Hasil Pencarian  ::  Simpan CSV :: Kembali

"Teknologi blockchain telah merevolusi cara transaksi digital dilakukan dengan menciptakan platform terdesentralisasi yang meningkatkan keamanan dan transparansi setiap transaksi. Ethereum, salah satu cryptocurrency terkemuka memiliki volatilitas harga yang signifikan. Hal ini menjadi tantangan bagi para pedagang untuk dapat mengambil keputusan jual/beli yang tepat. Penelitian ini bertujuan untuk mengembangkan model prediksi keputusan jual dan beli Ethereum menggunakan metode machine learning. Data yang digunakan meliputi harga dan volume perdagangan Ethereum per menit dari 1 Februari 2024 hingga 7 Maret 2024. Hasil penelitian menunjukkan bahwa model XGBoost memiliki performa terbaik dengan akurasi prediksi sebesar 92.1% dan kecepatan komputasi rata-rata 0.29 detik per prediksi. Evaluasi feature importance mengungkapkan bahwa lebih dari 50% fitur dalam model tidak signifikan dan dapat dihapus untuk meningkatkan efisiensi komputasi. Penelitian ini berhasil mencapai tujuannya dengan mengembangkan model prediksi yang akurat dan efisien untuk membantu pedagang dalam mengambil keputusan jual/beli Ethereum.

---

Blockchain technology has revolutionized digital transactions by creating a decentralized platform that enhances security and transparency. Ethereum, a leading cryptocurrency, experiences significant price volatility, presenting challenges for traders in making accurate buy/sell decisions. This study aims to develop a predictive model for Ethereum buy and sell decisions using machine learning. The data utilized includes minute-by-minute price and trading volume of Ethereum from February 1, 2024, to March 7, 2024. The results indicate that the XGBoost model performs best, achieving a prediction accuracy of 92.1% and an average computation speed of 0.29 seconds per prediction. The feature importance evaluation revealed that over 50% of the features were insignificant and were removed to enhance computational efficiency. This research successfully developed an accurate and efficient predictive model, which can assist traders in making informed buy/sell decisions for Ethereum. Future research recommendations include integrating real-time sentiment data and exploring other machine learning methods to further improve model accuracy and performance."

"Ketidakpastian akibat pandemi COVID-19 mendorong investor mencari instrumen lindung nilai untuk meminimalkan risiko, yang dapat berupa aset lindung nilai atau safe-haven. Oleh karena itu, penelitian ini untuk mengetahui apakah bitcoin, ethereum, dan emas berperilaku sebagai aset lindung nilai dan safe-haven sebelum dan selama pandemi di Indonesia. Hal ini dapat dilihat dengan melihat pengaruh imbal hasil dan volatilitas pasar saham Indonesia terhadap return dan volatilitas bitcoin, ethereum, dan emas. Penelitian ini menggunakan model regresi linier sederhana dan regresi kuantil pada data harga penutupan harian yang diambil sebelum dan selama COVID-19. Studi ini menemukan bahwa mereka dapat menjadi aset lindung nilai dan safe-haven selama pandemi COVID-19 di Indonesia. Hal ini karena hasil menunjukkan bahwa ada beberapa korelasi yang signifikan antara aset. Hasil penelitian ini dapat membantu investor untuk menentukan aset mana yang dapat menjadi instrumen lindung nilai.

---

The uncertainty due to the COVID-19 pandemic has encouraged investors to look for value hedging instruments to minimize risk, which can be in the form of hedging assets or safe-haven assets. In response to it, this study aims to find out whether bitcoin, ethereum, and gold can behave as hedging and safe-haven assets before and during the pandemic in Indonesia. This can be done by looking at the effects of yields and volatility on the Indonesian stock market on the returns and volatility of bitcoin, ethereum, and gold. This study uses simple linear regression and quantile regression models on data of daily closing price taken before and during COVID-19. This study finds that they can be hedge and safe-haven assets during the COVID-19 pandemic in Indonesia. The results show that there are some significant correlations between assets. The research results can help investors to determine which assets can be hedging instruments."

"Perkembangan teknologi informasi telah membantu masyarakat dunia dalam berbagai lini kehidupan, termasuk bagi pelaku seni yang memiliki permasalahan dalam karya seninya. Dengan adanya teknologi, pelaku seni saat ini telah dimudahkan karena dapat memasarkan hasil karyanya ke seluruh dunia dengan mengubahnya menjadi token yang dapat diperdagangkan atau dikenal dengan istilah non-fungible token. Non-fungible token telah membantu para pelaku seni untuk dapat menjual, mengkomersilkan, dan memperdagangkan hasil seninya termasuk dengan komunitas didalamnya. Media perdagangan terbesar yang mewadahi proses transaksi ini salah satunya adalah Opensea. Transaksi di e-commerce Opensea dilakukan dengan menggunakan mata uang kripto berupa ethereum. Namun demikian, proses transaksi tersebut berpotensi batal demi hukum apabila dilakukan oleh masyarakat Indonesia mengingat eksistensi kripto yang hanya diakui sebagai komoditas. Hasil penelitian ini mengungkapkan bahwa transaksi NFT yang dilakukan dengan aset digital berupa mata uang kripto memiliki payung hukum karena dapat dianggap sebagai sebuah perjanjian tukar menukar benda digital. Penelitian ini menggunakan metode penelitian yuridis-normatif dengan pendekatan perundang-undangan. Penelitian menggunakan alat berupa studi dokumen peraturan perundang-undangan, penelusuran literatur, yang didukung dengan wawancara terhadap narasumber dari instansi terkait dengan pendekatan kualitatif.

---

Information technology existence has helped the world community in various lines of life, including for artists who have problems in their works of art. With technology, it is easier to promote their work to the world by turning them into tradable tokens or known as non-fungible tokens. Non-fungible tokens have helped artists to sell, commercialize, and trade their art, including activating the community. One of the biggest e-commerce that accommodates this transaction process is Opensea. Opensea required the users to use cryptocurrency-ethereum to do the transaction. However, based on the Indonesia regulation, the transaction has potential to be null and void considering the existence of crypto in Indonesia only recognized as commodity. The results shows that NFT transactions as digital assets using cryptocurrency-ethereum on e-commerce Opensea has legal basis that the transaction can be recognized as an exchange system. This study uses a juridical-normative research method with statutory approach. Study of legal documents, literature research, and a series of in-depth interviews from related government institutions are used as tools of data collection with qualitative approach."

"Beras merupakan bahan pangan pokok dengan tingkat kebutuhan tinggi di kawasan Asia Tenggara, termasuk Indonesia yang menjadi produsen padi terbesar di kawasan ini. Sektor pertanian, khususnya produksi padi, berperan penting dalam mendukung misi Sustainable Development Goals (SDGs) untuk mencapai ketahanan pangan. Namun, tantangan seperti alih fungsi lahan dan perubahan iklim mengancam keberlanjutan produksi padi, termasuk di Kabupaten Indramayu, salah satu lumbung padi utama di Jawa Barat. Untuk mendukung pengelolaan lahan pertanian yang berkelanjutan, pemetaan padi berbasis pengindraan jauh menjadi solusi yang efisien, memanfaatkan teknologi satelit seperti Sentinel-2 dan Landsat-8. Penelitian ini bertujuan untuk memetakan distribusi padi di Kabupaten Indramayu dengan mengintegrasikan metode Convolutional Neural Network (CNN) untuk ekstraksi fitur spektral-temporal dan algoritma Extreme Gradient Boosting (XGBoost) untuk klasifikasi. Hasil penelitian menunjukkan bahwa skema fitur terbaik, yaitu kombinasi data Raw Spectral Bands dengan NDVI, menghasilkan tingkat Overall Accuracy tertinggi sebesar 98,90%. Selain itu, metrik evaluasi lainnya seperti Recall, Precision, dan F1-Score juga menunjukkan hasil tertinggi, masing-masing sebesar 98,90%, yang mencerminkan kemampuan model yang konsisten dalam membedakan area padi dan non-padi. Model CNN-XGBoost menunjukkan kinerja yang lebih baik dibandingkan model CNN murni, dengan akurasi yang lebih tinggi dan hasil evaluasi yang lebih optimal. Dengan memanfaatkan data multispektral dan multitemporal dari kedua satelit, penelitian ini memberikan kontribusi signifikan dalam mendukung pengambilan keputusan berbasis data untuk pengelolaan pertanian yang berkelanjutan, sekaligus memperkuat upaya ketahanan pangan nasional.

---

Rice is a staple food with high demand in Southeast Asia, including Indonesia, which is the largest rice producer in the region. The agricultural sector, particularly rice production, plays a crucial role in supporting the Sustainable Development Goals (SDGs) for achieving food security. However, challenges such as land conversion and climate change threaten the sustainability of rice production, including in Indramayu Regency, one of the main rice granaries in West Java. To support sustainable agricultural land management, rice mapping based on remote sensing provides an efficient solution, utilizing satellite technologies such as Sentinel-2 and Landsat-8. This study aims to map the distribution of rice in Indramayu Regency by integrating the Convolutional Neural Network (CNN) method for spectral-temporal feature extraction and the Extreme Gradient Boosting (XGBoost) algorithm for classification. The results show that the best feature scheme, a combination of Raw Spectral Bands and NDVI, achieves the highest Overall Accuracy of 98.90%. Additionally, other evaluation metrics such as Recall, Precision, and F1-Score also show the highest values, each at 98.90%, reflecting the model's consistent ability to distinguish between rice and non-rice areas. The CNN-XGBoost model outperforms the pure CNN model, with higher accuracy and better evaluation results. By utilizing multispectral and multitemporal data from both satellites, this study significantly contributes to data-driven decision-making for sustainable agricultural management, while strengthening national food security efforts."

"Fraud atau kecurangan merupakan salah satu permasalahan yang masih dihadapi oleh industri asuransi dan masih memberikan kerugian yang sangat besar bagi industri ini. Biaya yang dikeluarkan pun untuk mengatasi permasalahan ini masih cukup besar, untuk itu dikembangkanlah sebuah model machine learning untuk membantu pencegahan terjadinya fraud pada asuransi. Salah satu model yang sedang sangat berkembang adalah model Imbalance-XGBoost, penelitian ini dilakukan untuk meninjau kemampuan model Imbalance-XGBoost dalam mendeteksi fraud sebagai langkah pencegahan fraud pada asuransi. Penelitian ini berhasil mendapati bahwa Imbalance-XGBoost memiliki performa yang lebih baik jika dibandingkan dengan model dasarnya yaitu XGBoost tanpa penanganan kelas tidak seimbang.

---

Fraud or dishonesty is one of the persistent challenges faced by the insurance industry and continues to result in significant losses for the industry. The costs incurred to address this issue are also quite substantial. Therefore, a machine learning model has been developed to assist in preventing insurance fraud. One of the models that is currently gaining traction is the Imbalance-XGBoost model. This research was conducted to assess the ability of the Imbalance-XGBoost model in detecting fraud as a preventive measure in insurance. The study found that Imbalance-XGBoost performs better compared to its base model, XGBoost, which does not handle imbalanced classes."

"Seiring dengan perkembangan teknologi komunikasi data yang tinggi, permasalahan yang dihadapi pun semakin bervariasi. Salah satu permasalahan yang sering dialami adalah cyber attack, permasalahan ini dapat mengakibatkan kerugian tidak hanya informasi yang bocor, namun juga kerugian secara finansial yang diakibatkan dari transaksi illegal yang memanfaatkan informasi pribadi pengguna yang bocor, serta kerugian lainnya. Dengan adanya permasalahan ini, penulis berinisiatif dalam mengusung model deteksi anomali berdasarkan dataset NSL-KDD menggunakan machine learning model XGBoost dengan Optuna Tuning. XGBoost merupakan machine learning model yang mampu mengatasi overfitting pada simulasi yang diusulkan, dengan kombinasi Optuna Tuning, model machine learning yang diusung mampu bekerja efisien akibat dari adanya optimasi hyperparameter secara otomatis. Kinerja model yang diusulkan penulis berhasil mendapatkan akurasi 99,56%, dengan nilai precision 98,16%, nilai recall 99,82%, dan untuk nilai f-1 score 99,61%. Berdasarkan hasil simulasi tersebut menunjukkan bahwa model yang diusulkan penulis berhasil mendeteksi adanya anomali pada trafik serta memiliki sensitivitas yang tinggi.

---

Along with the development of high data communication technology, the problems faced are increasingly varied. One of the problems that is often experienced is in form of cyber attacks, this problem affected to losses, not only leaked information which occred, but also financial losses caused by illegal transactions that utilized by using user personal information, as well as other losses. In concern of facing this problem, the author takes an initiative in carrying out an anomaly detection model based on the NSL-KDD dataset using XGBoost, machine learning model with Optuna Tuning. XGBoost is a machine learning model that is able to overcome overfitting in the proposed simulation, with a combination of Optuna Tuning, this machine learning model is able to work efficiently due to automatic hyperparameter optimization. That statement is proven by the performance of the model succesfully manage to get an accuracy of 99.56%, with a precision value of 98.16%, a recall value of 99.82%, and for an f-1 value of 99.61%. Based on the results of the simulation, it shows that the model proposed by the author has successfully detected anomalies in traffic and has a high sensitivity"

"Tuberkulosis (TB) merupakan suatu penyakit menular yang sebagian besar menyerang paru-paru manusia. Penularan penyakit ini terjadi ketika pasien tuberkulosis paru mengeluarkan percikan dahak yang mengandung kuman tuberkulosis ke udara. Penularannya yang mudah menjadikan tuberkulosis sebagai masalah kesehatan masyarakat, baik di Indonesia maupun internasional. Deteksi dini tuberkulosis paru dapat mencegah penularan serta menyembuhkan pasien. Namun, adanya pandemi COVID-19 saat ini dapat menurunkan angka kasus tuberkulosis yang berhasil terdeteksi. Hal ini menunjukkan perlu adanya kemajuan dalam metode pendeteksian penyakit tuberkulosis paru. Kini, perkembangan teknologi dapat dimanfaatkan untuk membantu bidang kesehatan, salah satunya dengan machine learning. Machine learning dapat digunakan untuk mendeteksi adanya suatu penyakit berdasarkan data citra. Dalam penelitian ini, model machine learning, Convolutional Neural Network-Random Forest (CNN-Random Forest) dan Convolutional Neural Network-XGBoost (CNN-XGBoost), diimplementasikan untuk mendeteksi tuberkulosis paru berdasarkan citra radiografi toraks. Selanjutnya, kedua model tersebut dievaluasi dan dibandingkan kinerjanya berdasarkan nilai akurasi dan nilai luas wilayah di bawah kurva ROC, atau biasa disebut dengan area under the curve (AUC). Data yang digunakan sebanyak 6000 yang terdiri dari 3000 citra radiografi toraks tuberkulosis paru dan 3000 citra radiografi toraks normal. Berdasarkan hasil yang diperoleh, model CNN-Random Forest dan CNN-XGBoost memberikan kinerja yang baik dan dapat diterapkan untuk mendeteksi tuberkulosis paru, dimana CNN digunakan untuk mengekstraksi fitur pada citra, kemudian hasil ekstraksi fitur tersebut menjadi input bagi pengklasifikasi Random Forest dan XGBoost. Evaluasi kinerja berdasarkan rata-rata nilai akurasi dan rata-rata nilai AUC pada model CNN-Random Forest memberikan hasil terbaik masing-masing sebesar 98.667% dan 99.933%, sementara pada model CNN-XGBoost memberikan hasil terbaik masing-masing sebesar 98.367% dan 99.866%. Kemudian berdasarkan perbandingan kinerja yang dilakukan, model CNN-Random Forest memberikan kinerja yang lebih baik dalam mendeteksi tuberkulosis paru dibandingkan dengan model CNN-XGBoost.

---

Tuberculosis (TB) is an infectious disease that in most cases attacks the human lungs. Transmission of this disease occurs when a patient with pulmonary tuberculosis expels phlegm containing tuberculosis germs into the air. Its easy transmission makes tuberculosis a public health problem, both in Indonesia and internationally. Early detection of pulmonary tuberculosis can prevent transmission and cure patients. However, the current COVID-19 pandemic can reduce the number of successfully detected tuberculosis cases. This shows the need for progress in the detection method of pulmonary tuberculosis. Now, technological developments can be used to help the health sector, one of which is machine learning. Machine learning can be used to detect the presence of a disease based on image data. In this study, machine learning models, Convolutional Neural Network-Random Forest (CNN-Random Forest) and Convolutional Neural Network-XGBoost (CNN-XGBoost), were implemented to detect pulmonary tuberculosis based on thorax radiography images. Furthermore, the performances of the two models were evaluated and compared based on the values of accuracy and area under the ROC curve, or commonly called the area under the curve (AUC). The data used were 6000 consisting of 3000 thorax radiography images of pulmonary tuberculosis and 3000 normal thorax radiography images. Based on the results obtained, the CNN-Random Forest and CNN-XGBoost models provided good performances and can be applied to detect pulmonary tuberculosis, where CNN was used to extract features in the image, then the results of the feature extraction became input for the Random Forest and XGBoost classifiers. Performance evaluation based on the average values of accuracy and AUC in the CNN-Random Forest model gave the best results of 98.667% and 99.933%, respectively, while the CNN-XGBoost model gave the best results of 98.367% and 99.866, respectively. Then based on the performance comparison, the CNN-Random Forest model provided a better performance in detecting pulmonary tuberculosis compared to the CNN-XGBoost model."

"Pembangkit listrik virtual merupakan pengembangan sistem transaksi energi listrik secara terdesentralisasi. Penelitian ini membahas perancangan dan implementasi sistem transaksi energi listrik dengan pemodelan konsep pembangkit listrik virtual yang diterapkan menggunakan smart contract berbasis blockchain Ethereum. Sistem transaksi energi terdiri dari smart contract, decentralized application berbasis website dan kWh meter. Hasil penelitian didapatkan bahwa sistem transaksi berhasil berjalan dengan skenario produksi memenuhi konsumsi, produksi tidak memenuhi konsumsi tetapi sistem tidak presisi dengan skenario produksi melebihi konsumsi. Nilai posisi transaksi dipengaruhi harga Gas dan data transaksi. Besar biaya Ether untuk transaksi dipengaruhi harga Gas dan data transaksi. Waktu yang dibutuhkan untuk melakukan pemanggilan data blockchain dipengaruhi jumlah data pada tipe data integer dan string.

---

Virtual power plant is a decentralized development of electrical energy transaction systems. This study discusses the design and implementation of electrical energy transaction systems by modeling the concept of virtual power plants that are implemented using Ethereum blockchain-based smart contracts. The energy transaction system consists of a smart contract, decentralized application websitebased and kWh meter. The results showed that the transaction system was successful with the production scenario meeting consumption, production did not meet consumption, but the system was not precise with the production scenario exceeding consumption. Transaction position value is influenced by Gas price and transaction data. The Ether fee for the transaction is influenced by Gas prices and transaction data. The time needed to call blockchain data is influenced by the amount of data in the integer and string data types."

"Permasalahan terbesar dalam pengendalian reaktor alir tangki berpengaduk adalah sistem yang sangat tidak linear dan multivariabel.Sistem pengendalian konvensional tidak dapat mengontrol sistem semacam ini dengan optimal, sehingga kemurnian produk yang dihasilkan rendah.Multiple Model Predictive Control (MMPC)digunakan untuk mengatasi masalah pengendalian proses yang nonlinear dan melibatkan banyak variabel. Beberapa MPC lokal digunakan pada MMPC diperoleh dengan metode yang baru dikembangkan, Representative Model Predictive Control (RMPC).

Penelitian ini menggunakan model reaktor alir tangki berpengaduk yang disimulasikan dengan perangkat lunak MATLAB. Variabel yang dimanipulasi adalah suhu inlet pendingin dan konsentrasi umpan sedangkan variabel yang dikontrol adalah komposisi produk. Untuk perubahan set point konsentrasi produk dari 8,5 sampai 8,6; disarankan menggunakan MMPC 4,1,2.

---

The biggest problem in controlling Continuous Stirred Tank Reactor (CSTR) is nonlinearity in the system. Conventional control system can not optimally control this system, therefore decrease the purity of product. Multiple Model Predictive Control (MMPC), that can be used to control nonlinear and multivariable system, tried to be used on this system. Some local MPC used for MMPC based on new developed method, Representative Model Predictive Control (RMPC).

This thesis using CSTR model which is simulated by MATLAB software. The manipulated variable are cooler inlet temperature and feed concentration, and controlled variable is residual concentration. For the change of residual concentration set point from 8.5 to 8.6 change, the MMPC 4,1,2. is recommended."

"Penilaian tingkat klaim risiko pemohon asuransi merupakan bagian penting dalam asuransi jiwa, sehingga perlu untuk diklasifikasikan. Penentuan tingkat klaim risiko pada asuransi jiwa didasarkan pada data historis pemohon. Pengajuan untuk menjadi anggota suatu asuransi jiwa membutuhkan waktu yang tidak singkat. Namun pengaplikasian suatu model machine learning dapat membantu mengklasifikasikan calon pemohon asuransi berdasarkan tingkat risiko dengan cepat. Salah satu model machine learning yaitu Extreme Gradient Boosting (XGBoost) yang merupakan suatu model berbasis decision tree. Model ini digunakan untuk memprediksi risiko pada asuransi jiwa. Adanya missing values pada data yang digunakan diatasi dengan beberapa strategi pada proses prapengolahan data untuk meningkatkan nilai akurasi model XGBoost. Hasil penelitian ini diperoleh bahwa akurasi model XGBoost sebesar 0,60730 dengan satuan kappa yang menunjukkan bahwa model XGBoost sangat baik dan dapat diterapkan pada masalah prediksi tingkat klaim risiko pemohon asuransi jiwa. Jika dibandingkan dengan model decision tree, random forest dan Bayesian ridge, kinerja model XGoost masih tetap unggul dalam memproses missing values pada data yang digunakan.

---

Risk level assessment for insurance applicants is an important part of life insurance, so it needs to be classified. Determination of the level of risk claims on life insurance is based on the applicants historical data. Submission to become a member of a life insurance requires a short time. But the application of a machine learning model can help classify prospective insurance applicants based on the level of risk quickly. One machine learning model is Extreme Gradient Boosting (XGBoost) which is a decision tree based model. This model is used to predict risk in life insurance. The missing values in the data used are overcome by several strategies in the data processing process to increase the accuracy value of the XGBoost model. The results of this study show that the accuracy of the XGBoost model is 0.60730 with kappa units which indicates that the XGBoost model is very good and can be applied to the problem of predicting the level of risk claims for life insurance applicants. When compared to the decision tree, random forest and Bayesian ridge models, the performance of the XGoost model still excels in processing missing values in the data used."