Hasil Pencarian  ::  Simpan CSV :: Kembali

"Industri baja sebagai mother of industries banyak melayani industri besar dan kecil. Penting sekali untuk mengetahui kebutuhan baja dalam negeri. Indonesia diperkirakan akan meningkatkan kapasitas industri baja hingga 100 ton pada tahun 2045. Pemerintah perlu membuat kebijakan seperti perlindungan terhadap industri baja agar investasi hingga peningkatan kapasitas dapat terealisasi dengan baik. Impor baja mempunyai fungsi yang kompleks sehingga cukup sulit untuk membuat model atau prediksi. Makalah ini menyajikan pendekatan untuk memahami fungsi impor baja dan meramalkan tren impor baja. Pada langkah pertama, dengan meninjau data historis impor baja, variabel yang efektif dan paling penting akan diidentifikasi. Kemudian dilakukan uji fungsi impor baja menggunakan regresi linier berganda, regresi LASSO dan SARIMA. Analisis didasarkan pada kebutuhan baja dan variabel-variabel yang mempengaruhi impor baja pada tahun 2015 hingga 2022

---

As the mother of industries, the steel industry serves many large and small industries. It is essential to know the need for steel in the country. Indonesia is estimated to build up the steel industry's capacity to 100 tonnes in 2045. The government needs to create a policy that protects the steel industry so that the investment to increase capacity can be realized appropriately. Steel import has a complex function, so making a model or prediction is quite difficult. This paper presents an approach to understand the steel import function and forecast the steel import trend. In the first step, the influential and most important variables will be identified by reviewing the historical data on steel imports. Then, the steel import function is fitted using multiple linear, LASSO regression and SARIMA. The analysis is based on the stel import and variables that affect the steel import from 2015 to 2022."

"Real Estate Investment Trust (REIT) membentuk akses yang lebih mudah dan inklusif ke pasar investasi properti dan memberikan hasil yang lebih stabil dengan resiko lebih rendah relatif dengan direct investment berkat aturan yang mengharuskan minimum 90% dari pendapatan pajak REIT diberikan sebagai dividen. Di sisi lain, penggunaan machine learning dalam memprediksi variabel keuangan kunjung meningkat dalam popularitas dikarenakan efisiensi dan akurasi yang tinggi. Studi ini memanfaatkan algoritma machine learning dalam menemukan prediktor terbaik yang menjadi faktor harga saham REIT. Makalah ini menemukan hubungan signifikan antara nilai buku perusahaan dan hasil dividen terhadap return saham REIT, walaupun tidak dalam arah yang sama dengan literatur lampau terkait.

---

Real Estate Investment Trust (REIT) opens the door for easier and more inclusive access to the real estate investment market and provides stable, low risk returns thanks to the ruling where at least 90% of a REIT's taxable income must be given out as dividends. On the other hand, the use of machine learning in forecasting finance variables has always been increasing in popularity due to its ability to cut down processing time and its high accuracy. This study is aimed to utilize machine learning algorithms to find the best predictors for REIT returns. This paper found significant relationship between company’s book value and its dividend yield towards its stock returns, although not in the same direction as the literature suggests."

"Karena pengukuran produktivitas yang akurat dapat memberikan informasi yang berguna dalam meningkatkan daya saing, penting untuk memahami perbedaan dalam produktivitas relatif di antara negara-negara. Hal ini memungkinkan negara untuk fokus dan berspesialisasi dalam produk-produk mereka yang relatif lebih produktif. Dengan menggunakan pendekatan berbasis regresi, penelitian ini bertujuan untuk menganalisis pola dasar keunggulan komparatif, dengan industri baja Indonesia sebagai fokus analisis. Temuan utama dari penelitian ini adalah bahwa Indonesia memiliki keunggulan komparatif terkuat di industri baja di antara negara-negara ASEAN. Meskipun industri baja adalah industri ke-27 dalam peringkat nilai keunggulan komparatif dalam negeri Indonesia, ada beberapa produk yang memiliki keunggulan komparatif yang kuat dan bahkan memiliki posisi yang kuat secara internasional. Selain itu, penting untuk mengikutsertakan beberapa negara ASEAN sebagai observasi dalam mengestimasi parameter kunci produktivitas karena menghasilkan estimasi baru θ, yang masih sejalan dengan literatur yang ada.

---

Because accurate productivity measurements can provide useful information in enhancing competitiveness, it is important to understand the differences in the relative productivity among countries, allowing countries to focus and specialize in their relatively more productive products. Using a regression-based approach, this study aims to analyze the fundamental patterns of comparative advantage, with the Indonesian steel industry as the focus of analysis.

The major finding of this research is that Indonesia has the strongest comparative advantage in the steel industry among ASEAN countries. Even though the steel industry is the 27th industry in Indonesia’s within-country ranking of comparative advantage values, there are some products that have a strong comparative advantage and even have a strong position internationally. In addition, it is worth pointing out that taking some ASEAN countries in the observation in estimating the key parameter of productivity, while not the main focus of the paper, yields a new estimate of θ, which is still in line with the extant literature."

"Korosi dalam industri menyebabkan kerugian ekonomi signifikan dengan mengurangi masa pakai peralatan. Upaya pencegahan seperti penggunaan inhibitor korosi telah dilakukan, tetapi pemilihannya memakan waktu dan biaya, terutama untuk aplikasi di lingkungan asam. Oleh karena itu, pendekatan machine learning (ML) diperlukan untuk mengatasi masalah ini. ML digunakan untuk memprediksi sifat elektronik senyawa turunan pirimidina-pirazol. Sifat elektronik tersebut didapatkan melalui simulasi Teori Fungsional Kerapatan (DFT, Density Functional Theory) yang kemudian dapat digunakan untuk mengetahui efisiensi inhibitor senyawa karena memiliki korelasi yang linier. Model ML yang akan digunakan adalah K-Nearest Neighbors (KNN), Support Vector Regression (SVR), Extreme Gradient Boosting (XGBoost), Gradient Boosting, Extra Trees, dan Artificial Neural Network (ANN) dengan menggunakan deskriptor SMILES dan AlvaDesc sebagai fitur untuk menjelaskan struktur kimia dari senyawa organik. Model terbaik telah diidentifikasi yang dapat memprediksi sifat elektronik senyawa turunan pirimidina-pirazol dengan akurasi tertinggi dan jumlah fitur yang optimal. Proses validasi model dilakukan dengan membandingkan hasil prediksi dengan data dari literatur. Hasil penelitian menunjukkan model terbaik adalah model XGB dengan akurasi rata-rata yang mencapai 96,50%.

---

Corrosion in industry causes significant economic losses by reducing the lifespan of equipment. Various strategies, like corrosion inhibitors, are used, but selecting effective inhibitors for acidic environments is costly and time-consuming. To address this, machine learning (ML) was applied to predict the electronic properties of pyrimidine-pyrazole derivatives using Density Functional Theory (DFT) simulations. ML models employed are K-Nearest Neighbors (KNN), Support Vector Regression (KNN), Extreme Gradient Boosting (XGB), Gradient Boosting (GB), Extra Trees (ET), and Artificial Neural Network (ANN) using SMILES and AlvaDesc descriptors as features to elucidate the chemical structure of organic compounds. From the aforementioned models, the optimal model was identified that could predict the electronic properties of pyrimidine-pyrazole derivative compounds with the highest accuracy and optimal number of features. The model validation process involved a comparison of the prediction results with data from previous studies. The results demonstrated that the optimal model was XGB, with an average accuracy of 96.50%."

"Pertumbuhan sektor industri manufaktur Indonesia yang cukup tinggi, menyebabkan permintaan terhadap bahan baku industri, antara lain berupa besi dan baja serta barang logam lainnya juga meningkat. Baja nir karat sebagai bahan baku industri tertentu juga mengalami kenaikan permintaan yang cukup tinggi dikarenakan sifatnya yang serba guna dan sifat ketahanannya terhadap karat yang baik. Kekayaan alam Indonesia berupa hasil tambang nikel dengan jumlah cadangan yang cukup besar, menjadikan Indonesia memiliki kesempatan untuk menjadi produsen baja nir karat. Dengan memandang industri baja nir karat sebagai suatn industri manufaktur, maka perlu dilakukan suatu langkah-langkah perencanaan pembangunan industri ini berdasarkan tahapan-tahapan pada suatu proses pengembangan produk baru. Sebagai tahap awal dari proses ini adalah tahapan perumusan konsep definisi bisnis dan definisi produk yang dilakukan berdasarkan analisa pasar baja nir karat di Indonesia dan kemungkinannya untuk dapat menjadi komoditi ekspor. Definisi bisnis dan definisi produk ini menghasilkan suatu deskripsi mengenai standar dan bentuk geometri produk Ibaja nir karat yang akan dikembangkan, beserta Strategi pendirian industri ini di Indonesia. Dari tahapan perumusan konsep ini, maka dapat dilanjutkan kepada pemilihan proses produksi dan perencanaan secara lebih detil bagi pembangunan industri baja nir karat di Indonesia."

"Penelitian ini menangani masalah pengenalan emosi dalam percakapan berbahasa Indonesia, yang penting untuk aplikasi seperti pengenalan ucapan, interaksi manusiamesin, dan analisis sentimen. Untuk mengatasi kompleksitas data suara dan teks, penelitian ini menggabungkan Word Embedding (Word2Vec) dan spektrum suara (MFCC) menggunakan Convolutional Neural Network (CNN). Word2Vec mengubah dataset suara menjadi representasi teks vektor, sementara MFCC digunakan untuk ekstraksi fitur dari spektrum suara. Model yang dikembangkan dievaluasi dengan dataset percobaan berbahasa Indonesia, dan pendekatan Weighted Average Ensemble yang mengintegrasikan kedua metode ini mencapai akurasi 70%. Hasil ini menunjukkan bahwa integrasi teknologi Word Embedding dan analisis spektrum suara dapat meningkatkan akurasi pengenalan emosi dalam bahasa Indonesia. Penelitian ini berkontribusi signifikan terhadap teknologi pengenalan emosi dan berpotensi meningkatkan interaksi manusia dengan teknologi serta aplikasi dalam analisis sentimen dan pengolahan bahasa alami.

---

This research addresses the issue of emotion recognition in Indonesian language conversations, which is crucial for applications such as speech recognition, humanmachine interaction, and sentiment analysis. To tackle the complexity of voice and text data, this study combines Word Embedding (Word2Vec) and sound spectrum analysis (MFCC) using Convolutional Neural Network (CNN). Word2Vec is used to convert voice datasets into vector text representations, while MFCC is employed for feature extraction from the sound spectrum. The developed models were evaluated using an experimental dataset in Indonesian, and the Weighted Average Ensemble approach, which integrates both methods, achieved an accuracy of 70%. These results indicate that integrating Word Embedding technology and sound spectrum analysis can significantly enhance the accuracy of emotion recognition in Indonesian conversations. This research contributes significantly to the development of emotion recognition technology and has the potential to improve human interaction with technology, as well as applications in sentiment analysis and natural language processing."

"Memprediksi penjualan produk sangatlah penting bagi perusahaan FMCG terutama pada kondisi ekonomi yang tak menentu saat ini. Kemampuan untuk mencapai efisiensi dalam pembuatan, pendistribusian, dan pemasaran barang, sangatlah bergantung pada seberapa akurat perkiraan penjualan. Pengaruh prediksi penjualan yang salah dapat menyebabkan perubahan perilaku konsumen terhadap produk, persediaan berlebih, dan kurangnya stok di pasar. Banyak penelitian yang menunjukkan bahwa metoda machine learning saat ini adalah metoda terbaik untuk memprediksi penjualan, namun, banyak perusahaan masih kesulitan untuk menggunakan metoda machine learning ini dikarenakan banyak variabel yang dibutuhkan untuk memprediksi penjualan agar hasilnya menjadi lebih akurat. Penelitian ini mengusulkan kerangka sederhana untuk memprediksi penjualan produk menggunakan metoda machine learning regresi linear, decision tree, random forest serta support vector machine dalam variabel seperti harga produk, tingkat distribusi, pemasaran dan variabel eksternal seperti inflasi, indeks kepercayaan konsumen dan tingkat bunga. Hasilnya menunjukkan bahwa menggabungkan regresi random forest untuk meramalkan Indeks kepercayaan Konsumen dan kemudian menggunakan regresi support vector dalam variabel-variabel ini cukup akurat untuk memprediksi penjualan.

---

Predicting the sales of the product is becoming more critical for fast-moving consumer goods company especially during unprecedented times. The ability to achieve efficiency for manufacturing, distributing, and marketing for the goods, are really dependent on how accurate the sales forecast is. The effect of wrong sales prediction could lead to consumer behavior changes towards the product, excessive inventory, and out of stocks in the market. Many papers show that machine learning techniques are currently the best practice to predict sales, however, many companies are still struggling to use these machine learning techniques due to many variables that are being needed to forecast the sales for the result to become more accurate. This study proposed a simple framework to forecast the sales of products using the combined supervised machine learning technique between multiple linear regression, decision tree regression, random forest regression, and support vector regression within internal marketing variables such as product price, distribution level, and marketing spends and external variables such as inflation, consumer confidence index and interest rate. The results show that combining random forest regression to forecast the Consumer Confidence Index and then using support vector regression within these variables is quite accurate to predict the sales."

"Proses pengelasan baja tahan karat jenis austenitik yang banyak digunakan pada industri modem dewasa ini, misalnya pada industri pupuk. Serta minyak bumi. memerlukan kualitas sambungan yang baik, yang memenuhi pensyaratan teknis baik dari segi kekuaran mekanis, keuletan maupun ketahanan korasinya. Untuk memenuhi persyaratan teknis tersebut diperlukan suatu kondisi pengelasan yang baik. Kondisi pengelasan, dalam hal ini masukan panas yang terjadi selama proses pengelasan berlangsung serta komposisi logam induk berkaitan dengan kualilas hasil akhir pengelasan. Penelirian ini akan membahas pengaruh kondisi pengelasan terhadap penetrasi dan ragam pembekuan yang terjadi dari hasil pengelasar: dengan memvariasikan kecepatan pengelasan, besar arus serta jenis logam induk yang digunakan. Dari hasil penelitian dapat diketahui bahwa adanya perbedaan kondisi pengelasan tersebur turut mempengaruhi hasil akhir produk"

"Paper ini mengeksplorasi penerapan teknik machine learning (ML) untuk memproyeksikan konsumsi energi biosolar di Indonesia di masa depan, yang bertujuan untuk memberikan informasi dan memandu pengambilan kebijakan di sektor energi. Transisi ke sumber energi terbarukan sangat penting bagi pembangunan berkelanjutan, terutama di negara-negara berkembang seperti Indonesia, yang telah menunjukkan peningkatan minat terhadap energi biosolar. Metode penelitian ini menggunakan Penelitian Kuantitatif dengan pendekatan Regresi Linier dan Sarima. Kami menggunakan beberapa model ML, menggunakan Phyton yang menganalisis dengan Multiple Linear Regression, Lasso Regression, dan Sarima, untuk menganalisis data historis mengenai konsumsi energi, indikator ekonomi, perubahan demografi, dan kemajuan teknologi. Temuan kami menunjukkan bahwa model ml dapat secara efektif memprediksi tren konsumsi biosolar, menyoroti pengaruh pertumbuhan ekonomi, urbanisasi, dan inovasi teknologi terhadap adopsi energi terbarukan. Model-model tersebut menunjukkan adanya peningkatan konsumsi biosolar, didorong oleh insentif kebijakan, kemajuan teknologi, dan meningkatnya kesadaran akan isuisu lingkungan. Keakuratan prediksi ml bergantung pada ketersediaan dan kualitas data. Selain itu, proyeksi tersebut mungkin tidak memperhitungkan perubahan ekonomi atau teknologi yang tidak terduga. Penelitian di masa depan harus fokus pada penggabungan sumber data yang lebih dinamis dan mengeksplorasi dampak perubahan kebijakan terhadap penerapan energi terbarukan. Kesimpulannya, pemanfaatan pembelajaran mesin untuk proyeksi kebijakan menawarkan pendekatan yang menjanjikan untuk mendukung pertumbuhan konsumsi biosolar di Indonesia. Studi ini memberikan landasan untuk penelitian di masa depan dan menyoroti potensi ml dalam menyusun kebijakan energi yang terinformasi dan efektif.

---

This paper explores the application of machine learning (ML) techniques to project the future consumption of bio solar energy in indonesia, aiming to inform and guide policy decisions in the energy sector. The transition to re-newable energy sources is crucial for sustainable development, especially in emerging economies like indonesia, which has shown a growing interest in bio solar energy. This research method uses Quantitative Research with Linear Regression and Sarima approaches. We employed several ML models, using Phyton which analyse with Multiple Linear Regression, Lasso Regres- sion and Sarima, to analyze historical data on energy consumption, economic indicators, demographic changes, and technological advancements. Our findings indicate that ml models can effectively predict bio solar consumption trends, highlighting the influence of economic growth, urbanization, and technological innovation on renewable energy adoption. The models suggest an increasing trajectory in bio solar consumption, driven by policy incentives, technological advancements, and a growing awareness of environmental is- sues. The accuracy of ml predictions is contingent upon the availability and quality of data. Furthermore, the projections may not account for unforeseen economic or technological changes. Future research should focus on incor- porating more dynamic data sources and exploring the impact of policy changes on renewable energy adoption. In conclusion, leveraging machine learning for policy projection offers a promising approach to support the growth of bio solar consumption in indonesia. This study provides a foundation for future research and highlights the potential of ml in crafting informed, effective energy policies."