Hasil Pencarian  ::  Simpan CSV :: Kembali

"Data historis Heraea Pembayaran Indonesia (NPI) selama periode 1969 - 1990 menunjukkan pola surplus yang persisten dalam transaksi modal dan defisit yang juga persisten kecuali untuk tiga tahun tertentu dalam transaksi berjalan. Ada berbagai pendapat yang berbeda-beda di antara para ekonom mengenai interprestasi teoritis dari signifikansi dari pola neraea pembayaran seperti itu menurut penulis. inti dari perbedaan pendapat tersebut adalah ketidaksetujuan mengenai hal yang mendasar, yakni menyangkut hubungan kaus alitas antara transaksi berjalan dan transaksi modal. Untuk mengungkapkan hal tersebut, penelitian skripsi ini mengidentifikasikan serta membahas tiga kemungkinan secara teoritis bentuk hubungan kausalitas antara transaksi berjalan dan transaksi modal. Yaitu, pertama, transaksi berjalan "Menyebabkan" transaksi modal; kedua, transaksi modal "menyebabkan" transaksi berjalan; dan ketiga, hubungan timbal balik (dua arah) antara transaksi berjalan dan transaksi modal. Selanjutnya, dilakukan penyelidikan secara empiris data-data HPI periode 1969 - 1990 . Ada dua teknik yang terhadap dipakai untuk mengungkapkan bentuk hubungan kausalitaa antara transaksi berjalan dan transaksi modal dalam struktur HPI. Pertama, kausalitas bivariat Granger yang diikuti dengan pengecekan Akaikes Final Prediction Error . Kedua. Vector Autoregression (VAR) yang merupakan generalisasi dari kausalitas bivariat Granger ke kasus kausalitas multivariat. Teknik VAR ini kemudian diikuti dengan analisis impulse responsif function dan variance decomposition Hasil penelitian dengan kedua teknik ini mengungkapkan hal yang sama, yakni bentuk hubungan kausalitas antsra transaksi berjalan dan transaksi modal dalam struktur HPI adalah searah dari transaksi berjalan ke transaksi modal. Artinya transaksi berjalan kata lain "menyebabkan" pemasukan modal luar negeri, atau aliran modal asing (surplus dalam transaksi dengan modal) diperlukan untuk membiayai defisit yang terjadi dalam transaksi berjalan. Dengan diketahuinya bentuk hubungan kausalitas yang searah dari transaksi berjalan ke transaksi modal tersebut, maka penanganan masalah HPI ysng selama ini menggunakan konsep overall balance, dimana cadangan devisa yang dipegang pemerintah dapat tetap stabil pada saat terjadi defisit transaksi ditutup dengsn pinjaman luar negeri, kini perlu berjalan yang dialihkan dan ditekankan kepada konsep current account balance. Artinya, dalam periode-perode mendatang Indonesia harus dapat membiayai kebutuhan impornya dari hasil ekspor barang dan jasanya . Penggunaan data kuartalan dengan periode yang lebih panjang, dan pembagian periode menjadi beberapa periode pengujian, serta dimasukkannya beberapa variabel dalam negeri lainnya maupun variabel-variabel luar negeri yang relevan, diyakini dapat menghasilkan temuan-temuan yang menarik yang mungkin saja berbeda dari apa yang ditemukan dalam skripsi ini."

"ABSTRAKPenelitian ini memiliki objektif utama untuk menganalisa hubungan kointegrasi dan kausalitas antara nilai tukar riil dan neraca transaksi berjalan di Indonesia, Malaysia, Filipina dan Thailand pada periode 1990-2015. Penelitian ini menggunakan uji kointegrasi Johansen untuk uji hubungan jangka panjang, uji VECM untuk uji hubungan jangka pendek, dan uji Granger Causality untuk pengujian kausalitas. Penelitian ini menemukan bahwa terdapat hubungan jangka panjang antara kedua variabel di semua negara, namun tidak untuk hubungan jangka pendek. Dalam pengujian kausalitas, penelitian ini menemukan arah hubungan yang berbeda-beda untuk setiap negara. Untuk ASEAN-4 secara keseluruhan, penelitian ini menemukan hubungan kausalitas dua arah antara nilai tukar riil dan neraca transaksi berjalan.

---

ABSTRACTThis study attempts to assess both the causality and time series relations of cointegration between real exchange rate and current account in Indonesia, Malaysia, Philippines, and Thailand, with the period of analysis from 1990 to 2015. It applies time series analyses of unit root with the Augmented Dickey Fuller method, Johansen cointegration procedure for long run test, VECM for short run test, and Granger Causality test for causality analysis. This paper finds long run relationship between real exchange rate and current account, yet it doesn 39 t find any short run relationship between the two. In causality test, this paper finds varied results of causality direction in each country. As for the ASEAN 4, this paper finds simultaneous causality relations between real exchange rate and current account."

"Bayi prematur adalah bayi yang lahir dengan usia kehamilan kurang dari 37 minggu yang memiliki sistem saraf dan organ-organ yang belum sempurna sehingga lebih beresiko mengalami berbagai masalah kesehatan. Salah satu masalah kesehatan yang dapat terjadi adalah pada organ mata yang merupakan organ penting dalam perkembangan bayi. Retinopathy of Prematurity (ROP) merupakan salah satu penyakit mata yang terjadi pada bayi prematur yang disebabkan oleh pembentukan pembuluh darah retina yang tidak normal. Proses diagnosis yang dilakukan oleh dokter mata belum bisa mengatasi kenaikan jumlah kasus ROP, sehingga disini penulis menggunakan pendekatan deep learning untuk melakukan klasifikasi tingkat keparahan ROP pada citra fundus retina. Metode deep learning yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Data yang digunakan pada penelitian ini merupakan data sekunder yang diperoleh dari online database Kaggle berupa 90 data citra fundus retina yang terbagi atas 38 citra bukan penderita ROP, 19 citra penderita ROP Stage 1, 22 citra penderita ROP Stage 2, dan 11 citra penderita ROP Stage 3. Pada tahap persiapan data, dilakukan perbaikan kontras citra menggunakan Contrast Limited Adaptive Histogram (CLAHE) dan image masking. Kemudian dilakukan resize citra menjadi ukuran 224×224. Data kemudian diaugmentasi menggunakan teknik flip horizontal dan rotation agar data menjadi lebih banyak yang kemudian dibagi menjadi 80% data training dan 20% data testing. Dari 80% data training, diambil 20% untuk data validation. Training model dilakukan menggunakan model dengan arsitektur ResNet50 dengan hyerparameter model yaitu batch size 64, learning rate 0.001, dan epoch sebanyak 30, fungsi optimasi Adam (Adaptive moment estimation), dan fungsi loss categorical cross entropy. Proses modelling dilakukan sebanyak 5 kali percobaan dan berhasil memperoleh nilai rata-rata kinerja training model sebesar 99.714% dan 92.85% pada akurasi training dan akurasi validation-nya, selain itu diperoleh nilai 0.01864 dan 0.18434 pada loss training dan loss validation. Sedangkan rata-rata kinerja testing model berhasil memperoleh akurasi testing sebesar 97.352%, testing loss sebesar 0.0986374, dan AUROC sebesar 0.0955. Selain melakukan evaluasi kinerja, peneliti juga akan menggunakan GradCAM untuk menampilkan visualisasi ciri-ciri yang dianggap penting untuk nantinya membantu dokter dalam mengevaluasi ROP.

---

Premature infants are babies born with a gestational age of less than 37 weeks, and they have underdeveloped nervous systems and organs, making them more susceptible to various health issues. One of the health problems that can occur involves the eye, which plays a crucial role in the baby's development. Retinopathy of Prematurity (ROP) is one of the eye diseases that affects premature infants and is caused by abnormal blood vessel formation in the retina. The current diagnostic processes performed by ophthalmologists have not been effective in addressing the increase in ROP cases. Therefore, in this study, the author employs a deep learning approach to classify the severity of ROP in retinal fundus images. The deep learning method utilized is the Convolutional Neural Network (CNN) with the ResNet50 architecture. The research data consists of 90 retinal fundus images obtained from the online database Kaggle, comprising 38 images of non-ROP cases, 19 images of ROP Stage 1, 22 images of ROP Stage 2, and 11 images of ROP Stage 3. In the data preparation phase, the image contrast is enhanced using Contrast Limited Adaptive Histogram (CLAHE) and image masking techniques. Subsequently, the images are resized to 224×224 dimensions. Data augmentation is performed using horizontal flip and rotation techniques to increase the dataset, which is then split into 80% training data and 20% testing data. From the 80% training data, 20% is further allocated for validation data. The model is trained using the ResNet50 architecture with hyperparameters set to batch size 64, learning rate 0.001, and 30 epochs. The optimization function used is Adam (Adaptive Moment Estimation), and the loss function is categorical cross-entropy. The modeling process is repeated five times, and the average performance of the training model is achieved at 99.714% for training accuracy and 92.85% for validation accuracy, with training and validation losses of 0.01864 and 0.18434, respectively. As for the average performance of the testing model, the testing accuracy is 97.352%, the testing loss is 0.0986374, and the AUROC (Area Under the Receiver Operating Characteristic) is 0.0955. In addition to evaluating the model's performance, the researcher also employs GradCAM to visualize important features, which can assist doctors in evaluating ROP cases."

"Sebagai BUMN yang bergerak di bidang energi, PT Pertamina (Persero) harus memastikan distribusi BBM Subsidi tepat sasaran dan tidak terjadi penyalahgunaan. Dalam upaya tersebut, mulai 1 Juli 2022 Pertamina melakukan uji coba program Subsidi Tepat, di mana konsumen BBM Subsidi yang memiliki kendaraan roda empat harus mendaftarkan kendaraannya untuk dapat membeli Pertalite atau Biosolar. Salah satu cara pendaftaran program Subsidi Tepat dapat dilakukan di aplikasi digital MyPertamina, suatu aplikasi loyalitas untuk seluruh pelanggan produk Pertamina yang dapat diunduh di toko aplikasi digital Play Store. Hingga awal Maret 2023, aplikasi MyPertamina telah diunduh sebanyak lebih dari 10 juta kali di Play Store. Namun, penilaian (rating) yang diberikan pengguna di Play Store hanya mencapai 2,9/5. Angka tersebut cukup kecil jika dibandingkan dengan aplikasi layanan pemerintah lainnya yang memiliki jumlah unduhan serupa. Dengan banyaknya jumlah pengunduh dan rendahnya rating dari pengguna, ulasan pengguna perlu dianalisis untuk memastikan kinerja aplikasi MyPertamina. Berdasarkan hal tersebut, penelitian ini akan menerapkan pendeteksian topik menggunakan model BERT-EFCM untuk menganalisis topik-topik mengenai aplikasi MyPertamina pada ulasan pengguna di Play Store dan akan menerapkan analisis sentimen menggunakan model BERT-NN untuk menganalisis sentimen yang diekspresikan pada setiap topik yang dibahas mengenai aplikasi MyPertamina pada ulasan pengguna di Play Store. Hasil penelitian menunjukkan terdapat tiga topik yang dibahas mengenai aplikasi MyPertamina yaitu, penggunaan aplikasi untuk pembelian BBM di SPBU, pendaftaran dan layanan yang terkait dengan aplikasi, dan evaluasi pengguna terhadap aplikasi. Pada keseluruhan topik, mayoritas pengguna memberikan sentimen negatif dengan perbandingan sentimen sebagai berikut: 84% negatif dan 16% positif untuk topik pertama, 85% negatif dan 15% positif untuk topik kedua, serta 80% negatif dan 20% positif untuk topik ketiga.

---

As a state-owned enterprise in the energy sector, PT Pertamina (Persero) must ensure the targeted distribution of subsidized fuel (BBM) and prevent misuse. In this effort, starting from July 1, 2022, Pertamina initiated a pilot program called "Subsidi Tepat" (Precise Subsidy), where BBM Subsidi consumers with four-wheeled vehicles are required to register their vehicles in order to purchase Pertalite or Biosolar. One of the registration methods for the Subsidi Tepat program is through the MyPertamina digital application, a loyalty application for all Pertamina product customers that can be downloaded from the Play Store digital application store. Until early March 2023, the MyPertamina application has been downloaded more than 10 million times from the Play Store. However, the user ratings given in the Play Store only reach 2,9/5. This rating is relatively low compared to other government service applications with a similar number of downloads. With a large number of downloads and low user ratings, it is necessary to analyze user reviews to ensure the performance of the MyPertamina application. Based on this, this research will apply topic detection using the BERT-EFCM model to analyze the topics discussed in user reviews of the MyPertamina application in the Play Store. It will also apply sentiment analysis using the BERT-NN model to analyze the sentiments expressed for each topic related to the MyPertamina application in user reviews on the Play Store. The research results show three topics discussed regarding the MyPertamina application: the use of the application for purchasing BBM at gas stations, registration and related services, and user evaluations of the application. Overall, the majority of users express negative sentiments with the following sentiment ratios: 84% negative and 16% positive for the first topic, 85% negative and 15% positive for the second topic, and 80% negative and 20% positive for the third topic."

"Pendeteksian topik merupakan masalah komputasi yang menganalisis kata-kata dari suatu data teks untuk menemukan topik yang ada di dalam teks tersebut. Pada data yang besar, pendeteksian topik lebih efektif dan efisien dilakukan dengan metode machine learning. Data teks harus diubah ke dalam bentuk representasi vektor numeriknya sebelum dimasukkan ke model machine learning. Metode representasi teks yang umum digunakan adalah TF-IDF. Namun, metode ini menghasilkan representasi data teks yang tidak memperhatikan konteksnya. BERT (Bidirectional Encoder Representation from Transformer) merupakan metode representasi teks yang memperhatikan konteks dari suatu kata dalam dokumen. Penelitian ini membandingkan kinerja model BERT dengan model TF-IDF dalam melakukan pendeteksian topik. Representasi data teks yang diperoleh kemudian dimasukkan ke model machine learning. Salah satu metode machine learning yang dapat digunakan untuk menyelesaikan masalah pendeteksian topik adalah clustering. Metode clustering yang populer digunakan adalah Fuzzy C-Means. Namun, metode Fuzzy C-Means tidak efektif pada data berdimensi tinggi. Karena data teks berita biasanya memiliki ukuran dimensi yang cukup tinggi, maka perlu dilakukan proses reduksi dimensi. Saat ini, terdapat metode clustering yang melakukan reduksi dimensi berbasis deep learning, yaitu Deep Embedded Clustering (DEC). Pada penelitan ini digunakan model DEC untuk melakukan pendeteksian topik. Eksperimen pendeteksian topik menggunakan model DEC (member) dengan metode representasi teks BERT pada data teks berita menunjukkan nilai coherence yang sedikit lebih baik dibandingkan dengan menggunakan metode representasi teks TF-IDF.

---

Topic detection is a computational problem that analyzes words of a textual data to find the topics in it. In large data, topic detection is more effective and efficient using machine learning methods. Textual data must be converted into its numerical vector representation before being entered into a machine learning model. The commonly used text representation method is TF-IDF. However, this method produces a representation of text data that does not consider the context. BERT (Bidirectional Encoder Representation from Transformers) is a text representation method that pays attention to the context of a word in a document. This study compares the performance of the BERT model with the TF-IDF model in detecting topics. The representation of the text data obtained is then entered into the machine learning model. One of the machine learning methods that can be used to solve topic detection problems is clustering. The popular clustering method used is Fuzzy CMeans. However, the Fuzzy C-Means method is not effective on high-dimensional data. Because news text data usually has a high dimension, it is necessary to carry out a dimension reduction process. Currently, there is a clustering method that performs deep learning-based dimension reduction, namely Deep Embedded Clustering (DEC). In this research, the DEC model is used to detect topics. The topic detection experiment using the DEC (member) model with the BERT text representation method on news text data shows a slightly better coherence value than using the TF-IDF text representation method."

"Tuberkulosis (TB) merupakan salah satu penyakit menular yang menyebabkan kematian di dunia. TB disebabkan oleh Mycobacterium tuberculosis dan umumnya menyerang paru-paru. Berbagai pendekatan matematika telah dilakukan dalam menganalisis penyebaran TB. Pada skripsi ini, dikonstruksi model matematika penyebaran TB dengan pendekatan sistem persamaan diferensial dimana populasi manusia dibagi menjadi empat kompartemen. Fakta penting yang dipertimbangkan dalam model ini adalah adanya manusia yang terinfeksi TB laten dan intervensi perawatan terpantau. Selanjutnya, model tersebut dikembangkan menjadi masalah kontrol optimal untuk memperoleh strategi intervensi yang optimal dalam mengendalikan sistem dinamik yang digambarkan oleh variabel state (manusia) dan variabel kontrol (intervensi perawatan terpantau). Masalah kontrol optimal dikonstruksi dengan menggunakan prinsip minimum Pontryagin. Kajian analitik meliputi analisis eksistensi dan kestabilan secara lokal dan global dari titik-titik keseimbangan model dan hubungannya dengan bilangan reproduksi dasar (R_0). Selanjutnya, simulasi numerik terhadap model dengan membuat berbagai skenario kontrol dan analisis efektivitas biaya untuk mengetahui strategi yang terbaik. Analisis efektivitas biaya pada skripsi ini menggunakan dua pendekatan, yaitu IAR (Infection Averted Ratio) dan ACER (Average Cost-Effectiveness Ratio). Dari hasil simulasi numerik, diperoleh bahwa skenario terbaik dalam upaya mereduksi kasus infeksi TB dengan biaya yang efektif adalah melakukan intervensi perawatan terpantau sejak awal infeksi dengan kontrol bergantung waktu.

---

Tuberculosis (TB) is one of the infectious diseases that causes death worldwide. TB is caused by Mycobacterium tuberculosis which commonly attacks the lungs. Various mathematical approaches have been used to analyze the spread of TB. In this thesis, the mathematical model of TB transmission is constructed using the approach of an ordinary differential equation system, where the human population is divided into four subpopulations. Important facts considered in the model are the existence of latent TB and monitored treatment intervention. Furthermore, the model was developed into an optimal control problem to obtain the optimal intervention strategy in controlling the dynamic system described by state variables (humans) and control variables (monitored treatment intervention). The optimal control problem is constructed by using Pontryagin minimum principle. Analytical study including an analysis of the existence of equilibrium points, local and global stability of the equilibrium points, and how they related to the basic reproduction number (R_0). Then, numerical simulations were carried out by making several control scenarios and cost-effectiveness analysis to find out the best strategy. Cost-effectiveness analysis in this thesis used two approaches, namely IAR (Infection Averted Ratio) and ACER (Average Cost-Effectiveness Ratio). From the results of the numerical simulation, the best strategy to reduce TB infection with effective cost is to do the monitored treatment in the early infection with time dependent control."

"Dampak dari letak geografis Indonesia yang diapit dua samudera dan dikelilingi laut membuat Indonesia memiliki laju konveksi yang tinggi. Hal ini menyebabkan banyaknya awan konveksi dan kelimpahan hujan sepanjang tahun sehingga informasi mengenai hujan merupakan hal yang penting terutama untuk sektor pertanian. Kejadian hujan dipengaruhi oleh karakteristik awan, diantaranya ketinggian dan temperatur yang dapat diukur menggunakan instrumen radar dan satelit. Pada penelitian ini, dilakukan estimasi kejadian hujan dengan meninjau karakteristik ketinggian dan temperatur awan bulan Desember 2021 di Provinsi Lampung menggunakan tree-based ensemble learning. Hasil dari studi ini akan menunjukkan algoritma terbaik yang dapat mengklasifikasikan kejadian hujan berdasarkan ketinggian dan temperatur awan. Berdasarkan penelitian yang telah dilakukan, didapatkan hasil MCC pada Random Forest sebesar 0.125, Light Gradient Boosting Machine sebesar 0.229, Adaptive Boosting sebesar 0.135, dan Extreme Gradient Boosting sebesar 0.227. Hasil analisis menunjukkan bahwa algoritma terbaik untuk klasifikasi biner kejadian hujan berdasarkan data ketinggian dan temperatur awan adalah algoritma Light Gradient Boosting Machine.

---

The geographical location of Indonesia, situated between two oceans and surrounded by seas, leads to high convective activity. This results in abundant convective clouds and rainfall throughout the year, making rainfall information crucial, especially for the agricultural sector. Rainfall events are influenced by cloud characteristics, including height and temperature, which can be measured using radar and satellite instruments. In this study, rainfall events were estimated by examining the characteristics of cloud height and temperature in December 2021 in Lampung Province using tree-based ensemble learning. The results of this study will indicate the best algorithm for classifying rainfall events based on cloud height and temperature. Based on the research conducted, the MCC results were found to be 0.125 for Random Forest, 0.229 for Light Gradient Boosting Machine, 0.135 for Adaptive Boosting, and 0.227 for Extreme Gradient Boosting. The analysis results indicate that the best algorithm for binary classification of rainfall events based on cloud height and temperature data is the Light Gradient Boosting Machine algorithm."

"Dalam kurun waktu beberapa tahun terakhir ini dunia sedang menghadapi bahaya dari pandemi serta peperangan atau konflik antar negara. Kasus seperti pandemi dan konflik atau perang antar negara merupakan kejadian atau kondisi ekstrim yang dapat terjadi kapan saja dan menimbulkan banyak korban jiwa. Oleh karena itu, diperlukan pemodelan yang dapat mengakomodir mortalitas akibat kejadian ekstrim tersebut. Model Lee-Carter merupakan sebuah model yang menggunakan data tingkat mortalitas dari kelompok usia yang diamati dari waktu ke waktu. Untuk mengakomodir tingkat mortalitas ekstrim, model Lee-Carter dimodifikasi menggunakan Extreme Value Theory (EVT) yang disebut dengan Model EVT modified Lee-Carter. Pendekatan EVT yang digunakan adalah pendekatan Peak Over Threshold (POT) dengan Generalized Pareto Distribution (GPD). Model ini diimplementasikan pada data tingkat mortalitas Indonesia tahun 1998 untuk peramalan tingkat mortalitas periode pandemi Covid-19 tahun 2021 dan 2022. Dalam pemodelan GPD, didapatkan nilai threshold sebesar 0,02. Untuk nilai yang berada di atas threshold, dimodelkan dengan GPD dan nilai yang berada dibawah threshold dimodelkan dengan distribusi normal dan empiris. Hasil yang didapatkan dari nilai Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE) adalah model Extreme Value Theory Modified Lee-Carter distribusi empiris memberikan nilai MAPE terkecil sebesar 12,156%. Sementara itu, model Extreme Value Theory Modified Lee-Carter distribusi normal memiliki nilai MAPE sebesar 13,175% dan model Lee-Carter biasa sebesar 13,343% dalam peramalan tingkat mortalitas Indonesia pada kelompok usia yang mengalami kejadian ekstrim.

---

In the last few years the world has been facing danger from pandemics and wars or conflicts between countries. Cases such as pandemics and conflicts or wars between countries are extreme events or conditions that can occur at any time and cause many casualties. Therefore, modeling is needed that can accommodate mortality due to extreme events. The Lee-Carter model is a model that uses mortality rate data from age groups observed over time. To accommodate extreme mortality rates, the Lee-Carter model was modified using Extreme Value Theory (EVT) which is called the modified Lee-Carter EVT Model. The EVT approach used is the Peak Over Threshold (POT) approach with Generalized Pareto Distribution (GPD). This model was implemented on Indonesian mortality rate data in 1998 to forecast mortality rates for the Covid -19 pandemic period in 20 21 and 2022. In GPD modeling, a threshold value of 0.02 is obtained . For values that are above the threshold, they are modeled with GPD and values that are below the threshold are modeled with a normal and empirical distribution. The results obtained from the Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE) values are that the Extreme Value Theory Modified Lee-Carter empirical distribution model gives the smallest MAPE value of 12.156%. Meanwhile, the Extreme Value Theory Modified Lee-Carter normal distribution model has a MAPE value of 13.175% and the regular Lee-Carter model is 13.343% in predicting Indonesia's mortality rate in age groups that experience extreme events."