Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Daerah panas bumi ldquo;G rdquo; terletak di daerah Nusa Tenggara Timur. Indikasi adanya sistem panasbumi pada daerah ldquo;G rdquo; ditandai dengan kemunculan manifestasi permukaan berupa Fumarol dan mata air panas bersifat sulfat dan bikarbonat. Untuk mengidentifikasi geometri dan karakteristik reservoar maka dilakukan analisis geologi, geokimia dan geofisika. Hasil analisis geologi sistem panas bumi merpakan sisem kaldera, Analisis fluida kimia menunjukan daerah upflow ditandai dengan kemunculan Fumarol U dan Fumarol AH dengan mata air panas ULB-2, Wel dan WWR yang bersifat sulfat, daerah outflow ditandai dengan kemunculan mata air panas WBB1, WBB2, WCC, WMR, LMB, RWN, AD WRI yang bersifat bikarbonat. Geothermometer gas menunjukan temperatur reservoar pada daerah G berkisar 280oC. Analisis geofisika berupa inversi Magnetotellurik menunjukan lapisan clay cap dengan nilai resistivitas le; 10 ohm.m disekitar manifestasi fumarole U dan mata air panas Wel dan WWR dengan dekat permukaan dan menebal ke arah barat kaldera L. Lapisan reservoar berada dibawah clay cap dengan resistivitas 40 ohm.m - 80 ohm.m . Resistivitas tinggi ge; 350 ohm.m di identifikasi sebagai heat source. Forward modeling graviti terdapat densitas tinggi dengan nilai 2.85 gr/cc di identifikasikan sebagai batuan basemant, densitas rendah dengan nilai 2.2 gr/cc di identifikasikan sebagai batuan yang teralterasi melebar ke arah barat komplek L. Lapisan clay cap terbentuk di sekitar Fumarol U dan menebal ke bagian barat Kaldera L dengan ketebalan 500 meter sampai 2000 meter. Lapisan reservoar dengan dengan nilai restivitas 40 ohm.m - 80 ohm.m berada pada kedalaman 600 meter dengan updome berada di sekitar manifestasi U dan MAP ULB-2, Wel dan WWR. Luas prospek daerah G berdasarkan analaisis geologi geofisika dan geokimia adalah sekitar 16 km2.

---

ABSTRACT
Geothermal area G is located in the area of East Nusa Tenggara. Indication of the geothermal system in the area G is marked by the appearance of the surface manifestation such Fumaroles and hot springs are sulfate and bicarbonate. To identify the characteristics of the reservoir geometry and the analysis of geological, geochemical and geophysical. The results of the analysis of geological geothermal system merpakan sisem caldera, Analysis of the fluid chemistry shows the area upflow is marked by the appearance of Fumaroles U and Fumaroles AH with hot springs ULB 2, Wel and WWR nature sulfate, regional outflow is characterized by the appearance hot springs WBB1, WBB2 , WCC, WMR, LMB, RWN, AD WRI which is bicarbonate. Geothermometer gas reservoir in the area G showed temperatures 280 C. The Analysis geophysics data based on inversi MT identificated layer of clay cap with resistivity values le 10 ohm.m around manifestation Fumarole U and hot springs Wel and WWR with near surface and thicken to the west of the caldera L. reservoir layer under the clay cap with a resistivity of 40 ohm.m 80 ohm.m. High resistivity ge 350 ohm.m identified as a heat source. Forward modeling of gravity there is a high density with a value of 2.85 g cc is identified as a rock basemant, low density with a value of 2.2 g cc is identified as an alteration of rocks widened to the west complex L. Clay cap layer is formed around Fumaroles U and thicken to the west of the Caldera L with a thickness of 500 meters to 2000 meters. Reservoir layer with the value restivity 40 ohm.m 80 ohm.m located at a depth of 600 meters with updome be around manifestation ULB U and MAP 2, Wel and WWR. Broad prospects for the region G by analaisis geological geophysical and geochemical is approximately 16 km2.

Abstrak :
ABSTRAK Penelitian ini bertujuan untuk memberikan bukti empiris bahwa terdapat pengaruh Analisis financial distress, size dan book to market terhadap stock return perusahaan. Penelitian dilakukan pada 170 perusahan non-keuangan yang terdaftar di Bursa Efek Indonesia periode tahun 2010 sampai dengan 2017. Financial distress diukur menggunakan Altman Z-Score. Hasil regresi menggunakan model fixed effect menunjukkan bahwa tidak terdapat pengaruh financial distress dan book to market terhadap stock return. Hanya size yang berpengaruh negatif signifikan terhadap stock return.

---

ABSTRACT This study aims to investigate the relationship of financial distress risk and the stock returns of financially distressed firms listed on Bursa Efek Indonesia. Non-financial firms listed on BEI are taken from the time-period of 2010-2017. Altman Z-Score ―bankruptcy prediction model‖ is used for the prediction of financial distress risk and forecasted the distress risk firms listed on BEI. The panel data is used to get the empirical findings and showed that the financial distress risk and book-to-market equity effect are statistically insignificant to explain the stock returns of distress firms due to the inefficiency of market. However, size effect is significant in explaining the stock returns of distress firms. The study also reveals that it is important to predict financial distress risk with a better predictor in order to avoid the uncertainties in BEI.

Abstrak :
ABSTRAK
Perkembangan teknologi khususnya internet berkembang begitu pesat dewasa ini. Oleh karena itu, arus informasi meningkat begitu cepat yang menyebabkan informasi diperoleh sangat banyak. Media sosial pun menjadi salah satu sarana penyedia informasi, salah satunya adalah Twitter. Pendeteksian topik menjadi suatu kebutuhan bagi masyarakat untuk mengetahui hal-hal yang bicarakan pada waktu tertentu. Maka, dibutuhkan suatu cara yang cepat dan tepat untuk mendapatkan topik dari tweet yang terkirim pada Twitter. Dengan jumlah dokumen yang sangat besar, diperlukan suatu metode otomatis. Salah satu metode otomatis untuk pendeteksian topik adalah model yang berbasis faktorisasi matriks yaitu Non-negative Matrix Factorization (NMF). Metode NMF yang digunakan pada penelitian ini difokuskan pada wilayah Jakarta dan sekitarnya guna melihat topik yang dibahas masyarakat Jakarta dan sekitarnya pada kurun waktu tertentu. Hasil yang didapatkan lewat metode NMF ini selanjutnya akan dievaluasi dengan cara melihat tingkat akurasi yang dihasilkan lalu disimulasikan dalam bentuk tren berdasarkan frekuensi masing-masing topik.

---

ABSTRACT
Development of technology spesifically in internet grows so fast nowadays. Therefore, flow of information increase rapidly that leads information to be obtained so much. Social media become the one information provider, such as Twitter. Topic detection become a public society to know the things that being discussed at a certain time. Hence, needed a quick and precise method to obatain topic from tweet posted from twitter. With large amount of document, needed an automaticly method. One of automaticly method that based on matrix factorization is Non-negative Matrix Factorization as usually being called as NMF. Non-negative matrix factorization method on this research focused on region of Jakarta in order to know what are being discussed by society there in a period of time. The result have been obtain with NMF method will be evaluated by calculating the accuracy and finally will be simulated in the form of trend plot based on the frequency of the topic.

Abstrak :
Pemerintah Indonesia mengeluarkan kebijakan untuk melakukan pemindahan ibu kota negara (IKN) dari Jakarta ke Kalimantan di tahun 2019. Hal tersebut menuai respons dari masyarakat, ada kelompok yang setuju dan ada yang tidak setuju. Opini dari masyarakat tentang pemindahan ibu kota banyak beredar melalu sosial media khususnya Twitter. Pemindahan ibu kota butuh proses panjang dan direncanakan dimulai di tahun 2024. Sampai saat ini sudah banyak kebijakan turunan dari pemerintah agar proses pemindahan ibu kota negara tetap berlangsung. Begitu juga dengan opini masyarakat di Twitter bermunculan menanggapi kebijakan tersebut. Sudah hampir 4 tahun sejak ditetapkan, sudah cukup banyak juga opini dari masyarakat tentang pemindahan IKN. Maka dari itu penelitian ini bertujuan untuk mengetahui sentimen masyarakat tentang pemindahan ibu kota negara beserta topik-topik yang menjadi perbincangannya. Penelitian ini dilakukan dengan cara mengumpulkan data dari Twitter sejak 2019 sampai 2022 tentang pemindahan ibu kota negara. Data yang dikumpulkan akan melewati serangkaian data preprosesing yang kemudian diklasifikasikan ke dalam sentimen positif, netral, dan negatif. Pemodelan sentimen dilakukan menggunakan lima model klasifikasi untuk mencari keakuratan terbaik, yaitu Naïve Bayes (NB), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), dan Random Forest (RF). Masing-masing algoritma dijalankan dua kali dari 2 sampel yang tanpa melewati balancing, dan satunya lagi menggunakan oversampling. Pemodelan topik dilakukan menggunakan Latent Dirichlet Allocation (LDA). Kedua pemodelan ini digunakan untuk memvisualisasikan sentimen dan topik-topiknya ke dalam visualisasi time series. Pemodelan sentimen terbaik yang dihasilkan adalah RF dari sampel oversampling dengan nilai akurasi 82%. Pemodelan tersebut menghasilkan distribusi sentimen dengan sentimen positif mendominasi sebanyak 46.5%, sentimen netral sebanyak 31.6%, dan sentimen negatif sebanyak 21.9%. Hasil visualisasi time series menunjukkan bahwa sentimen positif tidak selalu mendominasi, namun hanya pada tahun 2022. Pemodelan topik menghasilkan 15 topik untuk sentimen positif, 11 topik untuk sentimen netral, dan 8 topik untuk sentimen negatif. Visualisasi topik time series memperlihatkan bahwa beberapa topik mendominasi perbincangan di Twitter, namun hanya pada bulan-bulan tertentu. Visualisasi time series dapat memberikan gambaran yang lebih komprehensif pada penelitian analisis sentimen dan pemodelan topik. ......Indonesian government issued a policy to move the national capital or ibu kota negara (IKN) from Jakarta to Kalimantan in 2019. This drew pros and cons from the public, there were groups who agreed and there were those who disagreed. Opinions from the public regarding the relocation of the capital city are widely circulated through social media, especially Twitter. Moving the capital city requires a long process and is planned to begin in 2024. Until now, there have been many derivative policies from the government so that the process of moving the national capital continues. Likewise, public opinion has sprung up ont Twitter in response to this policy. It's been almost 4 years since it was established, so there's been quite a lot of opinion from the public about the transfer of the IKN. Therefore this study aims to determine public sentimen about the relocation of the national capital along with the topics of discussion. This research is conducted by collecting data from Twitter from 2019 to 2022 regarding the relocation of the national capital. The data collected will go through a series of pre-processing data which are then classified into positive, neutral and negative sentimens. Sentimen modeling is carried out using five classification models to find the best accuracy, namely Naïve Bayes (NB), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), and Random Forest (RF). Each algorithm is run twice from 2 samples without going through balancing, and the other uses oversampling. Topic modeling is done using Latent Dirichlet Allocation (LDA). These two models are used to visualize sentimen and topics into a time series visualization. The best sentimen modeling produced is RF from oversampling samples with an accuracy value of 82%. This modeling produces a sentimen distribution with positive sentimen dominating by 46.5%, neutral sentimen by 31.6%, and negative sentimen by 21.9%. The results of the time series visualization show that positive sentimen does not always dominate, but only in 2022. The topic modeling produces 15 topics for positive sentimen, 11 topics for neutral sentimen, and 8 topics for negative sentimen. The time series topic visualization shows that several topics dominate the conversation on Twitter, but only in certain months. Time series visualization can provide a more comprehensive picture of sentimen analysis research and topic modeling.