Articles
<![CDATA[Penentuan Harga Opsi Multi Aset Tipe Eropa Melalui Model Multidimensional Black-Scholes ]]>
<![CDATA[Muhammad Saddam Salsabillah]]>;
<![CDATA[Irma Palupi]]>;
<![CDATA[Rian Febrian Umbara]]>
<![CDATA[ Indonesia Symposium on Computing Indonesia Symposium on Computing 2015 ]]>
Publisher : <![CDATA[Indonesia Symposium on Computing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Opsi multiaset merupakan suatu kontrak atau perjanjian antara dua pihak, dimana pihak pertama adalah sebagai pembeli yang memiliki hak bukan kewajiban untuk membeli atau menjual dari pihak kedua yaitu penjual terhadap beberapa aset tertentu pada harga dan waktu yang telah ditetapkan. Melihat permasalahan tersebut, berdasarkan waktu pelaksanaanya dalam penentuan nilai opsi tipe Eropa yang nilainya bergantung pada pada multiaset akan menggunakan modifikasi model Black-Scholes untuk lebih dari satu underlying aset. Pengambilan data pada penelitian ini berasal dari yahoofinance.com, dimana data saham yang diambil yaitu Microsoft Co. (MSFT) dan Coca-Cola Co. (KO). Pada penelitian ini, digunakan metode finite difference skema implisit untuk menyelesaikan persamaan diferensial model Black-scholes untuk opsi lebih dari satu underlying aset. Pada penelitian ini, multiaset yang digunakan hanya dibatasi oleh dua aset. Dalam penilitian ini, dilakukan skenario pengujian nilai opsi yang di dapat berdasarkan perhitungan komputasi dibandingkan dengan nilai opsi pasar (market) dari masing-masing saham tersebut. Nantinya harga opsi yang di dapat akan mendekati harga opsi pasar (market). Pada penilitian ini juga dilakukan pengujian terhadap single aset sebagai perbandingan nilai opsi yang dihasilkan p opsi multiaset. Berdasarkan hasil penelitian yang telah dilakukan, hasil perhitungan opsi yang nilainya multiaset dapat diterapkan setelah menggunakan metode finite difference skema implisit untuk menyelesaikan persamaan diferensial modifikasi Black-Scholes untuk opsi lebih dari satu underlying aset. Â ]]>
<![CDATA[Perhitungan Value-At-Risk Untuk Portofolio Saham Dengan Metode Varian - Kovarian Dan Simulasi Monte Carlo ]]>
<![CDATA[Firdaus Maringga]]>;
<![CDATA[Rian Febrian Umbara]]>;
<![CDATA[Irma Palupi]]>
<![CDATA[ Indonesia Symposium on Computing Indonesia Symposium on Computing 2015 ]]>
Publisher : <![CDATA[Indonesia Symposium on Computing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Value-at-Risk (VaR) merupakan alat ukur untuk menghitung nilai kerugian maksimal portofolio investasi dengan diberikan selang waktu dan selang kepercayaan tertentu. Terdapat tiga metode dalam perhitungan VaR: simulasi historis, Varian - Kovarian, dan simulasi Monte Carlo. Penelitian yang dilakukan pada penelitian ini adalah menghitung VaR pada portofolio indeks saham LQ45 pada bulan Agustus 2013 sampai Januari 2014. Metode yang digunakan adalah Varian - Kovarian dan simulasi Monte Carlo dengan selang kepercayaan 80%, 90%, 95% dan 99%. Perhitungan Varian - Kovarian lebih cepat dibandingkan dengan simulasi Monte Carlo. Waktu perhitungan VaR dengan metode Varian - Kovarian 3.219 s sedangkan waktu simulasi Monte Carlo tergantung pada jumlah perulangan, semakin besar nilai n akan menghasilkan waktu perhitungan yang lama. Nilai eror yang didapat pada simulasi Monte Carlo lebih baik dibandingan Varian - Kovarian. Pada perhitungan MAD untuk metode Varian - Kovarian dengan selang kepercayaan 80% adalah 0,0200959 sedangkan MAD pada simulasi Monte Carlo adalah 0,0208848. Uji coba pada ANOVA one way menunjukkan adanya perbedaan signifikan pada nilai VaR.Hasil perhitungan VaR digunakan pemangku portofolio untuk mengambil keputusan terhadap portofolio yang dikelola. Â ]]>
<![CDATA[Pemodelan Harga Obligasi Dengan Bunga Berfluktuasi Menggunakan Model Vasicek Jangka Pendek ]]>
<![CDATA[Diani Sarah Kamilial]]>;
<![CDATA[Deni Saepudin]]>;
<![CDATA[Irma Palupi]]>
<![CDATA[ Indonesia Symposium on Computing Indonesian Symposium on Computing 2014/Seminar Nasional Ilmu Komputasi Teknik Informatika (SNIKTI) ]]>
Publisher : <![CDATA[Indonesia Symposium on Computing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Obligasi adalah surat utang yang diterbitkan oleh suatu lembaga tertentu. Pihak yang menerbitkan obligasi akan membayar imbalan berupa kupon bunga tetap pada periode tertentu dan melunasi pokok hutang kepada pihak pembeli obligasi tersebut. Zero coupon bond adalah obligasi yang tidak melakukan pembayaran kupon bunga secara periodik tetapi keuntungan secara keseluruhan dibayarkan saat obligasi jatuh tempo. Harga obligasi beserta kupon bunga sensitif terhadap fluktuasi tingkat suku bunga. Oleh karena itu, untuk memprediksi harga obligasi diperlukan prediksi suku bunga. Model Vasicek adalah salah satu model yang digunakan untuk memprediksi tingkat suku bunga. Setelah diperoleh suku bunga dalam rentang waktu tertentu menggunakan model Vasicek, dilakukan perhitungan harga obligasi menggunakan suku bunga prediksi yang diperoleh dari model Vasicek sebelumnya. Hasil suku bunga prediksi menggunakan model Vasicek tidak dapat menangkap fluktuasi data suku bunga dengan nilai parameter untuk kecepatan pergerakan suku bunga adalah 1 yang merupakan nilai parameter optimum dengan error kuadrat minimum terhadap data histori sebesar 0.0034. Model Vasicek dapat memprediksi suku bunga dengan error kuadrat sebesar 0.0135 dan maksimum selisih suku bunga prediksi dengan data validasi sebesar 0.00057. Hasil penelitian membuktikan bahwa hasil prediksi suku bunga menggunakan model Vasicek lebih baik digunakan untuk waktu yang pendek.]]>
<![CDATA[Implementasi Metode Beda Hingga Dalam Penentuan Nilai Kontrak Opsi Eropa, Amerika, Dan Bermuda ]]>
<![CDATA[Irma Palupi]]>
<![CDATA[ Indonesia Symposium on Computing Indonesian Symposium on Computing 2014/Seminar Nasional Ilmu Komputasi Teknik Informatika (SNIKTI) ]]>
Publisher : <![CDATA[Indonesia Symposium on Computing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Kontrak opsi tipe Eropa, Amerika dan Bermuda dibedakan berdasarkan bagaimana fitur exercise dilakukan. PDP Black-Scholes adalah model untuk penentuan nilai kontrak opsi tipe Eropa, dimana kontrak ini hanya dapat dilaksanakan saat jatuh tempo. Sedangkan kontrak opsi tipe Amerika dan Bermuda memiliki fitur tambahan yang memungkinkan pemilik opsi untuk melaksanakan opsi sebelum jatuh tempo. Opsi tipe Bermuda merupakan transisi antara tipe Eropa dan Amerika, sehingga nilainya pun untuk kondisi aset acuan yang sama selalu berada diantara nilai opsi Eropa dan Amerika. Modifikasi PDP Black-Scholes untuk opsi Amerika dan Bermuda dilakukan untuk memasukan fitur early exercise yang secara implisit juga didesain untuk menemukan solusi kurva batas exercise melalui masalah pencarian free baoundary. Skema beda hingga yang diimplementasikan kedalam model menghasilkan hasil yang cukup memuaskan untuk perhitungan nilai ketiga tipe opsi. Metode ini mampu merepresentasikan kurva batas exercise yang belum mampu dengan cukup baik ditemukan dengan menggunakan metode Lattice dan simulasi MonteCarlo. Selain itu, melalui metode beda hingga juga dapat diperlihatkan kekonvergenan solusi kurva batas exercise opsi bermuda menuju solusi opsi Amerika jika pilihan waktu exercise semakin diperbanyak.]]>
<![CDATA[Implementasi Model Binomial Untuk Penentuan Harga Wajar Opsi Saham Karyawan ]]>
<![CDATA[I Wayan Ade Sugisnawan Dandysmara]]>;
<![CDATA[Rian Febrian Umbara]]>;
<![CDATA[Irma Palupi]]>
<![CDATA[ Indonesia Symposium on Computing Indonesia Symposium on Computing 2015 ]]>
Publisher : <![CDATA[Indonesia Symposium on Computing ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
<![CDATA[Topik yang dibahas dalam paper ini adalah pencarian nilai wajar opsi saham karyawan(OSK). OSK adalah opsi beli terhadap saham perusahan sebagai bonus yang diberikan oleh perusahaan kepada karyawannya. OSK memiliki waktu tunggu atau vesting period. Karyawan pemegang opsi tidak bisa melaksanakan opsi mereka di dalam selang waktu tunggu. Dalam penentuan nilai OSK, digunakan model binomial. Hasil Implementasi dari model binomial adalah didapatkannya nilai batas exercise setelah waktu tunggu sebagai pertimbangan pemegang opsi untuk melaksanakan opsinya. Nilai harga pelaksanaan, dan nilai rasio jabatan akan selalu berbanding lurus dengan nilai batas exercise sebagai penentu nilai wajar OSK di setiap waktu. Semakin besar nilai harga pelaksanaan, dan nilai rasio jabatan maka nilai batas exercise semakin besar. Nilai suku bunga, dan nilai volatilitas yang semakin besar menyebabkan nilai OSK semakin besar. Sedangkan nilai tingkat keluar karyawan, nilai dividend yield, dan harga pelaksanaan yang semakin besar menyebabkan nilai OSK semakin kecil. Sehingga dapat disimpulkan metode binomial bisa digunakan sebagai penentuan OSK dengan mencari nilai batas exercise di setiap waktu.]]>
<![CDATA[Implicit Boundary Integral Method for Homogeneous Hele-Shaw Problem with multi-connected Domain ]]>
<![CDATA[irma palupi]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 4 No. 1 (2019): Maret, 2019 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.21108/INDOJC.2019.4.1.279
<![CDATA[In this work, we implement the implicit boundary integral method for a homogeneous Hele-Shaw problem with a multi-connected domain. This method base on the solution of layer potential integral for the Laplace equation. The numerical technique is easy to implement, base on the idea of averaging the parameterization near the boundary and applying the Coarea formula. This technique changes the boundary integral into the Riemann integral that numerically easy to compute. The difficulty in the computation of hypersingular integral occurs to compute the normal velocity of free boundary. We use a collocation technique to eliminate the hypersingular part in the integral equation. Also, we show the numerical results and its computation performance due to the appearance of a non-invertible matrix.]]>
<![CDATA[Penerapan Analisis Klaster untuk Seleksi Aset dalam Optimasi Portofolio Investasi Saham ]]>
<![CDATA[varid vaya yusuf]]>;
<![CDATA[irma palupi]]>;
<![CDATA[indwiarti indwiarti]]>
<![CDATA[ Indonesia Journal on Computing (Indo-JC) Vol. 5 No. 2 (2020): September, 2020 ]]>
Publisher : <![CDATA[School of Computing, Telkom University ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.34818/INDOJC.2020.5.2.438
<![CDATA[Manfaat diversifikasi dapat dioptimalkan dengan mengategorikan aset ke dalam kelas-kelas tertentu. Di dalam pasar keuangan, terdapat struktur hirarki antar saham dan dapat dianalisis dengan mengobservasi serangkaian harga saham yang saling berkorelasi. Penelitian terdahulu banyak berfokus pada dampak analisis klaster terhadap performa portofolio, namun sedikit yang meninjau sisi seleksi aset dalam benchmark-nya. Penelitian ini mengajukan tiga skenario alternatif seleksi aset untuk proses konstruksi portofolio berbasis klaster sebagai sudut pandang baru dalam penyusunan benchmark konstruksi portofolio. Dalam pelaksanaannya, digunakan ward’s method untuk melakukan klasterisasi terhadap saham berdasarkan data in-sample dari 606 perusahaan tercatat di BEI. Dilanjutkan dengan konstruksi portofolio dengan tangency portfolio sebagai preferensi portofolio optimal dan seleksi aset dengan tiga skenario alternatif. Performa portofolio diukur menggunakan rasio Sharpe dan rasio terhadap data out-sample. Analisis klaster yang dilakukan menunjukkan kualitas yang luar biasa dalam kelompokkelompok saham yang terbentuk. Portofolio dengan analisis klaster memberikan performa yang sangat baik, melebihi portofolio tanpa analisis klaster.]]>
<![CDATA[Prediksi puncak pandemi Covid-19 di Indonesia dengan model SIR ]]>
<![CDATA[Bambang Ari Wahyudi]]>;
<![CDATA[Irma Palupi]]>
<![CDATA[ Jurnal Teknologi dan Sistem Komputer Volume 9, Issue 1, Year 2021 (January 2021) ]]>
Publisher : <![CDATA[Department of Computer Engineering, Engineering Faculty, Universitas Diponegoro ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.14710/jtsiskom.2020.13877
<![CDATA[Penelitian ini menyajikan penggunaan model Susceptible, Infected, and Removed (SIR) untuk memprediksi kondisi penularan Covid-19 di Indonesia. Data resmi pemerintah yang terdiri dari kasus positif, meninggal, dan sembuh digunakan sebagai data aktual untuk menginterpolasi model, melalui metode pencocokan data dengan minimum mean squared error (MSE). Salah satu metode pencarian Quasi-Newton yaitu algoritme Broyden, Fletcher, Goldfarb, and Shanno (BFGS) digunakan untuk menentukan nilai optimal koefisien interaksi pada model dengan nilai MSE minimum. Berdasarkan data per 18 Juli 2020, model memprediksi bahwa puncak penambahan kasus positif infeksi akan terjadi pada bulan Oktober dengan jumlah mendekati 14% persen total populasi dan galat MSE 18,42, relatif terhadap periode data aktual. Tingkat penyebaran diestimasi dengan nilai 2,035 dimana lebih kecil 29 % dibandingkan dengan tingkat penyebaran relatif dari data aktual.]]>
<![CDATA[PEMBUATAN SISTEM INFORMASI SEKOLAH DI SDN CIDAHU PURWAKARTA ]]>
<![CDATA[Bambang Ari Wahyudi]]>;
<![CDATA[Irma Palupi]]>
<![CDATA[ Charity : Jurnal Pengabdian Masyarakat Vol 4 No 1 (2021): Charity-Jurnal Pengabdian Masyarakat ]]>
Publisher : <![CDATA[PPM Universitas Telkom ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.25124/charity.v4i1.2987
<![CDATA[Sistem informasi memiliki peranan sangat penting dalam mengelola data pada suatu organisasi. Penggunaaan sistem informasi ini dapat membuat kinerja suatu organisasi menjadi lebih efisien. Pada kegiatan pengabdian masyarakat ini kita akan melakukan implementasi sistem informasi ke sebuah sekolah. Sistem informasi yang dibangun ini nantinya akam memudahkan pihak sekolah dalam melakukan pengolahan data siswa. Sistem informasi ini juga akan mampu menyimpan data nilai siswa selama bersekolah. Nilai siswa pada sekolah tersebut dapat langsung dicetak menjadi sebuah rapor. Sistem informasi ini nantiya akan digabungkan dengan website sekolah, sehingga untuk login kedalam sistem informasi ini maka staf/guru harus login melalui menu yang ada pada website. Sekolah yang nantinya akan dibuatkan sistem informasinya adalah SDN Cidahu yang terletak di kabupaten Purwakarta kecamatan Pasawahan. Ada beberapa tahapan yang nantinya dilakukan dalam pembuatan sistem informasi tersebut. Dimulai dari tahap analisis, perancangan, implementasi hingga sosialisasi sistem informasi. Pada tahap sosialisai 80% dari staf/guru merasa kegiatan pengabdian masyarakat ini sudah sesuai dengan kebutuhan sekolah.]]>
<![CDATA[Trading Strategy on Market Stock by Analyzing Candlestick Pattern using Artificial Neural Network (ANN) Method ]]>
<![CDATA[Ni Putu Winda Ardiyanti]]>;
<![CDATA[Irma Palupi]]>;
<![CDATA[Indwiarti Indwiarti]]>
<![CDATA[ JURNAL MEDIA INFORMATIKA BUDIDARMA Vol 5, No 4 (2021): Oktober 2021 ]]>
Publisher : <![CDATA[STMIK Budi Darma ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.30865/mib.v5i4.3266
<![CDATA[Technical analysis plays an important role in a stock market. Traders using technical analysis to find the trading strategy on the market stock. There are some technical indicators tools that can support the technical analysis, such as Moving Average, Stochastic, and others. Candlestick pattern also parts of the tools that used in technical analysis to develop the trading strategy since Candlestick represents the stock behavior. Therefore, understanding the Candlestick pattern and technical indicator tools will be valuable for the traders to predict the trading strategy. This study performs the prediction of trading strategy by analyzing the Candlestick pattern using an Artificial Neural Network (ANN). The technical indicator tools and Candlestick pattern will be generated as the features and label data in the modeling process. The method is applied to four stocks from IDX through their technical indicators for a certain period of time. We find that in the period of 28 days, the model generates the highest accuracy that reached 85.96%. We also used K-Fold Cross-Validation to evaluate the result of model performance that generates]]>
