Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
diversifikasi merupakan satu dari 2 strategi dasar untuk mengembangkan perusahaan. Pada umumnya, perusahaan yang sudah berkembang akan melakukan diversifikasi bidang usaha. Begitu pula perusahaan-perusahaan di Indonesia. Bahkan banyak perusahaan Indonesia yang berbentuk konglomerasi.

Sudah banyak pendapat dan penelitian yang menjelaskan keuntungan?keuntungan yang dapat diperoleh dengan melakukan diversifikasi. Namun, banyak pula pendapat yang bernada negatif terhadap diversifikasi. Kritik terhadap penerapan diversifikasi, terutama untuk masa mendatang, semakin me ningkat dalam beberapa tahun terakhir ini.

Ada beberapa metode untuk mengukur diversitikasi, salah satunya adalah dengan menggunakan sistem klasifikasi yang dikembangkan oleh Richard P. Rumelt. Rumelt mengelompokkan perusahaan kedalam 9 kategori, yaitu Single Business, Domi nant?Vertical, Dominant-Constrained, Dominant?Linked, Domi nant-Unrelated, Related-Constrained, Related?Linked, Unre? Lated-Passive, dan Acquisitive Conglomerate.

Penelitian ini bertujuan mempelajari keterkaitan antara strategi diversifikasi yang diterapkan oleh perusabaan perusahaan Indonesia dan kinerja finansial yang dicapai oleh perusahaan-perusahaan tersebut, untuk selanjutnya menentukan strategi diversifikasi yang memberikan kinerja terbaik

Ada 8 besaran finansial yang dipakai untuk mengukur kinerja finansial perusahaan.

Sebagai obyek penelitian ini adalah perusahaan-perusa haan Indonesia yang telah menjual dan mencatatkan sahamnya di Bursa Efek Jakarta sampai dengan tanggal 31 Desember 1993.

Kurun waktu penelitian ini adalah dari tahun 1983 sampai dengan tahun 1993.

Sampel penelitian untuk tahun 1983 berjumlah 18 perusa haan, untuk tahun 1988 berjumlah 22 perusahaan, dan untuk tahun 1993 berjumlah 37 perusahaan.

Dalam penelitian ini diasumsikan bahwa perbedaan kiner ja finansial yang dicapai oieh 2 perusahaan yang menerapkan strategi diversifikasi yang berbeda semata?mata merupakan akibat dan perbedaaan strategi diversifikasi tersebut.

Hasil penelitian ini menunjukkan bahwa masing-masing strategi diversifikasi memiliki kelebihan dan kekurangan dalam kinerja finansialnya.

Kirierja finansial yang dihasilkan oieh tiap-tiap strategi diversifikasi sangat berfluktuasi.

Depat disimpulkan bahwa pada periode 1983-1988, strate gi diversifikasi yang memberikan kinerja finansial terbaik adalah Related Business, sedangkan pada periode 1988-1993, strategi diversifikasi yang memberikan kìnenja finansial terbaik adalah Single Business.

Abstrak :
Penelitian ini berjudul "Representasi Pengetahuan Sistem Klasifikasi DDC-21 Bidang Ilmu Pendidikan ke dalam Sistem Berbasis Pengetahuan dengan Menggunakan "Kaidah Produksi." Penelitian dilatarbelakangi oleh kebutuhan untuk mengaplikasikan teknik representasi pengetahuan "Kaidah Produksi," terhadap Bagan Klasifikasi DDC-21 ke dalam Sistem Berbasis-pengetahuan. Tujuan penelitian adalah untuk membuat representasi pengetahuan tentang Sistem Klasifikasi DDC-21 Bidang Ilmu Pendidikan. Permasalahan utama adalah Bagaimana merepresentasikan Sistem Klasifikasi DDC-21 Bidang Ilmu Pendidikan ke dalam Sistem Berbasis-pengetahuan, yang dapat memberikan solusi terhadap pembentukan nomor kelas subyek bahan pustaka, yang terdiri dari nomor utama dan nomor sekunder klasifikasi. Metode penelitian menggunakan pendekatan Systems Development Life Cycle (SDLC) dengan menerapkan konsep model linear Expert Systems Development Life Cycle (ESDLC) pads tahap pengembangan front-end. Teknik representasi pengetahuan yang digunakan adalah "K.aidah Produksi," dengan format kaidah IF-THEN-ELSE. Pembuatan representasi pengetahuan dilakukan dengan menggunakan bantuan instnunen Diagram Pohon (Decision tree) dan dilakukan secara Modular. Hasil penelitian menunjukkan bahwa teknik representasi pengetahuan "Kaidah Produksi," dapat dan cocok digunakan untuk: 1) merepresentasikan Sistem Klasifikasi DDC-21 Bidang limu Pendidikan ke dalam Sistem Berbasis-pengetahuan. 2) memberikan solusi terhadap pembentukan nomor utarna (kelas utama, divisi, seksi dan turunannya), serta pembentukan nomor sekunder, benipa penambahan notasi dari bagian lain Bagan, Tabel-1 (Subdivisi Standar), Tabel 2 (khusus wilayah Asia, Asia Timur dan Timur Jauh), Tabel-2 perluasan untuk wilayah Indonesia, dan Tabel-5 (Ras, suku bangsa dan kebangsaan). ...... Knowledge Representation for Field of Education Science from DDC-21 Classification System to Knowledge-based System with Production RuleThis research about "Knowledge Representation for Field of Education. Science from DDC-21 Classification System to Knowledge-based System use Production Rule Technique_" Background of research is the need to application "Production Rule," as Knowledge Representation technique to Schedule-of DDC-21 Classification System. The purpose of this study is building knowledge representation about Field of Education Science from DDC-21 Classification System. The problem is how to representing Field of Education Science from DDC-21 Classification System to Knowledge-based systems, that can give solution for number building with primary and secondary number classification for material subject. The approach for research method is Systems Development Life Cycle (SDLC) and apply front-end stage from linear concept Expert Systems Development Life Cycle (ESDLC)_ The knowledge representation technique for build knowledge-base is Production Rule. Rule formatted in IF-THEN-ELSE, with assisted by Decision tree instrument. Production Rule arranged with modularity concept to break the problems classification. The results of research supporting the hypothesis that DDC-21 Classification System is Knowledge Domain for Knowledge-based systems. It's can represented and available to implementing to Knowledge-based systems with use Production Rule technique. Production rule can represent solutions for problems in classification, such as number building for subject classification. This research have represented basic number (main class, division, section and subsection), and secondary number; Table-1 (Standard Subdivisions), Table-2 (Asia, Orient and Far East), Table-2 extension for Indonesia areas and Table-5 (Racial, Ethnic and National Groups), and number adding from the other part of Schedul.

Abstrak :
Dengan bertambahnya populasi di Bumi ini, meningkat juga kebutuhan pangan dalam kehidupan. Karena itu, dunia agrikultur diharuskan dapat berjalan dengan efektif dan aman dari ancaman. Meski begitu, pengawasan perkebunan tidak dapat dilakukan oleh manusia terus-menerus, sehingga lahan tersebut dapat diserang oleh gulma, yaitu hama tanaman yang tumbuh dan mengambil nutrisi tanah yang membantu pertumbuhan tanaman agrikultur. Dengan adanya pertimbangan ini, dirancang sistem deteksi objek yang menggunakan ekstraksi objek yang dapat mengambil fitur dari dedaunan tanaman dan membandingkannya dengan fitur dedaunan gulma. Fitur yang diambil berupa bentuk dari daun, dilihat melalui ekstraksi fitur titik ujung suatu objek melalui Oriented FAST and Rotated BRIEF (ORB), dan ekstraksi fitur tekstur objek melalui Local Binary Pattern (LBP). Kedua ekstraksi fitur ini digabungkan melalui metode normalisasi dan z-score, dan akan dijalankan dalam bahasa Python. Evaluasi dilakukan dengan membandingkannya dengan bila sistem dijalankan dengan ORB sendiri dan LBP sendiri, melalui akurasinya. Selain itu, dilakukan evaluasi terhadap SVM untuk klasifikasi citra, dengan menentukan akurasi mana yang lebih tinggi di antara SVC dengan tiga kernel linear, RBF, dan polynomial, atau LinearSVC. Hasil penelitian menunjukan bahwa model deteksi objek menggunakan ORB saja memiliki akurasi lebih tinggi dengan nilai akurasi 0.912 dibanding dengan model deteksi objek dengan LBP yang memiliki akurasi 0.808. Untuk evaluasi model klasifikasi SVM yang sudah menggunakan ekstraksi fitur LBP, SVC dengan kernel linear dan RBF memiliki akurasi yang tinggi, di mana SVC dengan kernel linear memiliki nilai 0.77, dan dengan RBF 0.79. Namun, peningkatan dari akurasi SVC dengan RBF tidak dapat menandingi waktu eksekusi SVC dengan kernel linear yang memiliki nilai 2.62 ms, bila dibanding dengan kernel RBF yang mencapai 3.76 ms. ......, With the increase in Earth’s population, the daily need for food also rises. Due to this, the world of agriculture must run effectively and safe from any threats. However, constant observations of plantations by humans are not possible, leading to the fields to be overgrown by weeds, a pest in the form of plants that grow and take the nutrients of planted crops. With this in consideration, a detection system utilizing feature extraction algorithms designed that is capable of extracting the features, which are shapes and textures, of leaves and weeds. Shapes are taken into account by edge-based feature extraction model, Oriented FAST and Rotated BRIEF(ORB), while textures are analyzed by binary-based Locab Binary Pattern (LBP). These two features are joined using normalization and z-score method, and is run using Python. Evaluation is done by comparing the system with two others using only ORB and LBP, through its accuracy in the system. Other than that, Evaluation will be done on SVM-based image classification, by deciding which of the SVM with three different kernels, linear, RBF and polynomial, and LinearSVC, has the highest accuracy. After evaluation, it is found that ORB is a better feature extraction algorithm within the system, with an accuracy of 0.912, followed by LBP with accuracy of 0.808. For evaluation on SVM with LBP as feature extraction algorithm, SVC with linear and RBF kernels are two of the highest classification models in term of accuracy, with SVC with linear kernel having 0.77 in value, while SVC with RBF kernel having 0.79. However, the 0.02 increase in SVC with RBF kernel’s accuracy is negligible, due to having a longer execution time of 3.76 ms, while SVC with linear kernel has 2.62 ms, making SVC with linear kernel a better choise due to efficiency.

Abstrak :
Seiring dengan berjalannya waktu, jumlah populasi di dunia terus bertambah. Dengan demikian, lebih banyak upaya dan inovasi yang dibutuhkan dalam meningkatkan produksi pertanian secara berkelanjutan. Hal ini bertujuan untuk mengurangi kehilangan dan pemborosan pangan, serta memastikan bahwa tidak ada yang menderita kelaparan dan kekurangan gizi. Dengan berdasarkan kepada Kebijakan RPJMN 2020-2024 dan mengingat bahwa Indonesia merupakan negara agraris, penelitian ini bertujuan untuk mengimplementasikan dan mengevaluasi suatu sistem yang mampu mengklasifikasikan tanaman sehat dan gulma berbasis Machine Learning (ML) dengan metode Local Binary Pattern (LBP) sebagai feature extraction dan Extra-Trees sebagai classifier utama. Penelitian ini membuktikan bahwa sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta membuktikan bahwa Extra-Trees merupakan classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya. Hasilnya, tingkat akurasi dari sistem klasifikasi yang mengimplementasikan LBP sebagai ekstraksi fitur, yakni 99.65%, lebih tinggi daripada sistem klasifikasi yang tidak mengimplementasikan LBP, yakni 98%. Sistem klasifikasi yang mengimplementasikan LBP memperoleh nilai TPR / Sensitivity sebesar 99.3915, FPR sebesar 0.0986, TNR / Specificity sebesar 99.9014, dan FNR sebesar 0.6085. Selain itu, Extra-Trees menjadi classifier dengan tingkat akurasi tertinggi ketika dikombinasikan dengan LBP, jika dibandingkan dengan classifier lainnya. Urutan classifier yang dikombinasikan dengan LBP mulai dari tingkat akurasi tertinggi hingga tingkat akurasi terendah adalah Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), dan NuSVC (98.8%). Dengan demikian, sistem klasifikasi dengan LBP lebih optimal jika dibandingkan dengan sistem klasifikasi tanpa LBP serta Extra-Trees menjadi classifier yang paling optimal untuk dikombinasikan dengan LBP jika dibandingkan dengan classifier lainnya. ......Over time, the world's population continues to grow. Thus, more efforts and innovations are needed to increase agricultural production in a sustainable manner. This aims to reduce food loss and waste, as well as ensure that no one suffers from hunger and malnutrition. Based on Kebijakan RPJMN 2020-2024 and remembering that Indonesia is an agricultural country, the author decided to implement and evaluate a system that capable to classifying healthy plants and weeds based on Machine Learning (ML) using the Local Binary Pattern (LBP) method as feature extraction and Extra-Trees as main classifier. This study proves that the classification system with LBP is more optimal than the classification system without LBP and proves that Extra-Trees is the most optimal classifier to be combined with LBP when compared to other classifiers. As a result, the level of accuracy of the classification system that implements LBP as feature extraction, which is 99.65%, is higher than the classification system that does not implement LBP, which is 98%. The classification system that implements LBP has a TPR / Sensitivity value of 99.3915, an FPR of 0.0986, a TNR / Specificity of 99.9014, and an FNR of 0.6085. In addition, Extra-Trees is a classifier with the highest level of accuracy when combined with LBP, if compared to other classifiers. The order of classifiers combined with LBP starting from the highest level of accuracy to the lowest level of accuracy is Extra-Trees (99.65%), Stacking (99.55%), Bagging (99.4%), Random Forest (99.4%), Ada Boost (99.35%), Extra Tree (99.25%), Linear SVC (99.25%), MLP (99.2%), Decision Tree (99%), and NuSVC (98.8%). Thus, the classification system with LBP is more optimal than the classification system without LBP and Extra-Trees is the most optimal classifier to be combined with LBP if compared to other classifiers.