Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Intended for students and researchers, this text employs basic techniques of univariate and multivariate statistics for the analysis of time series and signals. It provides a broad collection of theorems, placing the techniques on firm theoretical ground. The techniques, which are illustrated by data analyses, are discussed in both a heuristic and a formal manner, making the book useful for both the applied and the theoretical worker. An extensive set of original exercises is included.

Abstrak :
This volume explores dynamic factor model specification, asymptotic and finite-sample behavior of parameter estimators, identification, frequentist and Bayesian estimation of the corresponding state space models, and applications.

Abstrak :
Penerapan deminimis threshold pada transaksi cross border e-commerce bertujuan sebagai fasilitasi perdagangan, namun berpotensi meningkatkan ketidakpatuhan dalam perpajakan. Penelitian ini bertujuan untuk mengetahui dampak kebijakan perubahan deminimis threshold terhadap penghindaran pajak impor pada transaksi cross border e-commerce di Indonesia. Dengan menggunakan metode interrupted time series analysis, hasil pengujian empiris menunjukkan bahwa kebijakan perubahan tingkat deminimis threshold menjadi USD75 pada tahun 2018 dan menjadi USD3 pada tahun 2020 telah dapat mengurangi pemanfaatan deminimis threshold secara tidak benar melalui underreporting nilai barang impor. Intervensi pemerintah tersebut berdampak pada penurunan tren kasus penghindaran pajak impor yang signifikan secara statistik. ......Applying the Deminimis Threshold on the Cross Border E-commerce transaction aims to facilitate trade but can potentially increase non-compliance in taxation. This study aims to determine the impact of the deminimis threshold change policy on import tax evasion on cross-border e-commerce transactions in Indonesia. Using the Interrupted Time Series Analysis method, the results of empirical testing showed that the policy of changing the Deminimis Threshold to USD75 in 2018 and becoming USD3 in 2020 could reduce the use of Deminimis Threshold incorrectly through the underreporting value of imported goods. The government intervention impacts a decrease in the trend of a statistically significant import tax evasion.

Abstrak :
Saat ini, dunia telah memasuki era persaingan berbasiskan data. Data menjadi aset yang sangat berharga bagi perusahaan dalam memenangkan persaingan bisnis. Perusahaan telekomunikasi adalah salah satu perusahaan yang sangat bergantung terhadap data. PT Indosat Tbk, sebagai salah satu perusahaan telekomunikasi di Indonesia, telah memanfaatkan database untuk mengelola data perusahaan. Informasi yang diperoleh melalui database merupakan data aktual. Selain memperoleh informasi melalui data aktual, terdapat juga informasi berharga lain yang masih tersembunyi. Untuk mendapatkannya diperlukan teknik pengolahan data yang baik yaitu menggunakan data mining. Dalam melakukan data mining diperlukan suatu media penyimpanan untuk menampung data skala besar yaitu data warehouse. Penelitian ini bertujuan untuk menberikan solusi alternatif bagi PT Indosat Tbk dengan pengumpulan data ke suatu sumber pengetahuan (data warehouse) dalam mencari potensi-potensi data tersembunyi melalui penerapan data mining. Tahapan yang akan dilakukan dalam penelitian ini yaitu penelaahan kebutuhan bisnis dan informasi, pengumpulan data melalui observasi ke lapangan, kajian dokumen atau literatur, menelaah data kemudian merancang data warehouse dan pada tahap akhir dilakukan pengimplementasian data mining dengan menggunakan teknik time series analysis untuk melihat tren kinerja jaringan dari PT Indosat Tbk. Pada tahap perancangan, analisis dan implementasi data warehouse dan data mining akan digunakan tools Microsoft SQL Server 2005 dan RapidMiner. Pengimplementasian data warehouse pada PT. Indosat Tbk dapat membantu melihat informasi kinerja jaringan dengan lebih cepat, detil dan akurat. Sedangkan pengimplementasian data mining melalui time series analysis dapat membantu perusahaan dalam pengambilan keputusan yang tepat dengan kemampuan time series analysis untuk melakukan prediksi (forecasting) terhadap data elemen jaringan yang dimiliki oleh PT. Indosat Tbk. Sehingga dengan pengumpulan data ke data warehouse dan penerapan data mining (time series analysis) dapat membantu PT. Indosat Tbk menghadirkan quality of service yang baik dan target KPI (Key Performance Indicator) yang ditetapkan dapat tercapai atau bahkan terlampaui. ......Nowadays, world already encountered competition age of data, data became a very valuable asset for a company to win the business competition. Telecommunication Company is one of company that depends to data needs. PT Indosat Tbk, as one of leading Telecommunication Company in Indonesia, already used database to manage the company?s own data. Information, which is collect from database, is an actual data. Besides collecting the actual data, there is valuable information which is still hidden. To get this hidden data, there is a need of good data processing, using data mining. In data mining, there is a need of storage media to accommodate large scale data, which is called data warehouse. This research is purposed to give an alternative solution to PT Indosat Tbk by collecting the data to data warehouse, to find the potential hidden data using data mining deployment. Stages that will be done on this research, i.e.: analyze business and information needs, collecting data by observing to company, recitation of document and literature, and also data analyzing then to be used for dimensioning data warehouse. And on the last stage is implementation of data mining using time series analysis technique to see trend of PT Indosat Tbk network performance. On the designing, analyzing, and implementation stages, data warehouse and data mining will use tool Microsoft SQL Server 2005 and RapidMiner. By implementation data warehouse, it would aid to see information of network performance quicker, more detail and accurate. Implementation data mining using time series analysis is aid the company to make an accurate decision by using the ability of time series analysis to forecast element data of PT Indosat Tbk network. So by collecting all the data to data warehouse and data mining (time series analysis) implementation, would aid PT Indosat Tbk to represent a good quality of service and the stated KPI (Key Performance Indicator) can be reached or even exceeded.

Abstrak :
Gempa bumi merupakan peristiwa alam yang kapan saja bisa terjadi dan dapat membahayakan orang-orang yang berada dekat dengan pusat gempa. Akan sangat baik jika kita dapat melakukan persiapan sebelum gempa bumi terjadi, tetapi permasalahannya kita tidak tahu kapan gempa bumi akan terjadi. Penelitian ini bertujuan untuk menganalisis hubungan antara kejadian gempa bumi di masa lalu dan di masa mendatang dengan mencoba memprediksi jumlah gempa tahunan pada suatu tahun dilihat dari jumlah kejadian gempa bumi di tahun-tahun sebelumnya. Penelitian ini membagi data kejadian gempa bumi berdasarkan dua kategori lokasi: zona waktu GMT dan lempengan bumi. Hasil dari penelitian ini berupa model-model machine learning yang dapat memprediksi jumlah gempa tahunan berdasarkan masing-masing lokasi. Penelitian ini menggunakan teknik-teknik machine learning yaitu linear regression, LSTM, dan Prophet pada dataset gempa bumi dengan menggunakan pendekatan time series analysis. Penelitian ini juga mencoba beberapa pengaturan window size, dan penggunaan jenis data stationary untuk training. Hal ini dilakukan untuk menemukan pengaturan terbaik yang dapat digunakan untuk melakukan prediksi. Performa model yang dihasilkan akan dievaluasi menggunakan metrik RMSE dan R2. Teknik machine learning yang dianggap memiliki performa rata-rata terbaik (rata-rata dari penggunaan window size 3, 4, dan 5) untuk dua kategori lokasi tersebut adalah linear regression dengan penggunaan data stationary yang mana mendapatkan rata-rata RMSE 11.26 dan R2 0.19 untuk kategori zona waktu, sedangkan untuk kategori lempengan bumi mendapatkan rata-rata RMSE 6.87 dan R2 0.13. ......An earthquake is a natural event that can occur anytime and endanger many lives. It is a good thing if we can make a preparation to overcome the after-effect, but the problem is we do not know when an earthquake will take place. The purpose of this research is to analyze the correlation between the past and future earthquakes by predicting the number of earthquakes in a certain year based on the number of earthquakes in previous years. This research groups the earthquakes based on their location categorization: GMT time zone and earth plate. The results of this research are machine learning models that can predict the number of annual earthquakes for each location. We employ various machine learning techniques in this research, such as linear regression, LSTM, and Prophet on earthquake datasets with a time series analysis approach. This research also measures the effect of window sizes and the usage of stationary data for training. This is done to find the best settings that can be used in prediction. The models are evaluated using the RMSE and R2 metrics. The evaluation results suggest that the highest average performance (average on the window size of 3, 4, and 5) is obtained by using the linear regression model, achieving an RMSE score of 11.26 and an R2 score of 0.19 for the time zone categorization, and an RMSE score of 6.87 and an R2 score of 0.13 for the earth plate categorization.