Hasil Pencarian  ::  Simpan CSV :: Kembali

"Harga biji kakao lokal di Indonesia melonjak tajam dari sekitar Rp28.000/kg menjadi lebih dari Rp56.000/kg antara awal 2023 hingga awal 2024, seiring kenaikan harga global dari USD2.500/MT ke USD4.000/MT. Fluktuasi ini menjadi tantangan besar bagi industri dan pembuat kebijakan karena berdampak pada stabilitas rantai pasok dan pendapatan petani. Untuk menjawabnya, penelitian ini mengembangkan model peramalan harga berbasis hybrid antara Autoregressive Integrated Moving Average with Exogenous Variables (ARIMAX) dan Long Short-Term Memory (LSTM), guna menangkap pola linier dan nonlinier dalam data deret waktu. Data mencakup periode Januari 2016–Desember 2023, termasuk harga kakao domestik dan global, nilai tukar USD/IDR, inflasi, volume ekspor-impor, dan produksi. Model ARIMAX dioptimasi dengan grid search, sementara LSTM menggunakan Bayesian optimization. Hasil terbaik diperoleh dari Hybrid ARIMAX-LSTM dengan pendekatan simple holdout, menunjukkan akurasi tinggi (MAE: 1.721, RMSE: 2.376, MAPE: 3,72%). Temuan ini memberikan kontribusi strategis dalam mendukung ketahanan industri kakao, khususnya untuk penentuan waktu optimal dalam pengadaan bahan baku.

---

The price of local cocoa beans in Indonesia rose sharply from approximately IDR 28,000/kg to overcIDR 56,000/kg between early 2023 and early 2024, following an increase in global cocoa prices from USD 2,500/MT to USD 4,000/MT. This volatility presents a significant challenge for industry players and policymakers, as it affects supply chain stability and farmers’ income. To address this issue, this study develops a hybrid price forecasting model that combines Autoregressive Integrated Moving Average with Exogenous Variables (ARIMAX) and Long Short-Term Memory (LSTM), aiming to capture both linear and nonlinear patterns in time series data. The dataset covers the period from January 2016 to December 2023 and includes domestic and global cocoa prices, USD/IDR exchange rates, inflation, export-import volumes, and production figures. The ARIMAX model is optimized using grid search, while the LSTM model is tuned using Bayesian optimization. The best-performing model, the Hybrid ARIMAX-LSTM with a simple holdout approach, demonstrates high predictive accuracy (MAE: 1,721; RMSE: 2,376; and MAPE of 3.72%). These findings offer strategic value in providing data-driven decision support tools to enhance the resilience of the national cocoa industry, particularly in determining optimal timing for raw material procurement.

"

"Klasifikasi penilaian risiko kredit merupakan cara untuk meminimalisir kerugian yang akan dialami oleh bank. Salah satu metode klasifikasi yang digunakan untuk mengklasifikasikan karakteristik calon debitur adalah Support Vector Machine (SVM). SVM mempunyai kemampuan generalisasi yang baik untuk menyelesaikan masalah klasifikasi dalam jumlah data yang besar dan dapat menghasilkan fungsi pemisah yang optimal untuk memisahkan dua kelompok data dari dua kelas yang berbeda. Salah satu keberhasilan menggunakan metode SVM adalah proses pemilihan model yang akan mempengaruhi tingkat akurasi klasifikasi. Metode pemilihan model yang digunakan pada tesis ini adalah metode grid search dan metode random search. Data dalam tesis ini menggunakan data sekunder dari database dalam UCI machine learning repository. Berdasarkan hasil simulasi untuk membandingkan nilai akurasi penggunaan metode pemilihan model pada SVM dalam klasifikasi penilaian risiko kredit, diperoleh bahwa metode random search belum mampu menghasilkan nilai akurasi yang lebih baik dari metode grid search. "

"Dalam rangka meminimalisir risiko yang dimiliki, sebuah perusahaan asuransi dapat memindahkan sebagian risiko yang dimiliki kepada perusahaan reasuransi. Sebagai imbalan atas pemindahtanganan risiko yang dilakukan, perusahaan asuransi perlu membayarkan sejumlah uang kepada perusahaan reasuransi yang disebut dengan premi reasuransi. Semakin besar risiko yang dipindahtangankan, maka akan semakin besar pula nilai premi reasuransi yang harus dibayarkan. Model reasuransi yang akan digunakan dalam pembahasan skripsi ini adalah reasuransi excess of loss, yaitu bentuk reasuransi dimana perusahaan reasuransi memiliki tanggung jawab untuk memberikan pertanggungan atas kerugian milik perusahaan asuransi yang melebihi jumlah atau batas tertentu. Selain itu, juga perlu ditentukan nilai retensi optimal agar besar premi reasuransi yang dibayarkan seimbang dengan jumlah risiko yang dipindahtangankan. Retensi sendiri merupakan jumlah maksimal kerugian yang tidak diasuransikan kembali oleh perusahaan asuransi atau kerugiannya ditanggung sendiri oleh perusahaan asuransi. Pada skripsi ini, nilai ekspektasi utilitas manfaat bersih dimaksimalkan guna menentukan premi reasuransi dan retensi optimal bagi kedua belah pihak, yaitu perusahaan asuransi dan perusahaan reasuransi. Terdapat dua operator perhitungan optimalisasi ekspektasi utilitas yang digunakan dalam menggabungkan ekspektasi utilitas perusahaan reasuransi dan ekspektasi utilitas perusahan asuransi, yaitu operator hitung penjumlahan yang menekankan pada total keuntungan kedua belah pihak dan operator hitung perkalian yang menjelaskan tingkat substitusi keuntungan salah satu pihak melalui kerugian dari pihak lain. Perhitungan nilai premi reasuransi dan retensi optimal dengan maksimisasi ekspektasi utilitas akan dilakukan menggunakan metode grid search pada perangkat lunak Phyton. Sebagai ilustrasi, ditentukan perhitungan nilai premi reasuransi dan retensi optimal berbasis ekspektasi utilitas apabila kerugian milik perusahaan asuransi mengikuti distribusi Lognormal dan Eksponensial.

---

In order to minimize its risks, an insurance company can transfer some of its risks to a reinsurance company. In return for the transfer of risk, the insurance company needs to pay a sum of money to the reinsurance company called the reinsurance premium. The greater the risk transferred, the greater the value of the reinsurance premium that must be paid. The reinsurance model that will be used in the discussion of this thesis is excess of loss reinsurance, which is a form of reinsurance where the reinsurance company has the responsibility to provide coverage for losses owned by insurance companies that exceed a certain amount or limit. In addition, it is also necessary to determine the optimal retention value so that the amount of reinsurance premium paid is balanced with the amount of risk transferred. Retention itself is the maximum amount of loss that is not reinsured by the insurance company or the loss is paid by the insurance company itself. In this thesis, the expected value of net benefit utility is maximized to determine the optimal reinsurance premium and retention for both parties, namely the insurance company and the reinsurance company. There are two utility expectation optimization calculation operators used in combining the expected utility of the reinsurance company and the expected utility of the insurance company, namely the addition calculation operator which emphasizes the total profit of both parties and the multiplication calculation operator which explains the degree of substitution of one party’s profit through the loss of the other party. The calculation of the optimal reinsurance premium and retention value with utility expectation maximization will be carried out using the grid search method in Python software. As an illustration, the calculation of the optimal reinsurance premium and retention value based on utility expectation is determined if the insurance company’s losses follow the Lognormal and Exponential distributions."

"Transportasi memainkan peran vital dalam memfasilitasi perpindahan barang dan manusia di seluruh dunia, yang hingga kini sangat bergantung pada bahan bakar fosil. Penggunaan energi fosil yang terus meningkat telah mengakibatkan lonjakan emisi gas rumah kaca, yang memberikan dampak negatif pada iklim global. Untuk mengatasi masalah lingkungan ini, sejumlah negara mulai beralih ke penggunaan kendaraan listrik yang mengandalkan baterai lithium-ion dan lithium-polimer sebagai sumber energinya. Penelitian ini bertujuan untuk memprediksi State of Charge (SoC) pada baterai lithium-ion dan lithium-polimer menggunakan model machine learning Long Short-Term Memory (LSTM) yang dioptimalkan parameter pada LSTM dengan metode Grid-Search. Dalam penelitian ini, data SoC dari baterai lithium-ion dan lithium-polimer dianalisis menggunakan model LSTM, serta LSTM yang telah dioptimalkan dengan Grid Search. Proses evaluasi dilakukan untuk membandingkan tingkat akurasi prediksi SoC antara kedua jenis baterai pada kondisi suhu operasional. Hasil penelitian mengungkapkan bahwa algoritma LSTM-Grid Search mampu memberikan akurasi prediksi SoC yang lebih tinggi dibandingkan dengan model LSTM standar. Secara khusus, model LSTM-Grid Search menunjukkan performa yang signifikan pada baterai lithium-ion dan lithium-polimer, dengan nilai R² mencapai 99.6% untuk baterai lithium-polimer pada suhu 25°C dan 95.8% untuk baterai lithium-ion pada suhu 0°C.

---

Transportaion plays a vital role in facilitating the movement of goods and people worldwide, which, until now, has heavily relied on fossil fuels. The increasing use of fossil energy has resulted in a surge in greenhouse gas emissions, negatively impacting the global climate. To address this environmental issue, several countries have begun transitioning to electric vehicles that rely on lithium-ion and lithium-polymer batteries as their energy source. This research aims to predict the State of Charge (SoC) of lithium-ion and lithium-polymer batteries using a Long Short-Term Memory (LSTM) machine learning model, with the LSTM parameters optimized using the Grid-Search method. In this study, SoC data from lithium-ion and lithium-polymer batteries were analyzed using both the standard LSTM model and the LSTM model optimized with Grid Search. The evaluation process was conducted to compare the accuracy of SoC predictions between the two types of batteries under operational temperature conditions. The research findings revealed that the LSTM-Grid Search algorithm provided higher SoC prediction accuracy compared to the standard LSTM model. Specifically, the LSTM-Grid Search model demonstrated significant performance on lithium-ion and lithium-polymer batteries, with R² values reaching 99.6% for lithium-polymer batteries at 25°C and 95.8% for lithium-ion batteries at 0°C."