Azmi, Ulil
Departemen Aktuaria Institut Teknologi Sepuluh Nopember Surabaya

Published : 7 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 7 Documents
Search

Analisis Perbandingan Klasifikasi dan Penerapan Teknik SMOTE Dalam Imbalanced Data Pada Credit Card Default Halim, St Fatika Nabila; Azmi, Ulil
Jurnal Sains dan Seni ITS Vol 12, No 2 (2023)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v12i2.111833

Abstract

Perkembangan teknologi yang pesat melahirkan metode pembayaran elektronik, salah satunya adalah kartu kredit. Penggunaan kartu kredit dinilai memudahkan pemilik dalam bertransaksi. Kemudahan itu sering kali disalahgunakan oleh orang-orang yang tidak bijak, yaitu dengan cara belanja kompulsif. Perilaku belanja kompulsif menggunakan kartu kredit dapat berdampak terhadap risiko gagal bayar atau kartu kredit default. kartu kredit default adalah gagal melakukan pembayaran hutang pada tanggal jatuh tempo. Namun, kasus tersebut tidak selamanya terjadi dengan adanya penjagaan ketat dari pihak bank. Oleh karena itu, terjadi ketidakseimbangan data pada data kejadian yang disimpan dalam sistem. Dataset tidak seimbang menyulitkan metode klasifikasi karena hasil klasifikasi akan berfokus pada kelas mayoritas. Kondisi dataset tidak seimbang dapat diatasi dengan salah satu metode oversampling, yaitu Synthetic Minority Over-sampling Technique (SMOTE). Metode selanjutnya yang digunakan dalam penelitian ini setelah penerapan SMOTE adalah random forest classifier dan extreme gradient boosting (XGBOOST). Metode random forest mendapatkan nilai AUC yang meningkat 4,29% dari 58,73% menjadi 63,02%. Sementara metode XGBOOST mendapatkan nilai AUC yang juga meningkat 14,78% dari 58,00% menjadi 72,78%. Penentuan metode terbaik dilihat dari nilai AUC yang dihasilkan. Dari hasil tersebut dapat disimpulkan bahwa metode XGBOOST adalah metode terbaik dibandingkan dengan random forest karena memiliki nilai AUC yang lebih tinggi.
Analisis Perhitungan Dana Pensiun dengan Metode Entry Age Normal dan Frozen Initial Liability Permata Putri, Lahfanda Dista; Hakiki, Moch. Taufik; Azmi, Ulil
Jurnal Sains dan Seni ITS Vol 13, No 2 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i2.145526

Abstract

Masa pensiun memerlukan perencanaan finansial yang matang karena kebutuhan finansial pekerja terus berlan-jut hingga mencapai harapan hidup. Salah satu cara untuk memastikan keberlangsungan kehidupan finansial di masa pensiun adalah dengan menginvestasikan dana pensiun secara efisien selama masa kerja. Perhitungan aktuaria yang akurat menjadi krusial bagi pengelola dana pensiun untuk mengurangi risiko kerugian dan kegagalan pembayaran manfaat di masa de-pan. Penelitian ini mengkaji perhitungan dana pensiun dengan menggunakan metode Entry Age Normal (EAN) dan Frozen Initial Liability (FIL), mencakup perhitungan iuran normal dan kewajiban aktuaria menggunakan data peserta program pensi-un yang diperoleh dari PT Taspen (Persero) Kantor Cabang Madiun. Hasil penelitian menunjukkan metode EAN berfokus pada perhitungan individu, sedangkan metode FIL mengguna-kan pendekatan kelompok. Iuran normal peserta dengan metode EAN bervariasi untuk setiap peserta dan jumlahnya tetap, sedangkan metode FIL memiliki iuran normal yang tetap dan sama untuk setiap peserta namun dapat berubah jika ada peserta yang pensiun atau keluar. Sementara itu, metode EAN memberikan keuntungan dengan nilai kewajiban aktuaria yang lebih rendah daripada metode FIL, memungkinkan alokasi dana investasi yang lebih besar dan manajemen dana pensiun yang lebih efisien. Penelitian ini juga menunjukkan bahwa tingkat inflasi yang tinggi meningkatkan nilai iuran normal dan kewajiban aktuaria, mencerminkan peningkatan harga barang dan jasa. Di sisi lain, tingkat suku bunga yang tinggi menurun-kan nilai iuran normal dan kewajiban aktuaria karena tingkat diskonto yang lebih tinggi. Dengan pemahaman yang lebih baik tentang inflasi, suku bunga, dan kedua metode perhitungan, diharapkan dana pensiun dapat dikelola lebih efektif untuk memastikan manfaat yang berkelanjutan bagi peserta di masa pensiun.
Pengukuran Value at Risk Portofolio Menggunakan ARIMA dengan Pendekatan Single Index Model dan Constant Correlation Model pada Saham Sektor Pariwisata Dharmapatni, Ni Putu Chandrika; Azmi, Ulil
Jurnal Sains dan Seni ITS Vol 13, No 6 (2024)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v13i6.149597

Abstract

Pariwisata telah menjadi industri yang semakin populer di Indonesia, menarik minat investor untuk berinvestasi di sektor pariwisata. Namun, dampak pandemi COVID-19 sangat memengaruhi perusahaan-perusahaan dalam sektor ini, khususnya pasca pandemi. Sahamsaham sektor pariwisata sensitif terhadap kondisi industri pariwisata, termasuk pandemi. Penelitian ini bertujuan untuk menganalisis investasi saham sektor pariwisata di Bursa Efek Indonesia pasca pandemi COVID-19 menggunakan metode ARIMA dengan Single Index Model dan Constant Correlation Model untuk mengoptimalkan portofolio saham, serta Value at Risk (VaR) khususnya metode Historical Simulation untuk mengukur risiko. Penelitian ini melibatkan data saham sektor pariwisata periode 2019-2023. Hasil pembentukan portofolio optimal berdasarkan Single Index Model terbentuk dari tiga saham yaitu JIHD dengan bobot yaitu sebesar 3%, saham SHID dengan bobot sebesar 69%, dan saham PNSE dengan bobot sebesar 27%, Kemudian untuk hasil portofolio optimal berdasarkan Constant Correlation Model terbentuk dari empat saham dengan proporsi masing-masing diantara lain saham JIHD dengan nilai bobot sebesar 7%, saham MAPB dengan nilai bobot sebesar 22%, saham PANR dengan nilai bobot sebesar 48%, dan saham PNSE dengan nilai bobot sebesar 22%. Hasil terbaik dari estimasi return portofolio dari Single Index Model dan Constant Correlation Model didapatkan bahwa portofolio Constant Correlation Model lebih direkomendasikan untuk berinvestasi karena dari hasil return peramalan, metode Constant Correlation Model mempunyai return yang positif, sedangkan Single Index Model memiliki return negatif. Estimasi nilai Value at Risk Historical Simulation pada portofolio saham yang terbentuk dari Single Index Model pada tingkat kepercayaan 90%, 95%, dan 99% secara berurutan adalah sebesar -0,02829, -0,04695, dan -0,06506. Kemudian untuk estimasi nilai dari Constant Correlation Model pada tingkat kepercayaan 90%, 95%, dan 99% secara berurutan adalah sebesar -0,02759, -0,03399, dan -0,04871.
Prediksi Harga Minyak Mentah Dunia Menggunakan Support Vector Regression Berbasis Genetic Algorithm, Particle Swarm Optimization, dan Grid Search Suhartono, Putri Regina; Azmi, Ulil; Adipradana, Dimaz Wisnu
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.147823

Abstract

Minyak bumi berperan besar dalam perekonomian global karena hasil olahannya sering digunakan dalam kehidupan sehari hari. Harga minyak dunia dapat naik turun tergantung tingginya permintaan global dan kebijakan yang dikeluarkan Organization of the Petroleum Exporting Countries (OPEC). Jika harga minyak naik maka dapat menimbulkan inflansi dan menurunkan daya beli konsumen. Sebaliknya, harga minyak yang turun dapat merugikan negara produsen minyak dan industri pengelola minyak. Oleh sebab itu, prediksi terhadap harga minyak mentah dunia menjadi penting sebagai upaya untuk mengelola volatilitas pasar dan dampaknya terhadap ekonomi global. Penelitian ini dilakukan untuk memprediksi harga minyak dunia mengunakan Support Vector Regression (SVR) dengan metode optimasi Genetic Algorithm (GA), Particle Swarm Optimization (PSO), dan Grid Search (GS) untuk mendapatkan parameter optimal. Data yang digunakan adalah OPEC Basket Price harian periode 2003 – 2023. Analisis SVR dilakukan menggunakan kernel linear, polynomial, dan Radial Basis Function (RBF), dimana kernel terbaik selanjutnya akan dioptimasi sehingga dihasilkan parameter cost (C), gamma (γ), dan epsilon (ε) yang optimal berdasar nilai RMSE yang terkecil. Hasil penelitian diperoleh bahwa kernel RBF merupakan yang terbaik dengan RMSE sebesar 2,120208 dengan nilai parameter C sebesar 1, γ sebesar 0,0001, dan ε sebesar 0,0001. Dari optimasi yang telah dilakukan diperoleh hasil bahwa metode SVR-GA memiki RMSE terkecil yaitu sebesar 2,119924 dengan nilai parameter C sebesar 0,9314789, γ sebesar 0,00008454813, dan ε sebesar 0,00006456384. Meski tidak terlalu signifikan, metode optimasi Genetic Algorithm mampu mengoptimasi parameter SVR kernel RBF pada prediksi harga minyak mentah dunia.
Pemanfaatan Satelit-8 OLI dalam Klasifikasi Wilayah Potensi Risiko Kerusakan Lahan Akibat Tsunami di Kota Cilegon dengan Metode ANN dan SVM Afnan, Dzawata; Azmi, Ulil; Adipradana, Dimaz Wisnu
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.148380

Abstract

Kota Cilegon merupakan pintu gerbang Pulau Jawa bagian barat yang menghubungkan Pulau Jawa dan Pulau Sumatera, berperan penting dalam pertumbuhan ekonomi, industri, dan pariwisata antar pulau. Namun, kota ini rawan tsunami yang disebabkan oleh aktivitas vulkanik Anak Krakatau. Tsunami adalah rangkaian gelombang laut yang menjalar dengan kecepatan tinggi akibat gangguan impulsif di dasar laut seperti letusan gunung berapi dan longsor. Salah satu mitigasi sebelum terjadinya tsunami adalah dengan mengetahui daerah yang memiliki risiko kerusakan lahan tinggi akibat tsunami menggunakan klasifikasi berdasarkan indeks vegetasi seperti NDVI, NDWI, NDBI, MNDWI, dan SAVI melalui metode Artificial Neural Network (ANN) dan Support Vector Machine (SVM). Hasil penelitian menunjukkan bahwa model SVM terbaik yang diperoleh dari Grid Search adalah model SVM dengan kernel Radial Basis Function (RBF) dengan parameter ∁=100 dan γ=3.162278, yang berhasil mengklasifikasikan risiko kerusakan lahan akibat tsunami di kelurahan Kota Cilegon dengan persentase klasifikasi benar sebesar 99,07%. Sementara itu, model ANN terbaik adalah model MLP (5-5-2), yang memiliki 5 input neuron, 5 hidden neuron, dan 2 output neuron, dengan persentase klasifikasi benar sebesar 97,02%. Berdasarkan nilai accuracy score dan cohen’s kappa, metode SVM adalah metode klasifikasi terbaik dengan accuracy score 99,07% dan nilai cohen’s kappa 97,6%, lebih tinggi dibandingkan metode ANN. Prediksi klasifikasi dengan metode terbaik mengidentifikasi 24 kelurahan di Kota Cilegon dengan risiko tinggi kerusakan lahan akibat tsunami, yaitu Bendungan, Rawaarum, Jombang Wetan, Ciwaduk, Ciwedus, Gunungsugih, Kedaleman, Cibeber, Ketileng, Tegalratu, Warnasari, Ramanuju, Samangraya, Sukmajaya, Lebakgede, Kepuh, Citangkil, Randakari, Panggungrawi, Masigit, Kubangsari, Kebonsari, dan Gedongdalem. Hasil penelitian ini diharapkan dapat menjadi acuan dalam mengenali daerah dengan risiko tinggi, mempermudah penentuan tindakan evakuasi, meminimalisir dampak kerusakan dan kerugian, serta memastikan tindakan efektif dalam menghadapi tsunami.
Penerapan Multivariate Adaptive Regression Spline (MARS) dan Bagging MARS pada Pengaruh Faktor Makroekonomi dan Indeks Asing terhadap Indeks Harga Saham Gabungan (IHSG) Reza, Sharah Aulia Ulaila; Azmi, Ulil; Azwarini, Rahmania
Jurnal Sains dan Seni ITS Vol 14, No 1 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i1.148607

Abstract

Indeks Harga Saham Gabungan (IHSG) menjadi indeks yang sering diamati oleh investor untuk melihat keadaan pasar saham Indonesia saat ini. Keadaan IHSG akan mempengaruhi keputusan investor kedepannya. IHSG diduga dipengaruhi oleh beberapa faktor makroekonomi dan indeks-indeks asing. Hubungan tersebut dapat dianalisis lebih jauh menggunakan Multivariate Adaptive Regression Spline (MARS) dan ditingkatkan menggunkan Bagging MARS. Variabel prediktor yang digunakan adalah Inflasi, BI-rate, Kurs IDR/USD, Indeks Harga Konsumen (IHK), Harga Minyak, M2, Harga Emas, DJIA, FTSE-100, SSE, Nikkei 225, dan HSI. Data yang digunakan merupakan data bulanan mulai Januari 2014 hingga Desember 2023. Model optimal yang dihasilkan menggunakan maksimum basis fungsi sebanyak 15 dan maksimum interaksi sebanyak 1 (tidak ada interaksi). Hasil menunjukkan variabel yang mempengaruhi IHSG adalah Kurs IDR/USD, IHK, M2 , DJIA, FTSE-100, SSE, Nikkei 225, dan HSI. Pada penerapan bagging, model bagging MARS memiliki performa lebih baik ditunjukkan dengan peningkatan R-square dan penurunan GCV, RMSE, RSS, dan MAE dibandingkan dengan single MARS. Model bagging terbaik menggunakan bootstrap sebanyak 25 kali.
Prediksi Return Saham Perbankan dengan Metode LSTM dan Estimasi Value at Risk dengan Copula Ali-Mikhail-Haq Menggunakan Korelasi Kendall's Tau Mahendra, Diva Ryan; Azmi, Ulil
Jurnal Sains dan Seni ITS Vol 14, No 2 (2025)
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM), ITS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.12962/j23373520.v14i2.148669

Abstract

Prediksi return saham dan estimasi Value at Risk (VaR) adalah hal yang penting dalam pengelolaan portofolio investasi. Metode LSTM telah menunjukkan potensi untuk prediksi harga saham yang akurat, sementara Copula Ali-Mikhail-Haq dengan korelasi Kendall's Tau digunakan untuk mengatasi distribusi non-normal dalam estimasi VaR. Penelitian ini bertujuan untuk menerapkan metode LSTM dalam prediksi return saham periode 2021-2023 dan estimasi VaR menggunakan Copula Ali-Mikhail-Haq dengan korelasi Kendall's Tau pada saham perbankan. Berdasarkan hasil penelitian, metode LSTM menunjukkan model terbaik untuk saham BMRI dengan konfigurasi 100 epoch, 64 unit, dan dropout sebesar 0,1 serta menghasilkan MAE sebesar 0,0174. Sedangkan untuk saham BBRI, model terbaik memiliki konfigurasi yang sama tetapi dengan dropout sebesar 0,2 menghasilkan MAE sebesar 0,0222. Secara keseluruhan, model LSTM menunjukkan kemampuan yang baik dalam memprediksi harga dan return saham. Dalam estimasi VaR, diperoleh koefisien Kendall's Tau sebesar 0,0676 dan estimasi parameter Copula Ali-Mikhail-Haq sebesar 0,281. Estimasi VaR portofolio saham pada tingkat kepercayaan 99%, 95%, dan 90% berturut-turut adalah -0,03001060; -0,01875786; dan -0,01350327.. Hasil analisis ini memberikan pemahaman yang lebih baik tentang prediksi return saham menggunakan LSTM dan estimasi VaR menggunakan Copula Ali-Mikhail-Haq.