Hasil Pencarian  ::  Simpan CSV :: Kembali

"Deforestation speed was increasing fastly from 1,87 million ha/year on the 1985-1997 period to 2,6 million ha/year on 1998-2000 period. This increase in speed cause many problems such as: a decrease in environment quality, the drastic decrease in forest timber production which affects timber supply,etc. There are many factors affecting a change in the forest coverage. At first, management of Forest Utilization Right (HPH) and the development of timber industry are perceived as the cause of the increase in deforestation speed. However, there are other argument that propose an increase in the number of farmers and nomad farmer in forest area as the cause the change in forest coverage. The purpose of this study is to get a picture of the direct cause of the change in forest coverage. This study use panel data method for 19 provinces from 1976 to 2000. The results show that there is a positive relationship between speed of deforestation and forest coverage. Logging activity and forest conversion contribute to the change in forest coverage where forest conversion has bigger impact on the speed of deforestation. This analysis indicates that forest conversion is the maior cause of deforestation in Indonesia. The conversion of forest into plantation is the major cause of deforestation in Indonesia. On the other hand the number of small farmers or people live in forest area has very little impact on deforestation. "

"Tujuan penelitian ini adalah 1) untuk dapat mengetahui alternatif lain dari proxies likuiditas yang mengantikan volume dan frekuensi trading; 2) untuk dapat membuktikan bahwasanya bid-ask spread sebagai proxies likuiditas alternatif dapat memberikan hasil yang akurat. Sementara data yang digunakan adalah data harga bid and ask serta harga penutupan dari 7 obligasi konvensional dan 7 sukuk ijarahnya selama Januari 2006 hingga Desember 2007. Metode yang digunakan adalah pemodelan data panel.Dari hasil penelitian ini dapat diambil kesimpulan bahwa Bid-ask spread dapat digunakan sebagai alternatif lain dari proxies likuiditas mengantikan volume dan frekuensi trading. Bid-ask spread pun secara signifikan dapat digunakan untuk menentukan besaran premi risiko obligasi konvensional dan sukuk ijarahnya.

---

The aims of the research are 1) to find out the proper proxies of liquidity to alternate the volume and trading frequency till we can use it in term of corporate bonds and its sukuk; 2) to acknowledge that bid-ask spread as proxies of liquidity can improve and assert the significant implication of liquidity unto risk premium accurately cq. corporate bonds and its sukuk. Hopefully it will appropriate with the theory. The database used in this research is data of bid-ask prices taken from January 02, 2006 till December 28, 2007 based on Government Custodian. The technical model used to is Panel Data Model.The result shows that bid-ask spread more appropriate used as proxies of liquidity than volume and trading frequency regarding relation between liquidity and risk premium in term of corporate bonds and its sukuk. In the other side, bid-ask spread as proxies of liquidity indeed can improve and assert the significant implication of liquidity unto risk premium accurately."

"Bank BRI merupakan salah satu Bank BUMN terbesar yang ada di Indonesia dengan berbagai produk perbankan untuk melayani masyarakat seperti produk simpanan dan pinjaman. Setiap produk simpanan dan pinjaman yang terealisasi akan memberikan informasi terkait data nasabah. Dalam menjalankan proses bisnisnya Bank BRI berkewajiban untuk melakukan pelaporan atau regulatory kepada pihak Bank Indonesia seperti data nasabah yang memiliki account atau yang merupakan nasabah dari Bank BRI. Kepentingan untuk melakukan pelaporan terkait data nasabah memerlukan proses dan integrasi dari setiap data nasabah. Kondisi saat ini sumber data nasabah tidak ada hanya ada satu sumber melainkan empat sumber data nasabah. Demi kepentingan tersebut diperlukan suatu model untuk membentuk master data nasabah yang bersifat tunggal, sehingga master data nasabah tersebut dapat menjadi acuan untuk setiap pelaporan yang dilakukan. penelitian ini bertujuan untuk membentuk model master data nasabah tunggal pada Bank BRI yang dapat digunakan untuk pelaporan bank dengan cara melakukan integrasi dari empat sumber data nasabah yang ada di Bank BRI dengan proses cleansing dan matching. Framework yang digunakan dalam penelitian berdasarkan Data Management Body of Knowledge (DMBOK) dengan mengikutiaktivitas pada Master Data Management (MDM).Penelitian ini merupakan penelitian kualitatif dengan metode action research. Pengumpulan data dilakukan dengan cara wawancara dan validasi terhadap expert pada bidang master data. Penelitian ini menghasilkan model arsitektur master data nasabah tunggal yang dapat digunakan untuk pelaporan Bank.

---

Bank BRI is one of the largest BUMN banks in Indonesia with various banking products to serve the public such as savings and loan products. Every savings product and loan that is realized will provide information related to customer data. In carrying out its business processes Bank BRI is obliged to report or regulatory to Bank Indonesia

such as customer data that has an account or is a customer of Bank BRI. The interest in reporting related to customer data requires a process and integration of each customer data. The current condition of customer data sources is not only one source, but four customer data sources. For the sake of this interest, a model is needed to form a single master data client, so that the customer master data can be a reference for every report made. This study aims to establish a single model master data customer at Bank BRI that can be used for bank reporting by integrating four customer data sources in Bank BRI with cleansing and matching process. The Framework used in this research based on the Data Management Body of Knowledge (DMBOK) by following 10 activities in the Master Data Management (MDM). This research is qualitative research with action research methods. Data collection is done by interview and validation of experts in the field of master data. This research produces a single customer master data architecture that can be used for Bank reporting."

"Dalam upaya optimalisasi kebijakan adaptasi dan pencegahan perubahan iklim dengan menghindari potensi perlambatan pertumbuhan ekonomi, modal sosial diyakini dapat menjadi variabel kunci yang dapat mendorong implementasi kebijakan penurunan emisi karbon secara signifikan. Oleh karena itu, penelitian ini bertujuan untuk menganalisis dampak modal sosial terhadap emisi karbon per kapita yang mempertimbangkan adanya pengaruh spasial dan dinamis dari waktu pada provinsi di Indonesia untuk tahun 2010 – 2018 melalui pendekatan model dinamika spasial. Hasil penelitian memperlihatkan adanya pengaruh negatif dari modal sosial terhadap emisi karbon per kapita di mana estimasi koefisien tersebut akan lebih rendah ketika mempertimbangkan pengaruh spasial dan temporal dari emisi karbon. Penelitian ini memperlihatkan area baru dalam pengembangan kebijakan perubahan iklim maupun penurunan emisi karbon agar dapat mencegah dampak yang lebih berbahaya dari emisi karbon tanpa menimbulkan risiko perlambatan laju pertumbuhan ekonomi negara berkembang khususnya di Indonesia.

---

In terms to optimize climate change policies by avoiding the potential slowdown of economic growth, social capital is believed to be a key variable that can encourage the implementation of policies to reduce carbon emissions significantly. Therefore, this study aims to analyze the impact of social capital on per capita carbon emissions by considering the spatial and dynamic effect of carbon emission on provinces in Indonesia for 2010 – 2018 through a spatial dynamics model approach. The results of the study showed a negative impact of social capital on per capita carbon emissions where estimates of such coefficients would be lower when considering the spatial and temporal impacts of carbon emission. The research shows new areas in the development of climate change policies and reduction of carbon emissions in order to prevent the more dangerous impacts of the carbon emission without posing the risk of slowing the growth rate of the developing country in Indonesia."

"Penelitian ini dilatarbelakangi oleh tujuan pembangunan yaitu pertumbuhan ekonomi dan pemerataan distribusi pendapatan. Kedua hal tersebut sama-sama penting namun sulit diwujudkan secara bersamaan. Hai ini dapat terjadi karena strategi pembangunan pada awal masa orde baru lebih menitikberatkan pada pertumbuhan ekonomi tanpa memperhatikan pada pemerataan distribusi pendapatan. Tesis ini meneliti pengaruh distribusi pendapatan terhadap pertumbuhan ekonomi propinsi di Indonesia. Selain dari itu, akan diteliti juga pengaruh indikator pembangunan seperti inflasi dan tingkat pendidikan terhadap pertumbuhan ekonomi propinsi.Pertumbuhan ekonomi propinsi dihitung berdasarkan Produk Domestik Regional Bruto per kapita, sedangkan distribusi pendapatan berdasarkan kriteria Bank Dunia yang terdiri dari persentase pendapatan 40 % penduduk berpendapatan rendah, 40 % penduduk berpendapatan menengah dan 20 % penduduk berpendapatan tinggi. Inflasi yang dipakai adalah inflasi regional rata-rata selama 1 tahun dan tingkat penddikan yang digunakan adalah persentase penduduk yang pendidikan tertinggi ditamatkan setingkat SMP.Pengolahan data dilakukan dengan penggunaan model analisis data panel, yaitu metode fixed effect dengan pembobotan cross section weight. Variabel dummy digunakan untuk melihat perbedaan antar propinsi dan juga untuk melihat perbedaan pertumbuhan ekonomi antar sebelum krisis dan sesudah krisis ekonomi.Hasil penelitian menunjukkan pertumbuhan ekonomi dipengaruhi oleh distribusi pendapatan secara positif, pada semua kelompok penduduk. Akan tetapi pengaruh persentase kenaikan pendapatan 40 % penduduk berpendapatan rendah lebih tinggi dari pada persentase kenaikan pendapatan 40 % penduduk berpendapatan menengah dan persentase kenaikan pendapatan 20 % penduduk berpendapatan tinggi. Hal ini menunjukkan bahwa ketimpangan pendapatan penduduk telah berkurang dan berpengaruh positif terhadap pertumbuhan ekonomi propinsi. Tingkat inflasi berpengaruh negatif terhadap pertumbuhan ekonomi, sedangkan tingkat pendidikan penduduk yaitu persentase penduduk yang pendidikan tertinggi ditamatkan setingkat SMP berpengaruh positif terhadap pertumbuhan ekonomi.Rekomendasi dari penelitian ini adalah pemerintah di propinsi diharapkan untuk lebih memperhatikan pemerataan distribusi pendapatan karena akan mendorong pertumbuhan ekonomi. Selain itu pemerintah daerah diharapkan mampu mempertahankan tingkat inflasi yang rendah karena semakin tinggi inflasi pertumbuhan ekonomi akan berkurang. Dan juga pemerintah daerah diharapkan memberikan kesempatan seluas-luasnya agar penduduknya dapat memperoleh pendidikan yang setinggi-tingginya yang pada akhirnya akan meningkatkan pertumbuhan ekonomi."

"Regresi data panel merupakan suatu regresi yang menggabungkan dua jenis data, yaitu data cross section dan data longitudinal. Berdasarkan komponen errornya regresi data panel dibedakan menjadi dua yaitu komponen error satu arah dan dua arah. Pada regresi data panel dibutuhkan beberapa asumsi tentang error yaitu error mempunyai mean nol dan mempunyai variansi konstan (homoskedastis) serta error antar observasi saling bebas. Dalam analisis regresi data panel, pada saat melakukan pengambilan observasi di suatu lokasi sering ditemui bahwa nilai observasi pada suatu lokasi bergantung pada nilai observasi di lokasi disekitarnya atau dengan kata lain ada korelasi spasial antar observasi. Inilah yang disebut dengan spatial dependent. Jika pengaruh spasial ini ada dan tidak dilibatkan dalam model maka asumsi error antar observasi saling bebas tidak terpenuhi. Sehingga model yang diperoleh menjadi kurang baik. Untuk itu dibutuhkan suatu model yang melibatkan pengaruh spasial dalam analisis regresi data panel yang dinamakan spatial panel data model. Dalam tugas akhir ini akan dibahas bagaimana cara menaksir parameter pada model regresi spasial panel satu arah dengan menggunakan metode maksimum likelihood."

"Data panel merupakan gabungan dari dua jenis data, yaitu data cross section dan data longitudinal. Model regresi linier yang melibatkan data panel disebut dengan model regresi data panel. Pada saat melakukan observasi, sering ditemui bahwa nilai observasi di suatu lokasi bergantung pada nilai observasi di lokasi sekitarnya, yang dikenal dengan spasial dependen. Model regresi data panel yang turut melibatkan aspek ketergantungan lokasi (spasial dependen) dikenal dengan model spasial data panel. Model spasial lag data panel menunjukkan adanya ketergantungan antara variabel dependen di suatu lokasi dengan variabel dependen di lokasi sekitarnya. Pada tugas akhir ini akan dibahas penaksiran parameter pada Random Effects Spatial Lag Panel Data Model dengan komponen error satu arah menggunakan metode maksimum likelihood."

"Data panel merupakan gabungan dari dua jenis data, yaitu data cross section dan data longitudinal. Model regresi linier yang melibatkan data panel disebut dengan model regresi data panel. Pada saat melakukan observasi, sering ditemui bahwa nilai observasi di suatu lokasi bergantung pada nilai observasi di lokasi sekitarnya, yang dikenal dengan spasial dependen. Model regresi data panel yang turut melibatkan aspek ketergantungan lokasi (spasial dependen) dikenal dengan model spasial data panel. Model spasial lag data panel menunjukkan adanya ketergantungan antara variabel dependen di suatu lokasi dengan variabel dependen di lokasi sekitarnya. Pada tugas akhir ini akan dibahas penaksiran parameter pada Random Effects Spatial Lag Panel Data Model dengan komponen error satu arah menggunakan metode maksimum likelihood."

"Teknologi Informasi pada masa kini sangat bergantung pada data yang berasal dari aktivitas manusia dan lingkungan secara fisik. Entitas things yang dimaksud adalah people dan machine. Salah satu dampak signifikan dari peningkatan entitas things dan terhubungnya mereka ke Internet of Things adalah membengkaknya jumlah dan ukuran data. Teknologi database SQL telah digunakan cukup lama dan terpercaya untuk diterapkan pada seluruh jenis aplikasi. Akan tetapi, teknologi SQL tidak dirancang untuk mengelola big data. NoSQL menjadi alternatif dari SQL yang paling memungkinkan karena adanya peningkatan kebutuhan skalabilitas, serta dukungan terhadap data model schema-free. Beragam jenis data (terstruktur, semi-terstruktur atau tidak terstruktur) dan tipe data mampu dikelola oleh NoSQL. Penelitian pada skripsi ini bertujuan untuk merancang dan mengimplementasikan data model pada tiga buah database engine untuk mengelola data yang diperoleh dari Internet of Things. Operasi yang diuji adalah read dan write, dengan jumlah data dan jumlah client yang bervariasi. Hasil pengujian menunjukkan bahwa NoSQL memiliki kinerja yang lebih baik untuk mengelola data dalam jumlah besar. Untuk pemasukan data dalam jumlah besar (1.000 baris) yang dilakukan oleh 1.000 client, Redis memiliki kinerja tercepat (1,38 detik), diikuti mongoDB (2,43 detik), dan PostgreSQL (21,97 detik). Terdapat hubungan antara kinerja dengan data model dan arsitektur yang digunakan pada setiap database engine.

---

Today’s Information Technology is so dependent on data originated by people and physical environment. Things are people and machine. One of the most significant result of the growth things and their connectivity to the Internet of Things is the increasing number and size of data. SQL databases have been used for a long time and have proven to be the reliable tools for any type of applications. But, SQL was not designed to manage the big data. NoSQL is the most possible alternative to SQL due to the increasing need of scalability and its support to schema-free data model. Structured, semi-structured, and unstructured data, and variety of data types could be managed by the NoSQL. Experiments in this final project are done to design and implement the data model into three database engine to manage the data collected from Internet of Things. We compare read and write operations vary considerably in the amount of data and the number of clients. Our results show that NoSQL databases have better performance to manage large amounts of data. To insert a large amount of data (1.000 rows) done by 1.000 clients, Redis has the fastest performance (1,38 seconds), followed by MongoDB (2,43 seconds), and PostgreSQL (21,97 seconds). There is a corellation between performance and the data model and the architecture each database uses."