Article Per Year (5 Year)
p-Index From 2020 - 2025
3.335
P-Index
This Author published in this journals
All Journal Matematika: Jurnal Teori dan Terapan TRANSFORMASI : JURNAL PENGABDIAN PADA MASYARAKAT Jurnal Riset Matematika Bandung Conference Series: Mathematics Matematika
Eti Kurniati
Program Studi Matematika Fakultas Matematika Dan Ilmu Pengetahuan Alam Universitas Islam Bandung
Computer Science & IT Decision Sciences, Operations Research & Management Education Engineering Mathematics Social Sciences Transportation Other

Published : 28 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 28 Documents
Search

 1   2   3 
Penerapan Metode Moving Average untuk Prediksi Indeks Harga Konsumen Asyifaa Nabilah Nurfadhilah; Widodo Budi; Eti Kurniati; Didi Suhaedi
Matematika: Jurnal Teori dan Terapan Matematika Vol. 21 No. 1 (2022): Jurnal Matematika
Publisher : UPT Publikasi Universitas Islam Bandung

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

Abstract

Abstrak. Data time series merupakan sekumpulan data pada satu periode waktu tertentu. Data time series bisa di selesaikan dengan berbagai metode dengan pola data trend naik atau turun. Metode yang tepat untuk data Indeks Harga konsumen (IHK) Tujuh Kota di Jawa Barat yaitu metode Single Moving Average. Tujuan penulisan artikel ini untuk memprediksi nilai IHK pada masa mendatang yaitu bulan September 2021. Data yang digunakan untuk penelitian ini yaitu data IHK tujuh kota di Jawa Barat dari bulan Januari 2020 sampai Agustus 2021 yang didapat dari BPS kota Bandung. Penurunan harga atau deflasi bisa sangat menguntungkan bagi para konsumen tapi jika terus menerus akan merugikan untuk para produsen, sedangkan kenaikan harga atau inflasi jika terus menerus meningkat akan sangat merugikan bagi konsumen terutama masyarakat kalangan menengah, maka diperlukan sasaran dari IHK bulanan. Hasil penelitian nilai IHK dengan metode Single Moving Average 3 periode untuk bulan September 2021 menurun dari data aktual bulan Agustus 2021 dan nilai error dengan MAPE yang cukup kecil. Kata kunci: Single Moving Average, Prediksi, Indeks Harga Konsumen. Abstract. Time series data is a collection of data in a certain time period. Time series data can be solved by various methods with up or down trend data patterns. The right method for the Consumer Price Index (CPI) data for Seven Cities in West Java is the Single Moving Average method. The purpose of writing this article is to predict the value of the CPI in the future, namely September 2021. The data used for this research is CPI data for seven cities in West Java from January 2020 to August 2021 which was obtained from the BPS Bandung city. A decrease in prices or deflation can be very beneficial for consumers but if it continues it will be detrimental to producers, while a price increase or inflation if it continues to increase will be very detrimental to consumers, especially the middle class, then a monthly CPI target is needed. The results of the research on the CPI value using the 3 period Single Moving Average method for September 2021 decreased from the actual data for August 2021 and the error value with MAPE was quite small. Keywords: Single Moving Average, Prediction, Consumer Price Index.
Penerapan Model CAPM dan Arbitrage Pricing Theory dalam Menghitung Return Indeks Saham IDX30 Suciana Fratama; Eti Kurniati
Jurnal Riset Matematika Volume 3, No.1, Juli 2023, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v3i1.1736

Abstract

Abstract. Investors in investing will be faced with uncertainty. If an investor takes a risk, then he will also expect a return that is proportional to the risk he will take too. Efforts to reduce the risk that will be faced by investors is by diversifying to create a portfolio. Investors in investing expect high returns with small risks from the portfolio they form. Investors must find a way to get a return that is not far from the Expected Return with a small risk. Models that can be used to calculate the Expected Return include the Capital Asset Pricing Model (CAPM) and the Arbitrage Pricing Theory (APT). The CAPM model and the APT model have differences, namely in the CAPM model the risk factor considered is systematic market risk while the APT model includes several macroeconomic factor variables. The purpose of this study is to apply the CAPM model and the APT model in calculating IDX30 stock returns for the period January 2020 – December 2021. This study also calculates the mean deviation of the Mean Absolute Deviation (MAD) between the CAPM and APT models. The results of this study showed that the MAD CAPM value was 0.00955 and the MAD APT value was 0.01369. Abstrak. Investor dalam melakukan investasi akan berhadapan dengan ketidakpastian. Jika seorang investor mengambil suatu risiko, maka dia juga akan mengharapkan return yang sebanding dengan risiko yang akan dia ambil juga. Upaya untuk mengurangi risiko yang akan dihadapi oleh investor yaitu dengan melakukan diversifikasi membuat suatu portofolio. Investor dalam melakukan investasi mengharapkan return yang tinggi dengan risiko yang kecil dari portofolio yang dibentuknya. Investor harus mendapatkan cara untuk mendapatkan return yang tidak jauh dari return yang diharapkannya (Expected Return) dengan risiko yang kecil. Model yang bisa digunakan dalam menghitung Expected Return diantaranya Capital Asset Pricing Model (CAPM) dan Arbitrage Pricing Theory (APT). Model CAPM dan model APT ini memiliki perbedaan yaitu pada model CAPM faktor risiko yang dipertimbangkan adalah risiko sistematis pasar sedangkan model APT memasukkan beberapa variabel faktor makroekonomi. Tujuan dari penelitian ini yaitu untuk menerapkan model CAPM dan model APT dalam menghitung return saham IDX30 periode Januari 2020 – Desember 2021. Penelitian ini juga menghitung rata - rata penyimpangan Mean Absolute Deviation (MAD) antara model CAPM dan APT. Hasil penelitian ini nilai MAD CAPM sebesar 0.00955 dan nilai MAD APT sebesar 0.01369.
Peramalan Jumlah Penumpang Kereta Api Eksekutif di Pulau Jawa Menggunakan Model SARIMA Laras Luthfiyyah Ibrahim; Eti Kurniati
Jurnal Riset Matematika Volume 3, No.1, Juli 2023, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v3i1.1747

Abstract

Abstract. The number of fluctuating train passengers will especially increase during the Eid al-Fitr, Christmas and New Year holidays. At such times passengers will exceed the available capacity. To provide the best service, it is necessary to know the number of passengers in the future. So that the company can provide according to needs. With this research, it aims to create a model that will be used to predict the number of train passengers on the island of Java in 2023. The method used is Seasonal ARIMA or it can be called SARIMA. This method is a method for a forecast that is seasonal. The results obtained from the model formed are SARIMA(1,0,1)(1,1,0)12. With the forecasting results, namely the number of train passengers on Java Island with the MSE obtained 119.17. From the MSE obtained, forecasting can be said to be accurate. Abstrak. Jumlah penumpang kereta api berfluktuasi terutama akan meningkat di saat hari raya Idul Fitri, natal dan tahun baru. Di saat seperti itu penumpang akan melebihi kapasitas yang tersedia. PT.KAI dalam meningkatkan kualitas pelayanannya, memerlukan pengetahuan jumlah penumpang di masa yang akan datang. Sehingga perusahaan bisa menyediakan sesuai dengan kebutuhan. Tujuan penelitian ini untuk membuat pemodelan yang akan digunakan untuk meramalkan jumlah penumpang kereta api di Pulau Jawa pada tahun 2023. Metode yang digunakan yaitu Seasonal ARIMA atau bisa disebut SARIMA. Metode ini merupakan metode untuk sebuah peramalan yang bersifat musiman. Hasil yang diperoleh dari model yang terbentuk yaitu SARIMA(1,0,1)(1,1,0)12. Dengan hasil peramalan yaitu jumlah penumpang kereta api di Pulau jawa pada bulan Maret menjelang hari raya Idul Fitri yaitu sebesar 4470 jiwa.
Penerapan Metode Mixed Autoregressive and Moving Average Untuk Peramalan Harga Saham LQ45 Gita Sarah Prabawati; Onoy Rohaeni; Eti Kurniati
Bandung Conference Series: Mathematics Vol. 3 No. 2 (2023): Bandung Conference Series: Mathematics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcsm.v3i2.8535

Abstract

Abstrak. Saham merupakan investasi yang nilainya sangat fluktuatif. Kondisi seperti ini menyebabkan investor berhadapan dengan risiko. Risiko dapat berkurang apabila investor bisa membuat prediksi dengan ketelitian yang baik. Tujuan penelitian ini adalah untuk mendapatkan model dan dapat meramalkan harga saham beberapa waktu kedepan. Metode peramalan yang akan digunakan dalam penelitian ini adalah Mixed Autoregressive and Moving Average yaitu gabungan antara model Autoregresif dan Moving Average (ARMA). Penelitian ini menggunakan penutupan harga saham LQ45 periode 1 Maret 2022 hingga 28 April 2023. Hasil yang diperoleh adalah model terbaik yaitu ARMA (1,1). Model layak digunakan karena diperoleh nilai MAPE dengan kategori sangat baik. Abstract. Stock is an investment whose value is very volatile. Conditions like this cause investors to face risks. Risk can be reduced if investors can make predictions with good accuracy. The purpose of this research is to get a model and be able to predict stock prices some time in the future. The forecasting method that will be used in this study is the Mixed Autoregressive and Moving Average, which is a combination of the Autoregressive and Moving Average (ARMA) models. This study uses the closing price of LQ45 shares for the period March 1, 2022 to April 28, 2023. The results obtained are the best model, namely ARMA (1,1). The model is suitable for use because the MAPE value is obtained in a very good category.
Penggunaan Rstudio dalam Pembuatan Aplikasi Peramalan Harga Emas dengan Metode Double Exponential Smooting Holt Firdy Adi; Didi Suhaedi; Eti Kurniati
Bandung Conference Series: Mathematics Vol. 3 No. 2 (2023): Bandung Conference Series: Mathematics
Publisher : UNISBA Press

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/bcsm.v3i2.9523

Abstract

Abstrak. Peramalan harga beli emas memiliki peranan penting dalam pengambilan keputusan investasi dan perencanaan keuangan. Pada penelitian kali ini dilakukan perhitungan secara manual dan perhitungan menggunakan aplikasi dengan menggunakan Double Exponential Smooting dari Holt. Dalam pembangunan aplikasi digunakan RStudio sebagai alat pengembang dan bahasa R sebagai bahasa pemprogramannya. Dalam proses peramalan dilakukan terlebih dahulu pengumpulan data dari web Harga Emas Orang (harga-emas.org) dan didapat data berupa harga beli emas dan tanggal berupa format csv dengan rentan waktu 1 tahun dari 1 Mei 2022 sampai 31 April 2023 dengan data yang akan diolah unuk diteliti berjumlah 357 data harian. Setelah didapat data maka dilakukan pengujian terhadap data untuk mengetahui model yang cocok untuk digunakan dalam peramalan harga beli emas. Setelah dilakukan plot data emas dengan rentang waktu selama 1 tahun didapat bahwa grafik plot emas menunjukkan adanya tren naik meskipun dalam peningkatannya secara bertahap. Kemudian dilakukan peramalan menggunakan metode Double Exponential Smooting dari Holt karena syarat menggunakan metode Double Exponential Smooting dari Holt data harus menunjukkan adanya tren baik itu tren naik atau turun. Dan didapat nilai ramalan selamat 10 periode kedepan dengan tingkat MAPE (Mean Absolute Percentage Error) yang baik. Abstract. Forecasting the purchase price of gold has an important role in making investment decisions and financial planning. In this study, manual calculations were carried out and calculations using an application using Holt's Double Exponential Smoothing. In developing applications, RStudio is used as a developer tool and the R language as the programming language. In the Forecasting process, data is first collected from the People's Gold Price web (harga-emas.org) and data is obtained in the form of gold purchase prices and dates in the form of csv format with a timeframe of 1 year from 1 May 2022 to 31 April 2023 with data to be processed to be studied amounted to 357 daily data. After obtaining the data, a test is carried out on the data to find out which model is suitable for use in Forecasting the purchase price of gold. After plotting the gold data with a time span of 1 year, it was found that the gold plot graph shows an upward trend even though the increase is gradual. Then Forecasting is carried out using the Double Exponential Smoothing method from Holt because the conditions for using the Double Exponential Smoothing method from Holt are that the data must show a trend, whether it is an uptrend or a downtrend. And obtained Forecast value for the next 10 periods with a good level of MAPE (Mean Absolute Percentage Error).
Peramalan Indeks Harga Saham dengan Autoregressive Moving Average Generelized Autoregressive Conditional Heteroscedasticity (ARMA-GARCH) Nur Najmi Layla; Eti Kurniati
Jurnal Riset Matematika Volume 1, No.1, Juli 2021, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v1i1.103

Abstract

Abstract. The stock price index is the information the public needs to know the development of stock price movements. Stock price forecasting will provide a better basis for planning and decision making. The forecasting model that is often used to model financial and economic data is the Autoregressive Moving Average (ARMA). However, this model can only be used for data with the assumption of stationarity to variance (homoscedasticity), therefore an additional model is needed that can model data with heteroscedasticity conditions, namely the Generalized Autoregressive Conditional Heteroscedasticity (GARCH) model. This study uses data partitioning in pre-pandemic conditions and during the pandemic, Insample data with pre-pandemic conditions and insample data during pandemic conditions. Based on the research results, the GARCH model (1,1) was obtained with the conditions before the pandemic and GARCH (1,2) during the pandemic condition. The forecasting model obtained has met the eligibility requirements of the GARCH model. If the forecasting model fulfills the eligibility requirements, then MAPE calculations are performed to see the accuracy of the forecasting model. And obtained MAPE in the conditions before the pandemic and during the pandemic in the very good category. Abstrak. Indeks harga saham merupakan informasi yang diperlukan masyarakat untuk mengetahui perkembangan pergerakan harga saham. Peramalan harga saham akan memberikan dasar yang lebih baik bagi perencanaan dan pengambilan keputusan. Model peramalan yang sering digunakan untuk memodelkan data keuangan dan ekonomi adalah Autoregrresive Moving Average (ARMA). Namun model tersebut hanya dapat digunakan untuk data dengan asumsi stasioneritas terhadap varian (homoskedastisitas), oleh karena itu diperlukan suatu model tambahan yang bisa memodelkan data dengan kondisi heteroskedastisitas, yaitu model Generalized Autoregressive Conditional Heteroscedastisity (GARCH). Penelitian ini menggunakan partisi data pada kondisi sebelum pandemi dan saat pandemi berlangsung data Insample dengan kondisi sebelum pandemi dan insample pada kondisi pandemi. Berdasarkan hasil penelitian, maka didapat model GARCH (1,1) dengan kondisi sebelum pandemi dan GARCH (1,2) saat kondisi pandemi. Model peramalan yang didapat sudah memenuhi syarat kelayakan model GARCH. Apabila model peramalan terpenuhi syarat kelayakannya maka dilakukan perhitungan MAPE untuk melihat keakuratan model peramalannya. Dan diperoleh MAPE pada kondisi sebelum pandemi dan saat pandemi dengan kategori sangat baik.
Analisis Efek Pergeseran Kurva Penawaran terhadap Keseimbangan Pasar dalam Shortrun pada Pasar Persaingan Sempurna Gian Fitriani Utami; Eti Kurniati
Jurnal Riset Matematika Volume 2, No. 2, Desember 2022, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v2i2.1165

Abstract

Abstract. Market equilibrium in the short run in a perfectly competitive market is a condition in which the quantity supplied is equal to the quantity demanded. One way to analyze the market equilibrium in the short run is to analyze the effect of a shift in the supply curve on the market equilibrium. This study analyzes the effect of the shift in the supply curve on the market balance in the short term. The purpose of this study is to analyze the effect of a shift in the supply curve on prices and the equilibrium quantity in the short run in a perfectly competitive market. The equilibrium price is determined in the decision-making process of consumers and producers. A shift in the supply and demand curves will cause a new market equilibrium or the market equilibrium price and quantity to change. The change will depend on the slope of the demand curve and supply curve. Abstrak. Keseimbangan pasar dalam jangka pendek pada pasar persaingan sempurna merupakan kondisi dimana jumlah penawaran sama dengan jumlah permintaan. Salah satu cara untuk menganalisis keseimbangan pasar dalam jangka pendek menggunakan analisis efek pergeseran kurva penawaran terhadap keseimbangan pasar. Pada penelitian ini menganalisis efek pergeseran kurva penawaran terhadap keseimbangan pasar dalam periode jangka pendek. Tujuan dari penelitian ini adalah menganalisis efek pergeseran kurva penawaran terhadap harga dan jumlah keseimbangan dalam jangka pendek pada pasar persaingan sempurna. Harga keseimbangan ditetapkan dalam proses pengambilan keputusan para konsumen dan produsen. Pergeseran kurva permintaan dan penawaran akan menyebabkan keseimbangan pasar baru atau harga dan jumlah keseimbangan pasar berubah. Perubahan tersebut akan tergantung pada kemiringan kurva permintaan dan kurva penawaran.
Ekstraksi Data Digital Menggunakan Teknik Max Pooling dan Average Pooling Puspa Meliuwati; Eti Kurniati
Jurnal Riset Matematika Volume 2, No. 2, Desember 2022, Jurnal Riset Matematika (JRM)
Publisher : UPT Publikasi Ilmiah Unisba

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.29313/jrm.v2i2.1338

Abstract

Abstract. Digital data processing requires algorithms that can process data optimally. Processing large amounts of data requires a large number of parameters to produce accurate output. Then the classification accuracy at a certain point will decrease, therefore a process is needed that can extract the required number of parameters, one of which is using the pooling process. Pooling is a selection process to reduce the resolution on an insignificant feature map. Two methods in pooling, namely max pooling and average pooling, work by dividing the layer into several small grids and then taking the largest value or average value of each grid to compose the reduced digital data matrix. The pooling process requires padding to adjust the filter matrix by filling the empty parts of the matrix with the number 0. The size of the filter matrix does not affect the size of the pooling matrix. The smaller the filter matrix size, the more detailed the pooling process will be. The displacement of the filter matrix in the data matrix is ​​determined by the magnitude of the stride. The smaller the stride size, the more detailed it will be, but the larger the pooling matrix will be. Abstrak. Pengolahan data digital membutuhkan algoritma yang dapat memproses data secara optimal. Pemrosesan data jumlah besar membutuhkan jumlah parameter yang besar pula untuk menghasilkan output yang akurat. Maka alkurasi klasifikasi pada titik tertentu akan menurun, oleh karena itu dibutuhkan sutu proses yang dapat mengekstraksi jumlah parameter yang diperlukan salah satunya menggunakan proses pooling. Pooling adalah proses melakukan seleksi untuk mengurangi resolusi pada peta ciri yang tidak signifikan. Dua metode dalam pooling yaitu max pooling dan average pooling, bekerja dengan membagi layer menjadi beberapa grid kecil lalu engambil nilai terbesar atau nilai rata-rata setiap grid untuk Menyusun matriks data digital yang telah direduksi. Proses pooling memerlukan padding untuk menyesuaikan matriks filter dengan mengisi bagian-bagian kosong matriks dengan angka 0. Ukuran matriks filter tidak mempengaruhi ukuran matriks pooling. semakin kecil ukuran matriks filter maka proses pooling akan semakin rinci. Perpindahan matriks filter pada matriks data ditentukan oleh besarnya stride. Semakin kecil ukuran stride akan semakin rinci akan tetapi ukuran matriks pooling akan semakin besar.
Co-Authors Adi Mulyono Alfiari Firdaus Andi Setia Nugraha Asyifaa Nabilah Nurfadhilah Aulia Fitri Hayuningtyas Bella Ayu Febrianti Didi Suhaedi Farid Hirji Badruzzaman Fatikatus Sholikah Firdy Adi Gani Gunawan Gian Fitriani Utami Gian Fitriani Utami Gita Sarah Prabawati Hilwa Gifti Salsabila Icih Sukarsih Imadudin Al Rusman Laras Luthfiyyah Ibrahim Lisnur Wachidah M. Yusuf Fajar Muhammad Aldy Alfiansyah Nety Kurniaty Nur Najmi Layla Onoy Rohaeni Puspa Meliuwati Rados Vremiro Respita Wulan Safitri Nurrohmah Sajidul Fajri Suciana Fratama Teti Sofia Yanti Usti Amaliah Widodo Budi Windy Rianti Kartika Yani Krishnamurti Yani Ramdani