PROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN TBK
|
|
- Widyawati Setiawan
- 6 tahun lalu
- Tontonan:
Transkripsi
1 PROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN TBK Ririn Dwi Utami, Respatiwulan, dan Siswanto Program Studi Matematika FMIPA UNS Abstrak. Saham merupakan salah satu alternatif yang dapat dipilih untuk berinvestasi. Saat ini, investasi saham dilakukan secara online dengan waktu transaksi diatur oleh Jakarta Automated Trading System (JATS). Banyaknya transaksi yang terjadi selama waktu terjadinya jual beli saham diasumsikan mengikuti proses Poisson, sedangkan jumlah saham yang terjual diasumsikan mengikuti proses Poisson majemuk. Tujuan penelitian ini adalah menurunkan ulang proses Poisson majemuk yang kemudian diterapkan untuk menentukan ekspektasi jumlah penjualan saham PT Sri Rejeki Isman Tbk. Hasil dari penelitian ini yaitu, proses Poisson majemuk dapat terbentuk dari jumlahan variabel random Y k yang independen dan berdistribusi identik sebanyak yang mengikuti proses Poisson dengan sifat-sifat tertentu. Hasil yang diperoleh dari penerapan adalah banyaknya transaksi yang terjadi selama selang waktu sesi pertama berdistribusi Poisson dengan rata-rata λ = transaksi per menit, sedangkan banyaknya penjualan saham merupakan variabel random independen yang berdistribusi eksponensial dengan rata-rata penjualan per menit, sehingga X(t) adalah proses Poisson majemuk dan diperoleh rata-rata total penjualan saham untuk t = 150 menit sebesar lot saham. Kata Kunci: saham, JATS, proses Poisson majemuk 1. PENDAHULUAN Pasar modal Indonesia merupakan salah satu negara tujuan investasi bagi investor di negara maju, sehingga para investor dalam negeri juga saling bersaing dalam melakukan investasi. Saham dapat dijadikan alternatif untuk melakukan investasi (Agarwal [1]). Menurut Husnan [4], saham merupakan secarik kertas yang menunjukkan hak pemodal untuk memperoleh bagian dari prospek atau kekayaan organisasi. Saham terbagi menjadi dua jenis yaitu saham biasa dan saham preferen. Saham biasa merupakan saham yang memiliki hak klaim berdasarkan laba atau rugi yang diperoleh perusahaan, sedangkan saham preferen merupakan saham dengan bagian hasil yang tetap walaupun perusahaan mengalami kerugian. Jual beli saham atau sering disebut transaksi saham tidak dapat dilakukan setiap saat melainkan diatur menurut jam perdagangan. Jam perdagangan menurut Bursa Efek Indonesia [3] pada setiap segmentasi berpedoman pada JATS. Waktu perdagangan dilaksanakan dari hari Senin hingga Jumat, dalam setiap harinya dibagi menjadi dua sesi yaitu sesi I dan sesi II. Transaksi saham selama jam perdagangan tersebut dapat dikaitkan dengan suatu proses yaitu proses Poisson yang menurut Tse [10] proses Poisson dapat digunakan untuk memodelkan banyaknya peristiwa yang terjadi selama interval waktu t dan berdistribusi Poisson dengan laju µ = λt. Pada penelitian sebelumnya, Siagian [9] melakukan ekspektasi terhadap jumlah penjualan saham PT Unilever Tbk dengan mengasumsikan banyaknya investor yang datang mengikuti suatu proses yaitu proses Poisson, sedangkan banyaknya saham yang terjual pada setiap investor diasumsikan mengikuti proses Poisson majemuk. 1
2 Proses Poisson majemuk merupakan jumlahan dari variabel random yang nilainya independen dan identik dengan indeksnya mengikuti proses Poisson. Proses Poisson majemuk merupakan bentuk umum dari proses Poisson dengan sifat-sifat tertentu. Oleh karena itu, pada penelitian kali ini dikaji ulang mengenai proses Poisson majemuk serta diterapkan pada data penjualan saham PT Sri Rejeki Isman Tbk dengan mengasumsikan banyaknya transaksi mengikuti proses Poisson karena penjualan saham saat ini dilakukan secara online sehingga banyaknya investor yang melakukan investasi tidak dapat diketahui dan banyak saham yang terjual mengikuti prosess Poisson majemuk. 2. MEKANISME PERDAGANGAN SAHAM Husnan [4] menyatakan bahwa saham merupakan tanda penyertaan atau pemilikan seseorang atau badan dalam suatu perusahaan. Saham diperdagangkan di pasar modal yang dikeluarkan oleh perusahaan berbentuk Perseroan Terbatas (PT), dimana saham tersebut menyatakan bahwa pemilik saham juga pemilik sebagian dari perusahaan tersebut. Perdagangan saham terjadi di pasar sekunder yang merupakan pasar bagi efek yang telah dicatatkan di bursa. Di Indonesia terdapat satu bursa efek yaitu Bursa Efek Indonesia, sebagai tempat berlangsungnya perdagangan efek di pasar sekunder. Waktu perdagangan dilaksanakan dari hari Senin hingga Jumat, dalam setiap harinya dibagi menjadi dua sesi yaitu sesi I dan sesi II. Pada hari Senin-Kamis, sesi I dimulai pukul 09:00-12:00 dan sesi II pukul 13:00-16:00. Pada hari Jumat sesi I pukul 09:00-11:30 dan sesi II pukul 13:30-16:00, (Bursa Efek Indonesia [3]). 3. PROSES STOKASTIK Menurut Allen [2], proses stokastik merupakan himpunan dari beberapa variabel random {X(t; z) t T, z Z}, dengan Z adalah ruang sampel dan T sebagai himpunan waktu. Himpunan waktu pada proses stokastik dapat berupa waktu diskrit dan waktu kontinu. Apabila T = {0, 1, 2,...}, maka merupakan proses stokastik dengan waktu diskrit, sedangkan apabila T = [0, ), maka merupakan proses stokastik dengan waktu kontinu. 4. PROSES POISSON Menurut Mitrofanova [6], suatu proses Poisson dengan laju λt adalah proses stokastik {; t 0} dengan sifat : (1) N(0) = 0 yaitu tidak ada kejadian pada waktu t = 0. (2) Untuk sembarang waktu t 0 < t 1 < t 2 < t 3 <... < t i dan t 0 = 0, jumlah kejadian yang terjadi pada interval yang saling asing N(t 1 ) N(t 0 ), N(t 2 )
3 N(t 1 ), N(t 3 ) N(t 2 ),..., N(t i ) N(t i 1 ) adalah variabel random independen dan disebut sebagai sifat independen increments. (3) Jumlah kejadian yang terjadi pada sembarang interval t mengikuti distribusi Poisson dengan laju λt, yaitu untuk s, t 0 λt λtk P {N(t + s) N(s) = k} = e, k = 0, 1,..., k! dengan E[] = λt dan V ar[] = σ 2 = λt. 5. UJI HIPOTESIS Pada penelitian ini, uji hipotesis yang digunakan adalah uji Kolmogorov- Smirnov one sample (K-S one sample). Uji K-S one sample merupakan uji goodness of fit yang berkaitan dengan tingkat kesesuaian distribusi observasi suatu sampel dengan suatu distribusi teoritis yang telah ditentukan,misalnya distribusi normal, uniform, Poisson, atau eksponensial. Prosedur estimasi parameter menggunakan data dari sampel. Mean sampel adalah parameter untuk distribusi Poisson dan eksponensial, (Paryono[7]). 6. HASIL DAN PEMBAHASAN 6.1. Proses Poisson Majemuk. Menurut Mingola [5] suatu proses stokastik {X(t), t 0} dikatakan sebagai proses Poisson majemuk jika dengan, X(t) = Y k, t 0 (6.1) (1), t 0 adalah proses Poisson dengan laju λt > 0. (2) Y k, k = 1, 2,... adalah variabel random yang berdistribusi identik dengan suatu fungsi distribusi kumulatif yaitu G(y) = P (Y k y). (3) Proses, t 0 dan variabel random Y k, k = 1, 2,... independen. Misalkan G (n) menotasikan fungsi distribusi dari Y 1 +Y Y n, untuk n = 1, 2,..., dengan G (0) (y) = 1 untuk y 0, sehingga G (n) (y) = P ( n Y k y). Fungsi distribusi dari proses Poisson majemuk dapat direpresentasikan sebagai berikut, P {X(t) z} = P { Y k z} = = n=0 P { Y k z = n}p ( = n) n=0 n P { Y k z} (λt)n e λt n!
4 = n=0 G (n) (z) (λt)n e λt. n! 6.2. Sifat-sifat proses Poisson Majemuk. Berikut merupakan sifat-sifat dari proses Poisson majemuk yang mengacu pada Ross[8]. (1) Stasioner dan Independen Increments. Pada teori probabilitas, proses stokastik dengan sifat stasioner dan independen increments disebut sebagai proses Levy yang merepresentasikan perpindahan titik berturut-turut secara random dan independen, dan dalam interval waktu berbeda memiliki panjang yang sama. Berikut akan dibuktikan teorema stasioner dan independen increments untuk proses Poisson majemuk. Definisi 6.1. Suatu proses X = (X 0, X 1, X 2,...) dikatakan memiliki sifat stasioner dan independen increments jika dan hanya jika X adalah proses jumlahan parsial yang dihubungkan dengan suatu variabel random independen berdistribusi identik. Teorema 6.1. Proses Poisson majemuk X(t) adalah proses Levy yang memiliki sifat stasioner dan independen increments. Bukti. Suatu increment dari X(t) adalah X(t 2 ) X(t 1 ) untuk t 2 > t 1 > 0. Suatu proses X(t) bersifat independen increments jika untuk t 1 < t 2 <... < t n maka X(t n ) X(t n 1 ) adalah variabel random independen, dan bersifat stasioner increments jika untuk s < t maka X(t) X(s) memiliki distribusi yang sama dengan X(t s); t, s [0, ). Selanjutnya, dengan menggunakan kasus khusus dari sifat independen increments untuk n = 2 akan ditunjukkan bahwa P (X(t 1 ) a 1, X(t 2 ) X(t 1 ) a 2 ) = P (X(t 1 ) a 1 )P (X(t 2 t 1 ) a 2 ) untuk semua a 1, a 2 > 0 dan 0 < t 1 < t 2. N(t 1 ) P (X(t 1 ) a 1, X(t 2 ) X(t 1 ) a 2 ) = P ( N(t 1 ) = P ( Y k a 1, N(t 2 ) k=n(t 1 )+1 (menerapkan persamaan 6.1) m 1 = P ( Y k a 1, m 1 =0 m 2 =0 Y k a 2 ) m 1 +m 2 k=m 1 +1 P (N(t 1 )N(t 2 N(t 1 ) = m 2 ) N(t 2 ) Y k a 1, N(t 1 ) Y k Y k a 2 ) Y k a 2 N(t 1 ) = m 1, N(t 2 ) N(t 1 ) = m 2 ) (menggunakan probabilitas bersyarat) m 1 m 1 +m 2 = P ( Y k a 1, Y k a 2 ) P (N(t 1 ) = m 1, N(t 2 ) N(t 1 ) = m 2 ) m 1 =0 m 2 =0 k=m
5 (menggunakan sifat independen) m 1 m 1 +m 2 = P ( Y k a 1 )P ( Y k a 2 ) P (N(t 1 ) = m 1, N(t 2 t 1 ) = m 2 ) m 1 =0 m 2 =0 k=m 1 +1 (menggunakan sifat stasioner) m 1 = P ( Y k a 1 )P (N(t 1 ) = m 1 ) m 1 =0 m 2 =0 m 1 +m 2 P ( k=m 1 +1 Y k a 2 )P (N(t 2 t 1 ) = m 2 ) N(t 1 ) N(t 2 t 1 ) = P ( Y k a 1 )P ( Y k a 2 ) = P (X(t 1 ) a 1 )P (X(t 2 t 1 ) a 2 ) (2) Ekspektasi dan Variansi. Terdapat kasus kusus untuk jumlahan variabel random yang independen identik yaitu pada penggunaan ekspektasi bersyarat dan variansi bersyarat. Berikut akan dibuktikan teorema untuk ekspektasi dan variansi proses Poisson majemuk. Teorema 6.2. Jika adalah proses Poisson dengan laju λ t [0; ), dan X(t) adalah variabel random Poisson majemuk maka nilai ekspektasi E[X(t)] adalah λte[y k ]. Bukti. Akan dibuktikan nilai ekspektasi dari proses Poisson majemuk. E[X(t)] = E[E[ Y k ]] = E[E[ Y k = n]] = E[E[ n Y k ]] karena Y k merupakan variabel random independen yang memiliki distribusi probabilitas yang sama sehingga E[ n Y k] = ne[y k ], selanjutnya diperoleh E[X(t)] = E[nE[Y k ]] = E[n]E[Y k ] = E[E[Y k ]] = E[]E[Y k ] diketahui merupakan variabel random berdistribusi Poisson sehingga E[] = var[] = λt, sehingga diperoleh E[X(t)] = λte[y k ]
6 Selanjutnya, akan dibuktikan teorema untuk variansi. Teorema 6.3. Jika adalah proses Poisson dengan laju λ t [0, ), dan X(t) adalah variabel random Poisson majemuk maka variansi var[x(t)] adalah λte[yk 2]. Bukti. Akan dibuktikan variansi dari proses Poisson majemuk. var[x(t)] = E[var(X(t) )] + var(e[x(t) ]) = E[var[ Y k = n]] + var[e[ Y k = n]] n n = E[var[ Y k ]] + var[e[ Y k ]] = E[nvar[Y k ]] + var[ne[y k ]], = E[n]var[Y k ] + var[n](e[y k ]) 2, = E[]var[Y k ] + var[](e[y k ]) 2, karena var[] = E[] = λt, sehingga diperoleh var[x(t)] = λtvar[y k ] + λt(e[y k ]) 2 = λt(var[y k ] + (E[Y k ]) 2 ) = λt(e[y 2 k ] E[Y k ] 2 + E[Y k ] 2 ) = λte[y 2 k ] 6.3. Penerapan Kasus. Proses Poisson majemuk diterapkan pada data penjualan saham dengan asumsi banyaknya transaksi yang terjadi saat pembelian saham selama sesi tertentu berdistribusi Poisson dengan laju λ. Variabel Y k adalah banyaknya saham yang terjual pada transaksi ke-k. Misalkan banyaknya saham yang terjual pada setiap transaksi adalah variabel random independen dan berdistribusi identik dan jika X(t) adalah total seluruh saham yang terjual pada semua transaksi selama selang waktu t, maka {X(t), t 0} adalah proses Poisson majemuk Data. Data yang digunakan pada penelitian kali ini adalah data penjualan saham PT Sri Rejeki Isman Tbk yang meliputi banyaknya transaksi dan banyak penjualan saham dalam lot. Data diperoleh dari sekuritas PT Danareksa melalui software D ONE Trade Pro. Pengambilan data dilakukan pada hari Jumat selama sesi I yaitu selama 150 menit Uji Distribusi Transaksi. Data banyaknya transaksi diamati per satu menit. Berdasarkan data yang diperoleh, banyaknya transaksi yang terjadi pada selang waktu 150 menit adalah sebanyak 286 transaksi. Selanjutnya, dilakukan uji Kolmogorov-Smirnov one sample dan diperoleh hasil jumlah sampel (N) sebanyak 150 sampel, parameter distribusi adalah , nilai Kolmogorov-Smirnov adalah
7 0.999, dan nilai statistik uji Kolmogorov-Smirnov yaitu deviasi maksimum D = Selanjutnya dilakukan uji hipotesis sebagai berikut. (1) H 0 : data transaksi berdistribusi Poisson H 1 : data transaksi tidak berdistribusi Poisson, (2) α : 0.05, (3) daerah kritis : tolak H 0 jika D > KS (0.05;150) = , (4) diperoleh D = , (5) D = < = KS (0.05;150), dari hasil uji hipotesis dapat disimpulkan bahwa data transaksi berdistribusi Poisson Uji Distribusi Banyaknya Penjualan Saham. Berdasarkan data yang diperoleh, banyaknya penjualan saham yang terjadi pada selang waktu sesi I adalah sebanyak 515 saham yang terjual. Selanjutnya, dilakukan uji Kolmogorov-Smirnov one sample dan diperoleh hasil parameter distribusi adalah , nilai Kolmogorov- Smirnov adalah 1.118, dan nilai statistik uji Kolmogorov-Smirnov yaitu deviasi maksimum D = Selanjutnya dilakukan uji hipotesis sebagai berikut. (1) H 0 : data banyaknya penjualan berdistribusi eksponensial H 1 : data banyaknya penjualan tidak berdistribusi eksponensial, (2) α : 0.05, (3) daerah kritis : tolak H 0 jika D > KS (0.05;515) = 0.06, (4) diperoleh D = , (5) D = < 0.06 = KS (0.05;515), dari hasil uji hipotesis dapat disimpulkan bahwa data transaksi berdistribusi eksponensial Penentuan Ekspektasi Jumlah Penjualan Saham. Banyaknya transaksi yang terjadi selama selang waktu sesi I mengikuti Proses Poisson dengan ratarata transaksi λ = per menit, sedangkan Y k adalah banyaknya penjualan saham yang merupakan variabel random independen berdistribusi eksponensial dengan rata-rata penjualan per menit. Oleh karena itu, jika X(t) adalah total penjualan saham PT Sri Rejeki Isman Tbk maka {X(t), t 0} mengikuti proses Poisson majemuk. Nilai ekspektasi untuk penjualan saham sesi I, t = 150 menit adalah E[X(t)] = λte[y k ] = =
8 7. KESIMPULAN Berdasarkan pembahasan diperoleh kesimpulan sebagai berikut. (1) Proses Poisson majemuk dapat didefinisikan sebagai X(t) = Y k, t 0 dengan menyatakan proses Poisson dan Y k adalah variabel random yang independen dari proses dan berdistribusi identik. Sifat-sifat dari proses Poisson majemuk dijelaskan pada Teorema (2) Proses Poisson majemuk diterapkan untuk menentukan ekspektasi jumlah penjualan saham pada data penjualan saham PT Sri Rejeki Isman Tbk dan diperoleh hasil ekspektasi jumlah penjualan saham selama sesi I dengan t = 150 menit adalah lot saham yang terjual, dengan 1 lot = 500 lembar saham. Daftar Pustaka 1. Agarwal, S., Faircloth, and Sheri, Why do Foreign Investors Underperform Domestic Investors in Trading Activities? Evidence from Indonesia, Journal of Financial Markets, ELSEVIER (2008). 2. Allen, L. J. S., An Introduction to Stochastic Processes with Applications to Biology, Prentice Hall, Upper Saddla River, N. J., Bursa Efek Indonesia, Jam Perdagangan, Jakarta, Husnan, S., Dasar-Dasar Teori Portofolio dan Analisis Sekuritas, fifth ed., BPFE, Yogyakarta, Mingola, P., A Study of Poisson and Related Processes with Applications, Tesis, University of Tinnessee, Knoxville, Mitranova, A., Lecture 3: Continuous Times Markov Chain, Poisson Process, Birth and Death Process, Thesis, Department Of Computer Science, NYU, Paryono, Mengolah Data Statistik dengan spss/pc, ANDI, Yogyakarta, Ross, S. M., Introduction to Probability Models, Elsevier Inc., United States, Siagian, S., Aplikasi Proses Poisson Majemuk pada Penjualan Saham (Studi Kasus Pt. Unilever Tbk), Skripsi, Universitas Pendidikan Indonesia, Bandung, Tse, K. K., Some Application of the Poisson Process, Applied Mathematics 5 (2014), no. 19,
PROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN Tbk
PROSES POISSON MAJEMUK DAN PENERAPANNYA PADA PENENTUAN EKSPEKTASI JUMLAH PENJUALAN SAHAM PT SRI REJEKI ISMAN Tbk oleh RIRIN DWI UTAMI M0113041 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan
Lebih terperinciPenggabungan dan Pemecahan. Proses Poisson Independen
Penggabungan dan Pemecahan Proses Poisson Independen Hanna Cahyaningtyas 1, Respatiwulan 2, Pangadi 3 1 Mahasiswa Program Studi Matematika/FMIPA, Universitas Sebelas Maret 2 Dosen Program Studi Statistika/FMIPA,
Lebih terperinciPROSES POISSON MAJEMUK. 1. Pendahuluan
PROSES POISSON MAJEMUK Chris Risen, Respatiwulan, Pangadi Program Studi Matematika FMIPA UNS Abstrak. Proses Poisson merupakan proses menghitung {; t 0} yang digunakan untuk menentukan jumlah kejadian
Lebih terperinciBAB I PENDAHULUAN. Suatu lembaga atau perusahaan akan memerlukan dana untuk kegiatan
BAB I PENDAHULUAN 1.1 Latar belakang Masalah Suatu lembaga atau perusahaan akan memerlukan dana untuk kegiatan lembaga atau perusahaan sebagai sarana untuk pengembangan usaha. Untuk memperoleh dana tersebut,
Lebih terperinciBAB III PROSES POISSON MAJEMUK
BAB III PROSES POISSON MAJEMUK Pada bab ini membahas tentang proses stokastik, proses Poisson dan proses Poisson majemuk yang akan diaplikasikan pada bab selanjutnya. 3.1 Proses Stokastik Koleksi atau
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciPROSES PERCABANGAN PADA DISTRIBUSI POISSON
PROSES PERCABANGAN PADA DISTRIBUSI POISSON Nur Alfiani Santoso, Respatiwulan, dan Nughthoh Arfawi Kurdhi Program Studi Matematika FMIPA UNS Abstrak. Proses percabangan merupakan suatu proses stokastik
Lebih terperinciPr { +h =1 = } lim. Suatu fungsi dikatakan h apabila lim =0. Dapat dilihat bahwa besarnya. probabilitas independen dari.
6.. Proses Kelahiran Murni Dalam bab ini, akan dibahas beberapa contoh penting dari waktu kontinu, state diskrit, proses Markov. Khususnya, dengan kumpulan dari variabel acak {;0 } di mana nilai yang mungkin
Lebih terperinciCatatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Precise and Stochastic Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 Tentang MA4181 (Pengantar)
Lebih terperinciMA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson
MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson SMART AND STOCHASTIC MA4181 PENGANTAR PROSES STOKASTIK Bab 5 Proses Poisson SMART AND STOCHASTIC Pengantar Seperti sudah disampaikan sebelumnya, analog
Lebih terperinciSIMULASI PADA MASALAH KEBANGKRUTAN PENJUDI
SIMULASI PADA MASALAH KEBANGKRUTAN PENJUDI Dwi Ardian Syah, Respatiwulan, dan Vika Yugi Kurniawan Program Studi Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas Maret ABSTRAK.
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciPOISSON PROSES NON-HOMOGEN. Abdurrahman Valid Fuady, Hasih Pratiwi, dan Supriyadi Wibowo Program Studi Matematika FMIPA UNS
POISSON PROSES NON-HOMOGEN Abdurrahman Valid Fuady, Hasih Pratiwi, dan Supriyadi Wibowo Program Studi Matematika FMIPA UNS ABSTRAK. Proses Poisson merupakan proses stokastik sederhana dan dapat digunakan
Lebih terperinciPengantar Proses Stokastik
Bab 5: Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Waktu Antar Kedatangan Waktu Antar Kedatangan Misalkan T 1 menyatakan waktu dari kejadian/kedatangan pertama. Misalkan
Lebih terperinciCatatan Kuliah. MA5181 Proses Stokastik
Catatan Kuliah MA5181 Proses Stokastik Precise. Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA5181 Proses Stokastik
Lebih terperinciCatatan Kuliah. MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic. disusun oleh Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 PENGANTAR PROSES STOKASTIK Smart and Stochastic disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang MA4181 (Pengantar)
Lebih terperinciMODEL EPIDEMI RANTAI MARKOV WAKTU DISKRIT SUSCEPTIBLE INFECTED RECOVERED DENGAN DUA PENYAKIT
MODEL EPIDEMI RANTAI MARKOV WAKTU DISKRIT SUSCEPTIBLE INFECTED RECOVERED DENGAN DUA PENYAKIT Wisnu Wardana, Respatiwulan, dan Hasih Pratiwi Program Studi Matematika FMIPA UNS ABSTRAK. Pola penyebaran penyakit
Lebih terperinciPENENTUAN MODEL DAN PENGUKURAN KINERJA SISTEM PELAYANAN PT. BANK NEGARA INDONESIA (PERSERO) Tbk. KANTOR LAYANAN TEMBALANG ABSTRACT
ISSN: 2339-2541 JURNAL GAUSSIAN, Volume 3, Nomor 4, Tahun 2014, Halaman 741-749 Online di: http://ejournal-s1.undip.ac.id/index.php/gaussian PENENTUAN MODEL DAN PENGUKURAN KINERJA SISTEM PELAYANAN PT.
Lebih terperinciPENENTUAN PROBABILITAS ABSORPSI DAN EKSPEKTASI DURASI PADA MASALAH KEBANGKRUTAN PENJUDI
PENENTUAN PROBABILITAS ABSORPSI DAN EKSPEKTASI DURASI PADA MASALAH KEBANGKRUTAN PENJUDI Aditya Candra Laksmana, Respatiwulan, dan Ririn Setiyowati Program Studi Matematika Fakultas Matematika dan Ilmu
Lebih terperinciMA4081 PENGANTAR PROSES STOKASTIK Bab 4 Proses Po
MA4081 PENGANTAR PROSES STOKASTIK Bab 4 Proses Poisson: Suatu Pengantar Orang Pintar Belajar Stokastik Tentang Kuliah Proses Stokastik Bab 1 : Tentang Peluang Bab 2 : Peluang dan Ekspektasi Bersyarat*
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia 2015 Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu. Ruang
Lebih terperinciPROSES PERCABANGAN PADA PEMBELAHAN SEL
PROSES PERCABANGAN PADA PEMBELAHAN SEL Nisfiatul Laili, Respatiwulan, dan Sutrima Program Studi Matematika FMIPA UNS Abstrak. Proses percabangan merupakan suatu rantai Markov, dimana setiap individu menghasilkan
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2013 Tentang MA5181 Proses Stokastik A. Jadwal kuliah:
Lebih terperinciUJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah,, ST., MT
UJI STATISTIK NON PARAMETRIK Widha Kusumaningdyah,, ST., MT UJI KERANDOMAN (RANDOMNESS TEST / RUN TEST) Uji KERANDOMAN Untuk menguji apakah data sampel yang diambil merupakan data yang acak / random Prosedur
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Ruang Sampel dan Kejadian Percobaan adalah kegiatan
Lebih terperinciT - 11 MODEL STOKASTIK SUSCEPTIBLE INFECTED RECOVERED (SIR)
T - 11 MODEL STOKASTIK SUSCEPTIBLE INFECTED RECOVERED (SIR) Felin Yunita 1, Purnami Widyaningsih 2, Respatiwulan 3 Jurusan Matematika, Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Sebelas
Lebih terperinciSISTEM ANTRIAN MODEL GEO/G/1 DENGAN VACATION
SISTEM ANTRIAN MODEL GEO/G/1 DENGAN VACATION Novita Eka Chandra 1, Supriyanto 2, dan Renny 3 1 Universitas Islam Darul Ulum Lamongan, novitaekachandra@gmail.com 2 Universitas Jenderal Soedirman, supriyanto
Lebih terperinciTeller 1. Teller 2. Teller 7. Gambar 3.1 Proses antrian pada sistem antrian teller BRI Cik Ditiro
Berikut ini adalah pembahasan mengenai sistem antrian teller BRI Cik Ditiro dan optimasinya berdasarkan model tingkat aspirasi. Deskripsi mengenai sistem antrian teller BRI Cik Ditiro dapat diuraikan sebagai
Lebih terperinciPENGGUNAAN MODEL BLACK SCHOLES UNTUK PENENTUAN HARGA OPSI JUAL TIPE EROPA
Buletin Ilmiah Math. Stat. Dan Terapannya (Bimaster) Volume 02 no. 1 (2013), hal 13 20 PENGGUNAAN MODEL BLACK SCHOLES UNTUK PENENTUAN HARGA OPSI JUAL TIPE EROPA Widyawati, Neva Satyahadewi, Evy Sulistianingsih
Lebih terperinciREKAYASA TRAFIK ARRIVAL PROCESS.
REKAYASA TRAFIK ARRIVAL PROCESS ekofajarcahyadi@st3telkom.ac.id OVERVIEW Point Process Fungsi Distribusi Point Process Karakteristik Point Process Teorema Little Distribusi Point Process PREVIEW Proses
Lebih terperinciANALISIS ANTRIAN MENGGUNAKAN METODE SIMULASI MONTE CARLO. Fajar Etri Lianti ABSTRACT
ANALISIS ANTRIAN MENGGUNAKAN METODE SIMULASI MONTE CARLO Fajar Etri Lianti Mahasiswa Program Studi S1 Matematika Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam, Universitas Riau Kampus
Lebih terperinciPengantar Proses Stokastik
Bab 1: Dasar-Dasar Probabilitas Statistika FMIPA Universitas Islam Indonesia Peluang Percobaan adalah kegiatan yang menghasilkan keluaran/hasil yang mungkin secara acak. Contoh: pelemparan sebuah dadu.
Lebih terperinciANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION
ANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION Oleh: Desi Nur Faizah 1209 1000 17 JURUSAN MATEMATIKA FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA
Lebih terperinciPenentuan Probabilitas Absorpsi dan Ekspektasi Durasi pada Masalah Kebangkrutan Penjudi
Penentuan Probabilitas Absorpsi dan Ekspektasi Durasi pada Masalah Kebangkrutan Penjudi Aditya Candra Laksmana 1*, Respatiwulan 2, dan Ririn Setiyowati 3 1, 3 Program Studi Matematika Fakultas MIPA, Universitas
Lebih terperinciKAJIAN ANTRIAN TIPE M/M/ DENGAN SISTEM PELAYANAN FASE CEPAT DAN FASE LAMBAT
KAJIAN ANTRIAN TIPE M/M/ DENGAN SISTEM PELAYANAN FASE CEPAT DAN FASE LAMBAT QUEUES ANALYSIS M/M/ TYPE WITH SLOW AND FAST PHASE SERVICE SYSTEM Oleh: Erida Fahma Nurrahmi NRP. 1208 100 009 Dosen Pembimbing:
Lebih terperinciANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION
JURNAL SAINS DAN SENI POMITS Vol. 2, No.1, (2014) 2337-3520 (2301-928X Print) 1 ANALISA SIFAT-SIFAT ANTRIAN M/M/1 DENGAN WORKING VACATION Desi Nur Faizah, Laksmi Prita Wardhani. Jurusan Matematika, Fakultas
Lebih terperinciMinggu 1 Review Peubah Acak; Karakteristik Time Series. Minggu 4-6 Model Moving Average (MA), Autoregressive (AR)
CNH4S3 Analisis Time Series [Dosen] Aniq A Rohmawati, M.Si [Jadwal] Need to reschedule? [About] The purpose of time series analysis is generally twofold: to understand or model the stochastic mechanism
Lebih terperinciStatistik Non Parametrik-2
Statistik Non Parametrik-2 UJI RUN 2 Uji Run Disebut juga uji random Bertujuan untuk menentukan apakah urutan yang dipilih atau sampel yang diambil diperoleh secara random atau tidak Didasarkan atas banyaknya
Lebih terperinciPengantar Proses Stokastik
Bab 6: Rantai Markov Waktu Kontinu Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Rantai Markov Waktu Kontinu Pendahuluan Pada bab ini, kita akan belajar mengenai
Lebih terperinciSTATISTICS. WEEK 5 Hanung N. Prasetyo TELKOM POLTECH/HANUNG NP
STATISTICS WEEK 5 Hanung N. Prasetyo Kompetensi 1. Mahasiswa memahamikonsep dasar distribusi peluang kontinu khusus seperti uniform dan eksponensial 2. Mahasiswamampumelakukanoperasi hitungyang berkaitan
Lebih terperinciCatatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest! Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2014 1 Tentang AK5161 Matematika
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciDISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2. Distribusi Hipergeometrik
DISTRIBUSI PROBABILITAS DISKRIT TEORITIS 2 TI2131 TEORI PROBABILITAS MINGGU KE-10 Distribusi Hipergeometrik Eksperimen hipergeometrik memiliki karakteristik sebagai berikut: 1. sebuah sampel random berukuran
Lebih terperinciESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK
ESTIMASI TOTAL DAYA LISTRIK YANG HILANG MELALUI PROSES POISSON TERPANCUNG MAJEMUK Adri Arisena 1, Anna Chadidjah 2, Achmad Zanbar Soleh 3 Departemen Statistika Universitas Padjadjaran 1 Departemen Statistika
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciCatatan Kuliah. MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4181 Pengantar Proses Stokastik Stochastics: Precise and Prospective Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang
Lebih terperinciDistribusi Diskrit dan Kontinu yang Penting. Oleh Azimmatul Ihwah
Distribusi Diskrit dan Kontinu yang Penting Oleh Azimmatul Ihwah Distribusi Diskrit Fungsi probabilitas dari variabel random diskrit dapat dinyatakan dalam formula matematik tertentu yang dinamakan fungsi
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang AK5161 Matematika
Lebih terperinciPENENTUAN HARGA OPSI TIPE EROPA DENGAN METODE BINOMIAL
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 07, No. 2 (2018), hal 127 134. PENENTUAN HARGA OPSI TIPE EROPA DENGAN METODE BINOMIAL Syarifah Nadia, Evy Sulistianingsih, Nurfitri Imro ah INTISARI
Lebih terperinciBAB II LANDASAN TEORI. ilmiah. Pencacahan atau pengukuran karakteristik suatu objek kajian yang
BAB II LANDASAN TEORI 2.1 Konsep Dasar Peluang Pada dasarnya statistika berkaitan dengan penyajian dan penafsiran hasil yang berkemungkinan (hasil yang belum dapat ditentukan sebelumnya) yang muncul dalam
Lebih terperinciESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN
ESTIMASI PARAMETER MODEL REGRESI ZERO-INFLATED POISSON (ZIP) MENGGUNAKAN METODE BAYESIAN Karima Puspita Sari, Respatiwulan, dan Bowo Winarno Program Studi Matematika FMIPA UNS Abstrak. Model regresi zero-inflated
Lebih terperinciBAB I PENDAHULUAN. seseorang atau badan terhadap suatu perusahaan. Jika seseorang memiliki saham
BAB I PENDAHULUAN 1.1 Latar Belakang Saham adalah surat berharga yang merupakan tanda kepemilikan seseorang atau badan terhadap suatu perusahaan. Jika seseorang memiliki saham perusahaan maka dia memiliki
Lebih terperinciOleh: Isna Kamalia Al Hamzany Dosen Pembimbing : Dra. Laksmi Prita W, M.Si. Dra. Nur Asiyah, M.Si
Oleh: Isna Kamalia Al Hamzany 1207 100 055 Dosen Pembimbing : Dra. Laksmi Prita W, M.Si. Dra. Nur Asiyah, M.Si Jurusan Matematika Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh
Lebih terperinciIKG3F3 PEMODELAN STOKASTIK Proses Poisson
Non Homogen IKG3F3 PEMODELAN STOKASTIK Dosen: Aniq A. Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA IKG3F3 PEMODELAN STOKASTIK Non Homogen Proses Menghitung Proses stokastik
Lebih terperinciCatatan Kuliah. AK5161 Matematika Keuangan Aktuaria Insure and Invest. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang AK5161 Matematika
Lebih terperinciPemodelan Data Curah Hujan Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process
Prosiding Statistika ISSN: 2460-6456 Pemodelan Data Menggunakan Proses Shot Noise Modeling Rainfall Data Using a Shot Noise Process 1 Novi Tri Wahyuni, 2 Sutawatir Darwis, 3 Teti Sofia Yanti 1,2,3 Prodi
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Forecast, assess, and control your risk. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Forecast, assess, and control your risk Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2016 1 Tentang MA4183
Lebih terperinciBAB III METODE PENELITIAN
18 BAB III METODE PENELITIAN Pada bab ini akan dikemukakan metode-metode yang akan digunakan pada bab selanjutnya. Metode-metode pada bab ini yaitu metode Value at Risk dengan pendekatan distribusi normal
Lebih terperinciCNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya
CNH3E3 PROSES STOKASTIK Peubah Acak & Pendukungnya Dosen: Aniq A Rohmawati, M.Si TELKOM UNIVERSITY JALAN TELEKOMUNIKASI 1, BANDUNG, INDONESIA Ruang Sampel dan Kejadian PEUBAH ACAK (P.A) Fungsi yang memetakan
Lebih terperinciPERHITUNGAN VALUE AT RISK PORTOFOLIO SAHAM MENGGUNAKAN METODE SIMULASI MONTE CARLO
PERHITUNGAN VALUE AT RISK PORTOFOLIO SAHAM MENGGUNAKAN METODE SIMULASI MONTE CARLO Adilla Chandra 1*, Johannes Kho 2, Musraini M 2 1 Mahasiswa Program S1 Matematika 2 Dosen Jurusan Matematika Fakultas
Lebih terperinciBAB III METODE PENELITIAN. A. Metode Penelitian. peristiwa seperti pengumuman dividen, right issue, stock split maupun peristiwa
BAB III METODE PENELITIAN A. Metode Penelitian Bidang keuangan, event study digunakan untuk meneliti dampak suatu peristiwa seperti pengumuman dividen, right issue, stock split maupun peristiwa lainnya
Lebih terperinciBAB IV HASIL PENELITIAN DAN PEMBAHASAN
BAB IV HASIL PENELITIAN DAN PEMBAHASAN Dalam pembahasan ini dikaji mengenai nilai ekspektasi saham pada jatuh tempo, persamaan nilai portofolio, penentuan model Black-Scholes harga opsi beli tipe Eropa,
Lebih terperinciDISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN. Sudarno Jurusan Matematika FMIPA UNDIP. Abstrak
DISTRIBUSI WAKTU BERHENTI PADA PROSES PEMBAHARUAN Sudarno Jurusan Matematika FMIPA UNDIP Abstrak Dalam proses stokhastik yang mana kejadian dapat muncul kembali membentuk proses pembahauruan. Proses pembaharuan
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Pengantar Pada bab ini akan diuraikan beberapa landasan teori untuk menunjang penulisan skripsi ini. Uraian ini terdiri dari beberapa bagian yang akan dipaparkan secara terperinci
Lebih terperinciPEMODELAN KELAHIRAN MURNI DAN KEMATIAN MURNI DENGAN DUA JENIS KELAMIN DENGAN PROSES STOKASTIK
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 72 79 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PEMODELAN KELAHIRAN MURNI DAN KEMATIAN MURNI DENGAN DUA JENIS KELAMIN DENGAN PROSES STOKASTIK FEBI OKTORA
Lebih terperinciAPLIKASI TEORI ANTRIAN UNTUK PENGAMBILAN KEPUTUSAN PADA SISTEM ANTRIAN PELANGGAN DI BANK JATENG CABANG REMBANG
APLIKASI TEORI ANTRIAN UNTUK PENGAMBILAN KEPUTUSAN PADA SISTEM ANTRIAN PELANGGAN DI BANK JATENG CABANG REMBANG Skripsi disajikan sebagai salah satu syarat untuk memperoleh gelar Sarjana Sains Program Studi
Lebih terperinciKEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT
KEKONVERGENAN MSE PENDUGA KERNEL SERAGAM FUNGSI INTENSITAS PROSES POISSON PERIODIK DENGAN TREN FUNGSI PANGKAT Ro fah Nur Rachmawati Mathematics & Statistics Department, School of Computer Science, Binus
Lebih terperinciCatatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA. Insure and Invest! Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah AK5161 MATEMATIKA KEUANGAN AKTUARIA Insure and Invest! disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014 Tentang AK5161 MatKeu
Lebih terperinciDasar-dasar Statistika Pemodelan Sistem
Dasar-dasar Statistika Pemodelan Sistem Kuliah Pemodelan Sistem Semester Genap 2015-2016 MZI Fakultas Informatika Telkom University FIF Tel-U Januari 2016 MZI (FIF Tel-U) Statistika Pemodelan Januari 2016
Lebih terperinciPENERAPAN PROSES POISSON NON-HOMOGEN UNTUK MENENTUKAN DISTRIBUSI PROBABILITAS KEDATANGAN NASABAH DI BNI BANJARBARU
tnp PENERAPAN PROSES POISSON NON-HOMOGEN UNTUK MENENTUKAN DISTRIBUSI PROBABILITAS KEDATANGAN NASABAH DI BNI BANJARBARU Mida Yanti 1 Nur Salam 1 Dewi Anggraini 1 Abstract: Poisson process is a special event
Lebih terperinciAK5161 Matematika Keuangan Aktuaria
Catatan Kuliah AK5161 Matematika Keuangan Aktuaria Insure and Invest Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2015 1 Tentang AK5161 Matematika
Lebih terperinciAnalisis Harga Saham Properti di Indonesia menggunakan metode GARCH
Analisis Harga Saham Properti di Indonesia menggunakan metode GARCH Dhafinta Widyasaraswati1,a), Acep Purqon1,b) 1 Laboratorium Fisika Bumi, Kelompok Keilmuan Fisika Bumi dan Sistem Kompleks, Fakultas
Lebih terperinciBAB I PENDAHULUAN. yang telah go public. Perusahaan yang tergolong perusahan go public ialah
BAB I PENDAHULUAN 1.1 Latar Belakang Saham merupakan surat berharga sebagai bukti penyertaan atau pemilikan individu maupun badan hukum dalam suatu perusahaan, khususnya perusahaan yang telah go public.
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI Salah satu instrumen derivatif yang mempunyai potensi untuk dikembangkan adalah opsi. Opsi adalah suatu kontrak antara dua pihak, salah satu pihak (sebagai pembeli) mempunyai hak
Lebih terperinciBAB II TINJAUAN PUSTAKA. diharapkan, membutuhkan informasi serta pemilihan metode yang tepat. Oleh
BAB II TINJAUAN PUSTAKA 2.1 Pendahuluan Pemecahan masalah untuk mencapai tujuan dan hasil penelitian yang diharapkan, membutuhkan informasi serta pemilihan metode yang tepat. Oleh karena itu, dalam Bab
Lebih terperinciPengantar Proses Stokastik
Bab 4: Distribusi Eksponensial Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Distribusi Eksponensial Pendahuluan Distribusi eksponensial dapat dipandang sebagai
Lebih terperinciMinggu 4-5 Analisis Model MA, AR, ARMA. Minggu 6-7 Model Diagnostik dan Forecasting. Minggu 8-9 Analisi Model ARI, IMA, ARIMA
CNH4S3 Analisis Time Series Dosen: Aniq A Rohmawati, M.Si [Jadwal]: [Materi Analsis Time Series] Kuliah Pemodelan dan Simulasi berisi tentang dasar pemodelan time series seperti kestasioneran, identifikasi
Lebih terperinciANALISIS KEANDALAN PRODUK DENGAN POLA PENGGUNAAN INTERMITTENT
ARIKA, Vol. 04, No. 2 Agustus 2010 ISSN: 1978-1105 ANALISIS KEANDALAN PRODUK DENGAN POLA PENGGUNAAN INTERMITTENT Farida D Sitania Dosen Program Studi Teknik Industri, Fakultas Teknik, Universitas Pattimura
Lebih terperinciSIMULASI PERGERAKAN HARGA SAHAM MENGGUNAKAN PENDEKATAN METODE MONTE CARLO
Buletin Ilmiah Math. Stat. dan Terapannya (Bimaster) Volume 07, No. (018), hal 119 16. SIMULASI PERGERAKAN HARGA SAHAM MENGGUNAKAN PENDEKATAN METODE MONTE CARLO Lusiana, Shantika Martha, Setyo Wira Rizki
Lebih terperinciMA5181 PROSES STOKASTIK
Catatan Kuliah MA5181 PROSES STOKASTIK (not just) Always Listening, Always Understanding disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2012
Lebih terperinciPemodelan Sistem Antrian Satu Server Dengan Vacation Queueing Model Pada Pola Kedatangan Berkelompok
SEMINAR NASIONAL MATEMATIKA DAN PENDIDIKAN MATEMATIKA UNY 2015 Pemodelan Sistem Antrian Satu Server Dengan Vacation Queueing Model Pada Pola Kedatangan Berkelompok Sucia Mentari, Retno Subekti, Nikenasih
Lebih terperinciPROSES POISSON MAJEMUK
PROSES POISSON MAJEMUK oleh CHRIS RISEN M0113010 SKRIPSI ditulis dan diajukan untuk memenuhi sebagian persyaratan memperoleh gelar Sarjana Sains Matematika FAKULTAS MATEMATIKA DAN ILMU PENGETAHUAN ALAM
Lebih terperinciStatistik Non Parametrik
Statistik Non Parametrik UJI FRIEDMAN (UJI X ) r X r UJI Friedman (uji ) Untuk k sampel berpasangan (k>) dengan data setidaknya data skala ordinal Sebagai alternatif dari analisis variansi dua arah bila
Lebih terperinciPengantar Proses Stokastik
Bab 4: Distribusi Eksponensial Atina Ahdika, S.Si, M.Si Statistika FMIPA Universitas Islam Indonesia 2015 Pendahuluan Distribusi Eksponensial Pendahuluan Distribusi eksponensial dapat dipandang sebagai
Lebih terperinciDistribusi Peluang Kontinyu STATISTIK INDUSTRI 1. Distribusi Peluang Kontinyu. Distribusi Diskrit Uniform. Distribusi Diskrit Uniform 17/12/2014
STATISTIK INDUSTRI 1 Agustina Eunike, ST., MT., MBA Rata-rata dan Variansi Rumus Umum: Distribusi Peluang Diskrit dan Kontinyu UNIFORM Distribusi Diskrit Uniform Distribusi Diskrit Uniform Contoh: Suatu
Lebih terperinciCatatan Kuliah. MA4183 Model Risiko Risk: Quantify and Control. Dosen: Khreshna I.A. Syuhada, MSc. PhD.
Catatan Kuliah MA4183 Model Risiko Risk: Quantify and Control Dosen: Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan Statistika - FMIPA Institut Teknologi Bandung 2017 1 Tentang MA4183 Model Risiko
Lebih terperinciBAB II LANDASAN TEORI
15 BAB II LANDASAN TEORI Pada bab ini diberikan tinjauan pustaka, teori penunjang dan kerangka pemikiran. Tinjauan pustaka terdiri dari penelitian-penelitian sebelumnya yang mendasari skripsi ini, teori
Lebih terperinciMA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi
MA2082 BIOSTATISTIKA Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
Lebih terperinciRiska Sismetha, Marisi Aritonang, Mariatul Kiftiah INTISARI
Buletin Ilmiah Mat. Stat. dan Terapannya (Bimaster) Volume 6, No. 01 (2017), hal 51-60. ANALISIS MODEL DISTRIBUSI JUMLAH KEDATANGAN DAN WAKTU PELAYANAN PASIEN INSTALASI RAWAT JALAN RUMAH SAKIT IBU DAN
Lebih terperinciMA4181 MODEL RISIKO Enjoy the Risks
Catatan Kuliah MA4181 MODEL RISIKO Enjoy the Risks disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2011 Tentang MA4181 Model Risiko A. Jadwal
Lebih terperinciDISTRIBUSI PELUANG KONTINYU DISTRIBUSI PROBABILITAS
DISTRIBUSI PROBABILITAS Berbeda dengan variabel random diskrit, sebuah variabel random kontinyu adalah variabel yang dapat mencakup nilai pecahan maupun mencakup range/ rentang nilai tertentu. Karena terdapat
Lebih terperinciPENERAPAN KALKULUS STOKASTIK PADA MODEL OPSI
PENERAPAN KALKULUS STOKASTIK PADA MODEL OPSI Nizaruddin Program Studi Pendidikan Matematika FPMIPA IKIP PGRI Semarang Jl. Sidodadi Timur 24 Semarang Abstrak Opsi merupakan salah satu pilihan investasi
Lebih terperinciRantai Markov Diskrit (Discrete Markov Chain)
#10 Rantai Markov Diskrit (Discrete Markov Chain) 10.1. Pendahuluan Berbagai teknik analitis untuk mengevaluasi reliability dari suatu sistem telah diuraikan pada bab terdahulu. Teknik analitis ini mengasumsikan
Lebih terperinciANALISIS SISTEM ANTRIAN PADA BANK MANDIRI CABANG AMBON Analysis of Queue System on the Bank Mandiri Branch Ambon
Jurnal Barekeng Vol. 8 No. 1 Hal. 45 49 (2014) ANALISIS SISTEM ANTRIAN PADA BANK MANDIRI CABANG AMBON Analysis of Queue System on the Bank Mandiri Branch Ambon SALMON NOTJE AULELE Staf Jurusan Matematika,
Lebih terperinciUJI STATISTIK NON PARAMETRIK. Widha Kusumaningdyah, ST., MT
UJI STATISTIK NON PARAMETRIK Widha Kusumaningdyah, ST., MT SIGN TEST Sign Test Digunakan untuk menguji hipotesa tentang MEDIAN dan DISTRIBUSI KONTINYU. Pengamatan dilakukan pada median dari sebuah distribusi
Lebih terperinciBAB III METODE PENELITIAN. Populasi dalam penelitian ini adalah perusahaan manufaktur yang terdaftar di
BAB III METODE PENELITIAN 3.1. Populasi dan Sampel Penelitian Populasi dalam penelitian ini adalah perusahaan manufaktur yang terdaftar di Bursa Efek Indonesia periode 2007-2010. Teknik pemilihan sampel
Lebih terperinciBI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Dist
BI5106 ANALISIS BIOSTATISTIK Bab 3 Peubah Acak dan Distribusi Orang Biologi Tidak Anti Statistika Silabus Silabus dan Tujuan Konsep peubah acak, fungsi peluang (probability density function), fungsi distribusi
Lebih terperinciBAB I PENDAHULUAN. penerbangan, kedokteran, teknik mesin, software komputer, bahkan militer
BAB I PENDAHULUAN A. Latar Belakang Statistika merupakan salah satu ilmu matematika yang terus berkembang dari waktu ke waktu. Di dalamnya mencakup berbagai sub pokok-sub pokok materi yang sangat bermanfaat
Lebih terperinci