Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"Parafrasa merupakan suatu cara untuk menuliskan kalimat dengan kata-kata lain dengan maksud atau tujuan yang sama. Pendeteksian parafrasa otomatis dapat dilakukan dengan menggunakan Natural Language Sentence Matching (NLSM) yang merupakan bagian dari Natural Language Processing (NLP). NLP merupakan teknik komputasi untuk memproses teks secara umum, sedangkan NLSM dikhususkan untuk mencari hubungan antar dua kalimat. Dengan adanya perkembangan neural network (NN), maka saat ini NLP dapat lebih mudah dilakukan oleh komputer.Model untuk mendeteksi maupun membuat parafrasa Bahasa Inggris sudah banyak dikembangkan dibandingkan dengan Bahasa Indonesia yang data pelatihannya lebih sedikit. Penelitian ini mengusulkan Model SPratama yang memodelkan deteksi parafrasa untuk Bahasa Indonesia menggunakan recurrent neural network (RNN) yaitu bidirectional long short-term memory (BiLSTM) dan bidirectional gated recurrent unit (BiGRU). Data yang digunakan adalah “Quora Question Pairs” yang diambil dari Kaggle dan diterjemahkan ke Bahasa Indonesia menggunakan Google Translate. Hasil penelitian ini menunjukkan bahwa model-model yang diusulkan mendapatkan akurasi sekitar 80% untuk pendeteksian kalimat parafrasa.

---

Paraphrasing is a way to write sentences with other words with the same intent or purpose. Automatic paraphrase detection can be done using Natural Language Sentence Matching (NLSM) which is part of Natural Language Processing (NLP). NLP is a computational technique for processing text in general, while NLSM is used specifically to find the relationship between two sentences. With the development neural network (NN), nowadays NLP can be done more easily by computers. Many models for detecting and paraphrasing in English have been developed compared to Indonesian, which has less training data. This study proposes SPratamaModel, which models paraphrase detection for Indonesian using a recurrent neural network (RNN), namely bidirectional long short-term memory (BiLSTM) and bidirectional gated recurrent unit (BiGRU). The data used is "Quora Question Pairs" taken from Kaggle and translated into Indonesian using Google Translate. The results of this study indicate that the proposed models have the accuracy of around 80% for the detection of paraphrased sentences."

"Analisis sentimen adalah salah satu bidang dari Pemrosesan Bahasa Alami yang membangun sistem untuk mengenal opini dalam teks dan mengelompokkan ke dalam sentimen positif atau negatif. Banyak peneliti telah membangun model yang menghasilkan akurasi terbaik dalam melakukan analisis sentimen. Tiga diantaranya adalah Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU), yang merupakan bagian dari deep learning. CNN digunakan karena kemampuannya dalam mengekstrak fitur penting dalam penggalan kalimat, sedangkan LSTM dan GRU digunakan karena kemampuannya yang memiliki memori akan input yang telah diproses sebelumnya. GRU memiliki struktur yang lebih sederhana dibandingkan dengan LSTM. Ketiga model tersebut dapat digabungkan menjadi model gabungan LSTM-CNN, CNN-LSTM, GRU-CNN, dan CNN-GRU. Penelitian sebelumnya telah membuktikan bahwa model gabungan tersebut memiliki akurasi yang lebih baik dibandingkan dengan model dasar LSTM, GRU, dan CNN. Implementasi model dilakukan pada data ulasan aplikasi berbahasa Indonesia. Hasilnya, didapatkan bahwa hampir seluruh model gabungan memiliki akurasi yang lebih baik dibandingkan dengan model dasar.

---

Sentiment analysis is one of the fields of Natural Language Processing that builds a system to recognize and extract opinion in the form of text into positive or negative sentiment. Nowadays, many researchers have developed methods that yield the best accuracy in performing analysis sentiment. Three particular models are Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU), which are part of deep learning architectures. CNN is used because of its ability to extract important features from each sentence fragment, while LSTM and GRU are used because of their ability to have a memory of prior inputs. GRU has a simpler and more practical structure compared to LSTM. These models can be combined into combined LSTM-CNN, CNN-LSTM, GRU-CNN, and CNN-GRU model. Former researches have proved that these models have better accuracy compared to standard models. This research is focused on the performance of all the combined LSTM-CNN, CNN-LSTM, GRU-CNN, CNN-GRU models and will be compared to the standard LSTM, GRU, CNN models. Implementation of the model is performed on a collection of application review data in Indonesian text. As a result, almost all of the combined models have better accuracy than the standard models."

"Penelitian ini bertujuan untuk memberikan persepsi baru dalam pengukuran ketahanan pangan dengan menggunakan volatilitas harga pangan. Pendekatan data iklim digunakan untuk menganalisis pola volatilitas harga bersama dengan variabel sosial dan ekonomi. Proyeksi perubahan iklim dilakukan untuk melihat wilayah yang rentan dalam produksi pangan selanjutnya persepsi petani diukur untuk melihat kesiapan mereka untuk menghadapi perubahan iklim. Ditemukan pola adaptasi petani terhadap dampak perubahan iklim pada ketidakpastian harga pangan khususnya tingkat rumah tangga. Selanjutnya data dinamika iklim digunakan sebagai nilai input untuk pembuatan model prediksi volatilitas harga pangan. Dengan menggunakan metode statistik dan teknik jaringan syaraf tiruan, estimasi volatilias harga berhasil dihasilkan berserta dengan nilai prediksinya, luaran yang dihasilkan digunakan untuk mengoptimalkan sistem pangan yang lebih berkelanjutan.

---

This study aims to provide a new perception of food security by using food price volatility to measure sustainability. The climate data approach is used to analyze patterns of price volatility along with social and economic variables. Climate change projections are carried out to look at areas that are vulnerable to food production, then farmers' perceptions are measured to see their readiness to face climate change. The pattern of farmers' adaptation to climate change on food price uncertainty, especially at the household level, was found. Furthermore, climate dynamics data are used as input values for prediction models of food price volatility. The Model using statistical methods and neural network techniques, the estimation of price volatility is successfully generated along with the predictive value, and the resulting output is used to optimize a more sustainable food system."

"Penelitian ini bertujuan untuk melihat hubungan antara pelaksanaan program revitalisasi pasar dengan stabilisasi harga komoditas pangan. Tahun 2015, pemerintah memulai program Revitalisasi/Pembangunan Baru Pasar Rakyat. Salah satu prinsip revitalisasi dalam hal ekonomi sebagai instrumen menstabilkan harga bahan kebutuhan pokok (pangan) yang beredar di masyarakat. Pelaksanaan revitalisasi pasar rakyat berbeda-beda di tiap daerah di Indonesia. Oleh karena itu, perlu melihat berapa anggaran yang dikeluarkan di daerah tersebut, kepadatan penduduk, total pasar serta pasar yang direvitalisasi dan juga pendapatan per kapita. Penelitian ini menggunakan data harga 10 komoditas dari Pusat Informasi Harga Pangan Strategis (PIHPS) Nasional dan anggaran revitalisasi pasar yang diperoleh dari Kementerian Perdagangan. Menggunakan metode data panel dari pertumbuhan perubahan harga, koefisien variasi harga, dan rata-rata harga pada tingkat level dari 10 komoditi pangan per bulan dari tahun 2016-2019 dari 95 kabupaten/kota di Indonesia. Di estimasi dengan model Random Effect. Studi ini membuktikan bahwa pelaksanaan revitalisasi/pembangunan baru pasar rakyat berkorelasi dengan stabilitas harga komoditas pangan, namun di sisi lain juga meningkatkan harga rata-rata di tingkat level.

---

This study aims to look at the relationship between the implementation of the market revitalization program and the stabilization of food commodity prices. In 2015, the government started a Revitalization/New Market Development program for the Peoples Market. One of the principles of revitalization in terms of the economy as an instrument is to stabilize the prices of basic needs (food) circulating in the community. The revitalization of peoples markets varies in each region in Indonesia. Therefore, it is necessary to look at how much the budget is spent in the area, population density, total market and revitalized market and income per capita. This study uses 10 commodity price data from the National Strategic Food Price Information Center (PIHPS) and market revitalization budget obtained from the Ministry of Trade. Using the panel data method of growth in price changes, coefficient of price variation, and average prices at the level of 10 food commodities per month from 2016-2019 from 95 districts/cities in Indonesia. Estimated by the Random Effect model. This study proves that the implementation of revitalization/new development of peoples markets correlated with the stability of food commodity prices, but on the other hand also increased average prices at the level."

"ABSTRAKHarga beras yang cenderung meningkat terus beberapa tahun terakhir tentunya berpengaruh pada konsumsi beras, terutama pada rumah tangga berpendapatan rendah. Penelitian ini mengidentifikasi pengaruh perubahan harga beras terhadap pola konsumsi pangan dalam jangka pendek (triwulan I dan III tahun 2011) menurut kelompok pendapatan rumah tangga dan tipe provinsi di mana mereka tinggal berdasarkan persentase penduduk miskin.Data yang digunakan dalam penelitian ini adalah data cross section Survei Sosial Ekonomi Nasional (Susenas) Triwulan I dan III Tahun 2011 dan Potensi Desa (PODES) 2011. Model Linear Approximation/ Almost Ideal Demand System (LA/AIDS) digunakan untuk mengestimasi sistem permintaan. Parameter regresi dalam model LA/AIDS diestimasi dengan Seemingly Unrelated Regression (SUR) dengan pendekatan Generalized Least Square (GLS). Dengan menggunakan hasil estimasi fungsi permintaan maka dihitunglah elastisitas permintaan pangan terhadap harga beras.Hasil penelitian menunjukkan bahwa permintaan beras semakin elastis terhadap perubahan harga beras. Rumah tangga berpendapatan rendah yang tinggal di provinsi miskin cenderung tidak responsif terhadap perubahan harga beras dan mengurangi konsumsi pangan lain, supaya tetap dapat mengkonsumsi beras pada tingkat yang sama sebelum kenaikan harga beras.

---

ABSTRACT

The increase in rice price for the last few years may have effect on rice consumption of low-income households. This research identifies the impact of change in rice price on consumption behavior in the first and third quarter of 2011 according to income groups and the type of province where they live categorized by percentage of poor people.

This research used both cross sectional data of the 2011 first and third quarter of National Socioeconomic Survey (SUSENAS) and Village Census (PODES) in 2011. Linear Approximation/Almost Ideal Demand System (LA/AIDS) model is applied. Seemingly Unrelated Regression (SUR) using Generalized Least Square (GLS) method is used to estimate the food demand system. The results of the estimation are used to compute the price elasticity of all food demand.

The results indicate that the demand for rice is less inelastic to rice price change in the 3th quarter. Low-income households living in poorer provinces tend to be unresponsive to the rice price change on rice consumption and reduce consumption of other foods to maintain rice consumption."

"The rising food price has been signaling a crisis to food insecurity among the poor since the period of 2007/2008. The poor would be in a difficult situation to allocate the budget to meet the demand for food and nonfood in daily life as the real income changes. Food insecurity measured by Food Insecurity Experience Scale (FIES) is a most recent broadened concept of food insecurity considering the existence of anxiety to food access. This research aims to evaluate the causal inference of food price exposure to the FIES both on simple sum namely raw score and Rasch scale, a corrected measure which assuming the same latent traits among the households. The estimation used is Pooled Ordinary Least Square through the multilevel observations and Panel Regression for regional-level data. The main finding of this research is that the rising food price significantly affected the FIES, consistently on the raw score and Rasch scale, specifically to the vulnerable households defined by the bottom 40 percent in terms of their expenditure. The rising food price also increased the proportion of severely food insecure households at the regional level. As the heterogeneous effect through islands is also evaluated, it's concluded that the highest effect of the rising food price to experiencing the anxiety of food insecurity belongs households located in Bali and the lowest effect belongs to households located in Java Island. Decomposing food price into rice and nonrice is solving the puzzle where and who belongs the worse effect should be. The rising rice price is affecting worse to the households in Sumatera and Papua, but on the contrary, the households in Java, Nusa Tenggara, and Sulawesi were taking benefit amid the rising rice price. The result is also serving as a baseline in evaluating the impact of such an outbreak namely Covid-19 through the channel of compensating variations regarding food insecurity. "

"Demam Berdarah Dengue (DBD) merupakan salah satu virus yang menginfeksimanusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Menurut laporanCDC, Indonesia yang masuk dalam level 1 dari 3 yaitu level tertinggi, frequent orcontinuous kasus DBD. Perkiraan lebih awal dan akurat dari persebaran insiden DBDdapat meminimalkan ancaman dan membantu pihak yang berwenang untuk menerapkanlangkah-langkah pengendalian yang efektif. Pada penelitian ini, prediksi angka insidenDBD menggunakan faktor-faktor cuaca yang mempengaruhi perkembangan nyamuk itusendiri, yaitu temperatur, kelembapan, dan curah hujan sebagai variabel prediktor.Variabel prediktor ditentukan berdasarkan nilai korelasi silang dari time lag variabelprediktor terhadap jumlah insiden DBD. Penelitian dilakukan dengan memanfaatkansalah satu metode dalam machine learning, yaitu gated recurrent unit dalammembangun model prediksi insiden DBD tersebut. Performa model yang digunakandievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Hasil penelitianini menunjukkan bahwa prediksi angka insiden DBD terbaik, diperoleh denganmenggunakan proporsi data training-test: 90%-10%.

---

Dengue Fever (DF) is a virus that infects humans through the bite of Aedes aegypti andAedes albopictus mosquitoes. According to the CDC report, Indonesia is included inlevel 1 of 3, namely the highest level, frequent or continuous cases of DF. Early andaccurate estimates of the spread of dengue incidents can minimize threats and help theauthorities to implement effective control measures. In this study, the prediction of DFincidence uses weather factors that influence the development of mosquitoesthemselves, namely temperature, humidity, and rainfall as predictor variables. Predictorvariables are determined based on the value of the cross correlation of the time lagpredictor variable to the number of DF incidents. The study was conducted by utilizingone method in machine learning, namely the gated recurrent unit in building the DFincident prediction model. The performance of the model are evaluated by Root MeanSquared Error and Mean Absolute Error. The results of this study shows that the bestprediction model of DF incidence rate, obtained using the proportion of training-testdata: 90% -10%."

"Bahasa Isyarat Indonesia atau BISINDO adalah bahasa yang sering ditemukan di kalangan Teman Tuli maupun Teman Inklusi dibentuk oleh Teman Tuli dan muncul secara alami berdasarkan pengamatan Teman Tuli yang menyebabkan BISINDO sendiri memiliki variasi atau dialek di berbagai daerah dan BISINDO disampaikan dengan gerakan dua tangan. BISINDO sendiri dapat digunakan sebagai dataset pada metode deep learning seperti LSTM. Di mana pada BISINDO terdapat gerakan dinamis yang membuatnya sulit untuk dilakukan dengan metode CNN. Dengan LSTM dan menggabungkan nya dengan library dari MediaPipe dan Streamlit kita dapat membuat model deep learning yang dapat mendeteksi gerakan secara real-time, akurasi yang baik dan dapat diakses melalui browser. Pada penelitian dibuat rancangan dan pengujian untuk mendeteksi BISINDO secara real-time dengan metode LSTM di bantu dengan library MediaPipe Holistic untuk mendeteksi landmark dari wajah, pose, dan tangan serta Streamlit untuk dapat membuat model diakses melalui browser. Metrik evaluasi yang digunakan pada penelitian ini adalah data dari akurasi, validasi akurasi, loss, validasi loss, confusion matrix, dan classification report untuk mendapatkan data presisi, recall, akurasi, dan f1-score. Pada training model dengan 130 epochs didapat loss 6.19%, akurasi 98.23%, validasi loss 4.58%, dan validasi akurasi 100% serta pengujian model secara real-time yang berhasil dilakukan dengan Visual Studio Code dan browser dengan Streamlit.

---

Indonesian Sign Language or BISINDO is a language that is often found among Deaf Friends and Inclusion Friends formed by Deaf Friends and appears naturally based on the observations of Deaf Friends which causes BISINDO itself to have variations or dialects in various regions. BISINDO is conveyed with two hand gestures. BISINDO itself can be used as a dataset in deep learning methods such as LSTM. Whereas in BISINDO there is a dynamic movement which makes it difficult to do with the CNN method. With LSTM and combining it with libraries from MediaPipe and Streamlit, we can create deep learning models that can detect motion in real-time, have good accuracy, and can be accessed via a browser. In this research, a design and test were made to detect BISINDO in real-time with the LSTM method assisted by the MediaPipe Holistic library to detect landmarks from faces, poses, and hands and Streamlit to be able to make models accessible via a browser. The evaluation metrics used in this study are data from accuracy, accuracy validation, losses, validation losses, confusion matrices, and classification reports to obtain data on precision, gain, accuracy, and f1-score. The training model with 130 epochs obtained 6.19% loss, 98.23% accuracy, 4.58% loss validation, and 100% accuracy validation and real-time model testing which was successfully carried out with Visual Studio Code and a browser with Streamlit."

"Machine Learning (ML) dan Deep Learning merupakan bidang yang populer pada masa kini. Salah satu ranah tersebut yang menantang untuk diteliti adalah tentang mendeteksi emosi pada teks. Interaksi antara komputer dan manusia dapat menjadi lebih baik apabila komputer dapat mendeteksi emosi, menginterpretasikan emosi tersebut, dan memberikan umpan balik yang sesuai dengan apa yang manusia inginkan. Oleh karena itu, penelitian ini bertujuan untuk membuat sistem pendeteksi emosi pada teks Bahasa Indonesia. Pada penelitian ini, terdapat 2 macam algoritma Deep Learning yang digunakan, yaitu Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Convolutional Neural Network merupakan salah satu algoritma Deep Learning dimana karakteristik utamanya menggunakan operasi matriks konvolusi. Long ShortTerm Memory merupakan salah satu algoritma Deep Learning dimana merupakan perkembangan dari algoritma Recurrent Neural Network (RNN). Kedua algoritma tersebut akan didukung dengan Word Embedding Bahasa Indonesia dari fastText dan Polyglot. Package text2emotion akan digunakan sebagai data tambahan untuk evaluasi. Input dataset yang digunakan untuk Deep Learning adalah dataset cerita dongeng yang memiliki emosi "Senang", "Sedih", "Marah", "Takut", "Terkejut", dan "Jijik". Input dataset tersebut akan melalui tahap preprocessing berupa Case Normalization, Stopword Removal, Stemming, Tokenizer, dan Padding. Setelah itu, proses training dijalankan dengan menggunakan RandomizedSearchCV sebagai hyperparameter tuning. Hasil akan dibandingkan dan dianalisis berdasarkan nilai Evaluation Metrics Accuracy, Precision, Recall, dan F1-Score. Sistem berhasil dirancang dengan mencapai hasil Accuracy sebesar 91,60%, Precision sebesar 92,48%, Recall sebesar 91,60%, dan F1- Score sebesar 91,68%.

---

Machine Learning (ML) and Deep Learning is a popular region to be used right now. One of the scopes that challenging to research is about emotion recognition on text. Interaction between computer and human can be better if the computer can recognize the emotion, interpret it, and giving a suitable feedback with the human’s need. Therefore, this research has goal to make an emotion recognition on Indonesian text language. On this research, there’s 2 kind of Deep Learning algorithm that used, that is Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM). Convolutional Neural Network is one of Deep Learning algorithm that its main characteristic is using convolution matrix operation. Long Short-Term Memory is one of Deep Learning algorithm which is an improvement from Recurrent Neural Network (RNN) algorithm. Both algorithms will be supported with Indonesian Word Embedding from fastText and Polyglot. Text2emotion package is used for additional data for evaluation. The input dataset that will be used on this Deep Learning is a fairy tale dataset which have “Happy”, “Sad”, “Anger”, “Fear”, “Surprised”, and “Disgust” emotion. That input dataset will be passed to preprocessing stage that consist of Case Normalization, Stop-word Removal, Stemming, Tokenizer, and Padding. After that, training process started with using RandomizedSearchCV as hyperparameter tuning. The result will be compared and analyzed based on Accuracy, Precision, Recall, and F1- Score Evaluation Metrics. System is made with reaching 91.60% Accuracy, 92,48% Precision, 91,60% Recall, and 91,68% F1-Score."