Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tujuan utama penelitian ini adalah untuk mengamati faktor-faktor yang mempengaruhi harga kedelai domestik. Dengan menggunakan pendekatan ARDL, terlihat bahwa dalam jangka panjang variabel harga kedelai dunia dan nilai tukar memiliki pengaruh yang positif dan signifikan, tetapi volume impor kedelai, GDP, dan peran BULOG sebagai importir tunggal tidak memiliki pengaruh yang signifikan. Namun, tarif impor pada periode ke-t memiliki dampak yang negatif dan signifikan. Sementara, dalam jangka pendek variabel harga kedelai dunia pada periode ke-t dan nilai tukar mempengaruhi harga kedelai dalam negeri secara positif dan signifikan.Selanjutnya, variabel volume impor kedelai, GDP, dan peran BULOG pada periode ke-t tidak mempengaruhi harga kedelai dalam negeri dengan signifikan. Sama seperti dalam jangka panjang, tarif impor periode ke-t memiliki pengaruh yang negatif dan signifikan. Namun, jika kita lihat hasil model ARDL terbaik, terlihat bahwa tarif impor kedelai satu periode sebelumnya memiliki pengaruh yang positif dan signifikan terhadap harga kedelai dalam negeri, yang menunjukkan adanya lag dalam penerapan kebijakan tersebut.

---

The objective of this research is to observe factors determining domestic soybean price. Using ARDL approach, the result showed that in the long term, soybean world price and exchange rate variable have positive and significant effect, but soybean import volume, GDP, and BULOG intervention as single importer have no significant impact. However, import tariff on t-period has negative and significant effect.In the short term, soybean world price on t-period and exchange rate have positive and significant impact, but soybean import volume, GDP, and BULOG intervention on t period have no significant impact. The best ARDL model also shown that import tariff on t-period has positive and significant effect which indicates a lag in the policy implementation."

"Meningkatnya jumlah investor dari tahun ke tahun di pasar modal berbagai negara mengakibatkan proses pengambilan keputusan dalam membeli saham menjadi salah satu hal yang penting. Tahapan ini merupakan tahapan yang penting karena akan memengaruhi tingkat kekayaan atau pendapatan yang akan diterima oleh seorang investor. Dalam membantu proses pemilihan saham tersebut, seorang investor dapat menggunakan analisa teknikal atau analisa fundamental dalam prosesnya. Namun seiring dengan perkembangan teknologi dan juga kemudahan dalam mengakses data harga indeks saham, maka proses prediksi selanjutnya dapat dilakukan dengan menggunakan analisis big data dalam prosesnya. Penelitian ini akan dilakukan proses prediksi indeks harga saham dengan menggunakan ARIMA dan juga algoritma Long Short-Term Memory untuk pengolahan datanya dan metode web scraping untuk metode pengumpulan data harga indeks saham. Hasil dari penelitian menunjukkan nilai MAPE 1.243% untuk indeks JKSE, 1.005% untuk indeks KLSE, 1.923% untuk indeks PSEI, 1.523% untuk indeks SET.BK dan 3.7944% untuk indeks STI.

---

The increasing number of investors from year to year in the capital markets of various countries has made the decision-making process in buying shares become one of the essential things. This stage is crucial because it will affect the level of wealth or income that an investor will receive. In helping the stock selection process, an investor can use technical analysis or fundamental analysis. However, along with technological developments and the ease of accessing stock index price data, the next prediction process can be carried out using big data analysis. This research will carry out the stock price index prediction process using ARIMA and the Long Short-Term Memory algorithm for data processing and web scraping methods for stock index price data collection methods. The study results showed that the MAPE value was 1.243% for the JKSE index, 1.005% for the KLSE index, 1.923% for the PSEI index, 1.523% for the SET.BK index and 3.7944% for the STI index."

"Pada pembentukannya ETF ditujukan untuk mereplikasi pergerakan indeks acuannya sehingga perlu adanya sebuah penelitian apakah pergerakan harga ETF XIIC, RLQ45 dan XIJI sesuai dengan tujuannya yaitu mereplika indeks acuan. Pada penelitian ini pergerakan harga ETF di uji menggunakan uji johansen dan VECM agar mengetahui pergerakan harganya apakah mengikuti indeks acuanya. Pada penelitian ini ditemukan bahwa ETF RLQ45 dan XIJI memiliki kointegrasi jangka panjang dengan indeks acuannya dan IHSG namun ETF XIIC hanya memiliki kointegrasi jangka panjang dengan indeks acuannya saja dan tidak terkointegrasi jangka panjang dengan IHSG. Pada penelitian ini juga ditemukan bahwa pergerakan jangka pendek XIIC tidak dipengaruhi oleh indeks acuannya namun lebih dipengaruhi oleh IHSG.

---

ETF aimed to replicate the benchmark index movement so that the need for a study of whether the ETF price movements XIIC, RLQ45 and Xiji accordance with the objective being to replicate the benchmark index. In this study, the ETF price movement in a test using Johansen test and VECM in order to determine whether price movements follow acuanya index. This study found that ETF RLQ45 and Xiji has a long-term cointegration with benchmark index and stock index ETF XIIC but only have a long-term co integration with its benchmark index only and is not a long-term cointegrated with JCI. In this study also found that short-term movements XIIC not influenced by the benchmark index but more influenced by JCI."

"Pemantauan harga komoditas strategis merupakan pekerjaan yang penting karena kontribusi signifikan yang dimiliki oleh komoditas strategis terhadap perhitungan laju inflasi. Untuk membantu menyelesaikan pekerjaan ini, dibutuhkan metode prediksi terbaik yang mampu memprediksi pergerakan harga komoditas pangan strategis. Penelitian ini memiliki tujuan untuk menemukan model prediksi terbaik di antara Long-Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), dalam memprediksi harga harian sepuluh komoditas pangan strategis: bawang merah, bawang putih, beras, cabai merah, cabai rawit, daging ayam, daging sapi, gula pasir, minyak goreng, dan telur ayam. Model ARIMA digunakan sebagai standar model klasik dalam penelitian kali ini. Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE), GRU memberikan hasil prediksi harga harian paling baik pada enam dari total sepuluh komoditas dan LSTM memberikan hasil prediksi terbaik pada empat komoditas sisanya. Model terbaik pada tiap komoditas berhasil mengurangi angka MAE dari ARIMA sekitar 3% hingga 43%. Ketika model mempelajari data, GRU berhasil menyelesaikan prosesnya lebih cepat daripada LSTM pada delapan komoditas. Model peramalan terbaik yang ditemukan pada penelitian kali ini dapat digunakan untuk memperbaiki metode peramalan klasik yang telah digunakan dalam memprediksi harga harian pangan Indonesia, sehingga dapat membantu pemerintah dalam memformulasikan kebijakan dan peraturan terkait manajemen stabilitas harga pangan.

---

Managing strategic commodities prices in the market is considered an important task since they have a significant contribution to the calculation of the inflation rate. To aid this task, it is necessary to find the best forecasting model that can predict commodities daily price. This paper aims to find the best prediction model between Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) in forecasting the daily price of ten Indonesia’s strategic commodities: shallot, garlic, rice, chili pepper, cayenne pepper, broiler meat, topside beef, granulated sugar, cooking oil, chicken egg. This research used ARIMA as a benchmark model. Based on Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE), GRU gave the best result in predicting the daily price of six out of ten commodities. It is found that the best model for each commodity managed to reduce the MAE score from ARIMA by around 3% until 43%. GRU managed to finish faster than LSTM in training eight commodities data. The best forecasting method found in this research can be used to improve the classic method to forecast the daily price of Indonesia’s food commodities in assisting the government in formulating policies and regulations related to food price management."

"The book provides a panoramic approach to social exclusion, with emphasis on structural causes (education, health, accidents) and on short term causes connected with the crisis which started in 2008. The picture emerging, based on econometric analysis, is that the crisis has widened the risk of social exclusion, from the structural groups, like disabled people and formerly convicted people, to other groups, like the young, unemployed, low skilled workers and immigrants, in terms of income, poverty, health, unemployment, transition between occupational statuses, participation, leading to a widening of socio-economic duality. It has also been stressed the relevance of definitions of socio-economic outcomes for the evaluation of the crisis, and their consequences to define interventions to fight socio-economic effects of the economic downturn. The adequacy of welfare policies to cope with social exclusion, especially during a crisis, has been called into question."

"Penelitian ini bertujuan untuk menganalisa pengaruh dari utang pemerintah terhadap tingkat harga dengan menggunakan model autoregressive distributed lag error correction dan menggunakan data triwulanan dari periode 1990 hingga 2011.Teori kebijakan fiskal tentang tingkat harga (FTPL) menyatakan bahwa utang pemerintah berpengaruh positif terhadap tingkat harga. Hasil dalam penelitian ini menunjukkan bahwa dalam jangka panjang maupun jangka pendek utang domestik pemerintah berperan penting dalam menentukan tingkat harga atau inflasi.

---

This study aims to analyse the effect of government debt on inflation in Indonesia using autoregressice lag error correction model based on quarterly data years 1990-2011, The fiscal theory of price level (FTPL) state that government debt has positive effect on inflation. This study result indicate that within a long-term and a short-term period, there was a balance changes in government domestic debt and inflation. The hypothesis that government domestic debt has inflationary impacts cannot be rejected for the 1990-2011 period."

"Twitter adalah platform media sosial microblogging yang memungkinkan komunikasi dua arah untuk mengutarakan opini dan komentar. Komentar-komentar yang beragam ini dapat memperlihatkan sentimen-sentimen masyarakat apabila dilakukan analisis sentimen. Analisis sentimen adalah studi yang menganalisis opini orang terhadap suatu produk, organisasi, individu, atau jasa tertentu. Machine learning merupakan metode yang dapat mempermudah proses klasifikasi sentimen. Penelitian ini dilakukan pada cuitan berbahasa Indonesia terkait Kampus Merdeka yang diambil dari Twitter menggunakan package tweepy sebanyak 1.651 cuitan terhitung dari tanggal 5 Maret 2022 hingga 13 Maret 2022. Model machine learning yang digunakan pada penelitian ini adalah Bidirectional Long Short-Term Memory (BiLSTM), dengan dua model hybrid LSTM-based, yaitu CNN-LSTM dan LSTM-CNN sebagai pembanding. Kinerja model diukur dengan metrik kinerja accuracy, precision, recall, dan F1-score. Implementasi dilakukan pada data yang telah dilakukan oversampling untuk mendapatkan hasil yang optimal. Penelitian menunjukkan bahwa model BiLSTM memiliki kinerja yang lebih unggul dibandingkan dengan dua model pembanding lainnya pada seluruh metrik dengan besar metrik, yaitu: accuracy dan recall sebesar 79,577%; precision sebesar 73,097%; dan F1-score sebesar 75,634%.

---

Twitter is a microblogging social media platform that allows two-way communication to express opinion and comments. These various comments can show us sentiment of the public when we perform a sentiment analysis. Sentiment analysis is a study that analyze the opinion of people towards a specific product, organization, individual, or service. Machine learning is a method that will help perform sentiment classification easier. This study performs analysis on 1.651 data tweets about Kampus Merdeka taken from Twitter using a package called tweepy since March 5th 2022 until March 13th 2022. The machine learning model used in this study is Bidirectional Long Short-Term Memory (BiLSTM), with two LSTM-based hybrid model, CNN-LSTM and LSTM-CNN as comparison models. Model performance is measured by performance metrics accuracy, precision, recall, and F1-score. Implementation was done on data that has been going through oversampling to achieve the best result. The study shows that BiLSTM performs better than the other two comparison models for all the metrics with the percentage of the each metric being: 79.577% for accuracy and recall; 73,097% for precision; and 75,634% for F1-score."

"Saham merupakan salah satu surat berharga yang diterbitkan dan dijual oleh perusahaan,yang telah memenuhi syarat, di Bursa Efek Indonesia. Prinsip dasar yang dimiliki olehsaham adalah High Risk High Reward, yang menggambarkan bahwa saham memangdapat memiliki hasil yang besar, namun memiliki risiko yang tinggi pula. Denganprinsip High Risk High Reward, tentunya para investor harus lebih hati-hati dalammenentukan langkah yang akan mereka lakukan. Salah satu cara yang dapat digunakanuntuk mengurangi risiko, yaitu melakukan prediksi tren harga saham menggunakanMachine Learning. Menggunakan data historis saham pada Bursa Efek Indonesia,yaitu open, high, low, dan close price, algoritma Machine Learning dapat melakukanprediksi tren harga saham yang selanjutnya akan digunakan sebagai strategi investasipara investor. Terdapat banyak metode Machine Learning yang dapat digunakan untukmelakukan prediksi, salah satu metode yang dapat digunakan adalah Recurrent NeuralNetwork yaitu Long Short Term Memory (LSTM). Pada metode LSTM, data historisharga saham akan dibawa ke depan melalui seluruh gerbang LSTM yaitu: ForgetGate, Input Gate, dan Output Gate. Selanjutnya akan dicari nilai loss dari model,setelah didapat nilai loss, model akan ditinjau kembali setiap tahapannya, dimulai daribelakang. Langkah pengulangan tesebut dilakukan agar mendapat variabel Weight danBias yang optimal. Kemudian, tingkat akurasi dari metode tersebut akan ditentukanmenggunakan: Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE).Penelitian ini menggunakan data historis perusahaan yang termasuk pada Indeks LQ45dan dapat diambil melalui website, finance.yahoo.com. Dari penelitian ini, diketahuibahwa, masing-masing masalah memiliki model terbaiknya, untuk penyelesaian masalahtersebut.

---

Stock is a part of ownership of a company, that have fulfill the requirement to be sold at

Bursa Efek Indonesia. The basic principal of stock market is High Risk High Reward,

which describe that stock market indeed have a chance to get a great profit, but it also

come with a high risk. This principal is the reason that all investor must be cautious in

deciding their move. There’s many method to do this, with one of the being, forecasting

the stock market trend with machine learning. With the historical data, that include

open, high, low, dan close price, the machine learning algorithm, could forecast the stock

market direction for the next days, which will be one of the deciding factor for investor to

choose their move. Nowadays, there’s many machine learning method that can be used to

forecast, one of them is the branch method of Recurrent Neural Network, which is, Long

Short Term Memory (LSTM). LSTM use the historical data, and bring them forward to,

Forget Gate, Input Gate, Memory State, Output Gate. Then the loss value of the model

will be calculated. After all the process the model will be re-evaluated. The re-evaluation

step is to update all the weights and biases in the model. Then the accuracy of the model

will be evaluated with Root Mean Squared Error (RMSE) and Mean Absolute Error

(MAE). This study uses the historical data of the companys that’s included in the index

LQ45, and the data is taken from the website, finance.yahoo.com. From this research, it

is known that every problem has their own preference model to solve."

"Demam Berdarah Dengue (DBD) merupakan penyakit yang disebabkan oleh virus dengue (DENV) yang ditularkan kepada manusia melalui gigitan nyamuk betina. DBD cenderung memiliki siklus musiman, dimana puncak transmisinya di saat dan setelah musim hujan. Faktor iklim yang paling berpengaruh terhadap kasus DBD adalah curah hujan, suhu, dan kelembapan. Berdasarkan data dari Kemenkes (2021), masih terjadi penurunan dan peningkatan jumlah penderita DBD pada tahun 2016-2020. Oleh karena itu, diperlukan adanya pencegahan untuk mengendalikan jumlah kasus DBD. Prediksi jumlah insiden DBD dengan menggunakan deep learning dapat menjadi alternatif dalam pengendalian kasus DBD. Penelitian ini menggunakan data insiden DBD dan data iklim yang terdiri dari data temperatur rata-rata, kelembapan rata-rata, dan curah hujan di DKI Jakarta. Data yang digunakan merupakan data yang tercatat dari tahun 2008-2023. Prediksi insiden DBD dilakukan pada 5 wilayah di DKI Jakarta, yaitu Jakarta Barat, Jakarta Pusat, Jakarta Selatan, Jakarta Timur, dan Jakarta Utara. Untuk mencapai tujuan penelitian, penelitian ini menggunakan metode Long Short-Term Memory (LSTM). LSTM merupakan merupakan arsitektur recurrent network yang mampu mengingat informasi dalam jangka waktu yang lama. Hasil analisis menunjukkan bahwa LSTM dapat diimplementasikan untuk memprediksi insiden DBD di DKI Jakarta dimana wilayah Jakarta Pusat memiliki hasil terbaik dengan nilai MAE sebesar 6,021466 dan nilai RMSE sebesar 9,062668.

---

Dengue Hemorrhagic fever (DHF) is a disease caused by the dengue virus (DENV), which is transmitted to humans through the bite of female mosquitoes. Dengue tends to have a seasonal cycle, with transmission peaks during and after the rainy season. The climatic factors that have the most influence on dengue cases are rainfall, temperature, and humidity. Based on data from the Ministry of Health (2021), there are still changes in the number of dengue patients in 2016-2020. Therefore, prevention is needed to control the number of dengue cases. Predicting the number of dengue incidents using deep learning can be an alternative in controlling dengue cases. This study uses dengue incidence data and climate data consisting of average temperature, average humidity, and rainfall in DKI Jakarta. Data used is data recorded from 2008 - 2023. The prediction of dengue incidence was carried out in 5 regions in DKI Jakarta, namely West Jakarta, Central Jakarta, South Jakarta, East Jakarta, and North Jakarta. To achieve the research objectives, this study uses the Long Short-Term Memory (LSTM) method. LSTM is a recurrent network architecture that is able to remember information over a long period of time. The analysis results show that LSTM can be implemented to predict dengue incidents in DKI Jakarta, where Central Jakarta region has the best results with an MAE value of 6,021466 and an RMSE value of 9,062668.

"