Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penggunaan variabel berbasis jaringan pada model prediksi kebangkrutan perusahaan dengan metode XGBoost belum banyak ditemukan. Meskipun prediksi kebangkrutannya sudah dikaji secara luas dan beragam, namun sebagian besar masih berfokus pada penggunaan variabel finansial. Dampak sistemik kebangkrutan dapat meluas hingga mengancam stabilitas sistem keuangan. Dampak sistemik yang diwaspadai terutama yang ditimbulkan oleh konglomerasi ataupun kelompok perusahaan. Hal ini memunculkan pertanyaan apakah kebangkrutan perusahaan di dalam satu kelompok akan saling berpengaruh dan menyebabkan efek sistemik di dalam kelompoknya. Sebelum kondisi buruk diketahui oleh pasar atau publik, otoritas pengawasan tersebut diharapkan dapat mendeteksi lebih awal kondisi buruk yang akan terjadi dan melakukan langkah-langkah konkrit yang diperlukan untuk menyelamatkan perusahaan secara khusus dan sistem perekonomian secara umum.Deteksi dini ini dibangun dengan mengembangkan model prediksi yang bekerja berdasarkan data historis, mampu memprediksi kebangkrutan, dan memetakan potensi dampak sistemiknya pada serangkaian perusahaan yang berelasi. Penelitian ini menggunakan data finansial dan relasional dari perusahaan yang terdaftar pada Bursa Efek Indonesia (BEI) mulai tahun 2010 hingga 2021. Data finansial yang digunakan adalah variabel neraca, rasio solvency, rasio profitability, dan rasio operasional. Data relasional terdiri dari 3 jenis relasi berdasarkan teori ultimate ownership, yaitu pemegang saham yang terdaftar pada laporan tahunan, dewan komisaris dan dewan direksi. Setelah melalui serangkaian literatur review dan eksperimen, metode machine learning XGBoost dipilih karena kemampuannya dalam melakukan prediksi dalam data yang tidak seimbang. Model akhir yang diusulkan adalah model prediksi kebangkrutan dengan tugas klasifikasi kelas bangkrut dan tidak, dengan metode XGBoost, menggunakan integrasi data masukan berupa variabel keuangan dan non-keuangan berbasis jaringan. Model ini terdiri dari pemrosesan input variabel keuangan dan relasional, prediksi dengan XGBoost pada 7 jenis integrasi data, pemilihan hasil prediksi akhir berdasarkan AUC yang terbaik, dan analisis potensi dampak sistemik dari jaringan terpilih berdasarkan model integrasi data terbaik di tahap sebelumnya.Model prediksi kebangkrutan ini sekaligus memberikan kontribusi dalam memvisualisasikan potensi dampak sistemik yang mungkin terjadi. Pada tahap prediksi kebangkrutan digunakan model integrasi data variabel finansial – non finansial. Model dengan integrasi data yang menghasilkan AUC terbaik digunakan pada tahap analisis potensi dampak sistemik. Berdasarkan luaran dari tahap 1, analisis dampaknya dipetakan sesuai relasi yang terbentuk dari jaringan yang bersesuaian dengan model terbaiknya. Hasil pengujian dengan data tes tahun 2019 untuk memprediksi kondisi 1 tahun ke depan menunjukkan AUC sebesar 90.20% dengan model integrasi data finansial – Shareholder. Model usulan memiliki AUC lebih baik dari model Tobback et. al., namun tidak lebih baik dari model Zhao et. al.Analisis potensi dampak sistemik memberikan gambaran jaringan yang terbentuk dengan node sumber adalah perusahaan yang diprediksi bangkrut yang terhubung dengan perusahaan yang berelasi berdasarkan Shareholder. Besar kecilnya edge menggambarkan kuat lemahnya relasi yang ada. Penelitian disertasi ini berhasil membangun model prediksi kebangkrutan dengan variabel finansial dan relasional berbasis jaringan ultimate ownership dengan AUC lebih dari 90%. Hasil disertasi ini juga memberikan pandangan baru dalam melakukan deteksi konglomerasi dan analisis potensi dampak sistemik dari relasi yang ada.

---

The application of network-based variables in the company’s bankruptcy prediction model with XGBoost method has not been widely found.. While bankruptcy prediction has been widely and diversely examined, most of them still focus on the use of financing variables. The systemic consequences of bankruptcy can jeopardize the stability of the financial system. The systemic impact under scrutiny primarily arises from conglomerates or corporate organizations. This prompts an inquiry into whether the insolvency of enterprises within a group may impact one another and induce systemic repercussions inside or outside the group. Prior to the market or public awareness of adverse situations, the regulatory body is anticipated to identify these detrimental circumstances early and implement necessary measures to preserve the company specifically and the economic system broadly.

This early detection is established through the creation of a predictive model that utilizes historical data to forecast bankruptcy and assess its potential systemic effects on a network of interconnected enterprises. This research utilizes financial and relational data from firms registered on the Indonesia Stock Exchange (IDX) spanning the years 2010 to 2021. The financial statistics utilized comprise balance sheet variables, solvency ratios, profitability ratios, and operating ratios. Relational data comprises three categories of relations according to the ultimate ownership theory: shareholders identified in the annual report, the board of commissioners (BoC), and the board of directors (BoD). Following an extensive analysis of research and experimentation, the XGBoost machine learning algorithm was selected as the model base due to its efficacy in predicting outcomes within unbalanced datasets. The final proposed model is a bankruptcy prediction model with the task of classifying bankrupt and non-bankrupt classes, with the XGBoost method, using network-based integration of input data in the form of financial and non-financial variables. This model consists of processing financial and relational variable inputs, prediction with XGBoost on 7 types of data integration, selecting the final prediction results based on the best AUC, and analyzing the potential systemic impact of the selected network based on the best data integration model in the previous stage.

This bankruptcy prediction model also contributes to visualizing the potential systemic impacts that may occur. At the bankruptcy prediction stage, a data integration model of financial and non-financial variables is used. The model of data integration exhibiting the highest AUC results is employed at the stage of analyzing potential systemic impacts. The expected impact is delineated based on the output from prior stage, according to the relationships established within the network of the optimal model. The test results utilizing 2019 data to forecast situations one year in advance demonstrated an AUC of 90.20% with the integration model of financial – Shareholder variables. The proposed model has a better AUC than the Tobback et. al., but not better than the Zhao et. al. model. The analysis of potential systemic impacts provides a picture of the network formed with the source node being a company predicted to go bankrupt that is connected to a company related to Shareholders. The size of the edge describes the strength of the existing relationship.

This dissertation research has succeeded in building a bankruptcy prediction model with financial and relational variables based on the ultimate ownership network with an AUC of more than 90%. The results of this dissertation also provide new insights into detecting conglomerates and analyzing the potential systemic impacts of existing relationships."

"Pipa transmisi adalah cara teraman dan paling efektif untuk mengangkut gas alam dalam jumlah besar dalam jarak jauh. Meskipun transportasi menggunakan pipa adalah yang paling aman, kegagalan pipa transmisi dapat menyebabkan kerusakan, kerugian finansial, dan cedera. Kegagalan pipa perlu diprediksi untuk untuk menentukan prioritas pemeliharaan pipa sebagai salah satu strategi membuat jadwal pemeliharaan prefentif yang tepat sasaran dan efisien agar pipa dapat diperbarui atau direhabilitasi pipa sebelum terjadi kegagalan. Metode yang ditawarkan pada studi ini adalah machine learning, dimana metode merupakan bagian dari insiatif transformasi digital (Hajisadeh, 2019). Model dikembangkan berdasarkan data kegagalan historis dari jaringan pipa transmisi gas darat sekitar 2010-2020 yang dirilis oleh Departemen Transportasi AS dengan karakteristik data yang tidak terstruktur dan kompleks. Proses pembelajaran mesin dapat dibagi menjadi beberapa langkah: pra-pemrosesan data, pelatihan model, pengujian model, pengukuran kinerja, dan prediksi kegagalan. Pengembangan model pada studi ini dilakukan menggunakan dua algoritma yaitu regresi logistik dan random forest. Pola perilaku dari faktor-faktor yang paling berpengaruh adalah usia dan panjang segmen pipa meiliki korelasi positif terhadap kegagalan pipa. Kedalaman pipa, ketebalan, dan diameter pipa memiliki korelasi negatif. Kegagalan pipa paling sering terjadi pada pipa dengan class location 1 dan class location 4, pipa yang ditempatkan di bawah tanah, serta pipa dengan tipe pelapis coal tar. Hasil pengembangan model menggunakan machine learning menunjukan hasil performa model akurasi prediksi 0.949 dan AUC 0.950 untuk model dengan algoritma regresi logistik. Sedangkan akurasi prediksi 0.913 dan AUC 0.916 untuk model dengan algoritma random forest. Berdasrkan hasil uji performa kita dapat menyimpulkan bahwa machine learning adalah metode yang efektif untuk memprediksi kegagalan pipa. Berdasarkan model yang dilatih pada dataset nyata pipa transmisi gas, hasil prediksi pada studi kasus dapat menghindari 29% dari kegagalan pipa pada 2025, 53% kegagalan pipa pada tahun 2030, dan 64% pada tahun 2035.

---

Transmission pipe is the safest and most effective way to transport large amounts of natural gas over long distances. Although transportation using pipelines is the safest, transmission pipeline failures can cause damage, financial losses, and injuries. Pipeline failures need to be predicted to determine the priority of pipeline maintenance as one of the strategies to create a schedule of maintenance targets that is right on target and efficient so that the pipeline can be rehabilitated before a failure occur. The method offered in this study is machine learning, where the method is part of the digital transformation initiative (Hajisadeh, 2019). The model was developed based on historical failure data from the onshore gas transmission pipeline around 2010-2020 released by the US Department of Transportation with unstructured and complex data characteristics. The machine learning process can be divided into several steps: data pre-processing, model training, model testing, performance measurement, and failure prediction. The development of the model in this study was carried out using two algorithms namely logistic regression and random forest. The correaltion of the factors that most influence the failure of an onshore gas transmission pipeline is the age and length of the pipe segment has a positive correlation with pipe failure. Depth of cover, thickness, and diameter of pipes have a negative correlation with pipe failures. Pipe failures most often occur in pipes with class location 1 and class location 4, undersoil, and pipes with coal tar coating types. The results of the development of the model using machine learning showed the results of the model performance prediction accuracy is 0.949 and AUC is 0.950 for models with logistic regression algorithms. Whereas the accuracy of prediction is 0.913 and AUC is 0.916 for models using the random forest algorithm. Based on the results of performance tests we can conclude that machine learning is an effective method for predicting pipe failures. Based on the model trained on a real dataset of gas transmission pipelines, the prediction results in case studies can avoid 29% of pipe failures in 2025, 53% of pipe failures in 2030, and 64% in 2035. "

"ABSTRAKPenelitian ini bertujuan untuk menganalisis pengaruh dari struktur kepemilikan kepemilikan manajerial dan kepemilikan asing dan corporate governance board size, board independence dan board intensity terhadap pembayaran dividen. Penelitian ini menggunakan analisis data panel dengan sampel penelitian yang berjumlah 84 perusahaan non keuangan yang terdaftar di Bursa Efek Indonesia selama periode 2008-2015 dan model regresi berganda. Hasil dari penelitian ini menunjukan bahwa variabel kepemilikan asing dan variabel board intensity memiliki pengaruh negatif yang signifikan. Sedangkan, variabel lainnya tidak memiliki pengaruh yang signifikan.

---

ABSTRACT

This study has a main objective to analyze the effect of ownership structure managerial ownership and foreign ownership and corporate governance board size, board independence, board intensity on dividend payout. This study used panel data analysis of 84 non financial firms, listed on Indonesian Stock Exchange for period 2008 2015 and multiple regression model. This study reports that foreign ownership and board intensity have a significant negative effect on dividend payout. Whereas, the other variables have no significant effect on dividend payout."

"Penelitian ini bertujuan untuk menguji apakah corporate governance suatu bank mempengaruhi kinerja keuangan dengan konsentrasi kepemilikan sebagai moderasi. Corporate governance sebagai variabel independen dalam penelitian ini diwakilkan oleh jumlah anggota dewan direksi, kualitas dewan komisaris, dan kualitas komite audit. Ketiga variabel ini dimoderasi oleh konsentrasi kepemilikan. Kinerja keuangan diukur dengan return on asset dan tobin’s q. Penelitian ini menggunakan data sampel perusahaan sektor keuangan yang terdaftar di Bursa Efek Indonesia dengan periode 2012 - 2016. Hasil penelitian menunjukkan bahwa kualitas komisaris berhubungan negatif dengan kinerja keuangan perusahaan, baik diukur dengan ROA dan Tobin's Q, tetapi dipengaruhi secara positif ketika dimoderasi dengan konsentrasi kepemilikan untuk kinerja keuangan yang diukur dengan tobin q. Jumlah anggota dewan direksi memiliki efek positif pada kinerja keuangan baik dimoderasi atau tidak oleh konsentrasi kepemilikan kecuali pada kinerja dengan proksi tobin's q. Kualitas komite audit secara positif hanya memengaruhi kinerja keuangan hanya ketika dimoderasi oleh konsentrasi kepemilikan.

---

This study aims to examine whether corporate governance affects the financial performance of banks with ownership concentration as moderation. Corporate governance as an independent variable used by number of members of the board of directors, the quality of the board of commissioners, and the audit quality of the committee. These three variables are moderated by owner concentration. Financial performance is measured by return on asset and Tobins q. This study uses sample data of companies listed in Indonesia Stock Exchange with period of 2012 - 2016.

The results showed that the quality of commissioners was negatively related to the financial performance of the firm, both measured by ROA and Tobins Q, but positively influenced when moderated concentration of ownership for financial performance as measured by the tobin's q. The number of members of the board of directors has a positive effect on financial performance whether moderated or not by concentration of ownership except on performance with the proportion of Tobins q. The quality of the audit committee positively affects only the Tobins q and ROA when moderated by the concentration of ownership."

"Pipa penyalur merupakan sarana transportasi hidrokarbon yang umum digunakan sebagai media transportasi hidrokarbon. Namun apabila terjadi kegagalan akan berdampak besar terhadap jalur yang dilalui terutama di daerah padat penduduk. Pipa penyalur yang digelar harus mempunyai hak guna jalan (right of way) untuk keperluan pengoperasian, perawatan, dan kondisi tanggap darurat. Di Indonesia, pipa penyalur harus mempunyai jarak dari bangunan tetap minimal adalah 9 meter. Namun, karena faktor sosial, ekonomi, dan petumbuhan penduduk serta tingkat urbanisasi kondisi tersebut sering tidak tercapai. Oleh karena itu tingkat risiko penduduk di sekitar pipa penyalur harus diketahui. Di beberapa negara penilaian risiko kuantitatif diwajibkan sebagai dasar pertimbangan pengambilan keputusan dan sebagai sistem kontrol bahaya yang terjadi. Penilaian risiko kuantitatif terdiri dari penilaian frekuensi dan konsekuensi. Penilaian frekuensi diperoleh dari nilai laju kegagalan pipa penyalur akibat cacat material dan cacat konstruksi, korosi internal, korosi eksternal, gangguan pihak ketiga, pergerakan tanah. Penilaian konsekuensi memperhitungkan tingkat keparahan apabila kebakaran crater fire, jet fire, dan flash fire berdasarkan pohon kejadian (event tree). Pemodelan konsekuensi berdasarkan data meteorologi, data populasi, data teknis pipa penyalur, data komposisi fluidan, data perawatan dan rekam jejak kegagalan. Berdasarkan hasil perhitungan dan pemodelan nilai risiko dalam bentuk kontur pada setiap skenario (crater fire, jet fire, dan flash fire) diperoleh nilai risiko paling besar adalah 1x10-5 terjadi pada skenario crater fire dan jet fire. Luas wilayah yang mempunyai nilai risiko 1x10-5 pada skenario crater fire lebih besar dibandingkan skenario jet fire. Berdasarkan klasifikasi ALARP (As Low As Reasonably Practicable) nilai tersebut masih dapat diterima apabila diberikan alat pengaman tambahan.

---

Pipeline is commonly used for hydrocarbon transportation. However, if a failure occurs, it will have a major impact on the route traveled, especially in densely populated areas. The pipeline must have a right of way for operation, maintenance, and emergency response. In Indonesia, pipelines must have a minimum distance from fixed buildings of 9 meters. However, due to social, economic and population growth factors as well as the level of urbanization this condition is often not achieved. Therefore, the risk level of the population around the pipeline must be known. In some countries, quantitative risk analysis is required as a basis for decision-making and as a control system for hazards. Quantitative risk analysis consists of frequency and consequence analysis. The frequency analysis is obtained from the failure rate of the pipeline due to material and construction defects, internal corrosion, external corrosion, third party interference, and ground movement. The consequence analysis takes into account the severity of crater fire, jet fire and flash fire based on the event tree. Consequence modeling is based on meteorological data, population data, pipeline technical data, fluid composition data, maintenance data and failure track record. Based on the results of the calculation and modeling of risk values in the form of contours in each scenario (crater fire, jet fire, and flash fire), the greatest risk value is 1x10-5 occurring in the crater fire and jet fire scenarios. The area that has a risk value of 1x10-5 in the crater fire scenario is greater than the jet fire scenario. Based on the ALARP (As Low As Reasonably Practicable) classification, this value is still acceptable if additional safety equipment is provided.Keywords: Workover Rig, Oil and Gas Accident, Systematic Cause Analysis Technique, Technical Guidelines."

"Analisis risiko pada pipa bawah laut 16? Main Oil Line EFPRO - EKOM di Laut Jawa ini dilakukan mengingat adanya potensi bahaya dan risiko tumpahan minyak sehingga dapat berdampak pada ekosistem laut disekitar operasi kerja. Penelitian ini bersifat deskriptif analitik dan dilakukan dengan metode semi kuantitatif. Model yang digunakan dalam penelitian ini adalah model penilaian risiko yang dikembangkan oleh Kent Muhlbauer (2004) dalam bukunya Pipeline Risk Management. Tujuan dari penelitian ini adalah untuk mendapatkan tingkat risiko relatif sehingga didapatkan gambaran risiko yang berguna bagi manajemen dalam mengambil keputusan guna mencegah kejadian kecelakaan yang diakibatkan kegagalan pipa. Hasil dari penelitian ini menunjukan bahwa pada pipa sepanjang 32.14 km tersebut memiliki nilai rata-rata untuk Design Index sebesar (59.13), Corrosion Index (68.16), Third-party Damage Index (72) dan Incorrect Operations Index (82). Sedangkan nilai risiko relatif tertinggi adalah pada Kilometer Post (KP) 0-1 jalur pipa.

---

Risk analysis of subsea pipeline 16" Main Oil Line (MOL) EFPRO - EKOM located at Java Sea was conducted because of the potential hazards and the risk of oil spills that possible impact on ecosystems around the work operations. This research is descriptive analytic and performed by semi-quantitative method. The model used in this study is a model of risk assessment developed by Kent Muhlbauer (2004) in his book ?Pipeline Risk Management.

The purpose of this study was to obtain relative risk that are useful to management in making decisions in order to prevent the occurrence of accidents which caused by the failure of the pipe.

The results of this study showed that the pipeline along the 32.14 km has an average value for the Design Index (59.13), Corrosion Index (68.16), Third party Damage Index (72) and Incorrect Operations Index (82). While the value of the highest relative risk was at Kilometre Post (KP) 0-1 pipeline."

"Rancang campur beton merupakan proses bertahap dan kompleks untuk mencoba menemukan komposisi bahan terbaik guna menghasilkan beton dengan performa terbaik. Kuat tekan beton merupakan sifat terpenting dalam kualitas beton dibandingkan sifat-sifat lain. Dalam proses pembuatannya, banyak variabel terutama jumlah komposisi material penyusun yang dapat memengaruhi kuat tekan beton. Terdapat beberapa metode konvensional dalam memprediksi beton yang terkadang memberikan hasil prediksi lebih atau kurang dari kuat tekan yang ditargetkan. Diperlukan metode yang akurat dalam memprediksi kuat tekan beton agar dapat memberikan keuntungan secara signifikan terhadap penggunaan bahan. Oleh karena itu, penelitian ini menggunakan Deep Neural Network (DNN) sebagai subbidang dari Machine Learning (ML) dan Artificial Intelligence (AI), untuk memprediksi kuat tekan beton berdasarkan komposisi campuran dan properti materialnya. Penelitian ini menghasilkan formula matematika berupa persamaan yang dihasilkan dari model DNN terbaik dengan melihat aspek error model dan grafik model loss. Terdapat total 2048 model yang dianalisis dengan variasi jumlah variabel input (feature) yang berbeda-beda. Model 280 pada kasus 1 dan model 23 pada kasus 5 merupakan model terbaik yang dihasilkan penelitian ini, dengan masing-masing nilai error model 43,8028 dan 5778,5850 untuk Mean Squared Error (MSE) serta 5,0073 dan 59,8225 Maen Absolute Error (MAE).

---

Concrete mix design is a gradual and complex process of trying to find the best ingredient composition to produce the best performing concrete. The compressive strength of concrete is the most important property in concrete quality compared to other properties. In the manufacturing process, many variables, especially the amount of material composition, can affect the compressive strength of concrete. There are several conventional methods of predicting concrete that sometimes give predictive results more or less than the targeted compressive strength. An accurate method of predicting the compressive strength of concrete is needed in order to significantly benefit the use of materials. Therefore, this research utilizes Deep Neural Network (DNN), a subfield of Machine Learning (ML) and Artificial Intelligence (AI), to predict the compressive strength of concrete based on its mix composition and material properties. This research produces mathematical formulas in the form of equations generated from the best DNN model by looking at the aspects of model error and model loss graphs. There are a total of 2048 models analyzed with different variations in the number of input variables (features). Model 280 in case 1 and model 23 in case 5 are the best models produced by this study, with model error values of 43.8028 and 5778.5850 for Mean Squared Error (MSE) and 5.0073 and 59.8225 Maen Absolute Error (MAE), respectively."

"Industri pengolahan feronikel menghadapi tantangan kompleksitas proses, efisiensi energi, dan variabilitas kualitas produk, yang sebagian besar masih dikelola secara manual. Pada praktiknya, kontrol proses ini masih mengandalkan intuisi dan pengalaman operator untuk melakukan penyesuaian parameter. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model prediksi sekuensial berbasis machine learning (ML) untuk mesin rotary kiln (RK) dan electric furnace (EF), guna meningkatkan akurasi prediksi dan interpretabilitas dalam optimasi proses. Data historis operasional digunakan dan melalui tahap pra-pemrosesan yang termasuk imputasi missing value dengan Random Forest Imputation dan penanganan outlier dengan Local Winsorizing, yang terbukti signifikan dalam meningkatkan stabilitas data dan performa model. Model prediksi dikembangkan dalam arsitektur dua tahap, di mana keluaran prediksi dari model RK menjadi masukan bagi model EF. Evaluasi komprehensif terhadap berbagai algoritma ML menunjukkan bahwa Support Vector Regressor (SVR) optimal untuk prediksi RK dan XGBoost unggul untuk prediksi EF, secara konsisten menghasilkan error prediksi terendah. Secara spesifik, pada prediksi suhu kalsinasi (t kalsin), model SVR mencapai nilai MAE 27.74, MSE 1288.59, dan RMSE 35.90. Sementara itu, pada prediksi suhu logam akhir (metal temp), model XGBoost mencapai nilai MAE 9.91, MSE 239.50, dan RMSE 15.48. Analisis sensitivitas lebih lanjut mengonfirmasi bahwa propagasi kesalahan dalam pipeline sekuensial dapat diminimalisasi, yang dibuktikan dengan perbedaan MAE rata-rata antara penggunaan input aktual dan prediksi RK yang kurang dari 0.005 untuk sebagian besar variabel output EF. Melalui analisis Explainable AI (SHAP), fitur-fitur dominan yang memengaruhi proses diidentifikasi, sekaligus mengungkap interaksi non-linear yang krusial untuk pemahaman dinamika proses. Secara keseluruhan, model yang dikembangkan menunjukkan akurasi, robustness, dan interpretabilitas tinggi, menjadikannya solusi yang layak untuk mendukung pengambilan keputusan berbasis data di industri pengolahan feronikel yang kompleks dan dinamis.

---

The ferronickel processing industry faces challenges related to process complexity, energy efficiency, and product quality variability, which are still largely managed manually. In practice, process control relies heavily on operator intuition and experience for parameter adjustments. This study aims to develop and evaluate a sequential prediction model based on machine learning (ML) for the rotary kiln (RK) and electric furnace (EF) machines to enhance prediction accuracy and interpretability for process optimization. Historical operational data were used and subjected to a pre-processing stage that included missing value imputation with Random Forest Imputation and outlier handling with Local Winsorizing, which proved significant in improving data stability and model performance. The prediction model was developed in a two-stage architecture, where the predicted output from the RK model serves as an input for the EF model. A comprehensive evaluation of various ML algorithms showed that Support Vector Regressor (SVR) is optimal for RK prediction and XGBoost excels for EF prediction, consistently yielding the lowest prediction errors. Specifically, for calcine temperature prediction (t kalsin), the SVR model achieved an MAE of 27.74, MSE of 1288.59, and RMSE of 35.90. Meanwhile, for final metal temperature prediction (metal temp), the XGBoost model achieved an MAE of 9.91, MSE of 239.50, and RMSE of 15.48. Further sensitivity analysis confirmed that error propagation in the sequential pipeline can be minimized, as evidenced by a mean absolute error difference of less than 0.005 for most EF output variables between using actual and predicted RK inputs. Through Explainable AI (SHAP) analysis, dominant features influencing the process were identified, while also uncovering crucial non-linear interactions for understanding process dynamics. Overall, the developed models demonstrate high accuracy, robustness, and interpretability, making them a viable solution to support data-driven decision-making in the complex and dynamic ferronickel processing industry. "

"Industri pengolahan feronikel menghadapi tantangan kompleksitas proses, efisiensi energi, dan variabilitas kualitas produk, yang sebagian besar masih dikelola secara manual. Pada praktiknya, kontrol proses ini masih mengandalkan intuisi dan pengalaman operator untuk melakukan penyesuaian parameter. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi model prediksi sekuensial berbasis machine learning (ML) untuk mesin rotary kiln (RK) dan electric furnace (EF), guna meningkatkan akurasi prediksi dan interpretabilitas dalam optimasi proses. Data historis operasional digunakan dan melalui tahap pra-pemrosesan yang termasuk imputasi missing value dengan Random Forest Imputation dan penanganan outlier dengan Local Winsorizing, yang terbukti signifikan dalam meningkatkan stabilitas data dan performa model. Model prediksi dikembangkan dalam arsitektur dua tahap, di mana keluaran prediksi dari model RK menjadi masukan bagi model EF. Evaluasi komprehensif terhadap berbagai algoritma ML menunjukkan bahwa Support Vector Regressor (SVR) optimal untuk prediksi RK dan XGBoost unggul untuk prediksi EF, secara konsisten menghasilkan error prediksi terendah. Secara spesifik, pada prediksi suhu kalsinasi (t kalsin), model SVR mencapai nilai MAE 27.74, MSE 1288.59, dan RMSE 35.90. Sementara itu, pada prediksi suhu logam akhir (metal temp), model XGBoost mencapai nilai MAE 9.91, MSE 239.50, dan RMSE 15.48. Analisis sensitivitas lebih lanjut mengonfirmasi bahwa propagasi kesalahan dalam pipeline sekuensial dapat diminimalisasi, yang dibuktikan dengan perbedaan MAE rata-rata antara penggunaan input aktual dan prediksi RK yang kurang dari 0.005 untuk sebagian besar variabel output EF. Melalui analisis Explainable AI (SHAP), fitur-fitur dominan yang memengaruhi proses diidentifikasi, sekaligus mengungkap interaksi non-linear yang krusial untuk pemahaman dinamika proses. Secara keseluruhan, model yang dikembangkan menunjukkan akurasi, robustness, dan interpretabilitas tinggi, menjadikannya solusi yang layak untuk mendukung pengambilan keputusan berbasis data di industri pengolahan feronikel yang kompleks dan dinamis.

---

The ferronickel processing industry faces challenges related to process complexity, energy efficiency, and product quality variability, which are still largely managed manually. In practice, process control relies heavily on operator intuition and experience for parameter adjustments. This study aims to develop and evaluate a sequential prediction model based on machine learning (ML) for the rotary kiln (RK) and electric furnace (EF) machines to enhance prediction accuracy and interpretability for process optimization. Historical operational data were used and subjected to a pre-processing stage that included missing value imputation with Random Forest Imputation and outlier handling with Local Winsorizing, which proved significant in improving data stability and model performance. The prediction model was developed in a two-stage architecture, where the predicted output from the RK model serves as an input for the EF model. A comprehensive evaluation of various ML algorithms showed that Support Vector Regressor (SVR) is optimal for RK prediction and XGBoost excels for EF prediction, consistently yielding the lowest prediction errors. Specifically, for calcine temperature prediction (t kalsin), the SVR model achieved an MAE of 27.74, MSE of 1288.59, and RMSE of 35.90. Meanwhile, for final metal temperature prediction (metal temp), the XGBoost model achieved an MAE of 9.91, MSE of 239.50, and RMSE of 15.48. Further sensitivity analysis confirmed that error propagation in the sequential pipeline can be minimized, as evidenced by a mean absolute error difference of less than 0.005 for most EF output variables between using actual and predicted RK inputs. Through Explainable AI (SHAP) analysis, dominant features influencing the process were identified, while also uncovering crucial non-linear interactions for understanding process dynamics. Overall, the developed models demonstrate high accuracy, robustness, and interpretability, making them a viable solution to support data-driven decision-making in the complex and dynamic ferronickel processing industry. "

"Asuransi merupakan bentuk pengalihan risiko dengan cara mendistribusikan risiko individu menjadi risiko kolektif. Pemasukan utama perusahaan asuransi adalah dari penjualan polis asuransi. Metode penjualan yang lazim digunakan pada asuransi maupun industri finansial lainnya adalah cross-selling. Cross-selling adalah proses menawarkan produk tambahan kepada orang yang sudah menjadi pelanggan perusahaan yang bersangkutan. Sangat penting bagi perusahaan asuransi untuk memiliki kemampuan memprediksi secara akurat karakteristik calon pelanggan yang sekiranya akan tertarik membeli suatu produk yang sedang ingin dipasarkan. Untuk dapat mengetahui karakteristik pelanggan potensial berdasarkan data perusahaan yang pada umumnya berskala besar, diusulkan untuk menggunakan machine learning. Hingga saat ini, metode machine learning yang  populer digunakan untuk mengolah data tabular adalah XGBoost. Pada penelitian ini, digunakan metode XGBoost untuk memprediksi hasil cross-selling produk asuransi dan kemudian dibandingkan dengan metode berbasis pohon lainnya, yaitu Decision Tree dan Random Forest, dari segi sensitivity, specificity, dan AUC-ROC. Diperoleh bahwa XGBoost unggul pada metrik specificity dan AUC-ROC. Selanjutnya, hasil simulasi terbaik dari setiap model diinterpretasikan menggunakan feature importance berdasarkan gain agar diperoleh fitur yang menjadi faktor penting dalam memprediksi cross-selling asuransi. Dengan adanya tahap interpretasi ini, diharapkan metode yang digunakan pada penelitian ini dapat diterima dan berguna bagi industri asuransi.

---

Insurance is a form of risk transfer by distributing individual risks into collective risks. The main income of insurance companies is from the sale of insurance policies. The sales method commonly used in the insurance and other financial industries is cross-selling. Cross-selling is the process of offering additional products to existing customers of the company. It is very important for insurance companies to have the ability to accurately predict the characteristics of potential customers who will be interested in buying a product that is being marketed. To find out the characteristics of potential customers based on company’s data, which are generally in large scale, it is proposed to use machine learning method. Until now, the most popular machine learning method used to process tabular data is XGBoost. In this study, the XGBoost method was used to predict cross-selling results of insurance products and then compared with other tree-based models, the Decision Tree and Random Forest, in terms of sensitivity, specificity, and AUC-ROC. It was found that XGBoost excels in specificity and AUC-ROC metrics. Furthermore, the best simulation results from each model are interpreted using feature importance based on gain to obtain features that are important factors in predicting insurance cross-selling. So, with this interpretation step done, it is hoped that the method used in this study can be accepted and useful for the insurance industry."