Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kota Surabaya memiliki potensi bahaya amplifikasi yang disebabkan dari aktifitas tektonik akibat adanya dua segmen Sesar Kendeng yaitu Segmen Surabaya dan Segmen Waru. Penelitian ini dilakukan di bagian barat Kota Surabaya dengan menerapkan metode mikrotremor array yaitu Autokorelasi Spasial (SPAC), dengan delapan titik tengah (base) yang telah ditentukan. Tujuan dari penelitian ini adalah untuk menggambarkan kondisi struktur batuan bawah permukaan di bagian barat Kota Surabaya yang berpotensi menyebabkan amplifikasi menggunakan metode mikrotremor array. Data yang digunakan dalam penelitian ini merupakan data primer hasil akuisisi lapangan dengan metode mikrotremor array konfigurasi equilateral triangle yang dikumpulkan oleh BMKG pada tahun 2020 dan 2023. Metode SPAC memanfaatkan korelasi spasial antara kecepatan gelombang mikrotremor pada berbagai titik pengamatan untuk mengidentifikasi struktur bawah permukaan. Metode SPAC mampu menunjukkan variasi nilai kecepatan gelombang geser (Vs) dan kedalaman bedrock engineering di setiap titik pengamatan. Hasil penelitian menunjukkan bahwa metode mikrotremor array dengan konfigurasi equilateral triangle efektif digunakan untuk mengestimasikan struktur bawah permukaan di bagian barat Surabaya, yaitu struktur perlipatan antiklin sinklin, serta identifikasi awal adanya sesar naik yang merupakan mekanisme dari Sesar Kendeng Segmen Surabaya.

---

Surabaya city faces potential amplification hazards due to tectonic activities resulting from the presence of two Kendeng Fault segments, namely the Surabaya Segment and the Waru Segment. This study was conducted in the western part of Surabaya city, employing the microtremor array method, specifically Spatial Autocorrelation (SPAC), with eight predetermined base points. The objective of this research is to depict the subsurface rock structure conditions in the western part of Surabaya that may lead to amplification using the microtremor array method. The data utilized in this study are primary field acquisition results with the equilateral triangle configuration of the microtremor array, collected by BMKG in 2020 and 2023. The SPAC method leverages spatial correlation between microtremor wave velocities at various observation points to identify subsurface structures. The SPAC method is capable of indicating variations in shear wave velocity (Vs) values and bedrock engineering depth at each observation point. Research findings reveal that the microtremor array method with an equilateral triangle configuration is effective in estimating subsurface structures in the western part of Surabaya, specifically, anticline syncline folding structures, and provides an initial identification of an reverse fault, which is a mechanism of the Surabaya Segment of the Kendeng Fault.

"

"Peningkatan valuasi pasar dan grafik perdagangan menimbulkan fluktuasi harga yang tinggi dan berisiko. Oleh karena itu, pembentukan portofolio dan prediksi harga menjadi salah satu alternatif untuk mengurangi risiko investasi. Di sisi lain, metode forecast untuk instrumen investasi sangat banyak, oleh karena itu diperlukan model yang fit terbaik pada kondisi pasar Indonesia. Penelitian ini bertujuan untuk membandingkan akurasi prediksi model Long Short-Term Memory (LSTM) dan Autoregressive Moving-Average (ARMA) dalam membentuk portofolio optimal saham-saham Indeks Kompas100 periode Januari 2019 hingga Mei 2024. Data harga penutupan harian digunakan untuk membentuk portofolio dan memprediksi harga saham di masa mendatang menggunakan kedua model tersebut. Hasil penelitian menunjukkan bahwa model LSTM memiliki akurasi prediksi yang lebih tinggi dibandingkan ARMA dalam menangkap pola non-linear pada data saham, sehingga lebih unggul dalam kondisi pasar yang volatil. Sebaliknya, model ARMA lebih efektif dalam kondisi pasar yang stabil dan data yang stasioner. ARMA memiliki akurasi prediksi yang lebih buruk dari LSTM karena tidak bisa mewakili keseluruhan portofolio akibat keterbatasan stasioneritas data. Disisi lain akurasi LSTM lebih tinggi ARMA karena dapat mewakili keseluruhan portofolio.

---

Increased market valuations and trading charts give rise to high and risky price fluctuations. Therefore, portfolio formation and price predictions are an alternative to reduce investment risk. On the other hand, there are many forecast methods for investment instruments, therefore a model that is best suited to Indonesian market conditions is needed. This research aims to compare the prediction accuracy of the Long Short-Term Memory (LSTM) and Autoregressive Moving-Average (ARMA) models in forming an optimal portfolio of Kompas100 Index shares for the period January 2019 to May 2024. Daily closing price data is used to form the portfolio and predict future stock prices using both models. The research results show that the LSTM model has higher prediction accuracy than ARMA in capturing non-linear patterns in stock data, so it is superior in volatile market conditions. In contrast, the ARMA model is more effective in stable market conditions and stationary data. ARMA has worse prediction accuracy than LSTM because it cannot represent the entire portfolio due to limited data stationarity. On the other hand, LSTM accuracy is higher than ARMA because it can represent the entire portfolio."

"Salah satu asumsi penting dari model regresi linier adalah bahwa kesalahan (error) tidak berkorelasi. Jika kesalahan pada satu pengamatan berkorelasi dengan pengamatan sebelumnya maka asumsi ini dilanggar. Pelanggaran ini disebut dengan Autokorelasi. Timbulnya masalah autokorelasi mengakibatkan penaksiran parameter dengan metode kuadrat terkecil tidak lagi memenuhi Teorema Gauss-Markov. Untuk model autoregresif tingkat satu masalah autokorelasi dideteksi dengan menggunakan uji Durbin-Watson dan kemudian diselesaikan dengan Iterasi Cochrane-Orcutt."

"ABSTRAKAnalisis runtun waktu dapat digunakan dalam peramalan nilai tukar mata uang. Model yang biasa digunakan adalah ARIMA (Autoregressive Integrated Moving Average). Namun tidak semua data nilai tukar mata uang dapat dimodelkan dengan ARIMA, karena ARIMA hanya dapat digunakan untuk memodelkan data secara linier sedangkan pola data nilai tukar mata uang biasanya memiliki komponen linier dan nonlinier. Pemodelan nonliner dapat dilakukan antara lain dengan menggunakan model ANN (Artificial Neural Network). Pada skripsi ini dibahas model hybrid ARIMA-ANN dalam peramalan nilai tukar dolar AS terhadap rupiah dimana dilakukan filter Moving Average (MA) terhadap data sebelum proses pemodelan. Penggunaan filter MA bertujuan untuk memisahkan data menjadi dua komponen yaitu komponen linier yang memiliki volatilitas rendah dan komponen nonlinier yang memiliki volatilitas tinggi. Penentuan panjang filter yang sesuai dibutuhkan dalam proses filter Moving Average. Data historis yang digunakan adalah data kurs jual dolar AS terhadap rupiah mulai dari 31 Maret 2015 hingga 17 Maret 2016 yang dapat diunduh dari http://m.kontan.co.id/data/kurs_bi. Terkait dengan data yang digunakan, model hybrid ARIMA (2,2,2) dan ANN (4,1,1) menghasilkan MAPE sebesar 0,2955% dan MAE 39,02916 (dalam rupiah) dalam peramalan nilai tukar dolar AS terhadap rupiah pada 3 hari ke depan.

---

ABSTRAKTime series analysis can be used for forecasting since exchange rate. The ARIMA (Autoregressive Integrated Moving Average) is the model usually used. But, all data is not modeling by ARIMA, ARIMA is only modeling for linear data, however the data usually has linear and nonlinear component. The nonlinear modeling can be investigated by ANN (Artificial Neural Network) model. This skripsi discusses the hybrid model of ARIMA-ANN for forecasting exchange rate of USD to Rupiah, where the Moving Average (MA) filter will be applied previously on the data. The MA filter separates the data into two component, that is linear components which has a low volatile and nonlinear component which has a high volatile. The choosen length of MA filter is needed in MA filter processing. The historical data is selling exchange rate of USD to Rupiah, dated from March 31, 2015 to March 17, 2016, which can be downloaded from http://m.kontan.co.id/data/kurs_bi. Based on historical data, the hybrid ARIMA model (2,2,2) and the ANN model (4,1,1) give MAPE 0,2955% and MAE 39,02916 (in Rupiah) for forecasting exchange rate USD to Rupiah for the next 3 days."

"Intended for students and researchers, this text employs basic techniques of univariate and multivariate statistics for the analysis of time series and signals. It provides a broad collection of theorems, placing the techniques on firm theoretical ground. The techniques, which are illustrated by data analyses, are discussed in both a heuristic and a formal manner, making the book useful for both the applied and the theoretical worker. An extensive set of original exercises is included."

"Tanda tangan memiliki peran penting dalam konteks sosial, ekonomi, pendidikan. Awalnya, tanda tangan hanya berbentuk tulisan di atas kertas, namun seiring perkembangan tekonlogi digital, tanda tangan online mulai digunakan dan telah diakui secara hukum. Meskipun tanda tangan telah menjadi komponen yang penting, namun kasus pemalsuan tanda tangan masih tinggi. Beragam metode telah dilakukan untuk menyelesaikan permasalahan tersebut, mulai dari metode tradisional hingga penggunaan teknologi. Penelitian ini bertujuan untuk mengembangkan sistem verifikasi keaslian tanda tangan melalui metode analisis time series dan arsitektur model Siamese Recurrent Neural Network yang efisien, memiliki akurasi yang tinggi, serta bersifat writer independent. Dari pengujian yang dilakukan, model yang dilatih menggunakan GRU (Gate Recurrent Unit) yang diimplementasikan dalam arsitektur Siamese RNN merupakan model paling optimal dengan tingkat akurasi pengujian 81.02%, durasi pelatihan selama 680 sekon, serta ukuran model sebesar 37.996 Mb. Data yang digunakan untuk pelatihan model ini didapatkan dengan menggunakan metode pemotongan (truncating) sinyal time series sehingga memiliki panjang 1116 data dan tanpa melakukan proses alignment menggunakan algoritma Dynamic Time Warping. Meskpun demikian, model yang menggunakan Bidirectional LSTM yang dilatih dengan data time series sepanjang 3489 data memiliki akurasi pengujian tertinggi sebesar 85.16%. Namun, model tersebut memiliki durasi pelatihan yang terlama yaitu sebesar 2431.2 sekon dan ukuran model terbesar yaitu 630 Mb.

---

Handwriting signature has important role at social, economic, and education context. Initially, handwriting signature only write in the paper. However, with the development of digital technology, online handwriting start to be used and has gained legal recognition in law. Although online handwriting signature has become important, there is still many cases of forgery handwriting signature. Various method has already implemented to solve this problem, start from traditional method until technology utilization. This research aims to develop system for handwriting signature authentication verification using time series analysis and Siamese Recurrent Neural Network model architecture that is efficient, highly accurate, and writer-independent. Based on experiments conducted in this research, the model trained using a GRU (Gate Recurrent Unit) implemented in Siamese RNN is the most optimal model generates 81.02% accuracy score, training time of 680 second, and memory size of 37.996 Mb. The data used for training this model was generated from time series signal truncation method resulting time series with data sequence length of 1116, without implementing alignment using Dynamic Time Warping algorithm. However the model utilizing Bidirectional LSTM trained with time series data sequence length of 3489 generates the highest accuracy score of 85.16%. But this model also has longest training time of 2431.2 second and largest memory size of 630 Mb."

"ABSTRAKPeramalan jumlah pasien pneumonia dapat membantu subjek medis untuk mempersiapkan keperluan obat, pekerja, atau dalam pencegahan dengan melakukan penyuluhan pada orang tua, lansia, dan perokok. Permasalahan ini menyangkut kehidupan banyak orang, maka dari itu akurasi yang baik diperlukan dalam proses peramalan. Fuzzy Time Series (FTS) merupakan salah satu metode alternative dalam melakukan peramalan. Dengan metode yang umum digunakan seperti ARIMA dan Exponential Smoothing, terdapat kesulitan dalam mendapatkan model terbaik. FTS pada penelitian ini, memodifikasi algoritma yang digunakan Cheng (2008), dengan menggunakan OrdeTinggi (dua atau lebih data historis) untuk meningkatkan akurasi peramalan dan dilihat dari nilai Mean Absolute Percentage Error (MAPE). Data diambil dari jumlah pasien pneumonia di Jakarta tahun 2008 hingga 2018. Penelitian ini menggunakan bantuan aplikasi R dan Microsoft Excel untuk perhitungan sederhana. Akurasi peramalan akan semakin berkurang apabila dilakukan untuk meramalkan periode yang jauh. Maka, penelitian ini hanya akan meramalkan 5 periode kedepan. Hasil yang diperoleh FTS dengan membandingkan 2 metode yang pada umumnya digunakan (ARIMA dan Exponential Smoothing) adalah nilai MAPE secara terurut, 9.70%, 16.85%, dan 18.55%.

---

ABSTRACTForecasting the amount of Pneumonia patients could help medical practitioners to prepare the required medicines, aid-workers, or even prevent it by sharing knowledge to parents, elders, and smokers. This problem poses great concerns on the lives of many people, therefore, adequate accuracy is required in forecasting. Fuzzy Time Series (FTS) is an alternative way to forecast data. By using ARIMA and Holts Exponential Smoothing, there are some problems that are difficult to obtain the best model. Using our FTS method, we modified the Cheng algorithm by using higher order (using two or more historical data) to make the accuracy better by seeing the Mean Absolute Percentage Error (MAPE). Data was selected from the amount of Pneumonia Patients in Jakarta from 2008 to 2018. We use R to carryout ARIMA and Holts Exponential Smoothing. Forecastings accuracy will decrease if theti meframe between these occurrences is lengthy. As a result of this, we made use of 5 periods which are January until May 2019. The result obtained was compared against ARIMA and Holts Exponential Smoothing, as well as the MAPE are 9.70%, 16.85%, and 18.55% respectively. "

"Putus sekolah merupakan permasalahan yang terjadi di berbagai wilayah Indonesia pada seluruh jenjang pendidikan, termasuk jenjang pendidikan SMA. Provinsi Nusa Tenggara Timur (NTT) merupakan salah satu wilayah yang mengalami masalah putus sekolah jenjang pendidikan SMA. Pada tahun ajaran 2019/2020 hingga 2021/2022, Provinsi NTT selalu menduduki peringkat 9 besar untuk angka putus sekolah jenjang pendidikan SMA tertinggi di Indonesia. Selain itu, pada tahun ajaran 2019/2020 dan 2021/2022 angka putus sekolah jenjang pendidikan SMA di Provinsi NTT berada di atas angka putus sekolah jenjang pendidikan SMA se-Indonesia. Hal ini terjadi, meskipun Provinsi NTT memiliki fasilitas pendidikan dan tenaga pendidik SMA yang memadai. Putus sekolah merupakan permasalahan yang dapat dipengaruhi oleh unsur wilayah (spasial) dan tidak terjadi pada satu waktu saja, sehingga dibutuhkan penelitian yang dapat mengakomodir pengaruh spasial dalam beberapa waktu yaitu dengan penggunaan data spasial berstruktur panel. Penggunaan data tersebut memungkinkan adanya pengaruh spasial berupa heterogenitas spasial. Analisis regresi merupakan metode untuk menjelaskan pengaruh variabel independen terhadap variabel dependen. Geographically Weighted Panel Regression (GWPR) merupakan metode analisis regresi bersifat lokal yang memperhatikan adanya pengaruh heterogenitas spasial pada data spasial berstruktur panel. Oleh karena itu, penelitian ini bertujuan untuk menganalisis faktor – faktor yang menjelaskan angka putus sekolah jenjang pendidikan SMA di Provinsi NTT pada tahun 2019-2021 menggunakan GWPR. Berdasarkan pengujian heterogenitas spasial didapatkan bahwa terdapat heterogenitas spasial, sehingga dilakukan analisis lebih lanjut menggunakan GWPR. Model GWPR dibentuk dengan fungsi pembobot kernel Fixed Boxcar, Fixed Bisquare, Fixed Gaussian, Fixed Tricube, Fixed Exponential, Adaptive Boxcar, Adaptive Bisquare, Adaptive Gaussian, Adaptive Tricube dan Adaptive Exponential. Hasil penelitian menunjukkan model GWPR dengan fungsi pembobot kernel Fixed Exponential merupakan model terbaik dalam memodelkan data putus sekolah di Provinsi NTT pada tahun 2019-2021 dengan sebesar 0,9999852 dan AIC sebesar -585,1535. Kepadatan penduduk, rasio murid dan guru, upah minimum regional, tingkat pengangguran terbuka, rasio murid terhadap sekolah, rata-rata lama sekolah, dan anggaran Program Indonesia Pintar berpengaruh signifikan dalam menjelaskan angka putus sekolah jenjang pendidikan SMA pada minimal 21 kabupaten/kota di Provinsi NTT. Pengelompokkan kabupaten/kota berdasarkan variabel yang berpengaruh signifikan terhadap angka putus sekolah jenjang pendidikan SMA menggunakan k-modes clustering menghasilkan 4 kelompok di mana pada kelompok pertama, kedua, dan ketiga terdiri dari 1 anggota, dan kelompok keempat terdiri dari 19 anggota kabupaten/kota.

---

Dropping out of school is a problem that occurs in various regions of Indonesia at all levels of education, including high school education. The province of East Nusa Tenggara (NTT) is one of the areas experiencing the problem of dropping out of high school education. In the academic year 2019/2020 to 2021/2022, the Province of NTT has always been ranked in the top 9 for the highest high school dropout rate in Indonesia. In addition, in the 2019/2020 and 2021/2022 school years the high school dropout rate in NTT Province is greater than the high school dropout rate throughout Indonesia. This happened, even though the Province of NTT had adequate educational facilities and high school teaching staff. Dropping out of school is a problem that can be influenced by regional (spatial) elements and does not occur at one time, so research is needed that can accommodate spatial influences over time, namely by using panel-structured spatial data. The use of these data allows for spatial influences in the form of spatial heterogeneity. Regression analysis is a method for explaining the effect of the independent variables on the dependent variable. Geographically Weighted Panel Regression (GWPR) is a local regression analysis method that considers the effect of spatial heterogeneity on panel-structured spatial data. Therefore, this study aims to analyze the factors that explain the high school dropout rate in NTT Province in 2019-2021 using the GWPR. Based on the spatial heterogeneity test, it was found that there was spatial heterogeneity, so further analysis was carried out using the GWPR. The GWPR model is formed with the Fixed Boxcar, Fixed Bisquare, Fixed Gaussian, Fixed Tricube, Fixed Exponential, Adaptive Boxcar, Adaptive Bisquare, Adaptive Gaussian, Adaptive Tricube and Adaptive Exponential kernel weighting functions. The results showed that the GWPR model with the Fixed Exponential kernel weighting function was the best model for modeling dropout data in the Province of NTT in 2019-2021 with an of 0.9999852 and an AIC of -585.1535. Population density, student-teacher ratio, regional minimum wage, open unemployment rate, student-to-school ratio, average length of schooling, and Indonesia Pintar Program budget have a significant effect on explaining the high school dropout rate in at least 21 districts/cities in the province NTT. District/city grouping based on variables that have a significant effect on high school dropout rates using k-modes clustering produces 4 groups where the first, second, and third groups consist of 1 member, and the fourth group consists of 19 district/city members."