Hasil Pencarian  ::  Simpan CSV :: Kembali

"Utang luar negeri Indonesia selama periode tahun 2011 sampai dengan 2022 cenderung terus meningkat. Pada tahun 2022, utang luar negeri Indonesia mengalami kenaikan pertumbuhan sebesar 4,1% YoY (Year on Year) dari tahun 2021. Selain disebabkan oleh pemerintah dan sektor swasta, masalah ini juga dipengaruhi oleh pelemahan mata uang dolar Amerika Serikat terhadap mayoritas mata uang global. Skripsi ini menganalisis ketahanan perusahaan di Indonesia yang memiliki utang luar negeri terhadap kebangkrutan saat terjadi depresiasi nilai tukar mata uang menggunakan metode machine learning yaitu Ridge Regression dan Support Vector Regression. Skripsi ini mengamati neraca perusahaan dari 50 perusahaan sektor non-keuangan yang menjadi emiten di Bursa Efek Indonesia dari tahun 2011 sampai dengan 2022. Hasil penelitian ini menunjukkan bahwa metode Ridge Regression dan Support Vector Regression memiliki kinerja yang setara dalam menghasilkan akurasi prediksi. Hasil analisis untuk keseluruhan sampel dan kelompok importir (baik eksportir maupun non-eksportir) menunjukkan competitiveness effect lebih dominan dari balance-sheet effect. Namun, untuk kelompok non-importir (baik eksportir maupun non-eksportir) menunjukkan balance-sheet effect lebih dominan dari competitiveness effect. Sehingga, kelompok perusahaan tersebut disarankan untuk meminimalisasikan transaksi utang luar negeri agar perusahaan dapat tetap bertahan.

---

Indonesia's foreign debt has exhibited a continuous upward trajectory during the period 2011 to 2022. In 2022, the country's foreign debt experienced a year-on-year growth of 4.1% compared to 2021. In addition to being caused by government and private sector activities, this issue was also influenced by the depreciation of the United States dollar against the majority of global currencies. This thesis analyzes the resilience of Indonesian companies with foreign debt against bankruptcy during exchange rate depreciation using machine learning methods, specifically Ridge Regression and Support Vector Regression. This study examines the balance sheets of 50 non-financial sector companies listed on the Indonesia Stock Exchange from 2011 to 2022. The results of this research indicate that the Ridge Regression and Support Vector Regression methods have comparable performance in producing prediction accuracy. The results of the analysis for all samples and and the importer groups (both exporters and non-exporters) show that the competitiveness effect is more dominant than the balance-sheet effect. However, for the non-importer group (both exporters and non-exporters) it shows that the balance-sheet effect is more dominant than the competitiveness effect. Thus, it is recommended for companies within this group to minimize foreign debt transactions so that these companies can enhance their resilience."

"Penuaan merupakan kumpulan perubahan biologis pada tubuh manusia yang terjadi secara bertahap dan dapat meningkatkan risiko terjadinya penyakit bahkan kematian. Hingga saat ini, usia kronologis menjadi indikator penuaan yang paling umum digunakan dalam dunia kesehatan. Akan tetapi, munculnya konsep usia biologis diyakini mampu memberikan pengukuran yang lebih akurat terkait penuaan pada manusia dibandingkan dengan usia kronologis. Usia biologis dipengaruhi oleh berbagai faktor yang disebut biomarker. Penelitian ini berfokus pada prediksi usia biologis berdasarkan usia kronologis dan fitur (biomarker) lainnya dengan memanfaatkan metode machine learning Extreme Gradient Boosting (XGBoost) dan Support Vector Regression (SVR). Dataset yang digunakan berupa data pemeriksaan medis oleh Kementerian Kesehatan RI. Pada dataset tersebut dilakukan data preprocessing, seleksi fitur menggunakan Spearman’s Rank Correlation Coefficient, dan pembangunan model. Model dievaluasi menggunakan metrik evaluasi pada model regresi yaitu Root Mean Square Error (RMSE), Coefficient of Determination , dan Adjusted . Ketiga metrik ini masing-masing menghitung selisih nilai prediksi dengan nilai aktual dan menunjukkan seberapa baik variabel dependen dapat dijelaskan oleh variabel independen pada model. Dengan metode XGBoost diperoleh nilai RMSE 8,0560, 0,2894, dan Adjusted 0,2006 untuk data pria, serta RMSE 6,3851, 0,4252, dan Adjusted 0,3938 untuk data wanita. Dengan metode SVR, diperoleh RMSE 8,0697, 0,2870, dan Adjusted 0,1979 untuk data pria, serta RMSE 6,7147, 0,3643, dan Adjusted sebesar 0,3296. Metode XGBoost lebih unggul dalam memprediksi usia biologis baik pada model pria maupun wanita dibandingkan metode SVR. Usia kronologis dan biomarker (fitur) lainnya terkait kesehatan juga ditemukan berpengaruh positif terhadap usia biologis seorang individu.

---

Aging is a collection of biological changes in the human body that occur gradually and can increase the risk of disease and even death. Until now, chronological age is the most commonly used indicator of aging in the medical sector. However, the emergence of the concept of biological age is believed to be able to provide a more accurate measurement of aging in humans compared to chronological age. Biological age is influenced by various factors called biomarkers. This research focuses on predicting biological age based on chronological age and other features (biomarkers) by utilizing the Extreme Gradient Boosting (XGBoost) and Support Vector Regression (SVR) machine learning methods. The dataset used is medical examination data by the Indonesian Ministry of Health. Data preprocessing was performed on this dataset, followed by feature selection using the Spearman Rank Correlation Coefficient, and subsequent model development. The model is evaluated using evaluation metrics in the regression model, namely Root Mean Square Error (RMSE), Coefficient of Determination , and Adjusted . These three metrics each calculate the difference between the predicted and actual values and indicate how well the dependent variable can be explained by the independent variables in the model. Using the XGBoost method, RMSE values were obtained of 8,0560, 0,2894, and Adjusted 0,2006 for male data, as well as RMSE 6,3851, 0,4252, dan Adjusted 0,3938 for female's data. Using the SVR method, RMSE 8,0697, 0,2870, and Adjusted 0,1979 were obtained for male data, as well as RMSE 6.7147, 0.3643, and Adjusted of 0,3296 for female's data. The XGBoost method demonstrates better performance in predicting biological age for both male and female models compared to the SVR method. Chronological age and other health-related biomarkers (features) were also found to have a positive impact on an individual's biological age."

"ABSTRACTUtang swasta Indonesia mengalami pertumbuhan yang pesat pada dekade terakhir, hingga mencapai 49 dari total utang luar negeri Indonesia di akhir 2017. Hal ini disebabkan oleh semakin banyaknya perusahaan Indonesia yang menggunakan pembiayaan dari luar negeri. Kecenderungan perusahaan untuk meminjam uang dalam jumlah besar dari investor asing dapat meningkatkan produktivitas dan keuntungan perusahaan, tetapi di sisi lain juga dapat menyebabkan pembengkakan pada nilai utang perusahaan tersebut karena tren depresiasi nilai tukar yang terjadi di Indonesia. Skripsi ini menggunakan salah satu metode machine learning yaitu Support Vector Regression untuk mempelajari hubungan antara faktor-faktor terkait utang luar negeri dengan ketahanan suatu perusahaan, dan hasilnya akan dibandingkan dengan hasil yang diperoleh dari metode regresi data panel yang sudah sering digunakan untuk menganalisis masalah serupa. Penelitian ini menggunakan data dari laporan keuangan 189 perusahaan yang menjadi emiten di Bursa Efek Indonesia di tahun 2011 hingga 2017. Penelitian ini menunjukkan bahwa metode Support Vector Regression menghasilkan model dengan akurasi yang lebih baik daripada model yang dihasilkan metode regresi data panel. Secara umum kedua metode memberikan kesimpulan bahwa balance-sheet effect lebih dominan daripada competitiveness effect pada perusahaan-perusahaan Indonesia, dan sangat disarankan bagi perusahaan untuk meminimumkan besar utang luar negeri dan transaksi impor, serta sebisa mungkin meningkatkan ekspor.Kata kunci: Machine learning; Regresi data panel; Support Vector Regression; Utang luar negeri; Utang swasta.

---

ABSTRACTIndonesian corporations have been borrowing large sums of money from foreign investors in the past decade, such that private debt ratio has reached 49 of Indonesia rsquo s total external debt by the end of 2017. This act of borrowing might improve the borrowing firms rsquo performance which leads to increase in profit, but in other hand it might result on debt value expansion, due to the exchange rate depreciation trend in Indonesia. This paper employs Support Vector Regression, a machine learning method, to study the relationship between factors that might affect corporate performance and compares the results with that of the conventional panel data regression method. The study was done using data from annual financial statements of 189 firms in Indonesia during 2011 2017. It is shown that the machine learning approach discussed in this study gave better accuracy than the previously employed panel data regression method. Both methods generally showed that balance sheet effect is more dominant than competitiveness effect in Indonesian corporations, and it is recommended for companies to minimize their foreign debts and imported purchases, and if possible, export more of their products. "

"Analisa laporan keuangan bank tanpa memperhatikan transaksi off-balance-sheet dapat menyesatkan. Tujuan daripada skripsi ini adalah untuk memperlihatkan pengaruh transaksi off-balance-sheet. Metode penelitian yang digunakan berupa studi literatur yang diperoleh dari pelbagai sumber seperti peraturan-peraturan, majalah dan sebagainya. Hasil penelitian menunjukkan pengaruh transaksi off-balance-sheet yang relevan terhadap kinerja dan resiko bank. Transaksi off-balance-sheet suatu bank dapat dilihat dari laporan komitmen dan kontinjensi bank tersebut. Dengan mengikutsertakan transaksi off-balance-sheet dalam analisa, pembandingan kinerja dan resiko antara bank menjadi lebih informatif. kesimpulan dari skripsi ini adalah perlunya pengguna laporan keuangan bank untuk mengikutsertakan transaksi off-balance-sheet dalam analisa laporan keuangan bank. Saran-saran guna penelitian lanjutan adalah mengkaji lebih lanjut informasi yang disajikan dalam laporan keuangan yang dapat lebih relevan memperhitungkan kontribusi transaksi off-balance-sheet."

"Performa akademik adalah bagian penting dari suatu sekolah. Saat ini, sebagian besar sekolah di Indonesia masih jarang melakukan klasifikasi performa akademik siswa, sehingga diperlukan metode yang tepat untuk mengklasifikasikan siswa berdasarkan perfroma akademiknya.  Pada peneltian ini digunakan metode Nave Bayes Classifier (NBC) dan metode Support Vector Machine (SVM) untuk mengklasifikasikan performa akademik siswa SMAN 38 Jakarta. Metode NBC menghasilkan tingkat akurasi tertinggi sebesar 96%, recall 100%, precision 92.68% dan %. Sedangkan metode SVM dengan kernel linier menghasilkan tingkat akurasi tertinggi sebesar 98%, recall 100%, precision 96.42% dan f1-score.

---

Academic performance is an important part of a school. At present, most schools in Indonesia rarely classify students’ academic performance, so we need the right method to classify students based on their academic performance. In this research, the Nave Bayes Classifier (NBC) and Support Vector Machine (SVM) methods are used to classify academic performance of SMAN 38 Jakarta students’. The NBC method produces the highest accuracy 96%, recall 100%, precision 92.68% and f1-score  While the SVM method produces the highest accuracy 98%, recall 100%, precision 96.42% and f1-score  on linear kernels."

"Twitter merupakan salah satu media sosial yang digunakan secara massive di Indonesia. Para pengguna Twitter ini membicarakan berbagai macam hal, salah satunya terkait pencalonan presiden. Perbincangan para pengguna Twitter ini memiliki nilai sentimen baik positif maupun negatif. Dukungan masyarakat terhadap masing-masing kandidat calon presiden dapat diketahui dengan melihat sentimen masyarakat melalui perbincangan mereka di Twitter, hal ini sering disebut juga sebagai analisis sentimen. Namun, jumlah pengguna dan obrolan para pengguna Twitter yang sangat banyak mengakibatkan data yang akan diproses membutuhkan waktu yang cukup lama. Untuk melakukan proses analisis sentimen para pengguna Twitter secara cepat dan otomatis dapat digunakan bantuan mesin. Salah satu metode yang digunakan untuk melakukan proses analisis sentimen adalah Support Vector Machine (SVM). Pada dasarnya, semakin banyak data yang digunakan sebagai data training dalam pemilihan model fungsi klasifikator maka akan memberikan generalisasi akurasi analisis sentimen untuk data testing yang tinggi pula. Namun di sisi lain, semakin banyaknya data training juga akan menyebabkan besarnya dimensi ruang fitur. Hal ini membuat mesin membutuhkan waktu yang cukup lama dalam melakukan pembentukan fungsi klasifikator. Untuk menanggulangi hal ini, akan dilakukan metode optimasi fitur sehingga mesin dapat tetap membentuk fungsi klasifikator dengan akurasi yang tinggi namun dengan dimensi ruang fitur yang rendah.

---

Twitter is a social media that used in Indonesia massively. Twitter users talk (tweet) about various things, one of them is about presidential nomination. Twitter user conversations have a positive or negative sentiment. Community support for each presidential candidate can be determined by looking at the public sentiment through their conversations on Twitter, this is often referred to sentiment analysis. However, the number of users and tweets cause the data to be processed requires quite a long time. Machine can be used to make the process of Twitter sentiment analysis quickly and automatically. One method that used to perform the sentiment analysis process is a Support Vector Machine (SVM). Basically, the more data that used as data training in the model selection function will give a high accuracy generalization sentiment analysis on data testing. On the other hand, the increasing number of training data will also cause large dimensional feature space. This makes the machine takes a long time to perform model selection. To overcome this problem, feature optimization will be performed. Feature optimization will preserve the high accuracy of the model, but with a low dimensional feature space."

"Ledakan batu merupakan kecelakaan destruktif yang cukup sering terjadi pada tambang bawah tanah. Seiring dengan berkembangnya teknologi, machine learning hadir sebagai alternatif solusi yang dapat dimanfaatkan dalam langkah preventif atas kasus ledakan batu. Penelitian ini menggunakan GWO-SVM dan XGBoost sebagai model machine learning dalam klasifikasi ledakan batu dan intensitasnya pada tambang bawah tanah. Grey Wolf Optimization (GWO) digunakan sebagai optimizer dari parameter SVM. Intensitas ledakan batu dibedakan atas tidak ada ledakan batu, lemah, sedang dan kuat. Dalam implementasi model, digunakan 467 kasus ledakan batu yang dikumpulkan dari berbagai sumber. Fitur yang digunakan pada penelitian ini meliputi tegangan maksimal tangensial, kekuatan tekan uniaksial, kekuatan tarik uniaksial, koefisien tegangan, koefisien kerapuhan batuan, dan indeks regangan elastis. Sebelum implementasi model dilakukan data preprocessing yang meliputi imputasi missing values, menghapus outlier, normalisasi fitur dan resampling data. Kinerja model dievaluasi berdasarkan nilai metrik accuracy, precision, recall, dan f1-score dengan memerhatikan running time dan proporsi data training berkisar dari 50% hingga 90%. Hasil penelitian menunjukkan bahwa GWO-SVM mengungguli XGBoost baik dalam klasifikasi ledakan batu dengan accuracy 98.0392%, precision 97.8495%, recall 98.2609%, dan f1-score 98.0161% serta klasifikasi intensitas ledakannya dengan accuracy 75.8242%, precision 75.1473%, recall 75.3115%, dan f1-score 75.2150%.

---

Rockburst is a destructive accident that frequently occurs in underground mines. With the advancement of technology, machine learning has emerged as an alternative solution that can be utilized to measures against rockbursts. This research employs GWO-SVM and XGBoost as machine learning models for the classification of rockburst and its intensity in underground mines. Grey Wolf Optimization (GWO) is used as an optimizer for SVM parameters. The intensity of a rockburst is classified into four categories: no rockburst, weak, moderate, and strong. The implementation of the model utilizes 476 cases of rockburst collected from various sources. The features used in this study include maximum tangential stress, uniaxial compressive strength, uniaxial tensile strength, stress coefficient, rock brittleness coefficient, and elastic strain index. Before implementing the model, data preprocessing is conducted, which includes imputing missing values, removing outliers, feature normalization, and data resampling. The performance of the model is evaluated based on metrics such as accuracy, precision, recall, and f1-score with various training data proportions ranging from 50% to 90%. The research results indicate that GWO-SVM outperforms XGBoost in both the classification of rockburst with 98.0392% accuracy, 97.8495% precision, 98.2609% recall, and 98.0161% f1-score as well as intensity with 75.8242% accuracy, 75.1473% precision, 75.3115% recall, and 75.2150% f1-score."

"Bank adalah suatu lembaga keuangan yang kegiatannya menghimpun dana dan masyarakat dan menyalurkannya kembali dalam berbagal alternatif investasi. Sehubungan dengan fungsi tersebut, bank sering pula disebut sebagal lembaga kepercayaan. Oleh sebab itu, bank hams mampu beroperasi dengan baik, dengan pengelolaan assets dan liabilities secara profesional serta menerapkan strategi strategi jangka pendek maupun jangka panjang, hal ini membuat bank dapat memelihara tingkat kesehatannya sehingga semua kriteria bank yang sehat menurut Bank Indonesia dapat tercapai.Karya akhir ini bermaksud untuk menganalisa performance dan profitabilitas PT. Bank Unibank, Tbk dengan pendekatan Asset Liability Management . Data- dat a yang digunakan berupa balance-sheet, income statement, serta data pendukung lainnya. Dalam menganalisa data tersebut digunakan gap analysis dengan tujuan untuk melihat sensitivitas komponen assets dan liabilities yang nilainya dipengaruhi oleh tingkat bunga. Untuk mengukur profitabilitasnya digunakan DuPont Earning Analysis sedangkan penilaian tingkat kesehatan bank berupa likuiditas dan capital adequacy ratio digunakan aturan yang telah ditetapkan oleh bank sentral.Dari hasil gap analysis terlihat bahwa selama tiga bulan, yaitu Maret, April, dan Mel terjadi gap positif (RSA>RSL). Berarti jika tingkat bunga naik makaprofit increase dan sebaliknya profit decrease jika tingkat bunga turun. Oleh sebab ¡tu, perlu dilakukan immunization agar return yang diperoich sesual dengan yang diharapkan.Hasil DuPont earning analysis menunjukkan bahwa profitabilitas bank meningkat dan tahun sebelumnya. Hal ini disebabkan oleh membaiknya kondisi ekonomi Indonesia dimana telah bergeraknya roda perekonomian. Tingkat kesehatan bank, yaitu likuiditas belurn mencapai hasil yang maksimal karena belum terpenuhinya ketentuan dan Bank indonesia sedangkan pemenuhan kecukupan permodalan (CAR) yang dicapai oleh Unibank cukup balk walaupun masih terdapat CAR yang kurang pada bulan tertentu.Agar value ofthe bank maksimal maka pihak manajemen perlu melakukan kontrol yang ketat terhadap maturity setiap komponen neraca dilanjutkan dengan repricing sehingga semua perubahan tingkat bunga yang terjadi dapat diantisipasi. Pengelolaan dan pengawasan dana hams dilakukan secara profesional agar dapat menjadi bank yang sehat dan dipercaya oleh masyarakat."

"Di dunia kesehatan, tenaga medis dituntut untuk mengatasi berbagai jenis penyakit dengan gejala yang beragam. Oleh karena itu, diperlukan suatu teknologi untuk membantu mereka menyelesaikannya dengan baik. Penelitian ini mendukung mereka dengan menggunakan machine learning sebagai pemecah masalah. Metode machine learning yang digunakan pada penelitian ini adalah metode klasifikasi. Penulis membahas tentang stroke yang merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Penelitian ini mengamati perubahan densitas pada otak penderita stroke iskemik. Stroke iskemik merupakan salah satu jenis stroke yang terjadi ketika pembuluh darah tersumbat oleh trombus atau emboli. Penelitian ini menggunakan data CT scan dari Departemen Radiologi, Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Data yang berupa citra CT scan diubah menjadi data numerik dengan metode Gray Level Co-Occurrence Matrix dan Local Binary Pattern yang dibandingkan performanya pada saat melakukan proses klasifikasi. Penelitian ini menerapkan Support Vector Machines sebagai metode klasifikasi. Didapatkan hasil bahwa Support Vector Machines dengan Local Binary Pattern menghasilkan performa yang lebih baik dibandingkan Support Vector Machines dengan Gray Level Co-Occurrence Matrix.

---

In the health sector, the medical staffs are challenged to overcome many types of diseases with various symptoms. Therefore, a technology is needed to help them solving it well. This study is supporting them by using a machine learning as the problem solver. The machine learning method that is used in this study is classification method. The author discusses about stroke which is one of the diseases with the highest mortality rate in the world. This study observed the density changes in the brain of ischemic stroke sufferers. Ischemic stroke is one of the stroke types that occurs when the arteries are blocked by thrombus or embolism. This study used data of CT scan from Department of Radiology, Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The image data of the CT scan is changed into a numerical data by using the Gray Level Co-Occurrence Matrix method and the Local Binary Pattern which is being compared when processing the classification. This study applies Support Vector Machines as the classification method. The results showed that Support Vector Machines with Local Binary Pattern has a better performance than Support Vector Machines with Gray Level Co-Occurrence Matrix."

"Dalam pelaksanaan distribusi listrik yang dilakukan PT.”X” terhadap pelanggan PT. “X”, terdapat susut energi listrik yang terjadi baik secara teknis maupun non teknis. Susut energi listrik ini mengakibatkan kerugian yang cukup besar bagi PT.”X” setiap tahunnya. Dalam upaya untuk mengatasi dan mengurangi susut energi non teknis, PT.”X” mengadakan kegiatan P2TL dimana pada kegiatan ini, petugas P2TL akan melakukan pengecekan pada pelanggan PT.”X” yang terindikasi melakukan susut energi non teknis. Namun, dalam pelaksanaan kegiatan P2TL, PT.”X” masih melakukan proses penentuan target operasi P2TL secara manual. Untuk membantu kinerja PT.”X” dalam melakukan kegiatan P2TL, diperlukan pendekatan lain dalam melakukan penentuan target operasi P2TL. Penelitian ini akan melakukan pendekatan berbasis machine learning dengan metode supervised learning untuk melakukan deteksi pencurian tenaga listrik. Terdapat tiga algoritma yang akan digunakan dalam penelitian ini, yaitu: Naïve bayes, Naïve bayes dengan AdaBoost, dan logistic regression. Dalam penelitian ini, dataset yang digunakan adalah dataset pemakaian bulanan 423.216 pengguna listrik PT.”X” pascabayar selama 49 bulan yaitu sejak bulan Agustus tahun 2018 hingga bulan Agustus tahun 2022. Hasil penelitian ini menunjukkan rata-rata akurasi model yaitu Naïve bayes sebesar 53%, Naïve bayes dengan AdaBoost sebesar 64%, dan logistic regression sebesar 75%. Algoritma logistic regression menunjukkan performa paling baik dibandingkan dengan kedua algoritma lainnya yaitu rata-rata precision score 74%, rata-rata F1 score 59% dan rata-rata recall score adalah 60%.

---

In the implementation of electricity distribution carried out by PT. “X”-to-PT.”X” customers, there are losses in electrical energy that occur both technically and non-technically. This loss of electrical energy results in substantial losses for PT.”X” every year. To overcome and reduce non-technical energy losses, PT.”X” holds P2TL activities where in this activity, P2TL officers will check PT.”X” customers who are suspected of carrying out non-technical energy losses. However, in carrying out P2TL activities, PT.”X” is still carrying out the process of determining P2TL operational targets manually. To assist PT. “X”'s performance in carrying out P2TL activities, another approach is needed in determining P2TL operational targets. This research will use a machine learning-based approach using supervised learning method to detect electricity theft. There are three algorithms that will be used in this study, namely: naïve bayes, naïve bayes with AdaBoost, and logistic regression. In this study, the dataset used is the monthly usage dataset of 423,216 postpaid PT.”X” electricity users for 49 months, from August 2018 to August 2022. The results of this study show that the average accuracy of the model by naïve bayes is 53%, naïve bayes with AdaBoost is 64%, and logistic regression is 75%. The logistic regression algorithm shows the best performance compared to the other two algorithms, where the average precision score is 74%, the average F1 score is 59% and the average recall score is 60%."