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. "

" China Tiongkok mendukung kebijakan devaluasi dengan menyesuaikan nilai mata uangnya agar tetap bernilai rendah yang menjadi salah satu isu penyebab ketidakseimbangan global. Penelitian ini difokuskan untuk memahami hubungan antara nilai tukar efektif riil REER terhadap neraca perdagangan China Tiongkok dengan mitra dagang melalui penggunaan efek Kurva-J untuk jangka pendek, dan Marshall-Lerner condition untuk jangka panjang menggunakan data kuartal tahun 2001-2015. Metode estimasi yang digunakan adalah metode kointegrasi dan pendekatan Error Correction Model ECM .Hasil penelitian menunjukkan devaluasi nilai tukar efektif riil berpengaruh positif dan signifikan terhadap neraca perdagangan di negara China Tiongkok . Hasil ini menunjukkan adanya gejala Kurva-J namun tidak terbukti sepenuhnya. Lebih lanjut, kondisi Marshall ndash; Lerner terpenuhi pada neraca perdagangan China Tiongkok yang menunjukkan pelemahan nilai tukar efektif riil akan memperbaiki kinerja neraca perdagangan dalam jangka panjang.

---

China supports the devaluation policy by adjusting the value of its currency to remain undervalued, giving rise to the issue of the cause of global imbalances. This study focuses on understanding the relationship between real effective exchange rate REER and the trade balance between China and its trading partners through the use of the J Curve effect for the short term, and Marshall Lerner conditions for the long term with the observation period from 2001Q4 2015Q4.Using cointegration method and Error Correction Model ECM approach, the result shows that devaluation of real effective exchange rate has positive and significant effect on trade balance in China. These results indicate symptoms of the J Curve but are not proven significantly. Furthermore, Marshall Lerner 39 s condition is found in China 39 s trade balance which shows the weakening of real effective exchange rate will improve the performance of the trade balance in the long run."

"Prediksi kondisi financial distress suatu perusahaan merupakan topik yang relevan bagi para peneliti maupun professional selama bertahun-tahun dalam rangka tindakan preventif serta mitigasi risiko kegagalan sebuah perusahaan. Di sisi lain, penelitian-penelitian terdahulu menemukan bahwa determinan financial distress perusahaan memiliki keterkaitan dengan sifat kontekstual serta menghasilkan tingkat akurasi yang lebih rendah pada karakteristik negara yang berbeda dengan negara tempat dibentuknya model penelitian tersebut. Metode-metode baru yang menggunakan kemampuan machine learning juga telah diimplementasikan dan menghasilkan tingkat akurasi yang jauh lebih baik dibandingkan dengan hasil pembentukkan model dengan metode statistik konvensional. Penelitian ini mengaplikasikan metode machine learning: Support Vector Machine (SVM) dalam memprediksi financial distress pada perusahaan-perusahaan non keuangan di Indonesia dengan menggunakan 27 financial ratios terhadap 420 sampel dalam kurun waktu 10 tahun. Penelitian ini menemukan bahwa metode SVM memberikan kemampuan prediktabilitas yang lebih tinggi yakni sebesar 89.28%, lebih besar daripada model Altman (1968) maupun Ohlson (1980), serta logistic regression pada sampel pengujian yang sama.

---

Predicting a financial distress of a company has been a significant topic for over a decade among researchers and professionals for preventive measure against bankruptcy. Past studies have found that financial distress determinants can be very contextual and has proven to produce lower accuracy rate in far different country characteristic than in the original place these models developed. In Indonesia, conventional financial distress formula has proven to give a low accuracy result. In the other hand, new methods utilizing machine learning also has been introduced in financial distress cases in other countries and has proven to produce a better accuracy compared to the traditional-statistical model. This study applies machine learning: Support Vector Machine (SVM) in predicting financial distress cases. Using 27 financial ratios in 420 company’s financial distress cases in Indonesia in 10 years period, the SVM models produce 89.28% accuracy rate, better than logistic regression, Altman z-score formula (1968), and Ohlson model (1980) applied to the same sample. These results indicate that machine learning method can be applied to early financial distress detection for decision making and risk mitigation."

"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."

"Bank merupakan suatu lembaga keuangan multi iimgsi yang terus mengembangkan kegiatan operasionalnya termasuk mengembangkan berbagai aktivitas of balance sheetnya. Berbagai aktivitas of balance sheet tersebut kemudian akan menimbulkan korninnen dan kontUensi bagi bank di rnasa mendatang. Walaupun perlakuan akuntansi terhadap aktivitas of balance sheet berbeda-beda di bcrbagai negara namun secara prinsip risiko-risiko yang terkait dcngan aktivitas of balance sheet tersebut tidak berbeda dcngan risiko yang terkait dengan aktivitas on balance sheet. Untuk itulah, risiko ojj' balance sheet tidak dapat dipisahkan dengan risiko on balance sheet dalam suatu analisa profil risiko yang utuh. Analisa terhadap aktivitas of balance sheet tersebut dapat dilihat dari berbagai aspek risiko antara lain lisiko likuiditas dan pendanaan, risiko tingkat bunga, risiko nilai mkar, risiko kredit, opsi, dan fhngsi penasihat, manajemen, dan penjaminan. Bank Indonesia pun telah mengeluarkan ketentuan yang memberikan penekanan pada risiko yang terkait dengan aktivitas of balance sheet dimana dalam kewajiban penyediaan modal minimum bank Lunum hams di dasarkan pada risiko aktiva dalam arti Iuas, baik aktiva yang tercantum dalam neraca maupun aktiva yang bersifat administratif sebagaimana tercermin pada kewajiban yang bersifat komitmen dan kontijensi yang disediakan oleh bank (of balance sheet). Dengan kata lain, kegiatan ojj' balance sheet dapat mempengaruhi profil risiko, kinezja, dan perilaku bank. Penelitian mengenai efisiensi perbankan- di Indonesia tclah banyak dilakukan sebelurrmya dengan menggunakan berbagai pendekatan, metode, dan variabel yang diukm, namun masih sulit dijumpai penelitian efisiensi bank yang memanfaatkan infonnasi of balance sheet. Penelitian ini menggunakan variabel on dan of balance sheet dcngan penekanan pada kegiatan penyaluran kredit dan pendapatan bunga yang seharusnya menjadi kegiatan utama bank. Infonnasi on balance sheet yang digunakan adalah total kredit yang diberikan (Neraca) dan pendapatan bunga (Laporan Laba Rugi), sedangkan umtuk mengakomodasi infonnasi off balance sheet, penelitian ini rnenggunakan variabel persentase krcdit yang telah ditarik nasabah dan persentase pendapatan bunga dari peqforming assets. Penelitian ini menemukan bahwa secara umum terdapat peningkatan efisiensi produksi dari bank-bank Indonesia. Peningkatan efisiensi ini menunjukkan bahwa bank-bank Indonesia semakin efisien dalam penyaluran kredit dan perolehan pendapatan bunga sekaligus makin efisien dalam meminimaikan undisbzirsed loans dan tunggakan bunga yang tercermin dari meningkatnya persentase kredit yang telah ditarik nasabah dan persentase pendapatan bunga dari petforming assets. Selanjutnya, penelitian ini menemukan bahwa terdapat korelasi berlawanan arah antara persentasc undisbursed loans dan persentase tunggakan bunga dengan efisicnsi bank. Mekanisme uansmisinya adalah semakin besar zmdisbursed loans akan menurunkan persentase kredit yang telah ditarik olch nasabah sehingga kemudian menurunkan efisiensi bank. Dcrnikian pula, semakin besar tunggakan bunga akan menurunkan persentase.

---

Bank is a multi jktnctions financial institution that continousbf develops its operational activities including its various of balance sheet activities. Those various of balance sheet activities will create bank'sfi1ture commitments and contingecies. Despite ofthe dwrent accounting treatment for the of balance sheet activities in many countries, there is no principle dwrence between risk associated with of and on balance sheet activities. Thus, the off balance sheet risk cannot be separated from the on balance sheet risk as a comprehensive risk profile. Analysis ofthe of balance sheet activities can be conducted using several risk perspectives eg liquidity and finding risk, interest rate risk, foreign exchange risk credit risk, option, and advisory, management, and underwritingfimctions. Bank Indonesia had endorsed regulations that gives appropriate stressing on the risk related to the of balance sheet activities, where in order to meet its minimum capital requirement, a bank must compute its assets in a broad definition, not only include the on balance sheet assets but also assets reflected in bank's commitments and contingecies Hhs of balance sheet assets). In a brief concluding word a bank 's of balance sheet activities will influent its risk profile, performance, and behavior. There are many research about bank?s ejiciency in Indonesia using various approach, methods, and variables, but it Ls still very hard to find a research that uses the off balance sheet injbrmation. This research uses on and of balance sheet variables to analize banlcls credit activities and interest income condition that should be a bank 's main activities. The on balance sheet information used are the total credit given (from balance shee0 and the interest income Urom income statemeny, and also to accomodate the of balance sheet infbrmation, this research use the percentage of disbursed loans andthe percentage of interest income from performing assets. This research reports, in average, there is an increase in production egiciency in Indonesian banks, meaning that Indonesian banks are more efficient in giving loan and gaining interest income, and also more ejicient in minimalizing undisbursed loans and interest overdue as reflected in the increase ofthe percentage of disbursed loans and the percentage of interest income hom performing assets. Further, this research reports, there are negative correlations between the percentage of undisbursed loans and the percentage of interest overdue with a bank's ejiciency The transmission mechanism is an increase in undisbursed loans will decrease the percentage of disbursed loans that will cause a decrease in bank 's efficiency. Likewise, an increase in interest overdue will decrease the percentage of interest income from perprming assets and increase operational cost that will cause a decrease in bank?s ejiciency."

"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."