BAB 2 PROGRAM STOKASTIK
|
|
- Yanti Cahyadi
- 7 tahun lalu
- Tontonan:
Transkripsi
1 BAB 2 PROGRAM STOKASTIK 2.1 Pengertian Program Stokastik Banyak persoalan keputusan yang dapat dimodelkan dengan menggunakan program stokastik dengan tujuan menentukan nilai maksimum atau minimum. Tujuan dan kendala dari sebuah program stokastik adalah fungsi dari variabel, dan persoalan data yang berasal dari permasalahan yang sebenarnya. Sebagai contoh dari persoalan data termasuk biaya perunit, rata-rata produksi, penjualan atau kapasitas, investasi aset. Andaikan keputusan dinyatakan oleh variabel (x 1,x 2,...,x n ). Sebagai contoh x i menyatakan produksi ke-i dari n produk. Bentuk umum program matematika adalah : Min f(x 1,x 2,x 3,...,x n ) Kendala g 1 (x 1,x 2,x 3,...,x n ) 0 g 1 (x 1,x 2,x 3,...,x n ) 0. (2.1) g 2 (x 1,x 2,x 3,...,x n ) 0 (x 1,x 2,x 3,...,x n ) X dimana X adalah himpunan bilangan real non negatif serta g 1,g 2,...g n adalah kendala yang dihadapi dalam program stokastik. Program Stokastik adalah sebuah nama yang menyatakan program matematika yang dapat berupa linear, cacah, cacah campuran, non linear tetapi dengan menampilkan elemen stokastik pada data. Oleh karena itu dapat dinyatakan bahwa : a. Pada program stokastik deterministik, data (koefisien) adalah bilangan-bilangan yang diketahui (tertentu). 5
2 6 b. Pada program stokastik, data (koefisien) merupakan bilangan yang tidak diketahui (tidak pasti) yang disajikan sebagai distribusi peluang. Program stokastik merupakan program matematika dengan situasi (yang mengandung) ketidakpastian. Program stokastik adalah merupakan program matematika, dimana beberapa data yang termuat pada tujuan atau kendala mengandung ketidakpastian, ketidakpastian biasanya dicirikan oleh distribusi peluang pada parameter. Walaupun ketidakpastian didefinisikan dengan tepat tetapi pada prakteknya diberikan beberapa skenario (hasil yang mungkin dari data) yang spesifik dan distribusi peluang gabungan yang cepat. Hasil-hasil secara umum digambarkan pada elemen w W. Ketika beberapa data acak, maka penyelesaian dan nilai tujuan optimal untuk masalah optimisasi juga acak. Ada dua tipe permasalahan program stokastik, yaitu : 1. Recourse Models (Model Rekursif) 2. Probabilistically Constrained Models (model Kendala Berpeluang) Suatu cara logis yang diperlukan dalam persoalan adalah membuat sebuah keputusan sekarang dan meminimumkan biaya rata-rata harapan (yang digunakan) sebagai konsekwensi dari keputusan. Paradigma ini dikenal sebagai model Recourse. Andaikan x adalah vektor keputusan yang diambil, dan y(w) adalah sebuah vektor keputusan yang menyatakan aksi terbaru atau konsekwensi dari x. Himpunan berbeda yang berisi y akan dipilih dari tiap-tiap hasil yang mungkin dari w. Formulasi dua tahapnya adalah min f 1 (x)+ nilai harapan [f 2 (y(w),w)] kendala g 1 (x) 0,...,g m (x) 0 h 1 (x, y(w)) 0, untuk setiap w W.. (2.2) h k (x, y(w)) 0 untuk setiap w W
3 7 x X, y(w) Y Himpunan kendala h 1,h 2,...,h k, menggambarkan hubungan antara keputusan tahap pertama x dan keputusan tahap kedua y(w). Di catat bahwa dipersyaratkan (diharuskan) tiap-tiap kendala dipenuhi dengan peluang 1, atau untuk setiap w W yang mungkin. Fungsi f 2 merupakan penyelesaian yang sering muncul dari persoalan matematika. Tidak dibutuhkan untuk membuat korelasi yang berubah-ubah (recourse) untuk keputusan tahap pertama, perlu untuk dibuat korelasi yang terbaik. Model Recourse dapat diperluas dengan banyak cara. Untuk persoalan tahap ganda, pengaruh keputusan sekarang akan ditunggu untuk beberapa ketidakpastian yang diselesaikan kembali (direalisasikan), sehingga pembuatan keputusan yang lain didasarkan pada apa yang terjadi. Tujuannya adalah untuk meminimumkan biaya yang diharapkan dari semua keputusan yang diambil. Pada beberapa kasus, dapat digunakan suatu metode yang lebih tepat untuk mencoba menentukan sebuah keputusan, yang mana keputusan tersebut dijamin oleh himpunan kendala yang akan dipenuhi oleh sebuah peluang tertentu. Model umum dengan kendala berpeluang disebut sebagai probabilistically constrained models yang dirumuskan sebagai berikut : min f(x 1,x 2,x3,...,x n ) kendala Pr[g 1 (x 1,x 2,x3,...,x n ) 0... g m (x 1,x 2,x3,...,x n ) 0] α h 1 (x 1,x 2,x3,...,x n ) 0 (2.3) h 2 (x 1,x 2,x3,...,x n ) 0] (x 1,x 2,x3,...,x n ) X 2.2 Program Stokastik Dua Tahap Banyak persoalan perencanaan dan manajemen yang mengandung resiko dan ketidakpastian dibahas dan diselesaikan dengan program stokastik dua tahap. Persoalan stokastik dengan kompensasi dari divergensi pada sistem dengan kendala mem-
4 8 punyai aplikasi yang lebih banyak dari pada model program yang lain. Penyelesaian persoalan program stokastik dua tahap berisi vektor acak dan vektor deterministik. Pada tahap pertama, penyelesaian persoalan rencana awal deterministik akan dibuat. Pembentukan rencana awal deterministik dilakukan sebelum kondisi acak dari persoalan ditentukan. Sebuah vektor acak pada penyelesaian persoalan yang sesuai digunakan untuk merencanakan kompensasi divergensi, spesifikasi parameter dari persoalan akan muncul pada tahap kedua. Tujuan dari manager pada persoalan di atas adalah meminimum nilai rata-rata biaya, yang mana tidak hanya termasuk pengeluaran pada tahap perencanaan pendahuluan tetapi juga pada tahap kedua yang diperlukan untuk mengkompensasi pada divergensi di dalam sistem kendala persoalan. Jika persoalan program stokastik dengan model dua tahap dapat diselesaikan maka pemilihan dari rencana awal deterministik akan menjamin keberadaan (eksistensi) vektor acak di dalam kompensasi untuk sistem yang divergen. Andaikan terdapat persoalan berikut: Min(C, X) (2.4) A 0 X = B 0 (2.5) AX = B (2.6) X 0 (2.7) dimana C = {c j },j =1, 2,...,m B =(b i ),i=1, 2,...,m B 0 =(b 0 k ),k =1, 2,...,m A 0 = a 0 kj,k =1, 2,...,m: j =1, 2,...,n
5 9 A = a ij,i=1, 2,...,m: j =1, 2,...,n Andaikan elemen dari matriks A = A(ω), vektor B = B(ω) dan C = C(ω) bernilai acak. Maka untuk proses penyelesaian dari persoalan ( ) akan dibagi menjadi dua tahapan, sebelum pengamatan dari parameter acak pada kondisi dari tahap pertama dipilih rencana non-negatif deterministik X 0 yang memenuhi kondisi (2.5). pada tahap kedua ditentukan spesifikasi ω 0 dari setiap kejadian acak yang bersamaan (sesuai) dengan nilai A(ω 0 ) dan B(ω 0 ). Hitung divergensi B(ω 0 ) A(ω 0 )X 0 yang muncul pada kondisi (2.6) setelah realisasi ω 0 Ω. Definisikan vektor kompensasi divergensi Y 0 yang sesuai dengan hubungan berikut D(ω 0 )Y (ω 0 )=B(ω 0 ) A(ω 0 )X 0 (2.8) dimana D = d il,i = 1, 2...,m; l = 1, 2...,n adalah sebuah matriks kompensasi yang berisi elemen acak. Sehingga diasumsikan bahwa realisasi acak ω yang diamati pada tahap kedua tidak bergantung pada pemilihan rencana pendahuluan X 0. Perhatikan persoalan program matematika berikut : Tentukan vektor X berdimensi n dan vektor Y (ω) berdimensi n 1,ω Ω. menghasilkan Yang min X E ω {(C(ω),X)+ min Y (H, Y (ω))} (2.9) dengan kendala A 0 X = B 0 (2.10) A(ω)X + D(ω)Y (ω) = B(ω) = B(ω),ω Ω (2.11) X ),Y(ω) 0 (2.12)
6 10 H adalah vektor penalty yang bergantung pada nilai kompoinen dari vektor Y (ω) yang mana merupakan kompensasi divergensi. E adalah notasi ekspekstasi matematika setelah ditentukan rencana awal X 0, kita pilih komponen vektor Y (ω) dengan cara menjamin penalty minimum untuk kompensasi divergensi pada kondisi dari persoalan. Dengan kata lain, setelah ditentukan vektor X 0, perlu menyelesaikan persoalan min Y (H, Y (ω)) D(ω)Y (ω) =B(ω) A(ω)X0 Y (ω) 0} (2.13) Kebergantungan (keadaan) pada bermacam-macam proses aktual yang dapat dimodelkan, menyebabkan persoalan dinamik akan memiliki salah satu bentuk berikut yaitu : tidak dapat dikondisikan, kondisi probabilistik atau kendala statistik. Untuk persoalan dinamik dengan kendala tidak dapat dikondisikan, karakteristik keputusan adalah membuat pada basis informasi mengenai distribusi yang dikombinasikan oleh parameter acak dari kondisi pada semua tahapan. Pada persoalan dinamik dengan kondisi dua kasus kendala dapat dibedakan menjadi : (a) jika oleh momen pembuatan keputusan hanya realisasi dari parameter acak pada tahap sebelumnya yang diperkirakan diketahui dan (b) jika oleh momen pembuatan keputusan melengkapi informasi yang tersedia mengenai realisasi parameter acak (termasuk kondisi) yang dinyatakan tahapan, tetapi nilai dari parameter acak pada tahapan berurutan tidak diketahui. Terdapat relasi tertentu antara persoalan tahap ganda dengan yang tidak dapat dikondisikan dan kondisi kendala. Penyelesaian optimal untuk persoalan program stokastik dinamik dapat diperoleh dengan strategi murni atau campuran. Pada komponen kasus akhir pada penyelesaian atau karakteristik statistik dari distribusi yang memberikan penyelesaian akan bergantung pada nilai parameter acak di dalam kondisi persoalan, yang direalisasikan oleh momen pembuatan keputusan. Konstruksi model probabilistik dinamik dan melaksanakan metode untuk realisasi yang ditampilkan akan sangat sulit. Pada bagian ini akan diberikan beberapa persoalan yang berisi model matematika untuk persoalan tahap ganda dan prosedur untuk mengkonstruksi penyelesaiannya.
7 11 Untuk mengoperasikan model program stokastik diuraikan dengan metode sebagai berikut: a. Bootstrap Data Historis b. Pemodelan statistika dengan pendekatan value at risk c. Model vektor Autoregressi a. Bootstrap Data Historis Pendekatan paling sederhana untuk membangun skenario hanya memakai data yang ada tanpa pemodelan matematika. Setiap skenario merupakan sampel dari perolehan aset yang diperoleh dengan mensampling perolehan yang diamati di masa lalu. Waktu dari catatan historis yang tersedia dipilih secara acak dan untuk setiap waktu dalam sampel dibawa perolehan dari semua kelas tersebut. Ini merupakan skenario perolehan bulanan. Jika ingin dibangun skenario perolehan untuk horizon waktu panjang misalnya 1 tahun, disampel perolehan 12 bulan dari titik waktu yang berbeda. Susunan perolehan dari deretan yang disampel merupakan perolehan 1 tahun. Dengan pendekatan ini korelasi diantara kelas aset dipertahankan. b. Model Statistika dari Konsep Value-at-Risk Analisis deret waktu dari data historis dapat dipakai untuk mengestimasi perubahan dari matriks korelasi antara kelas aset. Matriks korelasi ini dipakai untuk mengukur resiko dengan metode Value-at-Risk (VaR). Nyatakan peubah acak dengan vektor acak k-dimensi w. Dimensi w sama dengan jumlah faktor resiko yang ingin dimodelkan. Dengan mengandaikan bahwa peubah acak secara gabungan bersebaran normal dapat didefinisikan fungsi kepadatan peluang dari w sebagai f(w) =(2π) p 2 Q 1 2 exp [ 1(w 2 w) Q 1 (w w)] disini w adalah ekspektasi dari w dan Y matriks kovarian dan dapat dihitung dari data historis.
8 12 Setelah parameter dari sebaran normal multivarian diestimasi dapat memakainya dalam simulasi Monte Carlo dengan menggunakan pendekatan faktorisasi Cholesky atau prosedur pembentukan skenario yang didasarkan pada analisis komponen utama yang diajukan oleh Jamshidian dan Zhu (1997). Simulasi dapat diterapkan secara berulang pada status berbeda dari pohon kejadian. Segitupun, mungkin saja ingin dipersyaratkan nilai acak yang dibangun pada nilai-nilai yang diperoleh oleh beberapa peubah acak. Sampling bersyarat dari peubah normal multivariat dilakukan seperti berikut. Peubah w dipartisi menjadi 2 subvektor w 1 dan w 2 dengan w 1 vektor dimensi K, dari peubah acak untuk nama beberapa informasi tambahan tersedia dan w 2 adalah vektor dimensi K 2 K K 1 dari peubah sisa. Vektor nilai ekspektasi dan matriks kovarian dipartisi secara analog sebagai [ w1 ] [ Q11 Q 12 ] w = dan Q = w 2 Q 21 Q 22 Fungsi kepadatan peluang marginal dari w 2 dengan diketahui w 1 = w 1 diberikan oleh f(w w 1 = w 1)=(2π) p 2 2 Q exp [ 1 2 (w 2 w 2.1 ) Q (w 1 w 2.1 )] dimana nilai ekspektasi bersyarat dan matriks kovarian diberikan oleh dan w 2.1 (w 1 =( w 2 Q 21 Q 1 11 µ 1 )+Q 21 Q 1 11 w 1 Q 22.1 = Q 22 Q 21 Q 1 11Q 12 Skenario w 2 untuk periode t dipersyaratkan pada nilai w 1 diberikan oleh w1 t dapat dibangun dari peubah normal multivariat melalui pernyataan w2i t = w0 2i exp [σ i tw2i ] dengan w2i t nilai hari ini dan σ i adalah perubahan periode tunggal dari komponen ke i peubah acak w 2.
9 13 c. Pembentukan Skenario Menggunakan Model Vektor Autoregressi Model vektor Autoregressi dapat dipakai untuk membentuk skenario. Dalam hal ini diambil ilustrasi etnang sistem simulasi Asset Liahlity Management (ALM) untuk dana pensiun. Karena cakupan dari sistem ini selalu dibatasi pada keputusan strategis jangka panjang model investasi hanya mempraktekkan kumpulan kecil dari kelas aset yang besar yaitu deposito, bond, real estate dan saham. Terpisah dari perolehan atas aset-aset ini, setiap skenario harus mengandung informasi tentang pertumbuhan gaji masa datang untuk menghitung nilai masa datang pensiun. Model vektor autoregresi untuk membentuk skenario perolehan aset dan pertumbuhan gaji adalah R t = c + Vh t 1 + ε t ε t RN(0,Q),t=1, 2,...,T R it = ln(1 + π it ),i=1, 2,...,m,t=1, 2,...,T Dengan m jumlah deret waktu aset, π it laju perubahan diskrit dari peubah i ditahun t, R t vektor dimensi-m dari laju majemuk, c vektor koefisien berdimensi m, V adalah matriks koefisien m m, ε t vektor dimensi m dari pencilan dan Q matriks kovariansi m m. Spesifikasi model vektor autoregressi harus dipilih secara hati-hati, walaupun beberapa hubungan inter-temporal diantara perolehan mungkin signifikan lemah yang didasarkan pada data historis, tidak berakibat bahwa hubungan ini juga bermanfaat untuk membentuk skenario.
BAB 2 PROGRAM STOKASTIK
BAB 2 PROGRAM STOKASTIK 2.1 Pengertian Program Stokastik Banyak persoalan keputusan yang dapat dimodelkan dengan menggunakan program matematika yang bertujuan menentukan nilai maksimum atau minimum. Keputusan
Lebih terperinciBAB 3 LANDASAN TEORI
BAB 3 LANDASAN TEORI 3.1 Pengertian Program Stokastik Banyak persoalan keputusan yang dapat dimodelkan dengan menggunakan program matematika yang bertujuan menentukan nilai maksimum atau minimum. Keputusan
Lebih terperinciBAB 2 PEMROGRAMAN STOKASTIK. 2.1 Program Stokastik Sebagai Suatu Ketidakpastian
BAB 2 PEMROGRAMAN STOKASTIK 2.1 Program Stokastik Sebagai Suatu Ketidakpastian Program stokastik adalah program matematika dimana semua data yang tergabung kedalam tujuan atau batasan berbentuk ketidakpastian
Lebih terperinciBAB 1 PENDAHULUAN. Persoalan keputusan sering diformulasikan sebagai. persoalan optimisasi, jadi dalam berbagai situasi, pengambil keputusan ingin
BAB 1 PENDAHULUAN 1.1 Latar Belakang Dunia saat ini dilanda oleh adanya kondisi ketidakpastian yang tinggi, namun pengambil keputusan tetap harus menentukan keputusan walau dalam kondisi yang demikian.
Lebih terperinciBAB II LANDASAN TEORI
7 BAB II LANDASAN EORI 2.. Dasar Dasar Peluang Program stokastik adalah salah satu cabang matematika yang berhubungan dengan keputusan optimal dalam keadaan tidak pasti yang dinyatakan dengan distribusi
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Program Stokastik Keputusan adalah suatu kesimpulan dari suatu proses untuk memilih tindakan yang terbaik dari sejumlah alternatif yang ada, sedangkan pengambilan keputusan adalah
Lebih terperinciKARAKTERISTIK MODEL DETERMINISTIK EKIVALEN TERHADAP PROGRAM STOKASTIK CACAH CAMPURAN TAHAP GANDA
KARAKTERISTIK MODEL DETERMINISTIK EKIVALEN TERHADAP PROGRAM STOKASTIK CACAH CAMPURAN TAHAP GANDA T E S I S Oleh: IRVAN 057021003/MT SEKOLAH PASCASARJANA UNIVERSITAS SUMATERA UTARA MEDAN 2007 KARAKTERISTIK
Lebih terperinciMETODE PENGEMBANGAN PENDEKATAN RATA RATA SAMPEL UNTUK MENYELESAIKAN MASALAH PROGRAM STOKASTIK CACAH CAMPURAN
METODE PENGEMBANGAN PENDEKATAN RATA RATA SAMPEL UNTUK MENYELESAIKAN MASALAH PROGRAM STOKASTIK CACAH CAMPURAN TESIS Oleh FARIDAWATY MARPAUNG 067021003/MT SEKOLAH PASCASARJANA UNIVERSITAS SUMATERA UTARA
Lebih terperinciUcapan terimakasih juga penulis sampaikan kepada :
Ucapan terimakasih juga penulis sampaikan kepada : Istri tercinta Laila Wanna Hari Rangkuti, S.Pd. dan kedua anak saya Muhammad Herza Ismail dan Muhammad Al Khaliifi Zikri Ismail, ayahanda dan ibunda tercinta
Lebih terperinciBAB I PENDAHULUAN. yang dilakukan pada saat ini, dengan tujuan memperoleh sejumlah keuntungan
BAB I PENDAHULUAN 1.1 Latar Belakang Investasi adalah komitmen atas sejumlah dana atau sumber daya lainnya yang dilakukan pada saat ini, dengan tujuan memperoleh sejumlah keuntungan di masa datang. Investasi
Lebih terperinciBAB I PENDAHULUAN Latar Belakang
1 BAB I PENDAHULUAN 1.1. Latar Belakang Investasi adalah komitmen atas sejumlah dana atau sumber daya lainnya yang dilakukan pada saat ini, dengan tujuan memperoleh sejumlah keuntungan di masa yang akan
Lebih terperinciBAB I PENDAHULUAN. 1.1 Latar Belakang Masalah
BAB I PENDAHULUAN 1.1 Latar Belakang Masalah Banyak masalah nyata yang dapat dibawa ke model program linear. Metode penyelesaian program linear telah digunakan para ahli untuk menyelesaikan masalah di
Lebih terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA Banyak konsep program stokastik tahap ganda telah dikembangkan. Filosofi dasar dari model metode pemodelan skenario diajukan oleh Hoyland dan Wallace (2001). Para pengguna menyatakan
Lebih terperinciBab 2 LANDASAN TEORI. 2.1 Pengantar Proses Stokastik
Bab 2 LANDASAN TEORI Pada bab ini akan diberikan penjelasan singkat mengenai pengantar proses stokastik dan rantai Markov, yang akan digunakan untuk analisis pada bab-bab selanjutnya. 2.1 Pengantar Proses
Lebih terperinciBAB I PENDAHULUAN. sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat
BAB I PENDAHULUAN 1.1 Latar Belakang Jika kita mempunyai data yang terdiri dari dua atau lebih variabel maka sewajarnya untuk mempelajari cara bagaimana variabel-variabel itu dapat berhubungan, hubungan
Lebih terperinciPEMBENTUKAN POHON SKENARIO UNTUK PROBLEMA KEPUTUSAN TAHAP GANDA
PEMBENTUKAN POHON SKENARIO UNTUK PROBLEMA KEPUTUSAN TAHAP GANDA TESIS Oleh SAWALUDDIN 067021028/MT SEKOLAH PASCASARJANA UNIVERSITAS SUMATERA UTARA MEDAN 2008 PEMBENTUKAN POHON SKENARIO UNTUK PROBLEMA KEPUTUSAN
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 terperinciBAB 2 TINJAUAN PUSTAKA
BAB 2 TINJAUAN PUSTAKA 2.1 Saham Menurut Anoraga dan Parkanti [1], saham dapat didefinisikan sebagai surat berharga yang dikeluarkan perusahaan atau perseroan terbatas ke masyarakat agar sesesorang dapat
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 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. 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 terperinciBAB 2 KAJIAN PUSTAKA
BAB 2 KAJIAN PUSTAKA 2.1 Program Linier Penyelesaian program linear dengan algoritma interior point dapat merupakan sebuah penyelesaian persoalan yang kompleks. Permasalahan dalam program linier mungkin
Lebih terperinciBAB III PORTOFOLIO OPTIMAL. Capital assets pricing model dipelopori oleh Treynor, Sharpe, Lintner
BAB III PORTOFOLIO OPTIMAL 3.1 Capital Asset Pricing Model Capital assets pricing model dipelopori oleh Treynor, Sharpe, Lintner dan Mossin pada tahun 1964 hingga 1966. Capital assets pricing model merupakan
Lebih terperinciBAB III MODEL STATE-SPACE. dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan dari
BAB III MODEL STATE-SPACE 3.1 Representasi Model State-Space Representasi state space dari suatu sistem merupakan suatu konsep dasar dalam teori kontrol modern. Model state space dapat mengatasi keterbatasan
Lebih terperinciBAB III VALUE AT RISK (VaR ) DAN PENDEKATAN COPULA
BAB III VALUE AT RISK (VaR ) DAN PENDEKATAN COPULA 3.1 Value at Risk (VaR) Salah satu aspek yang sangat penting dalam analisis resiko adalah penghitungan Value at Risk atau yang selanjutnya disingkat dalam
Lebih terperinciPengukuran Value at Risk pada Aset Perusahaan dengan Metode Simulasi Monte Carlo
JURAL MIPA USRAT OLIE 2 (1) 5-11 dapat diakses melalui http://ejournal.unsrat.ac.id/index.php/jmuo Pengukuran Value at Risk pada Aset Perusahaan dengan Metode Simulasi Monte Carlo Leony P. Tupan a*, Tohap
Lebih terperinciMODEL PROGRAM STOKASTIK DALAM TRANSPORTASI DAN LOGISTIK
MODEL PROGRAM STOKASTIK DALAM TRANSPORTASI DAN LOGISTIK Chairunisah Abstrak Problema transportasi dan logistik dikarakteristikkan dengan proses informasi yang sangat dinamis, seperti : pesanan konsumen
Lebih terperinciBAB II TINJAUAN PUSTAKA. return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula,
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas semua konsep yang mendasari penelitian ini yaitu return, mean, standard deviation, skewness, kurtosis, ACF, korelasi, GPD, copula, VaR, estimasi VaR dengan
Lebih terperinciI. PENDAHULUAN II. LANDASAN TEORI
1 I PENDAHULUAN 11 Latar Belakang Perusahaan merupakan salah satu bagian penting dari sektor perekonomian suatu negara Apabila kondisi perekonomian suatu negara sedang membaik dan diikuti dengan perkembangan
Lebih terperinciAnalisis Komponen Utama (Principal component analysis)
Analisis Komponen Utama (Principal component analysis) A. LANDASAN TEORI Misalkan χ merupakan matriks berukuran nxp, dengan baris-baris yang berisi observasi sebanyak n dari p-variat variabel acak X. Analisis
Lebih terperinciBAB I PENDAHULUAN 1.1. Latar Belakang
BAB I PENDAHULUAN 1.1. Latar Belakang Investasi pada hakekatnya merupakan penempatan sejumlah uang atau dana yang dilakukan pada saat ini dengan harapan memperoleh keuntungan di masa mendatang (Halim,
Lebih terperinciFakultas Matematika dan Ilmu Pengetahuan Alam Univeritas Riau Kampus Bina Widya Indonesia. ABSTRACT ABSTRAK
PEHITUNGAN VALUE AT ISK PADA POTOFOLIO SAHAM DENGAN METODE VAIANSI-KOVAIANSI Novita Theresia Siagian 1, Tumpal Parulian Nababan 2, Haposan Sirait 2 1 Mahasiswa Program Studi S1 Matematika 2 Dosen Jurusan
Lebih terperinciSTATISTIK PERTEMUAN VI
STATISTIK PERTEMUAN VI 1. TEORI PENDUKUNG 1.1 Pendahuluan 1. Variabel acak 1.3 Distribusi variabel acak diskrit 1.4 Distribusi variabel acak kontinu 1.5 Distribusi multivariat 1.1 Pendahuluan Definisi
Lebih terperinciBAB II TINJAUAN PUSTAKA. komoditas, model pergerakan harga komoditas, rantai Markov, simulasi Standard
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas beberapa tinjauan mengenai teori yang diperlukan dalam pembahasan bab-bab selanjutnya antara lain tentang kontrak berjangka komoditas, model pergerakan
Lebih terperinciBAB I PENDAHULUAN Latar Belakang dan Permasalahan
BAB I PENDAHULUAN 1.1. Latar Belakang dan Permasalahan Investasi merupakan kegiatan yang membawa konsekuensi untung dan rugi. Hal yang mendasar dalam proses keputusan investasi adalah pemahaman hubungan
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 terperinciPENGGUNAAN SIMULASI MONTE CARLO UNTUK PENGUKURAN VALUE AT RISK
PENGGUNAAN SIMULASI MONTE CARLO UNTUK PENGUKURAN VALUE AT RISK ASET TUNGGAL DAN PORTOFOLIO DENGAN PENDEKATAN CAPITAL ASSET PRICING MODEL SEBAGAI PENENTU PORTOFOLIO OPTIMAL (Studi Kasus: Index Saham Kelompok
Lebih terperinciMetode Resampled Efficient Frontier Mean Variance Simulasi Montecarlo Untuk Pemilihan Bobot Portofolio
METODE RESAMPLED EFFICIENT FRONTIER MEAN VARIANCE SIMULASI MONTECARLO UNTUK PEMILIHAN BOBOT PORTOFOLIO Anita Andriani D3 Manajemen Informatika, Universitas Hasyim Asy ari Tebuireng Jombang Email: anita.unhasy@gmail.com
Lebih terperinciBAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI. Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan
BAB 2 KAJIAN PUSTAKA DAN LANDASAN TEORI Dalam beberapa tahun terakhir, model graph secara statistik telah diaplikasikan dengan baik pada aplikasi pengenalan suara, pengolahan citra (Willsky, 2002 dan Choi
Lebih terperinciPENGUKURAN VALUE AT RISK PADA PORTOFOLIO SAHAM DENGAN METODE SIMULASI BOOTSTRAPPING
PENGUKURAN VALUE AT RISK PADA PORTOFOLIO SAHAM DENGAN METODE SIMULASI BOOTSTRAPPING SKRIPSI Diajukan kepada Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Negeri Yogyakarta untuk memenuhi sebagian
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Fungsi Densitas Definisi 2.1 (Walpole & Myers, 1989) Fungsi adalah fungsi kepadatan peluang peubah acak kontinu, yang biasanya disebut fungsi densitas,yang didefinisikan di atas
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 terperinciBab 1. Pendahuluan. 1.1 Latar Belakang
Bab 1 Pendahuluan 1.1 Latar Belakang Risiko dapat diartikan sebagai suatu peluang terjadinya kerugian. Alat ukur untuk mengestimasi risiko kerugian adalah standar deviasi, Value-at-Risk(VaR) dan expected
Lebih terperinciII LANDASAN TEORI. Contoh. Ditinjau dari sistem yang didefinisikan oleh:
5 II LANDASAN TEORI 2.1 Keterkontrolan Untuk mengetahui persoalan sistem kontrol mungkin tidak ada, jika sistem yang ditinjau tidak terkontrol. Walaupun sebagian besar sistem terkontrol ada, akan tetapi
Lebih terperinciBAB III ANALISIS FAKTOR. berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
BAB III ANALISIS FAKTOR 3.1 Definisi Analisis faktor Analisis faktor adalah suatu teknik analisis statistika multivariat yang berfungsi untuk mereduksi dimensi data dengan cara menyatakan variabel asal
Lebih terperinciBAB V IMPLEMENTASI SIMULASI MONTE CARLO UNTUK PENILAIAN OPSI PUT AMERIKA
BAB V IMPLEMENTASI SIMULASI MONTE CARLO UNTUK PENILAIAN OPSI PUT AMERIKA 5.1 Harga Saham ( ( )) Seperti yang telah diketahui sebelumnya bahwa opsi Amerika dapat dieksekusi kapan saja saat dimulainya kontrak
Lebih terperinciBAB 1 PENDAHULUAN. tidak ada prestasi, tidak ada kemajuan dan tidak ada imbalan.
BAB 1 PENDAHULUAN 1.1 Latar Belakang Masalah Risiko adalah bagian dari kehidupan. Menghindari semua resiko akan mengakibatkan tidak ada prestasi, tidak ada kemajuan dan tidak ada imbalan. The Institute
Lebih terperinciSTATISTIKA UNIPA SURABAYA
MATEMATIKA STATISTIKA (MATHEMATICAL STATISTICS) GANGGA ANURAGA Materi : Distribusi variabel random Teori Himpunan Fungsi Himpunan Fungsi Himpunan Peluang Variabel Random Fungsi Kepadatan Peluang Fungsi
Lebih terperinciKONSEP DASAR TERKAIT METODE BAYES
KONSEP DASAR TERKAIT METODE BAYES 2.3. Peubah Acak dan Distribusi Peluang Pada statistika kita melakukan percobaan dimana percobaan tersebut akan menghasilkan suatu peluang. Ruang sampel pada percobaan
Lebih terperinciIII. BILANGAN KROMATIK LOKASI GRAF. ini merupakan pengembangan dari konsep dimensi partisi dan pewarnaan graf.
III BILANGAN KROMATIK LOKASI GRAF Bilangan kromatik lokasi graf pertama kali dikaji oleh Chartrand dkk 00) Konsep ini merupakan pengembangan dari konsep dimensi partisi pewarnaan graf Pewarnaan titik pada
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Teori Antrian Suatu antrian ialah suatu garis tunggu dari nasabah yang memerlukan layanan dari satu atau lebih fasilitas pelayanan. Kejadian garis tunggu timbul disebabkan oleh
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Himpunan Fuzzy Tidak semua himpunan yang dijumpai dalam kehidupan sehari-hari terdefinisi secara jelas, misalnya himpunan orang miskin, himpunan orang pandai, himpunan orang tinggi,
Lebih terperinciBAB 2 TINJAUAN PUSTAKA. ini sehingga dapat dijadikan sebagai landasan berpikir dan akan mempermudah. dalam hal pembahasan hasil utama berikutnya.
BAB 2 TINJAUAN PUSTAKA Pada bab ini akan dijelaskan mengenai teori-teori yang berhubungan dengan pembahasan ini sehingga dapat dijadikan sebagai landasan berpikir dan akan mempermudah dalam hal pembahasan
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 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 terperinciTINJAUAN PUSTAKA Analisis Gerombol
3 TINJAUAN PUSTAKA Analisis Gerombol Analisis gerombol merupakan analisis statistika peubah ganda yang digunakan untuk menggerombolkan n buah obyek. Obyek-obyek tersebut mempunyai p buah peubah. Penggerombolannya
Lebih terperinciBAB I PENDAHULUAN Latar Belakang Masalah
BAB I PENDAHULUAN 1. Latar Belakang Masalah Ilmu matematika sangat berguna dalam banyak cabang ilmu atau bidang yang lain, salah satunya dalam ilmu ekonomi atau keuangan. Ilmu matematika sering dipakai
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 terperinciSBAB III MODEL VARMAX. Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n
SBAB III MODEL VARMAX 3.1. Metode Analisis VARMAX Pengamatan time series membentuk suatu deret data pada saat t 1, t 2,..., t n dengan variabel random Z n yang dapat dipandang sebagai variabel random berdistribusi
Lebih terperinciSTK 203 TEORI STATISTIKA I
STK 203 TEORI STATISTIKA I V. SEBARAN FUNGSI PEUBAH ACAK V. Sebaran Fungsi Peubah Acak 1 Sebaran Fungsi Peubah Acak Dalam banyak kasus untuk melakukan inferensi terhadap suatu parameter kita lebih banyak
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar Belakang Semakin tingginya mobilitas penduduk di suatu negara terutama di kota besar tentulah memiliki banyak permasalahan, mulai dari kemacetan yang tak terselesaikan hingga moda
Lebih terperinciAnalisis Regresi Nonlinear (I)
9 Oktober 2013 Topik Inferensi dalam Regresi Nonlinear Contoh Kasus Regresi linear berganda secara umum sesuai untuk kebanyakan kasus. Namun, banyak kasus peubah respons dan bebas berhubungan melalui fungsi
Lebih terperinciTINJAUAN PUSTAKA. merupakan nilai peubah bebas ke-p pada merupakan nilai koefisien peubah penjelas merupakan galat acak pengamatan ke-i.
TINJAUAN PUSTAKA Model egresi Berganda egresi linier adalah persamaan matematika yang menggambarkan hubungan antara peubah respon y dan peubah bebas X X X2 Xp. Hubungan antara kedua peubah tersebut dinyatakan
Lebih terperinciBAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK
BAB 3 REVIEW SIFAT-SIFAT STATISTIK PENDUGA KOMPONEN PERIODIK 3. Perumusan Penduga Misalkan N adalah proses Poisson non-homogen pada interval 0, dengan fungsi intensitas yang tidak diketahui. Fungsi intensitas
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 terperinciTINJAUAN PUSTAKA. Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai
II. TINJAUAN PUSTAKA 2.1. Model Linear Model Linier dengan n pengamatan dan p variable penjelas biasa ditulis sebagai berikut : Y i = β 0 + X i1 β 1 + X i2 β 2 + + X ip β p +ε i ; i = 1,2,, n bila dirinci
Lebih terperinciMinggu XI ANALISIS KOMPONEN UTAMA. Utami, H
Minggu XI ANALISIS KOMPONEN UTAMA Utami, H Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen Utama 4 Contoh Utami, H Minggu XIANALISIS KOMPONEN UTAMA 2 / 16 Outline 1 Pendahuluan 2 Tujuan 3 Analisis Komponen
Lebih terperinciBAB II TINJAUAN PUSTAKA. dana tersebut. Umumnya investasi dikategorikan dua jenis yaitu:
BAB II TINJAUAN PUSTAKA 2.1 Teori Investasi Menurut Kamaruddin (2004), investasi adalah menempatkan dana atau uang dengan harapan untuk memperoleh tambahan atau keuntungan tertentu atas uang atau dana
Lebih terperinciStudi dan Implementasi Integrasi Monte Carlo
Studi dan Implementasi Integrasi Monte Carlo Firdi Mulia - 13507045 1 Program Studi Teknik Informatika Sekolah Teknik Elektro dan Informatika Institut Teknologi Bandung, Jl. Ganesha 10 Bandung 40132, Indonesia
Lebih terperinciBAB II TINJAUAN PUSTAKA. satu peubah prediktor dengan satu peubah respon disebut analisis regresi linier
BAB II TINJAUAN PUSTAKA 2.1 Analisis Regresi Linier Berganda Analisis regresi pertama kali dikembangkan oleh Sir Francis Galton pada abad ke-19. Analisis regresi dengan satu peubah prediktor dan satu peubah
Lebih terperinciAplikasi Model Black Litterman dengan Pendekatan Bayes (Studi kasus : portofolio dengan 4 saham dari S&P500) 1. Retno Subekti 2
Aplikasi Model Black Litterman dengan Pendekatan Bayes (Studi kasus : portofolio dengan 4 saham dari S&P5) 1 Retno Subekti 2 retnosubekti@uny.ac.id Abstrak Model Black Litterman (BLM), model yang berkembang
Lebih terperinciBab 3 MODEL DAN ANALISIS MATEMATIKA
Bab 3 MODEL DAN ANALISIS MATEMATIKA Pada bab ini akan dimodelkan permasalahan penyebaran virus flu burung yang bergantung pada ruang dan waktu. Pada bab ini akan dibahas pula analisis dari model hingga
Lebih terperinciBAB II TINJAUAN PUSTAKA. yaitu investasi, portofolio, return dan expected return, risiko dalam berinvestasi,
BAB II TINJAUAN PUSTAKA Pada bab ini akan dibahas semua konsep yang mendasari penelitian ini yaitu investasi, portofolio, return dan expected return, risiko dalam berinvestasi, Compromise Programming,
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 terperinciPENDEKATAN PERSAMAAN CHAPMAN-KOLMOGOROV UNTUK MENGUKUR RISIKO KREDIT. Chairunisah
PENDEKATAN PERSAMAAN CHAPMAN-KOLMOGOROV UNTUK MENGUKUR RISIKO KREDIT Chairunisah denisa0105@yahoo.com Abstrak Banyak permasalahan yang dapat dimodelkan dengan menggunakan program matematika yang bertujuan
Lebih terperinciBAB II TINJAUAN PUSTAKA. (b) Variabel independen yang biasanya dinyatakan dengan simbol
BAB II TINJAUAN PUSTAKA A. Regresi Regresi adalah suatu studi statistik untuk menjelaskan hubungan dua variabel atau lebih yang dinyatakan dalam bentuk persamaan. Salah satu variabel merupakan variabel
Lebih terperinciBab 2 TINJAUAN PUSTAKA
Bab 2 TINJAUAN PUSTAKA 2.1 Masalah Transportasi Masalah transportasi pertama kali digunakan pada awal perang dunia kedua untuk menentukan bagaimana mengirimkan pasukan yang terletak disuatu tempat latihan
Lebih terperinciDASAR-DASAR TEORI RUANG HILBERT
DASAR-DASAR TEORI RUANG HILBERT Herry P. Suryawan 1 Geometri Ruang Hilbert Definisi 1.1 Ruang vektor kompleks V disebut ruang hasilkali dalam jika ada fungsi (.,.) : V V C sehingga untuk setiap x, y, z
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 terperinciTEORI INVESTASI DAN PORTFOLIO MATERI 4.
TEORI INVESTASI DAN PORTFOLIO MATERI 4 KONSEP DASAR 2/40 Ada tiga konsep dasar yang perlu diketahui untuk memahami pembentukan portofolio optimal, yaitu: portofolio efisien dan portofolio optimal fungsi
Lebih terperinciBAB III EXTENDED KALMAN FILTER DISKRIT. Extended Kalman Filter adalah perluasan dari Kalman Filter. Extended
26 BAB III EXTENDED KALMAN FILTER DISKRIT 3.1 Pendahuluan Extended Kalman Filter adalah perluasan dari Kalman Filter. Extended Kalman Filter merupakan algoritma yang digunakan untuk mengestimasi variabel
Lebih terperinci3.6. NILAI SAMPEL DARI KOMBINASI LINEAR DARI VARIABEL
3.6. NILAI SAMPEL DARI KOMBINASI LINEAR DARI VARIABEL Kita sudah memperkenalkan Kombinasi linear p variabel di pasal 2.6. Pada kebanyakan prosedur multivariat, kita pasti dengan sendirinya menganggap kombinasi
Lebih terperinciPENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA
Jurnal Matematika UNAND Vol. 3 No. 2 Hal. 53 61 ISSN : 2303 2910 c Jurusan Matematika FMIPA UNAND PENENTUAN UKURAN CONTOH DAN REPLIKASI BOOTSTRAP UNTUK MENDUGA MODEL REGRESI LINIER SEDERHANA OLIVIA ATINRI,
Lebih terperinciAK6083 Manajemen Risiko Kuantitatif. Referensi: McNeil, Frey, Embrechts (2005), Quantitative Risk Management: Concepts, Techniques and Tools.
AK6083 Manajemen Risiko Kuantitatif Referensi: Silabus: McNeil, Frey, Embrechts (2005), Quantitative Risk Management: Concepts, Techniques and Tools Seputar risiko dan volatilitas Peubah acak dan fungsi
Lebih terperinciBAB 2 LANDASAN TEORI
BAB 2 LANDASAN TEORI 2.1 Populasi dan Sampel Populasi adalah kelompok besar individu yang mempunyai karakteristik umum yang sama atau kumpulan dari individu dengan kualitas serta ciri-ciri yang telah ditetapkan.
Lebih terperinciBAB 2 LANDASAN TEORI
5 BAB LANDASAN TEORI Efisiensi Menurut Vincent Gaspersz (998, hal 4), efisiensi adalah ukuran yang menunjukan bagaimana baiknya sumber daya digunakan dalam proses produksi untuk menghasilkan output Efisiensi
Lebih terperinciII. TINJAUAN PUSTAKA
II. TINJAUAN PUSTAKA Dalam proses penelitian untuk mengkaji karakteristik penduga distribusi generalized gamma dengan metode generalized moment ini, penulis menggunakan definisi, teorema dan konsep dasar
Lebih terperinciPengantar Statistika Matematik(a)
Catatan Kuliah Pengantar Statistika Matematik(a) Statistika Lebih Dari Sekadar Matematika disusun oleh Khreshna I.A. Syuhada, MSc. PhD. Kelompok Keilmuan STATISTIKA - FMIPA Institut Teknologi Bandung 2014
Lebih terperinciBAB 1 PENDAHULUAN. 1.1 Latar Belakang
BAB 1 PENDAHULUAN 1.1 Latar Belakang Konsep program linier (linear programming) ditemukan dan diperkenalkan seorang ahli matematika bangsa Amerika, Dr.George Dantzig yaitu dengan dikembangkannya metode
Lebih terperinciBAB III PEMBAHASAN. Pada bab ini, akan dijelaskan pembahasan yang berkaitan dengan Pendekatan Fuzzy
BAB III PEMBAHASAN Pada bab ini, akan dijelaskan pembahasan yang berkaitan dengan Pendekatan Fuzzy Compromise Programming untuk Views dalam Portofolio Black Litterman. Selanjutnya, akan diterapkan pada
Lebih terperinciBAB II LANDASAN TEORI
BAB II LANDASAN TEORI 2.1 Peramalan 2.1.1 Pengertian Peramalan Peramalan adalah kegiatan untuk memperkirakan apa yang akan terjadi pada masa yang akan datang (Sofjan Assauri,1984). Setiap kebijakan ekonomi
Lebih terperinciII. TINJAUAN PUSTAKA. real. T dinamakan himpunan indeks dari proses atau ruang parameter yang
II. TINJAUAN PUSTAKA 2.1 Proses Stokastik Stokastik proses = { ( ), } adalah kumpulan dari variabel acak yang didefinisikan pada ruang peluang (Ω, ς, P) yang nilai-nilainya pada bilangan real. T dinamakan
Lebih terperinciBAB II LANDASAN TEORI. selanjutnya sebagai bahan acuan yang mendukung tujuan penulisan. Materi-materi
BAB II LANDASAN TEORI Pada bab ini akan dibahas tentang landasan teori yang digunakan pada bab selanjutnya sebagai bahan acuan yang mendukung tujuan penulisan. Materi-materi yang diuraikan berupa definisi-definisi
Lebih terperinciBab II Kajian Teori Copula
Bab Kajian Teori Copula.1 Pendahuluan Copula Tesis ini mengacu pada terminologi copula sebagai fungsi yang menghubungkan fungsi distribusi multivariat terhadap fungsi distribusi marginal uniform. Misalkan
Lebih terperinciBAB II TINJAUAN PUSTAKA. Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi
BAB II TINJAUAN PUSTAKA Dalam bab ini dibahas tentang matriks, metode pengganda Lagrange, regresi linear, metode kuadrat terkecil, restriksi linear, multikolinearitas, regresi ridge, uang primer, dan koefisien
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 terperinciPEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING
PEMILIHAN SUPPLIER DENGAN PENDEKATAN POSSIBILITY FUZZY MULTI-OBJECTIVE PROGRAMMING Oleh : Heny Nurhidayanti 1206 100 059 Dosen Pembimbing : Drs. Sulistiyo, MT Jurusan Matematika Fakultas Matematika dan
Lebih terperinciI PENDAHULUAN II LANDASAN TEORI
I PENDAHULUAN 1.1 Latar Belakang Sukarelawan adalah seseorang atau sekelompok orang yang secara ikhlas karena panggilan nuraninya memberikan apa yang dimilikinya tanpa mengharapkan imbalan. Sukarelawan
Lebih terperinciBAB III METODE MONTE CARLO
BAB III ETODE ONTE CARLO 3.1 etode onte Carlo etode onte Carlo pertama kali ditemukan oleh Enrico Fermi pada tahun 1930-an. etode ini diawali dengan adanya penelitian mengenai pemeriksaan radiasi dan jarak
Lebih terperinciUJI KONVERGENSI. Januari Tim Dosen Kalkulus 2 TPB ITK
UJI KONVERGENSI Januari 208 Tim Dosen Kalkulus 2 TPB ITK Uji Integral Teorema 3 Jika + k= u k adalah deret dengan suku-suku tak negatif, dan jika ada suatu konstanta M sedemikian hingga s n = u + u 2 +
Lebih terperinci