Hasil Pencarian  ::  Simpan CSV :: Kembali

"Batu bara merupakan salah satu bahan bakar fosil atau sumber energi tidak terbarukan yang paling banyak digunakan di dunia. Penggunaan batu bara yang terus menerus tanpa pengawasan dapat mempercepat terjadinya pemanasan global atau perubahan iklim. Peramalan produksi batu bara yang akurat sangat penting untuk perencanaan diversifikasi atau manajemen energi dan perencanaan ekonomi, terutama bagi Indonesia, salah satu produsen batu bara terbesar di dunia. Penelitian ini mengembangkan model peramalan hibrida yang menggabungkan Autoregressive Integrated Moving Average (ARIMA) dan Backpropagation Neural Network (BP), yang dioptimasi dengan Simulated Annealing (SA), untuk memprediksi produksi batu bara di Indonesia. Penelitian ini bertujuan untuk memanfaatkan kekuatan ARIMA dalam menangkap pola linier dan kemampuan BP untuk memodelkan hubungan nonlinier yang kompleks. Penggunaan SA meningkatkan optimasi parameter jaringan BP, membantu model dalam menghindari minimum lokal dan mencapai optimasi global. Secara metodologis, model ARIMA pertama kali diterapkan pada data runtun waktu untuk meramalkan komponen linier. Residual dari model ARIMA ini kemudian dimasukkan ke dalam jaringan syaraf BP untuk memprediksi komponen nonlinier. SA digunakan untuk menyempurnakan parameter model BP, sehingga meningkatkan kinerja secara keseluruhan. Penerapan model hybrid dengan menggunakan pemodelan model linier dan model nonlinier diharapkan dapat menangkap pola yang berbeda dari setiap data sehingga diharapkan dapat meningkatkan akurasi dari peramalan. Data historis produksi batubara dari tahun 1986 hingga 2022, yang disediakan oleh Badan Pusat Statistik (BPS), digunakan untuk pelatihan dan validasi. Hasilnya menunjukkan bahwa model hybrid ARIMA-BP dengan optimasi simulated annealing memiliki nilai akurasi yang lebih baik dibandingkan dengan model ARIMA dan model hybrid ARIMA-BP tanpa optimasi simulated annealing. Model ini memiliki nilai Mean Absolute Percentage Error (MAPE) sebesar 10,813% dan Root Mean Squared Error (RMSE) sebesar 60,1017, yang mengindikasikan akurasi yang cukup tinggi dalam memprediksi tren produksi batu bara.

---

Coal is one of the most widely used fossil fuels or non-renewable energy sources in the world. Continued uncontrolled use of coal can accelerate global warming or climate change. Accurate forecasting of coal production is essential for diversification planning or energy management and economic planning, especially for Indonesia, one of the largest coal producers in the world. This research develops a hybrid forecasting model that combines Autoregressive Integrated Moving Average (ARIMA) and Backpropagation Neural Network (BP), optimized with Simulated Annealing (SA), to predict coal production in Indonesia. This research aims to leverage the power of ARIMA in capturing linear patterns and the ability of BP to model complex nonlinear relationships. The use of SA improves BP network parameter optimization, assisting the model in avoiding local minima and achieving global optimization. Methodologically, ARIMA models are first applied to time series data to forecast the linear component. The residuals from this ARIMA model are then fed into the BP neural network to predict the nonlinear component. SA is used to fine-tune the BP model parameters, thereby improving overall performance. The application of a hybrid model using linear modeling and nonlinear modeling is expected to capture different patterns of each data so as to improve the accuracy of forecasting. Historical data of coal production from 1986 to 2022, provided by the Badan Pusat Statistik Indonesia (BPS), was used for training and validation. The results show that the hybrid ARIMA-BP model with simulated annealing optimization has a better accuracy value compared to the ARIMA model and the hybrid ARIMA-BP model without simulated annealing optimization. This model has a Mean Absolute Percentage Error (MAPE) value of 10.813% and a Root Mean Squared Error (RMSE) of 60.1017, which indicates a fairly high accuracy in predicting coal production trends."

"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."

"Sebagai negara kepulauan yang luas dengan kondisi topografi yang beragam mulai dari dataran rendah perkotaan, dataran tinggi, hingga lembah pegunungan dan memiliki curah hujan rata-rata tahunan lebih dari 2000 mm, Indonesia rawan terhadap bencana hidrometeorologi berupa banjir bandang dan tanah longsor. Indonesia saat ini memiliki sistem pemantauan curah hujan real-time dengan jumlah sekitar 1000 alat penakar curah hujan otomatis sehingga masih membutuhkan lebih banyak lagi untuk meningkatkan resolusi spasial pemantauan. Peningkatan kepadatan peralatan pemantau menggunakan alat penakar hujan dan radar cuaca menimbulkan masalah biaya pengadaan dan operasional yang tinggi. Penggunaan jaringan satelit komunikasi yang beroperasi pada frekuensi Ku-band juga masih jarang diteliti, terutama di Indonesia. Dalam penelitian-penelitian terdahulu, estimasi curah hujan melalui pembelajaran mesin masih terbatas pada pemodelan berdasarkan redaman sinyal satelit. Oleh karena itu, penelitian ini menjadi tantangan untuk memperkirakan intensitas curah hujan dengan memanfaatkan jaringan komunikasi satelit Ku-band dan mengombinasikannya dengan data meteorologi berbasis penginderaan jauh. Hasil penelitian menunjukkan bahwa performa model 1DCNN dan RF dalam mendeteksi hujan setara dengan LSTM, MLP, dan SVM dengan akurasi berbasis musim berada pada rentang 70–82%, meskipun kesalahan pelabelan dapat terjadi akibat jarak antara UT dan RG. Model estimasi intensitas curah hujan berbasis redaman sinyal satelit memberikan kinerja terbaik di Natuna, khususnya pada curah hujan sedang, dengan underestimate yang rendah (NB -38% untuk 1DCNN dan -16% untuk RF), yang didukung oleh fenomena MCC berskala besar di wilayah tersebut. Penambahan data temperatur permukaan dan puncak awan dari MERRA-2 tidak memberikan peningkatan performa signifikan, kecuali sedikit perbaikan pada Natuna untuk curah hujan sedang, dengan penurunan NRMSE dari 40,7% ke 38,1% dan peningkatan akurasi dari 48,1% menjadi 55,7%, meskipun nilai NB meningkat menjadi -16%, hasil ini sejalan dengan penelitian di Italia dengan variasi jarak UT dan RG.

---

As an extensive archipelagic country with diverse topographical conditions ranging from urban lowlands, highlands, to mountain valleys, and an average annual rainfall exceeding 2000 mm, Indonesia is highly prone to hydrometeorological disasters such as flash floods and landslides. Currently, Indonesia has a real-time rainfall monitoring system with approximately 1,000 automatic rain gauges, which is insufficient for improving the spatial resolution of monitoring. Increasing the density of monitoring equipment using rain gauges and weather radars poses significant procurement and operational cost challenges. The use of communication satellite networks operating in the Ku-band frequency remains under-researched, especially in Indonesia. Previous studies on rainfall estimation using machine learning have largely focused on modeling based on satellite signal attenuation. Therefore, this study aims to address the challenge of estimating rainfall intensity by utilizing Ku-band communication satellite networks combined with remote sensing-based meteorological data. The study results indicate that the performance of 1DCNN and RF models in detecting rainfall is comparable to LSTM, MLP, and SVM, with seasonal accuracy ranging from 70–82%, despite labeling errors caused by the distance between UT and RG. Rainfall intensity estimation models based on satellite signal attenuation showed the best performance in Natuna, particularly for moderate rainfall, with low underestimation (NB -38% for 1DCNN and -16% for RF), supported by the large-scale MCC phenomenon in the region. Adding surface temperature and cloud top data from MERRA-2 did not significantly improve performance, except for slight enhancements in Natuna for moderate rainfall, reducing NRMSE from 40.7% to 38.1% and increasing accuracy from 48.1% to 55.7%, although NB increased to -16%. These results align with studies conducted in Italy with varying distances between UT and RG."

"Penelitian ini bertujuan untuk meningkatkan prediksi time series pada jaringan seluler dengan memasukkan variabel lagged ke dalam model peramalan yang berbeda. Penelitian ini berfokus pada memprediksi Total Traffic Volume (Payload) pada jaringan seluler menggunakan model statistik dan machine learning. Teknik feature engineering melibatkan pemilihan variabel lagged, termasuk beban PRB, CQI, dan pengguna RRC, bersama dengan variabel waktu. Model yang memasukkan variabel lagged tambahan, yaitu SARIMAX, LSTM Multi, dan SVR Multi, memiliki performa lebih baik daripada model sebanding univariat tambahan, dengan hasil RMSE yang lebih rendah, MAE yang lebih rendah, dan nilai R-squared yang lebih tinggi. Penelitian ini menekankan pentingnya memasukkan variabel lagged dan menghitung peningkatan akurasi peramalan pada model multi-variabel dibandingkan dengan model variabel tunggal. Temuan ini berkontribusi pada pemahaman tentang peramalan time series pada jaringan seluler dan memberikan panduan untuk prediksi traffic volume yang akurat.

---

This research aims to improve time series prediction in cellular networks by incorporating lagged variables into different forecasting models. The study focuses on predicting the Total Traffic Volume (Payload) in cellular networks using statistical and machine learning models. Feature engineering involves selecting lagged variables, including PRB load, CQI, and RRC users, along with time variables. The models incorporating additional lagged variables, namely SARIMAX, LSTM Multi, and SVR Multi, outperform their counterparts without additional variables, resulting in lower RMSE, MAE, and higher R-squared values. The study highlights the importance of incorporating lagged variable and calculates the improvement of forecasting accuracy at multi-variable models compared to single variable models. These findings contribute to the understanding of time series forecasting in cellular networks and provide insights for accurate traffic volume prediction."

"[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]"

"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."

"Laporan keuangan merupakan dokumen sangat penting yang menjadi basis dari keputusan berbagai stakeholder pada pasar modal. Ironisnya, fenomena fraud (kecurangan) pada laporan keuangan perusahaan bukan merupakan praktik yang tidak pernah terjadi. Data yang dilansir ACFE Chapter Indonesia pada tahun 2016 menunjukkan bahwa sekitar 40% dari kecurangan pada laporan keuangan menyebabkan kerugian yang mencapai lebih dari Rp. 10 milyar. Menurut laporanyang dirilis oleh ACFE pada tahun 2014, rata-rata waktu yang dibutuhkan untukmendeteksi kecurangan pada laporan keuangan adalah 24 bulan dengan total kerugian yang bisa mencapai US$ 150.000. Penelitian ini akan menggunakan pendekatan machine learning berbasis optimasi meta-heuristic untuk mengembangkan model prediksi fraud pada laporan keuangan. Terdapat beberapa metode klasifikasi yang dapat digunakan yaitu Neural Networks dan Support Vector Machine. Hasil prediksi terbaik pada penelitian ini berupa model Support Vector Machine dengan parameter teroptimasi dengan Genetic Algorithm yang mendapatkan akurasi sebesar 96.15%.

---

Financial statement is a critical document which form the basis of decisions of various stakeholders in the capital market. Ironically, the phenomenon of fraud (fraud) on the company's financial statements is not a practice that never happened. Data reported by ACFE Chapter Indonesia in 2016 showed that around 40% of the financial statement caused losses that reached more than Rp 10 billion. According to a report released by ACFE in 2014, the average time needed to detect fraud on financial statements is 24 months, with a total loss that could reach US$ 150,000. This study will use several machine learning approaches based on meta-heuristic optimization to develop fraud prediction models in financial statements. Two classification methods were utilized, namely, Back Propagation Neural Networks and Support Vector Machines. The best classifier in this study is a Support Vector Machine, which parameters are optimized with Genetic Algorithm resulting in 96.15% accuracy."

"Tingkat morbiditas tuberkulosis (TB) di Indonesia menunjukkan banyaknya penduduk di Indonesia yang menderita TB. Tingkat morbiditas TB dapat digunakan oleh perusahaan asuransi untuk memprediksi risiko seseorang terkena TB sehingga perusahaan asuransi dapat menentukan premi yang akan dibebankan kepada pemohon asuransi berdasarkan risikonya. Oleh karena itu, kemampuan untuk memperkirakan tingkat morbiditas TB secara akurat sangat penting bagi perusahaan asuransi untuk dapat menentukan jumlah premi yang tepat namun tetap kompetitif. Penelitian ini bertujuan untuk membangun dan membandingkan dua model yang dapat digunakan untuk memprediksi angka morbiditas TB di Indonesia. Model ini dibangun menggunakan metode Temporal Convolutional Neural Network (TCNN) dan exponential smoothing. Data yang digunakan dalam penelitian ini diperoleh dari situs resmi Kementerian Kesehatan Republik Indonesia. Sebelum model dibangun, data yang digunakan dalam penelitian ini disusun menjadi dataset pelatihan dan validasi. Model tersebut dibangun dengan menggunakan dataset training dan divalidasi menggunakan dataset validasi. Hasil validasi model kemudian dievaluasi dan dibandingkan berdasarkan nilai mean squared error (MSE). Hasil dari penelitian ini menunjukkan bahwa model TCNN yang dibangun menghasilkan nilai MSE yang lebih rendah dari pada model exponential smoothing.

---

Tuberculosis (TB) morbidity rate in Indonesia shows the number of population in Indonesia who suffer from TB. The TB morbidity rate can be used by insurance companies to predict a person's risk of TB so that insurance companies can determine the premiums that will be charged to insurance applicants based on the risks. Thus, the ability to estimate the TB morbidity rate accurately is essential for insurance companies to be able to determine the right premium amount while remaining competitive. This study compared two models that can be used to predict TB morbidity rate in Indonesia. The model was built using the temporal convolutional neural network (TCNN) and exponential smoothing methods. The data that is used in this study are obtained from the official website of the ministry of health of the Republic of Indonesia. Before the model was built, the data used in this study were compiled into training and validation datasets. The model is built using a training dataset and validated using the validation dataset. The results of the model's validation are then evaluated and compared based on the value of the mean squared error (MSE). The result of this study shows that the TCNN model provides lower MSE compared to exponential smoothing."