Hasil Pencarian  ::  Simpan CSV :: Kembali

"Real Estate Investment Trust (REIT) membentuk akses yang lebih mudah dan inklusif ke pasar investasi properti dan memberikan hasil yang lebih stabil dengan resiko lebih rendah relatif dengan direct investment berkat aturan yang mengharuskan minimum 90% dari pendapatan pajak REIT diberikan sebagai dividen. Di sisi lain, penggunaan machine learning dalam memprediksi variabel keuangan kunjung meningkat dalam popularitas dikarenakan efisiensi dan akurasi yang tinggi. Studi ini memanfaatkan algoritma machine learning dalam menemukan prediktor terbaik yang menjadi faktor harga saham REIT. Makalah ini menemukan hubungan signifikan antara nilai buku perusahaan dan hasil dividen terhadap return saham REIT, walaupun tidak dalam arah yang sama dengan literatur lampau terkait.

---

Real Estate Investment Trust (REIT) opens the door for easier and more inclusive access to the real estate investment market and provides stable, low risk returns thanks to the ruling where at least 90% of a REIT's taxable income must be given out as dividends. On the other hand, the use of machine learning in forecasting finance variables has always been increasing in popularity due to its ability to cut down processing time and its high accuracy. This study is aimed to utilize machine learning algorithms to find the best predictors for REIT returns. This paper found significant relationship between company’s book value and its dividend yield towards its stock returns, although not in the same direction as the literature suggests."

"Operasi penerbangan yang tepat waktu adalah esensial untuk memastikan kepuasan pelanggan dan efisiensi operasional. Penelitian ini menggunakan teknik pemodelan prediktif terdepan yang menggabungkan algoritma LightGBM dengan optimisasi Artificial Bee Colony. Fokus penelitian adalah mengungkap faktor-faktor rumit yang menyebabkan keterlambatan penerbangan baik pada Low Cost Carriers maupun pada Maskapai Pelayanan Full Service Carrier. Studi ini mengidentifikasi bahwa propagasi delay dari penerbangan sebelumnya berdampak dalam penjadwalan maskapai dan sebagai faktor kunci. Selain itu, kendala teknis dan otoritas juga menjadi faktor kunci keterlambatan untuk kedua tipe maskapai. Efektivitas model ini semakin diperkuat oleh precision recall curve yang menunjukkan akurasi prediksi yang tinggi. Dengan presisi yang luar biasa dan recall yang signifikan, model ini bisa diandalkan dalam mendeteksi insiden keterlambatan yang nyata secara akurat. Penelitian ini menawarkan wawasan berbasis data yang berharga untuk LCC dan FSC, membimbing mereka untuk meningkatkan ketepatan waktu dan memperkuat kekokohan operasional dengan fokus pada faktor-faktor utama yang menyumbang pada keterlambatan penerbangan.

---

Timely flight operations are essential for ensuring both customer satisfaction and operational efficiency. This research employs a cutting-edge predictive modeling technique that combines the LightGBM algorithm with Artificial Bee Colony (ABC) optimization. The focus is on unraveling the intricate factors leading to flight delays in both Low-Cost Carriers (LCC) and Full-Service Carriers (FSC). The study identifies 'Propagation' of delays, which reflects the chain reaction effect in airline scheduling, as a key factor, particularly for LCC. Additionally, 'Technical Problems' and 'Authority' are found to be major predictors of delays for both types of airlines. The model's effectiveness is further corroborated by the precision-recall curve, which demonstrates its high predictive accuracy. Boasting remarkable precision and considerable recall, the model is adept at accurately detecting real delay instances. This research offers valuable, data-driven insights for LCC and FSC, guiding them to improve their timekeeping and strengthen operational robustness by focusing on the primary factors contributing to flight delays."

"Teknologi Dense Wavelength Division Multiplexing (DWDM) telah mengalami perkembangan pesat, di mana beberapa vendor telah meningkatkan kapasitas per frekuensi hingga mencapai 1 Tbps (Tera Bit Per Second). Dalam tesis ini, penelitian dilakukan untuk menentukan pola data yang digunakan oleh engineer guna mencapai hasil yang optimal dengan menggunakan kecerdasan buatan. Penelitian ini berfokus pada simulasi jaringan DWDM di Microsoft di Amerika Utara, yang melibatkan beberapa repeater dan mempertimbangkan berbagai faktor yang terjadi dalam jaringan tersebut. Dengan menggunakan data hasil performansi lapangan, ditemukan data yang paling optimal untuk jaringan DWDM tersebut. Dengan mencapai kinerja Q-Factor yang baik, diperoleh juga margin pada jaringan berdasarkan perhitungan kabel optiknya. Estimasi kinerja Q-Factor dapat diperoleh melalui fungsi regresi linear yang bergantung pada perangkat yang dilalui dalam jaringan, seperti Transponder, EDFA, dan media transmisi berupa serat optik. Data hasil pengukuran merupakan data perubahan daya transmisi pada sisi penguat, yang menyebabkan perubahan daya per kanal pada setiap transponder di sisi penerima. Setiap perubahan nilai kinerja Q-Factor pada setiap kanal dianalisis polanya menggunakan machine learning. Data tersebut akan dilakukan proses pelatihan berulang kali guna meminimalkan kesalahan dan mencapai kinerja Q-Factor yang lebih baik. Secara keseluruhan, hasil yang dicapai dalam tesis ini membentuk dasar bagi skema pemodelan kinerja Q-Factor yang akurat serta mendapatkan nilai Q-Factor yang optimal. Hasil penelitian ini memberikan wawasan tentang penggunaan machine learning di masa depan dalam perencanaan jaringan optik DWDM.

---

This research investigates the development of Dense

Wavelength Division Multiplexing (DWDM) technology in

conjunction with 6G technology to meet the growing demands for

high-speed data transmission. Vendors have significantly

increased the capacity per channel enabling speeds of up to 1 Tera Bit Per Second. The Q-Factor is one of the indicators that

determines the quality of the optical system. Q-Factor plays a

crucial role in evaluating these technological advancements. In

actual practice, engineers need to conduct manual field tests to

obtain the Q-factor value. Engineers must calibrate the equipment

manually onsite. This procedure is time consuming and inefficient. Machine learning can be used to calculate and forecast the Qfactor quickly and automatically. This study designs a machine learning algorithm to forecast the Q-factor value based on the equipment parameters in the field. This study evaluates 4 machine learning algorithms. The data used is obtained from the Microsoft optical network in North America. The Decision tree model archives the best results with an impressive accuracy of 99.5% and low mean squared error (MSE) of 0,00104. The proposed algorithm achieved better results than the previous research."

"Just like electricity, Machine Learning will revolutionize our life in many ways-some of which are not even conceivable today. This book provides a thorough conceptual understanding of Machine Learning techniques and algorithms. Many of the mathematical concepts are explained in an intuitive manner. The book starts with an overview of machine learning and the underlying Mathematical and Statistical concepts before moving onto machine learning topics. It gradually builds up the depth, covering many of the present day machine learning algorithms, ending in Deep Learning and Reinforcement Learning algorithms. The book also covers some of the popular Machine Learning applications. The material in this book is agnostic to any specific programming language or hardware so that readers can try these concepts on whichever platforms they are already familiar with."

"Penelitian ini menganalisis akurasi peramalan permintaan produk barang konsumsi cepat (FMCG) menggunakan model Machine Learning, yaitu LSTM (Long Short-Term Memory) dan SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors), dengan data sekunder dari April 2021 hingga April 2024 yang terdiri dari 36 observasi bulanan. Variabel dependen adalah total penjualan, sementara variabel eksogen mencakup pengeluaran per kapita, adopsi produk, proporsi penjualan dari promosi, jumlah toko yang menjual produk, dan pangsa pasar produk. Hasil menunjukkan model LSTM memiliki akurasi lebih tinggi dalam memprediksi nilai penjualan dibandingkan SARIMAX, dengan nilai Mean Absolute Percentage Error (MAPE) yang lebih rendah pada sebagian besar sampel. Analisis korelasi mengungkapkan variabel jumlah toko yang menjual produk dan adopsi produk berpengaruh signifikan terhadap nilai penjualan dalam model LSTM, sedangkan SARIMAX unggul dalam menangkap pola musiman namun memiliki MAPE lebih tinggi. Penelitian ini menyarankan penggunaan model LSTM untuk data time series yang kompleks dan tidak stasioner, sementara SARIMAX lebih cocok untuk data dengan komponen musiman yang kuat. Pemilihan model harus mempertimbangkan karakteristik data dan tujuan analisis.

---

This study analyzes the forecasting accuracy of fast-moving consumer goods (FMCG) demand using Machine Learning models, namely LSTM (Long Short-Term Memory) and SARIMAX (Seasonal AutoRegressive Integrated Moving Average with eXogenous regressors), utilizing secondary data from April 2021 to April 2024 with a total of 36 monthly observations. The dependent variable is sales value, while the exogenous variables include spend per buyer, product penetration, promo % of value, the number of stores selling, and market share. The results indicate that the LSTM model has higher accuracy in predicting sales value compared to the SARIMAX model, with a lower Mean Absolute Percentage Error (MAPE) for most samples. Correlation analysis reveals that the variables number of stores selling and product penetration significantly influence sales value in the LSTM model, whereas SARIMAX excels in capturing seasonal patterns but has a higher MAPE. This study recommends using the LSTM model for complex and non-stationary time series data, while SARIMAX is more suitable for data with strong seasonal components. Model selection should consider the characteristics of the data and the objectives of the analysis."

"Kepolisian Republik Indonesia (Polri) merupakan alat negara yang terus berusaha memberikan pelayanan publik secara prima salah satu nya dengan melakukan inovasi dengan memanfaatkan teknologi dalam memberikan pelayanan SIM melalui aplikasi bernama Digital Korlantas Polri. Namun sejak aplikasi tersebut diluncurkan pada tahun 2021 hingga tahun 2022 terdapat pemberitaan di berita online terkait kendala pada aplikasi dalam perpanjangan SIM online yang tidak berjalan sebagaimana semestinya. Penelitian ini bertujuan untuk melihat bagaimana pandangan masyarakat sebagai pengguna layanan dari Twitter dan Play Store. Data yang digunakan dalam penelitian ini berasal dari Twitter dan Play Store sebanyak 5944 data. Analisis dilakukan dengan membangun model klasifikasi relevansi, aspek, dan sentimen pada aspek reliability, efficiency, trust, dan citizen support. Algoritma yang digunakan yaitu Decision Tree, Logistic Regression, dan SVM. Hasil pemodelan klasifikasi dengan performa yang paling tinggi dalam klasifikasi relevansi, aspek, dan sentimen pada tiap aspek dihasilkan oleh algoritma Logistic Regression dengan TF-IDF unigram dan SMOTE. Pada model klasifikasi relevansi didapatkan nilai accuracy sebesar 87.05%, precision sebesar 87.38%, recall sebesar 87.04%, dan f1 score sebesar 87.16%. Pada model klasifikasi aspek, nilai accuracy sebesar 74.28%, precision sebesar 75.93%, recall sebesar 74.27%, dan f1 score sebesar 74.70%. Pada model klasifikasi sentimen pada masing-masing aspek, model klasifikasi sentimen pada aspek citizen support mendapatkan nilai yang paling tinggi dibanding aspek lain yaitu dengan nilai accuration sebesar 95.38%, precision sebesar 95.60%, recall sebesar 95.38%, dan f1-score sebesar 94.05%. Pada penelitian ini menghasilkan temuan sentimen pada masing-masing aspek dalam layanan perpanjang SIM online di aplikasi Digital Korlantas Polri dimana reliability merupakan aspek yang paling banyak dikemukakan dan mendapat sentimen negatif, kemudian diikuti oleh aspek efficiency, citizen support, dan aspek trust.

---

The Indonesian National Police (Polri) continues to strive to provide excellent public services, one of which is by innovating by utilizing technology in providing SIM services through an application called Digital Korlantas Polri. However, since the application was launched in 2021 to 2022 there have been reports in online news regarding problems with applications, so it is necessary to conduct research regarding how the public views the application as service users and maps these views into aspects which affect the quality of government services so that service providers can take improvement to realize excellent service delivery. The data used in this study are from Twitter and Play Store as many as 5944 data. The analysis is carried out by building a classification model of relevance, aspect, and sentiment on the aspects of reliability, efficiency, trust, and citizen support. The algorithms used are Decision Tree, Logistic Regression, and SVM. The results of classification modeling with the highest performance in the classification of relevance, aspect, and sentiment for each aspect were produced by the Logistic Regression algorithm with the TF-IDF unigram and SMOTE. In the relevance classification model, the accuracy value is 87.05%, precision is 87.38%, recall is 87.04%, and f1 score is 87.16%. In the aspect classification model, the accuracy value is 74.28%, precision is 75.93%, recall is 74.27%, and f1 score is 74.70%. In the sentiment classification model for each aspect, the sentiment classification model for the citizen support aspect gets the highest score compared to other aspects, namely with an accuracy value of 95.38%, a precision of 95.60%, a recall of 95.38%, and an f1-score of 94.05% . This study produced sentiment findings for each aspect of the online SIM service in the Digital Korlantas Polri application where reliability was the aspect that was most frequently raised and received negative sentiment, followed by aspects of efficiency, citizen support, and trust."

"Industri baja sebagai mother of industries banyak melayani industri besar dan kecil. Penting sekali untuk mengetahui kebutuhan baja dalam negeri. Indonesia diperkirakan akan meningkatkan kapasitas industri baja hingga 100 ton pada tahun 2045. Pemerintah perlu membuat kebijakan seperti perlindungan terhadap industri baja agar investasi hingga peningkatan kapasitas dapat terealisasi dengan baik. Impor baja mempunyai fungsi yang kompleks sehingga cukup sulit untuk membuat model atau prediksi. Makalah ini menyajikan pendekatan untuk memahami fungsi impor baja dan meramalkan tren impor baja. Pada langkah pertama, dengan meninjau data historis impor baja, variabel yang efektif dan paling penting akan diidentifikasi. Kemudian dilakukan uji fungsi impor baja menggunakan regresi linier berganda, regresi LASSO dan SARIMA. Analisis didasarkan pada kebutuhan baja dan variabel-variabel yang mempengaruhi impor baja pada tahun 2015 hingga 2022

---

As the mother of industries, the steel industry serves many large and small industries. It is essential to know the need for steel in the country. Indonesia is estimated to build up the steel industry's capacity to 100 tonnes in 2045. The government needs to create a policy that protects the steel industry so that the investment to increase capacity can be realized appropriately. Steel import has a complex function, so making a model or prediction is quite difficult. This paper presents an approach to understand the steel import function and forecast the steel import trend. In the first step, the influential and most important variables will be identified by reviewing the historical data on steel imports. Then, the steel import function is fitted using multiple linear, LASSO regression and SARIMA. The analysis is based on the stel import and variables that affect the steel import from 2015 to 2022."

"Bencana banjir merupakan salah satu peristiwa alam yang sering terjadi di dunia, termasuk Indonesia, dan terjadi ketika aliran air yang berlebihan menggenangi daratan dalam jangka waktu tertentu. Perubahan iklim, cuaca ekstrem, urbanisasi yang tidak terkendali, dan kondisi geografis yang kompleks telah berkontribusi terhadap peningkatan frekuensi dan intensitas banjir, terutama di daerah perkotaan. Analisis banjir otomatis dan deteksi citra dapat memberikan panduan dan informasi yang berguna dalam membuat keputusan untuk mengurangi dampak destruktif seperti korban jiwa dan ekonomi, salah satunya dengan melakukan segmentasi untuk membantu proses pembuatan peta kerawanan banjir. Namun, sejumlah kecil data beresolusi tinggi dan berlabel yang tersedia membuat proses segmentasi sulit untuk dilakukan. Oleh karena itu, penulis mengusulkan pendekatan semi-supervised yaitu mean teacher dengan memanfaatkan teknik deep learning. Adapun dataset yang digunakan adalah citra SAR Sentinel-1 C-band yang telah diolah sebelumnya. Hasil penelitian menunjukkan bahwa model usulan memberikan kenaikan performa yang cukup signifikan pada metrik IoU sebesar 5% terhadap baseline yang mengimplementasikan teknik pseudo-labeling.

---

Floods are one of the natural disaster events that occur in the world. Floods happen when excessive water flows and submerges land for a certain period of time. Climate change, extreme weather, uncontrolled urbanization, and complex geographical conditions have contributed to the increase in the frequency and intensity of floods, especially in urban areas. Automatic flood analysis and detection of imagery can provide useful guidance and information in making decisions to reduce destructive impacts such as loss of life and economy. However, the small amount of high-resolution and labeled data available makes the segmentation process difficult for flood detection. Therefore, the author proposes a semi-supervised approach, namely mean teacher by utilizing the deep learning architecture. The dataset used is the SAR image of Sentinel-1 C-band which has been processed. The results show that the proposed model provides a significant increase in performance on the IoU metric by 5% against the baseline that implements the pseudo-labeling technique."

"[ABSTRAKPrediksi pasar saham adalah penting dan sangat menarik karena prediksi returnsaham dapat menjanjikan keuntungan yang menarik. Dalam karya akhir ini,penulis menyelidiki prediktabilitas return pasar saham dengan AdaptiveNetworkFuzzy Inference System (ANFIS). Tujuan dari penelitian ini adalah untukmenentukan apakah suatu algoritma ANFIS mampu secara akurat memprediksireturn pasar saham dibandingkan dengan model Time Series ARIMA (AutomaticRegression Integrated Moving Average). Penulis mencoba untuk membuat modeldan memprediksi return saham ? saham dari Indeks LQ 45 di Bursa EfekIndonesia (BEI) menggunaka metode ANFIS. Penulis menggunakan empatvariabel makroekonomi dan tiga indeks sebagai variabel input. Hasil eksperimenkarya akhir ini menunjukkan bahwa model forecasting return saham harian LQ 45dengan ANFIS memiliki tingkat error lebih kecil bila dbandingkan denganmetode ARIMA (Automatic Regression Integrated Moving Average). MetodeANFIS ini diharapkan dapat menjadi pendekatan alternatif yang menjanjikanuntuk prediksi return saham. Sehingga ANFIS dapat menjadi alat yang berguna untuk ahli ekonomi dan praktisi yang berurusan dengan prediksi return dari saham.

---

ABSTRACTStock market prediction is important and of great interest because successfulprediction of stock return may promise attractive benefits. In this paper, weinvestigate the predictability of stock market return with Adaptive Network-BasedFuzzy Inference System (ANFIS). The objective of this study is to determinewhether an ANFIS algorithm is capable of accurately predicting stock marketreturn than Time Series Model Automatic Regression Integrated Moving Average(ARIMA). We attempt to model and predict the return on stock of the LQ 45 Indexin Indonesia Stock Exchange (JSE) with ANFIS. We use four macroeconomicvariables and three indices as input variables. The experimental results revealthat the model forecasts the daily return of LQ 45 stocks with ANFIS have lesserror than Auto Regressive Integrated Moving Average Method. ANFIS providesa promising alternative for stock market return prediction. ANFIS can be a usefultool for economists and practitioners dealing with the forecasting of stock return, Stock market prediction is important and of great interest because successfulprediction of stock return may promise attractive benefits. In this paper, weinvestigate the predictability of stock market return with Adaptive Network-BasedFuzzy Inference System (ANFIS). The objective of this study is to determinewhether an ANFIS algorithm is capable of accurately predicting stock marketreturn than Time Series Model Automatic Regression Integrated Moving Average(ARIMA). We attempt to model and predict the return on stock of the LQ 45 Indexin Indonesia Stock Exchange (JSE) with ANFIS. We use four macroeconomicvariables and three indices as input variables. The experimental results revealthat the model forecasts the daily return of LQ 45 stocks with ANFIS have lesserror than Auto Regressive Integrated Moving Average Method. ANFIS providesa promising alternative for stock market return prediction. ANFIS can be a usefultool for economists and practitioners dealing with the forecasting of stock return]"