Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Estimation of regression curve usually conducted using three methods; parametric method, non- parametric method, and semi-parametric methods...

Abstrak :
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 VaR Bank 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.

Abstrak :
Banyak riset telah dilakukan untuk meningkatkan hasil produksi, meminimumkan downtime mesin, mengoptimalkan penjadwalan produksi, menyediakan bahan baku dan bahan kemasan, dll. Fluktuasi permintaan konsumen menjadi faktor yang sulit untuk diprediksi. Penjadwalan produksi memiliki peranan yang penting untuk memberikan hasil produksi yang optimal. Pada awal riset ini metode Autoregresif Integrated Moving Average ARIMA digunakan untuk melakukan peramalan dengan menggunakan data historikal, optimasi yang dilakukan untuk meningkatkan hasil produksi, adalah dengan meminimumkan makespan dan jumlah lini mesin yang digunakan. Model yang digunakan mixed integer linear programming. Metode branch and bound B B dikembangkan untuk penyelesaian masalah ini. Riset ini juga membandingkan antara model meminimumkan makespan dengan meminimumkan makespan dan jumlah lini yang digunakan. Total biaya yang dibutuhkan menjadi faktor penentu, model mana yang lebih baik. Beberapa skenario juga disertakan untuk mengetahui kemungkinan model ini diterapkan pada keadaan nyata. Pada tesis ini studi kasus yang dilakukan adalah meminimumkan makespan dan meminimumkan jumlah lini yang digunakan. Hasil yang diperoleh pada studi kasus ini adalah 295,4 jam dengan lini yang digunakan adalah satu lini mesin.

---

Researches has been done to improve production output, minimize machine downtime, optimize production scheduling, provide raw materials and packaging materials, etc. Fluctuations in consumer demand is a difficult factor to predict. Production scheduling has an important role to provide optimal production results. At the beginning of this research, the method of Autoregressive Integrated Moving Average ARIMA is used to forecast using historical data, the optimization done to improve the production yield, is to minimize the makespan and the number of machine lines used. The model used mixed linear integer programming. The branch and bound method B B was developed to solve this problem. This research also compares the minimize makespan model with minimize makespan and number of lines used. The total cost required becomes the deciding factor, which model is better. Several scenarios are also included to find out the possibility of this model being applied to real circumstances. In this thesis, the case study is minimizing the makespan and minimizing the number of lines used. The results obtained in this case study was 295.4 hours with the line used being one machine line.

Abstrak :
Peramalan merupakan salah satu hal yang dibutuhkan untuk mencapai tingkat manajemen rantai pasok yang baik. Peramalan dapat mencegah kelebihan pembelian dan juga menjaga ketersediaan barang dengan baik. Peramalan dapat menjadi salah satu metode untuk melakukan menjaga ketersediaan obat di rumah sakit. Obat sendiri merupakan salah satu barang yang sensitif dan reaktif, hal ini menyebabkan obat harus memiliki penyimpanan khusus dan tidak bisa disimpan dalam waktu lama. Dilain pihak, pada industri rumah sakit, ketersediaan obat harus selalu ada. Hal tersebut membuat rumah sakit harus memiliki peramalan obat yang akurat untuk menjaga ketersediaan obat dan mengurangi kelebihan pembelian dan penyimpanan obat dalam waktu lama. Penelitian kali ini akan membandingkan metode tiga metode peramalan, yaitu single exponential smoothing, autoregressive integrated moving average (ARIMA), dan artificial neural network (ANN). Penelitian ini bertujuan untuk melihat dan menganalisa metode peramalan yang paling baik dari ketiga metode yang ada. Penelitian kali ini akan mengambil data penjualan sebanyak 62 periode dari 3 jenis obat dengan kategori obat fast-moving, yaitu Rhinofed, Simvastatin, dan Betahistin. Berdasarkan hasil penelitian, peramalan dengan metode artificial neural network (ANN) memiliki nilai error yang kecil, sehingga nilai ketepatannya cukup besar. Jika dibandingkan dengan kedua metode lainnya peramalan dengan menggunakan metode artificial neural network masih memiliki nilai error yang paling kecil sehingga nilai ketepatan peramalannya yang paling besar. Hal tersebut menyimpulkan bahwa peramalan dengan metode artificial neural network (ANN) merupakan metode peramalan paling baik dari ketiga metode peramalan yang ada dan baik diimplementasikan di rumah sakit. ......A forecast is one of the important aspects of a company to achieve a good supply chain management system. The forecast could help a company to avoid overstock conditions and ensure the availability of the product. Based on that concept, forecasts could also be used to ensuring the availability of medicine stock in hospitals. The medicine itself is one of the sensitive and reactive materials that make medicines need a very intense inventory condition and couldn't keep in a long period of time. On the other hand, hospitals need to ensure the availability of each medicine. Based on that condition, it is undoubtedly true that the forecast is needed in the hospital supply chain to ensure medicine availability and avoid overstocking. This research will compare three different methods of forecasting, that is single exponential smoothing (SES), autoregressive integrated moving average (ARIMA), and artificial neural network (ANN). The goal of this research is to find and analyze the best forecasting method suitable for the hospital supply chain. Three medicines that will be analyzed in this research are Rhinofed, Simvastatin, and Betahistin based on their title as fast-moving drugs using 62 periods of historical sales. As a result, the artificial neural network method has the smallest error and creates a better accuracy compared to another two methods. Even if every single method has its own strengths and weaknesses, the artificial neural network is the best method among the three methods that been proposed and could be implemented in the hospital supply chain.