Article Per Year (5 Year)
p-Index From 2021 - 2026
2.407
P-Index
This Author published in this journals
All Journal Lontar Komputer: Jurnal Ilmiah Teknologi Informasi Kubik Indonesian Journal on Computing (Indo-JC) IJoICT (International Journal on Information and Communication Technology) Sinkron : Jurnal dan Penelitian Teknik Informatika Jurnal RESTI (Rekayasa Sistem dan Teknologi Informasi) JRSI (Jurnal Rekayasa Sistem dan Industri) JURNAL MEDIA INFORMATIKA BUDIDARMA Journal of Computer System and Informatics (JoSYC) KUBIK: Jurnal Publikasi Ilmiah Matematika Charity : Jurnal Pengabdian Masyarakat eProceedings of Engineering
Aniq Atiqi Rohmawati
Telkom University
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Economics, Econometrics & Finance Education Electrical & Electronics Engineering Engineering Industrial & Manufacturing Engineering Mathematics Social Sciences

Published : 89 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 89 Documents
Search

 3   4   5   6   7 
Value-at-risk Pada Portofolio Berbasis Model Generalized Autoregressive Conditional Heteroskedastik Dan Copula Erick Anugrah Prihananta; Rian Febrian Umbara; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengukuran risiko menjadi kajian penting karena seringkali berhubungan dengan investasi yang cukup besar dan tidak jarang berkaitan dengan dana publik. Risiko berkaitan erat dengan data time series, Generalized Autoregressive Conditional Heteroscedastic (GARCH) digunakan untuk memod- elkan variansi data yang bergerak terhadap waktu (volatilitas). Value-at-Risk (VaR) ditentukan dengan melibatkan Copula sebagai fungsi distribusi gabungan dua peubah acak. Pendekatan Copula bertujuan untuk menangkap perilaku struktur kebergantungan dua aset. Pada Tugas Akhir ini, ditentukan nilai VaR pada portofolio dua aset dari indeks saham Honda dan Toyota. Penentuan VaR didasarkan pada model GARCH dan Copula. Kemudian diperoleh hasil parameter Copula Gaussian yang melibatkan GARCH sebagai syarat distribusi marginal untuk melihat dependensi Copula terhadap data. Menurut hasil itu, dapat diperoleh hasil nilai VaR portfolio yang mendekati dengan tingkat kepercayaan yang digunakan. Berdasarkan hasil VaR portofolio menggunakan GARCH Copula terdapat mean error sebesar 10 data. Selain dengan GARCH Copula, dicari juga menggunakan historical simulation dengan mendapatkan mean error sebesar 59 data. Oleh karena itu, GARCH Copula lebih representatif dan menjadikan alternatif yang baik dalam menentukan nilai VaR portofolio. Kata kunci: Value-at-Risk, GARCH, Copula, Volatilitas
Expected Shortfall Pada Portofolio Berbasis Copula I Komang Gede Rusmawan; Rian Febrian Umbara; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pengukuran risiko merupakan hal penting bagi individu maupun perusahaan dalam pengambilan suatu keputusan guna menghindari besar kecilnya risiko yang mungkin terjadi. Ada beberapa cara dalam menghitung risiko pada portofolio, salah satunya adalah VaR pada tingkat kepercayaan (1 − α) . Namun, risiko memiliki peluang sebesar α untuk terjadi di atas VaR. Expected Shortfall merupakan ukuran risiko yang koheren, memiliki rentang yang dapat digunakan sebgai alternatif dalam menghitung estimasi risiko untuk menghindari tingkat kerugian yang melebihi VaR. Portofolio dari beberapa asset, untuk menentukan nilai risiko pada portofolio memerlukan informasi distribusi marginal masing-masing asset dan fungsi distribusi gabungan. Pendekatan fungsi distribusi gabungan dengan copula mempertim- bangkan tingkat kebergantungan asset satu dengan lainnya, diukur menggunakan Kendall’s Tau. Pada Tugas Akhir ini estimasi Expected Shortfall dengan menggunakan copula Archimedean, secara khusus copula Clayton dan Gumbel. Copula Gumbel adalah alternatif yang lebih baik dalam menentukan Expected Shorftfall portofolio dengan nilai 0.0160 pada tingkat kepercayaan 90%, nilai pada tingkat kepercayaan 95% yaitu 0.0214 dan nilai dengan tingkat kepercayaan 99% sebesar 0.0329 pada periode ke-998. Kata kunci: Portofolio, Kendall’s Tau, VaR, Expected Shortfall, Copula Archimedean
Penerapan Algoritma Genetika Untuk Optimasi Debit Air Pada Pembangkit Listrik Tenaga Air Studi Kasus : Waduk Situ Cileunca, Jawa Barat Lani Rohaeni; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 3, No 2 (2016): Agustus, 2016
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

PLTA Plengan merupakan salah satu pembangkit listrik yang berada didaerah Pangalengan Jawa Barat, dalam satu hari dapat menghasilkan listrik sebanyak 136.800 kw dan membutuhkan air sebanyak 725.760 m³. Air yang digunakan oleh PLTA Plengan berasal dari outflow dari waduk Situ Cileunca, air di waduk tersebut tidak selamanya ada pada saat yang diperlukan. Untuk itu dalam tugas akhir ini akan dibahas bagaimana mengatur outflow waduk ke PLTA Plengan supaya dapat menghasilkan listrik semaksimal mungkin dan dengan tetap menjaga supaya air waduk tidak kering. Masalah ini dapat dilihat sebagai dua masalah objektif, solusi untuk menyelesaikannya adalah dengan menggunakan metode fungsi penalti. Untuk mengoptimasi outflow waduk ke PLTA Plengan akan digunakan Genetic Algorithm (GA). Outflow waduk yang telah dioptimasi akan memberikan gambaran listrik dan kekurangan waduk. Setelah dioptimasi menggunakan GA diperoleh produksi listrik yang sama dengan data eksisting yaitu sebesar 13.619.115 kw/tahun dan kekurangan lebih rendah yaitu 0 m³/tahun. Kata kunci : Genetic Algorithm (GA), PLTA, prediksi outflow waduk.
Prediksi Volatilitas Pada Return Saham Pt. Telekomunikasi Indonesia .tbk Menggunakan Model Generalized Aoutoregressive Conditional Heteroskedastisity (garch) Imannda Kusuma Putra; Jondri Jondri; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 4, No 1 (2017): April, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pemodelan volatilitas memegang peranan penting dalam bidang finansial. Return merupakan salah satu alat ukur yang digunakan untuk menentukan tingkat pengembalian investasi, dan investor lebih menyukai melihat nilai suatu asset dari tingkat kembalian(return). Volatilitas suatu model yang nilainya cenderung berubah terhadap waktu. Terdapat beberapa model yang sering digunakan untuk memodelkan volatilitas dari suatu data finansial. Diantaranya adalah model Generalized Aoutoregressive Conditional Heteroskedastisitas (GARCH) yang merupakan model time series yang mengasumsikan volatilitas tidak konstan. Dalam Tugas Akhir ini dibahas mengenai perbandingan prediksi volatilitas dari   model GARCH (0,1) dan GARCH (0,2), melihat kedua model dalam mengakomodasi sifat ke stasioneran. Hasil prediksi diuji tingkat keakuratan dengan menggunakan Root Mean Square Error (RMSE) dengan tingkat keakuratan pada model GARCH (0,1) sebesar 0.00257 dan pada model GARCH (0,2) sebesar 0.00354. Hasil prediksi diuji tingkat keakuratan dengan menggunakan Mean Absolute Error (MEA) dengan tingkat keakuratan pada model GARCH (0,1) sebesar 0.00014 dan pada model GARCH (0,2) sebesar 0.00024. Kata kunci: GARCH, RMSE, MAE, Time series , Return, Kestasioneran, volatilitas.
Prediksi Value-at-risk Menggunakan Markov Regime Switching Autoregressive Conditional Heteroscedasticity (studi Kasus Jakarta Composite Index) Kautsar Abdillah; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 5, No 1 (2018): April 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Investasi adalah penanaman modal sumber daya yang dimiliki dan diharapkan dimasa akan datang dapat memberikan keuntungan. Dalam mencapai keuntungan, investor juga menghadapi risiko dari investasi. Keuntungan dari investasi membutuhkan priode jangka panjang. Harapan investor adalah memperoleh tingkat pengembalian (return) sebesar besarnya dengan risiko tertentu, dalam hal ini tingkat risiko berbanding lurus dengan nilai return. Pada tugas akhir ini, dalam memprediksi risiko investasi digunakan metode Value at Risk (VaR). Value-at-Risk (VaR) merupakan salah satu metode yang dapat digunakan untuk membantu dalam prediksi risiko aset. Model yang dapat dilibatkan dalam prediksi risiko aset adalah Markov Regime Switching Autoregressive Conditional Heteroscedastic (MS-ARCH). Pada penelitian ini menggunakan metode correct VaR untuk mencari akurasi nilai dari VaR. Berdasarkan simulasi dari VaR MS-ARCH diperoleh correct VaR pada tingkat signifikansi 5% untuk MS-ARCH (0,1) adalah 2,3% dan MS-ARCH (1,1) adalah 2,5%. Model VaR yang optimal berdasarkan tingkat signifikansi yang ditentukan adalah VaR MS-ARCH (0,1).
Deteksi Kanker Berdasarkan Klasifikasi Microarray Data Menggunakan Wavelet Trasnsform Dan Backpropagation Termodifikasi Dengan Conjugate Gradient Flechter Reeves Syahrizal Rizkiana Rusamsi; Adiwijaya Adiwijaya; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 5, No 1 (2018): April 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Kanker adalah penyakit mematikan di dunia, penyebabnya adalah sel sel yang membelah diri secara tidak terkendali. Dalam perkembangannya sel-sel kanker ini dapat menyebar kebagian tubuh lainnya dengan cara memasuki aliran darah atau sistem limfatik sehingga dapat menyebabkan kematian. Hal ini terjadi akibat adanya kekacauan yang terjadi pada gen. Pemantauan ekspresi gen adalah salah satu yang paling mendasar dalam genetika, yaitu untuk mengukur mRNA bukan protein, karena urutan mRNA berhibridisasi dengan komplementer RNA dan DNA. Microarray merupakan teknologi yang dapat menyimpan ribuan gen yang diambil dalam beberapa sel manusia sekaligus. Data microarray cenderung memiliki dimensi yang sangat besar, sehingga untuk memodelkan data tersebut diperlukan reduksi dimensi dengan menggunakan Wavelet Haar untuk meningkatkan akurasi klasifikasi digunakan Modified Back Propagation (MBP) Flechter Reeves. MBP merupakan modifikasi dari Back Propagation Standar (BP) dengan algoritma Conjugate Gradient Fletcher Reeves untuk mempercepat proses pelatihan. Dari hasil pengujian, skema Wavelet Haar dan Modified Backpropagation Flechter Reeves dengan teknik line search golden section search memiliki akurasi yang terbaik dari skenario klasifikasi yaitu pada jenis data Kanker Leukimia dengan akurasi 88,9%.
Prediksi Value-at-risk Dengan Efek Autoregressive Conditional Heteroskedasticity (arch) Cipta Rahmadayanti; Rian Febrian Umbara; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 5, No 2 (2018): Agustus 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Investor yang menginvestasikan dana pada saham mengharapkan nilai return yang tinggi dan risiko yang sekecil mungkin, namun setiap investasi yang dilakukan tidak dapat memprediksi dengan mudah seberapa besar nilai risiko yang akan didapat. Untuk mendapatkan nilai risiko dari suatu saham dapat menggunakan metode Value-at-Risk (VaR). Penentuan nilai VaR ini dapat menggunakan time series, oleh karena itu pada Tugas Akhir ini digunakan model Autoregressive (AR) dan Generealized Autoregressive Conditional Heteroskedasticity (GARCH) untuk menentukan nilai VaR pada dua indeks saham yang berdistribusi normal. Setiap data saham memiliki perbedaan volatilitas atau pergerakan harga saham, maka sebelum membahas model time series dan perhitungan VaR, data indeks saham dilakukan pengujian dengan uji efek ARCH. Agar mendapatkan hasil yang relevan maka dilakukan perhitungan akurasi kedua model time series tersebut menggunakan VaR violation dan dibandingkan untuk mendapatkan model time series yang baik. Berdasarkan hasil analisis, model time series yang baik digunakan untuk memprediksi VaR pada saham NASDAQ adalah model GARCH(1,1) dengan jumlahan tingkat error sebesar 26, dan untuk saham NYSE model time series yang baik untuk memprediksi VaR adalah model AR(1) dengan jumlahan tingkat error sebesar 30. Kata kunci : VaR, AR, GARCH, Uji efek ARCH, VaR violation. Abstract Investors who invest funds in stock expect a high return value and the lowest risk possible, but every investments can not predict the value risk with easily. To obtain the risk value of a stock can use Value-at-Risk (VaR) method. The determination of the VaR can use time series model, therefore in this final project used Autoregressive (AR) and Generealized Autoregressive Conditional Heteroskedasticity (GARCH) to determine VaR on two stock indexes which have normal distribution. Each stock data has different volatility or movement of stock price, then before discuss about time series model and VaR calculation, stock index data is tested by ARCH effect test. In order to obtain a relevant results, both time series model are calculated the accuracy using VaR violation and compared to get a good time series model. Based on the result of the analysis, time series model which is GARCH(1,1) of normal distributuon have better result with the total error rate of 26 to predict VaR for stock index NASDAQ, and for stock index NYSE a good time series model to predict VaR is AR(1) with the total error rate of 30. Keywords: VaR, AR, GARCH, ARCH effect test, VaR violation
Value-at-risk (var) Berbasis Model Exponential Autoregressive Conditional Amount (eaca) Rizky Retno Utami; Rian Febrian Umbara; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 5, No 2 (2018): Agustus 2018
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Abstrak Kerugian pada perusahaan asuransi terjadi akibat besar klaim asuransi yang diajukan melebihi batas yang ditentukan. Apabila perusahaan tidak dapat menangani hal tersebut dengan baik maka perusahaan tersebut akan mengalami kebangkrutan. Untuk menangani masalah tersebut, dibutuhkan cara yang tepat untuk memprediksi besar klaim agar tidak melebihi batas yang ditentukan oleh suatu perusahaan. Salah satu cara untuk memprediksi besar klaim adalah dengan menggunakan model Exponential Autoregressive Conditional Amount (EACA). Model EACA adalah model deret waktu yang diaplikasikan pada data asuransi berupa besar klaim yang ditanggung oleh perusahaan asuransi. Dalam penelitian Tugas Akhir ini juga digunakan perhitungan dengan Value-at-Risk (VaR) untuk mengukur kerugian akibat besar klaim yang melebihi batas. Akurasi VaR yang terbaik diperoleh menggunakan VaR Violation. Berdasarkan hasil analisis, tingkat signifikansi pada VaR 10% dapat mengantisipasi besar klaim lebih baik dari percobaan tingkat signifikansi yang lain. Hal ini karena tingkat signifikansi 1% menghasilkan VaR Violation sebanyak 3. Sehingga pelanggaran yang diharapkan dengan VaR Violation menghasilkan selisih sebesar 0.34, hasil ini merupakan hasil selisih yang terendah dari tingkat signifikansi 5% dan 10%. Kata Kunci : klaim asuransi, model EACA, VaR, VaR Violation Abstract Losses on insurance companies occur due to large insurance claims filed exceeds the specified limits. If the company cannot handle it properly then the company will go bankrupt. To handle the problem, it takes the right way to predict the size of the claim so as not to exceed the limit specified by a company. One way to predict the size of a claim is to use the Exponential Autoregressive Conditional Amount (EACA) model. EACA model is a time series model applied to insurance data in the form of a large claim borne by the insurance company. In this Final Project study also used the calculation with Value-at-Risk (VaR) to measure the losses due to large claims beyond the limit. The best VaR accuracy is obtained using VaR Violation. Based on the results of the analysis, a 10% confidence level at VaR can anticipate the higher claims than other confidence experiments. This is because the 1% confidence level produces VaR Violation of 3. That the expected violation with VaR Violation yields a difference of 0.34, this result is the lowest difference of 5% and 10% confidence level. Keywords: insurance claims, EACA model, VaR, VaR Violation
Pemodelan Dan Simulasi Untuk Mengetahui Kebangkrutan Perusahaan Asuransi Berdasarkan Ukuran Klaim Nanda Putri Mintari; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Dalam jurnal ini membahas tentang bagaimana memodelkan pada klaim keberapa perusahaan asuransi mengalami kebangkrutan untuk pertama kalinya, dengan frekuensi klaim berdistribusi poisson dan ukuran klaim berdistribusi eksponensial. Data yang digunakan pada jurnal ini adalah data perusahaan asuransi kesehatan Z yaitu tanggal klaim dan pembayaran klaim. Perusahaan asuransi mendapatkan dana yang diperoleh dari akumulasi cadangan dana awal yang dimiliki perusahaan asuransi ditambah dengan premi konstan yang diterima perusahaan asuransi, dikurangi dengan jumlah klaim yang dikeluarkan. Dinyatakan mengalami kebangkrutan untuk pertama kalinya apabila dana yang dimiliki perusahaan asuransi yang disimbolkan dengan U(t) bernilai negatif. Untuk menghitung dana perusahaan asuransi, maka akan dilakukan simulasi dengan asumsi cadangan dana sebesar Rp 10.000.000.000 dan rate premi sebesar Rp 3000 sampai Rp 4000. Setelah menghitung dana perusahaan asuransi, maka akan diketahui pada hari keberapa dan klaim keberapa perusahaan asuransi mengalami kebangkrutan untuk pertama kalinya. Kata Kunci : cadangan dana, premi, ukuran klaim, frekuensi klaim, distribusi poisson, distribusi eksponensial, bangkrut
Modifikasi Portofolio Mean-variance Dengan Melibatkan Model Keasimetrian Distribusi Sabilla Fitriyantini; Deni Saepudin; Aniq Atiqi Rohmawati
eProceedings of Engineering Vol 4, No 2 (2017): Agustus, 2017
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Portofolio mean-variance adalah salah satu metode yang digunakan dalam pembentukan portofolio. Portofolio mean-variance menekankan pada usaha memaksimalkan expected return dan meminimalkan ketidakpastian/ risiko (variance) untuk membentuk dan menyusun portofolio. Akan tetapi, metode mean-variance memiliki kekurangan. Copula merupakan salah satu metode estimasi pemodelan distribusi yang memiliki keunggulan dalam membentuk portofolio. Parameter 𝜌 merupakan salah satu yang digunakan dalam metode copula. Dengan 𝜌 maka dapat dibentuk portofolio. Copula yang digunakan pada tugas akhir ini adalah gaussian copula. Kinerja portofolio mean-variance classic dan portofolio mean-variance dengan gaussian copula diukur menggunakan Sharpe Ratio. Kata Kunci : mean-variance, copula, gaussian copula, sharpe ratio
Co-Authors A. Maulana Mukhsin Abdurrazaq Naufal Abi Rafdhi Hernandy Abi Rafdhi Hernandy Adhitya Aldira Hardy Adiwijaya Agri Pratomo Alfian Yudha Iswara Ananda Affan Fattahila Annisa Aditsania Arifin Dwi Kandar Saputro Arnasli Yahya Ayu Wulandari Bagas Yafitra Pandji Bambang Eko Supriyadi Benedikto Krisnandy Wijaya Budi Ihsan Daulay Cipta Rahmadayanti Danar Satrio Aji Dara Ayu Lestari Deni Saepudin Dian Tiara Didit Adytia Dinda Fitri Irandi Dini Apriliani Lestari Ditta Febriany Sutrisna Elvina Oktavia Ergon Rizky Perdana Purba Erick Anugrah Prihananta Farah Diba Febry Triyadi Fendi Irfan Amorokhman Fhira Nhita Fikri Nur Hadiansyah Fiqi Ruli Setiawan Fitriaini Amalia Gharyni Nurkhair Mulyono Hadyatma Dahna Marta Hasbi Rabbani I Komang Gede Rusmawan Ihsan Hasanudin Ilma Mufidah Imannda Kusuma Putra Indwiarti Irandi, Dinda Fitri Irfan Fauzan Prasetyo Irwan Ramadhana Jeshurun Eliezer Cussoy Jondri Jondri Justinus Dedy Handyka Simanjuntak Kaenova Mahendra Auditama Kautsar Abdillah Lani Rohaeni Laode Muhammad Ali Al-Qomar Lola Yolanda Ruth Herinis Lumbanraja Mailia Putri Utamil Muhamad Lutfi Chandra Muhammad Akmal Afghani Muhammad Fadhil Maulana Muhammad Hafidh Raditya Muhammad Iqbal Cholil Muhammad Irfan Fathurrahman Nanda Putri Mintari Nathan Sukmawan Ni Luh Ketut Dwi Murniati Nisrina Nur Faizah Novelya Nababan Nur Nining Aulia Putu Harry Gunawan Rabbani, Hasbi Rahmadayanti, Cipta Rahmattullah, Rizky Raisa Betha Meiliza Rangga Arya Pamungkas Redha Arifan Juanda Reima Agustina Kusumawardani Reiza Krisnaviardi Reza Pratama Rian Febrian Umbara Rimba Whidiana Ciptasari Rizki Ayudiah Kartika Paramita Rizky Pujianto Rizky Retno Utami Rizma Nurviarelda Sabilla Fitriyantini Shuni’atul Ma’wa Siti Saadah Sri Suryani Prasetiyowati Suhendar, Annisya Hayati Susy Sundari Syahrizal Rizkiana Rusamsi Syaifrijal Zirkon Radion Tasya Salsabila Tedo Hariscandra Triandini Nurislamiaty Yahya, Arnasli ZulvanFirdaus ZulvanFirdausImanullah