan akurasi F-measure mencapai 0,88 (88%).