Hasil Pencarian  ::  Simpan CSV :: Kembali

"Industri asuransi menghadapi tantangan dalam mendeteksi fraud pada klaim yang dapat menyebabkan kerugian finansial dan penurunan kepercayaan masyarakat terhadap perusahaan asuransi. Metode konvensional dinilai kurang efektif karena membutuhkan proses manual dan sumber daya yang besar. Oleh karena itu, pendekatan machine learning diajukan untuk menyelesaikan masalah ini secara efisien. Dalam beberapa tahun terakhir, pendekatan deep learning yang merupakan cabang dari machine learning semakin populer karena kemampuannya menangani data kompleks secara efisien. Salah satu metode deep learning yang dirancang untuk data tabular adalah TabTransformer, yang memanfaatkan mekanisme column embedding dan self-attention untuk menangkap interaksi kompleks antar fitur kategorik. Penelitian ini bertujuan untuk menganalisis performa dan interpretasi dari model TabTransformer dalam mendeteksi fraud pada klaim asuransi. Model TabTransformer dibandingkan dengan model berbasis pohon keputusan seperti Decision Tree, Random Forest, dan XGBoost. Evaluasi dilakukan terhadap tiga dataset klaim asuransi berbeda menggunakan metrik AUC, sensitivity, dan specificity. Hasil penelitian menunjukkan bahwa TabTransformer memiliki kinerja kompetitif dan stabil pada ketiga dataset. Selain itu, analisis interpretabilitas model menunjukkan bahwa fitur-fitur penting yang diidentifikasi oleh model konsisten dengan interpretasi model lainnya, sehingga memperkuat validitas model TabTransformer dalam aplikasi nyata sebagai sistem pendukung keputusan untuk mendeteksi klaim fraud.

---

The insurance industry faces significant challenges in detecting fraud claims, which can lead to financial losses and decreased public trust in insurance companies. Traditional detection methods are often considered ineffective due to their reliance on manual investigation and resource-intensive processes. To address this issue efficiently, machine learning has been proposed as a viable approach. In recent years, deep learning has gained popularity as a subset of machine learning due to its ability to handle complex data efficiently. One of the deep learning methods specifically designed for structured tabular data is the TabTransformer, which utilizes column embeddings and self-attention mechanisms to capture complex interactions between categorical features. This study aims to analyze the performance and interpretability of the TabTransformer model in detecting insurance claim fraud. The model is compared with commonly used tree-based methods, namely Decision Tree, Random Forest, and XGBoost. The evaluation is conducted on three different insurance claim datasets using evaluation metrics such as AUC-ROC, sensitivity, and specificity. Results show that the TabTransformer delivers competitive and stable performance. Furthermore, model interpretability analysis reveals that the most influential features identified are consistent, thereby reinforcing the model’s validity as a decision support tool for insurance fraud detection."

"Laporan keuangan merupakan dokumen sangat penting yang menjadi basis dari keputusan berbagai stakeholder pada pasar modal. Ironisnya, fenomena fraud (kecurangan) pada laporan keuangan perusahaan bukan merupakan praktik yang tidak pernah terjadi. Data yang dilansir ACFE Chapter Indonesia pada tahun 2016 menunjukkan bahwa sekitar 40% dari kecurangan pada laporan keuangan menyebabkan kerugian yang mencapai lebih dari Rp. 10 milyar. Menurut laporanyang dirilis oleh ACFE pada tahun 2014, rata-rata waktu yang dibutuhkan untukmendeteksi kecurangan pada laporan keuangan adalah 24 bulan dengan total kerugian yang bisa mencapai US$ 150.000. Penelitian ini akan menggunakan pendekatan machine learning berbasis optimasi meta-heuristic untuk mengembangkan model prediksi fraud pada laporan keuangan. Terdapat beberapa metode klasifikasi yang dapat digunakan yaitu Neural Networks dan Support Vector Machine. Hasil prediksi terbaik pada penelitian ini berupa model Support Vector Machine dengan parameter teroptimasi dengan Genetic Algorithm yang mendapatkan akurasi sebesar 96.15%.

---

Financial statement is a critical document which form the basis of decisions of various stakeholders in the capital market. Ironically, the phenomenon of fraud (fraud) on the company's financial statements is not a practice that never happened. Data reported by ACFE Chapter Indonesia in 2016 showed that around 40% of the financial statement caused losses that reached more than Rp 10 billion. According to a report released by ACFE in 2014, the average time needed to detect fraud on financial statements is 24 months, with a total loss that could reach US$ 150,000. This study will use several machine learning approaches based on meta-heuristic optimization to develop fraud prediction models in financial statements. Two classification methods were utilized, namely, Back Propagation Neural Networks and Support Vector Machines. The best classifier in this study is a Support Vector Machine, which parameters are optimized with Genetic Algorithm resulting in 96.15% accuracy."

"Masuknya industri 4.0 di Indonesia membuat mesin dapat terintegrasi dengan komputer melalui perangkat IoT sehingga membuat proses produksi lebih efisien. Salah satu upaya untuk mempertahankan hal tersebut adalah dengan melakukan maintenance menggunakan metode predictive maintenance. Kegagalan mesin dalam predictive maintenance dapat diprediksi menggunakan machine learning. Metode sequence processing adalah algoritma machine learning yang cocok digunakan dalam predictive maintenance berbasis timeseries. Penelitian ini mencoba berbagai macam cara penerapan sequence processing untuk memprediksi kegagalan pada mesin. LSTM merupakan metode sequence processing yang populer digunakan untuk predictive maintenance. Terdapat tiga cara penerapan model LSTM yang diuji pada penelitian ini, yaitu model klasifikasi, regresi, dan regresi menggunakan sequence to sequence Ketiga model tersebut akan diuji menggunakan data yang didapat dari database terbuka. Setiap model akan dievaluasi dan dikomparasi untuk mengetahui model yang terbaik. Penelitian ini menunjukkan bahwa model klasifikasi memiliki kinerja yang buruk karena mengalami overfitting. Sementara itu, model regresi sequence to sequence memiliki kinerja yang paling baik, yaitu dengan nilai f-1 score mencapai 57.45%.

---

The implementation of Industry 4.0 in Indonesia enables machines to be integrated with computers through IoT devices, resulting in more efficient production processes. One of the efforts to maintain this is by performing maintenance using predictive maintenance methods. Machine learning can be used to predict machine failures in predictive maintenance. Sequence processing is a suitable machine learning algorithm for predictive maintenance based on timeseries data. This research explores various ways to apply sequence processing for predicting machine failures. LSTM is a popular sequence processing method used in predictive maintenance. Three approaches for implementing LSTM models were tested in this study: classification, regression, and sequence to sequence regression. These models were tested using data obtained from an open database. Each model was evaluated and compared to determine the best-performing model. The research findings indicate that the classification model performed poorly due to overfitting. On the other hand, the sequence to sequence regression model achieved the best performance, with an f-1 score of 57.45%."

"Peralatan dan komponen di Pembangkit Listrik Tenaga Panas Bumi harus selalu diperhatikan keandalan serta ketersediaannya. Sehingga untuk memenuhi hal tersebut sangat diperlukannya program pemeliharaan atau maintenance. Hot well pump sendiri merupakan salah satu komponen utama yang sangat berpengaruh pada produktivitas sistem pembangkit listrik. Karena itulah reliability dan availability dari mesin sangat berpengaruh untuk sistem pembangkit secara keseluruhan. Peningkatan nilai availability ini dapat dilakukan dengan meningkatkan efektivitas daripada waktu operasi uptime mesin tersebut. Adapun sistem pemeliharaan yang dirasa tepat untuk meningkatkan availability tersebut adalah sistem pemeliharaan prediktif yang didasarkan pada kondisi aktual mesin condition-based maintenance. Dalam sistem ini, pemeliharaan akan dilakukan hanya ketika terdapat tanda-tanda penurunan performa mesin. Untuk itu dilakukan perancangan sebuah model prediksi dengan dengan pendekatan machine learning pada metode Classification Learner untuk mempelajari dan mengklasifikasikan rekaman data operasi mesin dalam jumlah besar dari sensor parameter mesin terkait dan menggunakan MATLAB sebagai perangkat lunak pengolah data. Model ini diharapkan dapat menjadi solusi dalam menentukan jadwal pemeliharaan mesin yang tepat sesuai dengan kondisi aktualnya.

---

Equipments and components in the Geothermal Power Plant shall always be noted for its reliability and availability. It is very necessary a good maintenance program. Hot well pump itself is one of the main components that are very influential on the productivity of power generation systems. That is why reliability and availability of that machine is very influential for the overall generating system. The increased availability value can be achieved by increasing the effectiveness of the machine 39 s uptime operation time. The maintenance system that considered appropriate to increase availability is a predictive maintenance system based on the actual condition of the machine condition based maintenance.

In this system, maintenance will be held only when there are signs of decreased machine performance. For that purpose, designing a prediction model with machine learning approach in Classification Learner method is used to study and classify the machine operation data record in large quantities from the sensor of that machine parameters and using MATLAB as a data processing software. This model is expected to be a solution in determining the exact machine maintenance schedule of machine in accordance with actual conditions. "