Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sampai sekarang, sebagian besar orang masih menganggap kepemilikan rumah sebagai kebutuhan primer yang belum bisa ditandingi oleh pilihan hunian lain. Harga rumah biasanya ditentukan oleh berbagai faktor seperti lokasi, kondisi makro ekonomi, serta kondisi fisik rumah. Banyaknya faktor tersebut membuat penentuan valuasi rumah secara objektif menjadi sulit. Dalam beberapa tahun terakhir, penelitian mengenai estimasi harga rumah telah berkembang pesat, dengan metode machine learning menjadi yang paling sering digunakan. Oleh karena itu, penelitian ini menggunakan salah satu algoritma machine learning yang sudah terbukti dapat mendapatkan akurasi tinggi, yaitu stacked generalization. Penelitian ini menggabungkan beberapa variabel yang digunakan oleh penelitian-penelitian sebelumnya untuk memprediksi valuasi rumah. Model stacked generalization yang dibangun akan dibandingkan dengan algoritma lain yang juga sering digunakan dalam memprediksi valuasi rumah, diantaranya adalah regresi linear, random forest, gradient boosting machine, dan extreme gradient boosting. Hasil penelitian menunjukkan bahwa algoritma stacked generalization memiliki kemampuan prediksi yang lebih baik dibandingkan metode lainnya dengan hasil R2 sebesar 0,881, dan MAPE sebesar 0,21%. Selanjutnya dilakukan analisis terhadap faktor yang paling berpengaruh terhadap perubahan valuasi rumah menggunakan teknik permutation feature importance. Faktor-faktor yang paling berpengaruh adalah luas tanah, luas bangunan, jarak menuju pusat perbelanjaan, kapasitas listrik, dan Indeks Harga Perumahan Residensial.

---

In recent years, homeownership remains a primary need that other housing options have yet to match. House prices are typically determined by various factors such as location, macroeconomic conditions, and the physical state of the house. These numerous factors make objective house valuation challenging. Recently, research on house price estimation has advanced significantly, with machine learning methods being the most commonly used. Therefore, this study employs one proven machine learning algorithm with high accuracy, stacked generalization. This research incorporates several variables used by previous studies to predict house valuations. The stacked generalization model developed is compared with other frequently used algorithms for predicting house valuations, including linear regression, random forest, gradient boosting machine, and extreme gradient boosting. The results show that the stacked generalization algorithm has superior predictive ability compared to other methods, with an R2 of 0.881 and MAPE of 0.21%. Subsequently, an analysis of the factors most influencing changes in house valuation was conducted using permutation feature importance techniques. The most influential factors are land area, building area, distance to shopping centers, electricity capacity, and the Residential Property Price Index."

"Mobil pribadi dianggap sebagai kendaraan yang memberikan nilai kenyamanan tersendiri bagi pemiliknya. Di negara-negara berkembang, jual-beli mobil bekas menjadi sebuah tren yang tidak terhindarkan. Valuasi mobil bekas ditentukan oleh banyak faktor sehingga sulit menentukan harga jualnya, akan tetapi metode machine learning (ML) menunjukkan hasil yang menjanjikan belakangan ini. Penelitian ini menggabungkan stacked generalization (stacking) sebagai salah satu metode ML dengan optimasi berbasis model berurutan atau sequential model-based optimization (SMBO) untuk mengestimasi valuasi mobil bekas. Penelitian ini menambahkan beberapa variabel independen yang belum pernah digunakan oleh penelitian sebelumnya seperti harga awal, sisa masa garansi, serta kehadiran kunci cadangan dan buku servis. Data penelitian berasal dari salah satu situs web penjualan mobil bekas di Indonesia. Algoritma stacking dibandingkan dengan algoritma ML lain yang sering digunakan untuk mengestimasi harga mobil bekas seperti random forest (RF), gradient boosting (GB), support vector regression (SVR), dan multi-layer perceptron (MLP). Hasil penelitian menunjukkan bahwa algoritma stacking yang dioptimasi memiliki kemampuan prediksi terbaik dengan R2 0,9712, MAPE 4,57%, dan RMSE 19,77 juta rupiah. Dengan teknik permutation feature importance, penelitian ini mendapati faktor-faktor yang paling berpengaruh terhadap besarnya penurunan harga mobil bekas yaitu usia mobil, kapasitas mesin, bahan bakar, merek, jarak tempuh, sisa masa garansi, dan tipe mobil.

---

Private cars are considered vehicles that provide unrivaled comfortability for its owner. In developing countries, buying and selling used cars is an inevitable trend. The valuation of a used car is determined by many factors, making it difficult to determine its selling price, but machine learning (ML) method has recently shown promising results. This study combines stacked generalization (stacking) as one of the ML methods with sequential model-based optimization (SMBO) to estimate used car valuations. This study adds several independent variables that previous studies have not used, including initial price, remaining warranty period, and the presence of spare keys and service books. Data are gathered from a website selling used cars in Indonesia. Stacking is compared to other ML algorithms often used to estimate used cars price, such as random forest, gradient boosting, support vector regression, and multi-layer perceptron. Results showed that the optimized stacking algorithm had the best predictive ability with R2 0.9712, MAPE 4.57%, and RMSE 19.77 million rupiahs. Using permutation feature importance, this study found the most influential factors in the decline magnitude of used car prices, which are the car's age, engine capacity, fuel, brand, mileage, remaining warranty period, and type of the car."

"Pertambahan penduduk dan pembangunan di Jakarta menyebabkan berkurangnya jumlah Ruang Terbuka Hijau (RTH). Penelitian ini bertujuan menganalisis persepsi masyarakat tentang RTH selama pandemi COVID-19, mengidentifikasi RTH, fasilitas lingkungan, dan struktur rumah tinggal mempengaruhi harga tanah, mengestimasi nilai RTH, dan membuat model valuasi RTH dengan preferensi. Riset menggunakan kuesioner google form yang dianalisis menggunakan metode Hedonic Price (HP) dan Life Statisfaction Approach (LSA) menggunakan software SPSS versi 25. Hasil penelitian menyatakan masyarakat memiliki pengetahuan yang baik dan terjadi perubahan perilaku penggunaan RTH perkotaan selama pandemi. Mayoritas masyarakat menyatakan RTH sebaiknya dibuka pada masa pandemi. Pembuatan model valuasi RTH dengan preferensi menggunakan model II metode HP dengan R-squared (R2) sebesar 0,585. Estimasi nilai hutan kota terhadap harga tanah radius l.000 m–2.000 m sebesar Rp2.092.910 dan 500 m–1.000 m sebesar Rp1.863.998. Estimasi nilai taman terhadap harga tanah radius 500 m–1.000 m sebesar Rp1.002.853, sedangkan estimasi nilai pemakaman terhadap harga tanah radius 500 m–1.000 m sebesar (Rp4.098.616) dan 1.000 m–2.000 m sebesar (Rp1.635.086). Valuasi RTH menggunakan LSA tidak dapat menangkap eksternalitas positif keberadaan taman dan hutan kota di Jakarta. Valuasi RTH menggunakan LSA tidak dapat menangkap eksternalitas positif keberadaan taman dan hutan kota di Jakarta.

---

Population growth and development in Jakarta have reduced the amount of green open space (GOS). This study aims to analyze the public's perception of GOS during the COVID-19 pandemic, identify GOS, house structural, and environmental facilities that affect land prices, estimate the value of GOS, and valuation model of GOS with preferences. This study used an online questionnaire that was analyzed using the Hedonic Price (HP) method with SPSS software version 25. The results stated that the community had good knowledge and behavior changes during the pandemic of GOS visitation. Most people stated that the GOS public should open during the pandemic. Valuation GOS with the HP model II has an R-squared (R2) of 0.585. The estimated value of an urban forest at a land price of a radius of 1,000 m–2,000 m is Rp2,092,910 and 500 m–1,000 m is Rp1,863,998. The estimated value of the park with a land price of a radius of 500 m–1,000 m is Rp1,002,853, while the estimated value of the cemetery ground for a radius of 500 m–1,000 m is (R4,098,616) and 1,000 m–2,000 m (Rp1,635,086). The valuation of GOS using LSA cannot capture the positive externalities of the existence of parks and urban forests in Jakarta."

"Bank Indonesia menyatakan bahwa kinerja perbankan Indonesia mampu menunjukkan ketahanamflya terhadap kondisi krisis yang terjadi di Eropa dan Amerika Serikat. Predikat layak investasi yang diperoleh Indonesia dapat menjadi stimulus para investor untuk menempatkan dananya di pasar modal Indonesia. Bank DKI sebagai bank yang sedang mengalami pertumbuhan dan memerlukan dana yang cukup besar untuk ekspansi bisnis dan kreditnya, mulai melirik alternatif penjualan saham perdana di pasar modal. Pada penelitian ini, dilakukan valuasi saham Bank DKI menggunakan Free Cash Flow to Equity Model, Abnormal Earnings Model dan Relative Valuation Model. Pada setiap model yang digunakan, masing-masing dibagi dalam tiga skenario, yaitu skenario normal, skenario pesimis dan skenario optimis.

---

Bank Indonesia stated that performance of Indonesian banks showed the resistanse toward the economic crisis which happened in Europe and UnitedStates. Investment grade given by rating agency can stimulate investors to place their fund in Indonesia's capital market. As a growing company, Bank DKI need more capital to expand its business. Bank DKI begins to consider the initial public offering (IPO) as a source of its equity capital. This study shows the calculating of Bank DKI's shares value when Bank DKI conducts the IPO. The valuation proses uses Free Cash Flow to Equity Model, Abnormal Eamings Model and Relative Valuation Model. In each valuation model consists of three scenarios, normal scenario, pessimistic scenario, and optimistic scenario."

"Ada inovasi yang cepat dalam teknologi telekomunikasi seiring dengan Perkembangan internet mengakibatkan umur telepon seluler menjadi lebih pendek. Di Di Indonesia, jumlah pengguna telepon seluler meningkat sangat pesat. Fenomena ini memicu peningkatan jumlah limbah telepon seluler di Indonesia, termasuk DKI Jakarta adalah ibu kota negara Indonesia. Di sisi lain, tidak ada peraturan khusus tentang peraturan Limbah Peralatan Listrik dan Elektronik (WEEE) di DKI Jakarta membuat nasib sebagian besar telepon seluler tidak lagi digunakan lagi menjadi tidak jelas. Penelitian ini bertujuan untuk mendapatkan gambaran tentang informasi umum tentang aliran limbah elektronik telepon seluler di DKI Jakarta dengan menggunakan metode Material Flow Analysis. Keluaran utama dari penelitian ini adalah: model aliran limbah elektronik telepon seluler di DKI Jakarta, aliran material Ini termasuk jumlah telepon seluler yang masuk ke aliran limbah dan aliran limbah elektronik ponsel yang masuk ke dalam proses pengolahan. Selain daripada itu, Studi ini juga menganalisis faktor prioritas untuk meningkatkan aliran limbah elektronik telepon seluler di DKI Jakarta menggunakan metode Analytical Hierarchy Proses. Hasil penelitian ini menunjukkan bahwa sektor informal masih mendominasi pengumpulan limbah ponsel sehingga percepatan pembuatan regulasi memainkan peran kunci dalam meningkatkan aliran pengelolaan sampahtelepon seluler di DKI Jakarta.

---

There is rapid innovation in telecommunications technology along with the development of the internet has resulted in the life of cell phones being shorter. In Indonesia, the number of cellular phone users is increasing very rapidly. This phenomenon triggers an increase in the amount of cellular phone waste in Indonesia, including DKI Jakarta, the capital city of Indonesia. On the other hand, there is no specific regulation on Waste Electrical and Electronic Equipment (WEEE) regulations in DKI Jakarta, making the fate of most cellular phones no longer in use, unclear. This study aims to obtain an overview of general information about the flow of cellular telephone electronic waste in DKI Jakarta using the Material Flow Analysis method. The main outputs of this research are: model of cellular phone electronic waste flow in DKI Jakarta, material flow. Apart from that, this study also analyzes the priority factors to increase the flow of cellular telephone electronic waste in DKI Jakarta using the Analytical Hierarchy Process method. The results of this study indicate that the informal sector still dominates the collection of mobile phone waste so that accelerated regulation plays a key role in increasing the flow of waste management"

"

Demam Berdarah Dengue (DBD) merupakan penyakit yang banyak ditemukan di sebagian besar wilayah tropis dan subtropis. DBD merupakan penyakit infeksi yang disebabkan oleh virus dengue yang termasuk ke dalam family flaviviridae dan genus flavivirus yang ditularkan ke manusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopicus dengan masa inkubasi intrinsik 3 sampai 14 hari, dan inkubasi ekstrinsik 8 sampai 10 hari. Dalam 3 tahun terakhir, jumlah penderita DBD di DKI Jakarta menduduki jumlah tertinggi yang mencapai 813 jiwa pada tahun 2019. Pada tugas akhir ini, dibahas pembuatan model Adaptive Neuro-Fuzzy Inference System (ANFIS) untuk memprediksi jumlah insiden DBD di DKI Jakarta menggunakan data jumlah insiden DBD pada setiap wilayah di DKI Jakarta tahun 2009 sampai 2017. Hasil simulasi dari model Adaptive Neuro-Fuzzy Inference System dibandingkan dengan hasil model Artificial Neural Network (ANN) dan Ensemble ANN-ANFIS yang dievaluasi berdasarkan Root Mean Squared Error dan Mean Absolute Error. Pada tugas akhir ini, Adaptive Neuro-Fuzzy Inference System memiliki performa lebih baik dibandingkan Artificial Neural Network dan Ensemble ANN-ANFIS hampir seluruh daerah di DKI Jakarta.

---

Dengue Hemorrhagic Fever (DHF) is a disease that is found in most tropical and subtropical regions. DHF is a disease caused by dengue virus which belongs to the flaviviridae family and genus flavivirus which is transmitted to humans through the bite of Aedes aegypti and Aedes albopicus mosquitoes with an intrinsic incubation period of 3 to14 days, and extrinsic incubation period of 8 to 10 days. In the last 3 years, the number of DHF sufferers in DKI occupied the highest number, which reached 813 people in 2019. In this final project, we will discuss making an Adaptive Neuro-Fuzzy Inference System (ANFIS) model to predict the number of DHF reporting in DKI Jakarta using data on the number of DHF reporting in each region in DKI Jakarta from 2009 to 2017. Simulation result from the Adaptive Neuro-Fuzzy Inference System model are compared with the results of the Artificial Neural Network (ANN) model and the Ensemble ANN-ANFIS model, evaluated based on Root Mean Squared Error and Mean Absolute Error. In this final project, the Adaptive Neuro-Fuzzy Inference System has better performance than the Artificial Neural Network and Ensemble ANN-ANFIS in all regions in DKI Jakarta.

"

"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%."

"Pada tahun 2019, kualitas udara di DKI Jakarta tercatat memburuk, diindikasikan oleh meningkatnya konsentrasi Particulate Matter berukuran lebih kecil dari 2,5 mikron (PM 2,5) di wilayah tersebut. Seiring pesatnya pertumbuhan populasi dan laju urbanisasi, sektor transportasi menjadi kontributor utama bagi emisi polutan PM 2,5 di DKI Jakarta, yang kemudian menimbulkan risiko kesehatan bagi masyarakat. Dengan pendekatan bottom-up serta permodelan dispersi udara menggunakan perangkat lunak AERMOD, studi ini mengestimasi tingkat konsentrasi PM 2,5 tahunan yang dihasilkan aktivitas transportasi di DKI Jakarta. Kemudian, studi ini mengkalkulasi kasus mortalitas dan morbiditas yang diakibatkan paparan konsentrasi PM 2,5 tersebut, beserta kerugian ekonomi yang terkait dengannya. Valuasi ekonomi dari dampak kesehatan dilakukan dengan nilai satuan Value of Statistical Life (VSL) untuk kasus mortalitas, serta nilai satuan Cost of Illness (COI) dan Willingness to Pay (WTP) untuk kasus morbiditas. Ketiga nilai tersebut diturunkan dengan pendekatan benefit-transfer nilai satuan dari studi terdahulu di DKI Jakarta dan wilayah lainnya di luar negeri, dengan penyesuaian terhadap tingkat pendapatan maupun inflasi. Khusus untuk insiden perawatan dan kunjungan Rumah Sakit, nilai satuan COI diperoleh dari regulasi terkini yang mengatur standar tarif pelayanan kesehatan di Rumah Sakit Umum Pusat Nasional Dr. Cipto Mangunkusumo. Rata-rata konsentrasi PM 2,5 tahunan dari sektor transportasi di DKI Jakarta berada di rentang 3,16 µg/m-69,12 µg/m3 pada tahun 2019, di mana konsentrasi tinggi (37-69 µg/m3) cenderung berada di ruas jalan tol. Sebagai dampaknya, tingkat kematian prematur yang diakibatkan mencapai 4.267 jiwa, sebagian besar diakibatkan penyakit jantung iskemik dan stroke. Kemudian, paparan konsentrasi PM 2,5 juga diestimasikan menyebabkan 2.626 kasus perawatan rumah sakit, 26.000 kasus kunjungan IGD, 320.852 kasus serangan asma, 19.544 kasus bronkitis akut pada anak-anak, 3.075 kasus bronkitis kronis, respiratory symptom days sebanyak 20,25 juta hari, dan berkurangnya hari kerja sebanyak 1,72 juta hari. Sejumlah dampak kesehatan tersebut diperkirakan menimbulkan kerugian ekonomi hingga Rp24,35 triliun, atau setara dengan 0,86% dari Produk Domestik Regional Bruto (PDRB) DKI Jakarta tahun 2019. Hasil studi ini diharapkan dapat menjadi panduan bagi pemerintah untuk melakukan intervensi kebijakan secara spesifik di sektor transportasi, yang merupakan kontributor terbesar bagi pencemaran udara di DKI Jakarta.

---

In 2019, Particulate Matter less than 2,5 micrometers (PM 2,5) was recorded increasing in DKI Jakarta, which signaled deteriorating air quality in the region. Along with rapid population growth and urbanization, the transportation sector becomes a major contributor to PM 2,5 emission in DKI Jakarta, which then poses health risks to the society. Through the bottom-up approach and air dispersion modelling with AERMOD software, this study estimates the annual PM 2,5 concentration that produced by transportation activities in DKI Jakarta. Furthermore, this study calculates mortality and morbidity cases resulting from these PM 2,5 exposures, as well as the associated economic losses. Economic valuation of health impacts is executed using the Value of Statistical Life (VSL) for mortality cases, together with Cost of Illness (COI) and Willingness to Pay (WTP) unit value for morbidity cases. Using benefit-transfer methods, these unit values are derived from previous studies in DKI Jakarta and other regions abroad, with adjustment to income level and inflation. Specific to hospital care incidents, the COI unit value is obtained from the latest regulations governing health service tariffs at the Dr. Cipto Mangunkusumo hospital.

The annual PM 2,5 concentration from transportation sector in DKI Jakarta ranged between 3,16 µg/m3-69,12 µg/m3 in 2019, where high concentration (37-69 µg/m3) tends to be along the highway road. Subsequently, PM 2,5-attributable mortality was 4.267, mostly caused by Ischemic Heart Disease and stroke. Additionally, the total hospital admissions and emergency room visit were 2.626 and 26.000 respectively. Estimated chronic bronchitis, asthma attacks, and acute bronchitis for children were 3.075, 320.852, and 19.544 respectively. Lastly, there were 20,25 million days of respiratory symptom, and 1,72 million of work loss days. Simultaneously, the PM 2,5 exposure caused the economic loss of IDR 24,35 trillion, which is 0,86% of DKI Jakarta Gross Domestic Regional Product (GDRP) in 2019. The result of this study would provide a guidance for governments to design and implement the transportation sector-specific policies, which is the largest contributor to air pollution in DKI Jakarta."