Hasil Pencarian  ::  Simpan CSV :: Kembali

"Laporan magang ini membahas tentang analisis atas kesesuaian aktivitas pengendalian risiko pada tingkat entitas PT JZZ . Analisis dilakukan dengan cara memetakan ulang (re-mapping) dan membandingkan kesesuaian aktivitas pengendalian risiko tingkat entitas terhadap The Committe of SponsoringOrganization of the Treadway Commission (COSO) Integrated Framework 2013.Hasil analisis menunjukan bahwa aktivitas pengendalian risiko tingkat entitasmilik PT JZZ cukup bagus, tetapi masih menggunakan pedoman COSO Integrated Framework 1992 sehingga diperlukan perbaikan.

---

This internship report discusses about the analysis of suitability of risk control at the entity level in PT JZZ. The analysis is carried out by re-mapping and

comparing the suitabilty of risk control activities at entity level to The Committe

of Sponsoring Organization of the Treadway Commission (COSO) Integrated

Framework 2013. The analysis result show that PT JZZ’s entity level risk control

activities is fairly good, but still use the COSO Integrated Framework 1992, so it

needs some improvement."

"Pengenalan Entitas Bernama (NER) telah diteliti cukup dalam, khususnya pada korpus berbahasa Inggris. Namun, penelitian NER pada korpus twit berbahasa Indonesia masih sangat sedikit karena minimnya dataset yang tersedia secara publik. BERT sebagai salah satu model state-of-the-art pada permasalahan NER belum diimplementasikan pada korpus twit berbahasa Indonesia. Kontribusi kami pada penelitian ini adalah mengembangkan dataset NER baru pada korpus twit berbahasa Indonesia sebanyak 7.426 twit, serta melakukan eksperimen pada model CRF dan BERT pada dataset tersebut. Pada akhirnya, model terbaik pada penelitian ini menghasilkan nilai F1 72,35% pada evaluasi tingkat token, serta nilai F1 79,27% (partial match) dan 75,40% (exact match) pada evaluasi tingkat entitas.

---

Named Entity Recognition (NER) has been extensively researched, primarily for understanding the English corpus. However, there has been very little NER research for understanding Indonesian-language tweet corpus due to the lack of publicly available datasets. As one of the state-of-the-art models in NER, BERT has not yet been implemented in the Indonesian-language tweet corpus. Our contribution to this research is to develop a new NER dataset on the corpus of 7.426 Indonesian-language tweets and to conduct experiments on the CRF and BERT models on the dataset. In the end, the best model of this research resulted in an F1 score of 72,35% at the token level evaluation and an F1 score of 79,27% (partial match) and 75,40% (exact match) at the entity level evaluation."

"Dalam bahasa Belanda, recht orde, ialah susunan hukum, artinya memberikan tempat yang sebenarnya kepada hukum., Yang dimaksud dengan ”memberikan tempat yang sebenarnya” yaitu menyusun dengan baik dan tertib aturan – aturan hukum dalam pergaulan hidup. Aturan - aturan hukum tersebut disusun dengan maksud untuk mengatasi apabila ada pelanggaran yang berlawanan dengan aturan terkait. Aturan tersebut juga dibangun dengan tujuan menjadikan lingkungan masyarakat atau negara menjadi aman dan tertib. Namun, pada faktanya vonis yang dijatuhkan oleh hakim sering kali tidak dapat dipastikan oleh para pencari keadilan. Dalam suatu perkara yang sama dan dengan pelanggaran pasal yang didakwakan yang sama pula, putusan yang dijatuhkan antara pengadilan yang satu dengan pengadilan lainnya dapat berbeda. Berdasarkan hal itu, pada penelitian ini penulis berusaha mengakomodasi praktisi hukum sebuah alat bantu dalam melakukan prediksi atau klasifikasi putusan atas suatu perkara pidana baru. Selain itu, dengan mengembangkan dari penelitian Naradipha Mahardika, 2023, penelitian ini menggunakan model ekstraksi (NER) untuk mengekstraksi entitas - entitas dari dokumen putusan pidana untuk dijadikan sebagai input model. Model yang akan digunakan pada penelitian ini antara lain model machine learning ada Logistic Regression, SVM, dan Naive Bayes, sedangkan untuk model deep learning ada LSTM dan CNN. Selain itu, juga akan dilakukan ablation study untuk mencari entitas dengan signifikan tertinggi. Hasil penelitian menunjukkan model CNN menjadi model dengan performa tertinggi dengan nilai f1-score sebesar 0.9765. Selain itu, entitas “Nama Pengadilan“ menjadi entitas signifikansi tertinggi setelah melakukakan ablation study dengan nilai akurasi yang turun sebesar 0.0417.

---

In Dutch, ”recth orde” means law order, which implies giving actual place or order to the law. This ”giving actual place” refers to structuring rules and regulations in social life. These laws are arranged with the intention of addressing violations that go against the established rules. Furthermore, these regulations are also designed to create a safe and orderly environment within society or a nation. However, in reality, the verdict handed down by judges often cannot be determined by seekers of justice. In the same case and with the same charged offense, the rulings issued between one court and another can differ. Based on this, in this research, the author aims to provide legal practitioners with a tool to aid in predicting or classifying verdicts in a criminal case that was trained later based on previous judgement documents. Additionally, building upon Naradipha Mahardika, 2023 research, this study uses Named Entity Recognition (NER) models to extract entities from criminal verdict documents as inputs for the model. The models experimented in this research include machine learning models like Logistic Regression, SVM, and Naive Bayes, along with deep learning models such as LSTM and CNN. Also an ablation study will be conducted to identify entities with the highest significance. The research results indicate that the CNN model performs the best with an f1-score of 0.9765. Additionally, the ablation study shows the highest significance in an “Nama Pengadilan“ entity, showing significance with a decrease in accuracy by 0.0417"