Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sektor properti memegang peran penting dalam perkembangan ekonomi perkotaan, khususnya dalam penentuan valuasi harga apartemen yang melibatkan berbagai faktor kompleks seperti ukuran bangunan, jumlah kamar, lokasi, dan akses terhadap fasilitas publik. Penelitian ini bertujuan untuk membangun model prediksi harga apartemen di DKI Jakarta menggunakan algoritma Multiple Linear Regression (MLR). Dataset yang digunakan memuat data apartemen di berbagai wilayah Jakarta dengan variabel mencakup karakteristik fisik properti serta kedekatannya dengan moda transportasi umum dan fasilitas publik. Proses pra-pemrosesan meliputi penanganan data hilang, transformasi variabel target menggunakan logaritma natural, serta standardisasi input untuk meningkatkan kinerja model. Model dievaluasi menggunakan metrik R-squared (R²) dan menunjukkan nilai R² sebesar 0,917, yang berarti 91,7% variasi harga apartemen dapat dijelaskan oleh variabel input. Variabel seperti luas bangunan (LB), jarak ke universitas, akses terhadap LRT, lokasi administratif (kabupaten), dan kedekatan dengan MRT memiliki kontribusi signifikan terhadap nilai properti. Hasil ini menunjukkan bahwa kombinasi faktor fisik dan aksesibilitas fasilitas publik merupakan penentu utama dalam valuasi apartemen di kawasan perkotaan seperti Jakarta.

---

The property sector plays a crucial role in urban economic development, particularly in determining apartment valuations, which involve complex factors such as building size, number of rooms, location, and access to public facilities. This study aims to develop a predictive model for apartment prices in Jakarta using the Multiple Linear Regression (MLR) algorithm. The dataset consists of apartment listings across Jakarta, incorporating variables related to physical characteristics as well as proximity to public transport and urban facilities. Preprocessing steps include handling missing data, applying natural logarithm transformation to the target variable, and feature standardization to enhance model performance. The model evaluation using the R-squared (R²) metric yields a value of 0.917, indicating that 91.7% of the variation in apartment prices can be explained by the input variables. Key features such as building area (LB), distance to universities, LRT access, administrative location (district), and MRT proximity significantly influence apartment values. These findings highlight the importance of integrating property attributes with accessibility to public amenities in determining apartment valuation in metropolitan areas like Jakarta."

"Alokasi makanan adalah alokasi dasar di dalam rumah tangga yang seolah-olah mampu diberikan sama rata untuk setiap anggota rumah tangga terutama antar anak atau antar saudara kandung. Namun ada beberapa faktor yang bisa menyebabkan adanya perbedaan alokasi makanan antar saudara kandung. Dengan menggunakan data IFLS 4 dan 5 serta variasi makanan sebagai proksi alokasi makanan, studi ini membahas dua faktor yang berpengaruh terhadap alokasi makanan yaitu urutan kelahiran dan status pengaturan fertilitas yang tidak sempurna. Selain itu studi ini mencoba menjelaskan mekanisme efek urutan kelahiran menggunakan status pengaturan fertilitas yang tidak sempurna tersebut. Hasil pada studi ini menemukan bahwa adanya efek negatif urutan kelahiran di dalam alokasi makanan rumah tangga. Selain anak dengan status tidak diinginkan dan atau berada di keluarga tidak diinginkan akibat adanya status pengaturan kelahiran yang tidak sempurna cenderung variasi makanan yang lebih rendah. Namun studi ini tidak bisa menjelaskan secara kausalitas mekanisme dibalik efek negatif urutan kelahiran melalui status pengaturan kelahiran yang tidak sempurna.

---

Food allocation is a basic allocation within a household that as if the household is able to provide an equal allocation for each household member, especially between child or sibling. But there are several factors which can cause differences in the allocation of food between siblings. Using IFLS 4 and 5 data and food variation as proxy of allocation, this study discusses two factors that affect food allocation, birth order and imperfect fertility control status. Beside that, this study tries to explain the mechanism of birth order effects using the imperfect fertility control status. The results of this study found that there was a negative effect on birth order in household allocation of food. In addition children with unwanted status and/or live in unwanted families due to imperfect birth control status, tend to have lower food variations. However, this study cannot explain the causality of the mechanism behind the negative effects of birth order through imperfect birth control status.

"

"Nilai hilang merupakan suatu masalah yang sering dijumpai di berbagai bidang dan harus diatasi untuk memperoleh inferensi statistik yang baik seperti penaksiran parameter. Nilai hilang dapat ditemukan pada setiap jenis data, salah satunya pada jenis data cacah/ count data yang berdistribusi Poisson. Solusi untuk mengatasi masalah nilai hilang berjenis data cacah tersebut dapat diatasi dengan menerapkan teknik imputasi ganda. Teknik imputasi ganda merupakan suatu cara mengatasi nilai hilang dengan mengganti setiap nilai yang hilang dengan beberapa nilai estimasi. Teknik imputasi ganda untuk kasus data cacah terdiri dari tiga tahap utama yaitu tahap imputasi berdasarkan model linier normal, tahap analisis dengan metode generalized linear model Poisson regression dan tahap penggabungan pooling parameter yang didasarkan pada aturan Rubin. Studi ini juga dilengkapi dengan simulasi numerik yang bertujuan untuk komparasi akurasi berdasarkan nilai bias yang dihasilkan. Parameter yang digunakan pada simulasi ini yaitu sebesar 5,10 dan 15 dengan jumlah sampel sebesar 200 untuk tujuan mengaproksimasi sifat kenormalan dan simulasi ini diulang untuk empat skenario yang bertingkat untuk setiap parameter berdasarkan besarnya persentase observasi nilai hilang (0%, 10%, 20% dan 30%). Berdasarkan studi literatur dan simulasi numerik yang dilakukan, solusi yang diajukan untuk mengatasi nilai hilang pada data cacah menghasilkan hasil yang cukup memuaskan terutama saat parameter bernilai besar dan persentase observasi nilai hilang yang kecil. Hal ini diindikasikan dengan ukuran bias dan variansi total dari taksiran rata-rata yang kecil. Namun nilai bias cenderung meningkat seiring meningkatnya persentase observasi nilai yang hilang dan saat nilai parameter yang kecil.

---

Missing values are a problem that is often encountered in various fields and must be addressed to obtain good statistical inference such as parameter estimation. Missing values can be found in any type of data, included count data that has Poisson distributed. One solution to overcome that problem is applying multiple imputation techniques. The multiple imputation technique is a way of dealing with missing values by replacing each missing value with some estimated values. The multiple imputation technique for the case of count data consists of three main stages, namely the imputation stage based on the normal linear model, the analysis stage using the generalized linear model Poisson regression and the last stage is pooling parameter based on Rubins rules. This study is also equipped with numerical simulations which aim to compare accuracy based on the resulting bias value. The parameters used in this simulation are 5, 10 and 15 with a sample size of 200 for the purpose of approximating normal properties and this simulation is repeated for four multilevel scenarios for each parameter based on the percentage of observation of missing values (0%, 10%, 20% and 30%). Based on the study of literature and numerical simulations carried out, the solutions proposed to overcome the missing values in the count data yield satisfactory results, especially when the parameters are large and the percentage of observation of the missing values is small. This is indicated by the size of the bias and the total variance of the small average estimate. But the bias value tends to increase with increasing percentage of observation of missing values and when the parameter values are small."

"Model regresi linier berganda adalah model yang dapat digunakan untuk menaksir nilai-nilai suatu variabel terikat berdasarkan lebih dari satu variabel bebas pada data. Metode yang dapat digunakan untuk menaksir model regresi linier berganda adalah maximum likelihood estimator MLE . Namun, MLE memiliki kelemahan, yaitu sensitif terhadap data yang mengandung outlier dan memiliki waktu proses running time yang relative lama. Metode yang digunakan untuk mengatasi kelemahan tersebut adalah metode parallel. Metode parallel adalah metode yang membagi data menjadi beberapa kelompok. Salah satu metode pengelompokan yang sering digunakan untuk mencari banyak atau jumlah cluster adalah k-means clustering. Pada tugas akhir ini, proses MLE dilakukan pada setiap cluster, sehingga metode ini disebut parallel maximum likelihood estimator. Data yang digunakan pada tugas akhir ini berasal dari bankruptcy data bank32nh . Bank32nh adalah data mengenai antrian pada suatu bank XYZ yang terdiri dari 4500 observasi, 1 variabel terikat, dan 31 variabel bebas. Dari hasil aplikasi data, parallel maximum likelihood estimator memiliki waktu proses running time yang lebih singkat dan nilai mean square error MSE yang lebih kecil.

---

Multiple linear regression model can be used to estimate the value between one dependent variable and more than one independent variables on the data. A method that can be used to estimate the parameters of the model is the maximum likelihood estimator MLE. However, MLE has weakness e.i sensitive to the data that contains outlier and has a relatively long running time. To overcome these weaknesses the parallel method is used. In the parallel method, the data is devided into several groups. One of the known clustering methods is "k means clustering".

In this study, the MLE process did on each cluster, so that this method is called the parallel maximum likelihood estimator. The current data used for this research is from bankruptcy data bank32nh . Bank32nh is a dataset about the queue at a XYZ bank which consist of 4500 observations, one dependent variable, and 31 independent variables from experimental results, parallel maximum likelihood estimator the running time is faster and has smaller mean square error MSE."

"Concrete is a composite building material. Due to its increasing demand in the construction industry, its basic ingredients such as cement, fine aggregate and coarse aggregate have become extremely costly. Studies have been carried out to find better and more economical alternatives to these conventional building materials. One such alternative is fly ash, which can be used to partially replace cement. The main disadvantage of conventional concrete is its brittle failure, which can be avoided by using steel fibers. This study identifies the behavior of concrete with regard to impact resistance and its mechanical properties by adding hooked-end steel fibers at levels of 0, 0.75, 1.15 and 1.55% and partially replacing 40% of the cement with 40% fly ash. In addition to the control concrete, there has been four mixes with respective addition of steel fibers. The behavior of normal and fly ash concrete with steel fibers was compared. The combination of fly ash and steel fibers provided a homogeneous and very rich mix, with a delay in the setting time of the concrete. Of all the mixes, the one containing 40% fly ash and 1.55% steel fibers proved to be the best, with a maximum increase in strength of 17% in compression, 25% in split tension, 30% in flexure and 95% in impact energy at 56 days. A multiple linear regression model was also formulated using SPSS (Statistical Package for Social Sciences) software, through which corresponding equations were developed to predict the strength and energy at 28 and 56 days. The equations were also used to predict the strength of the mixes from other researchers’ experimental work. The predicted results corresponded well with the experimental results and the percentage difference was found to be less than 5%."

"Analisis regresi linier adalah suatu teknik dalam statistika untuk memodelkan dan menganalisis hubungan linier antara variabel respon dengan variabel regresor. Metode penaksiran parameter regresi yang umum digunakan adalah metode ordinary least square (OLS) yang menghasilkan taksiran yang dinamakan taksiran least square. Dalam analisis regresi linier berganda, masalah yang sering terjadi adalah multikolinieritas. Multikolinieritas membuat penaksiran dengan menggunakan metode OLS menghasilkan taksiran least square yang tidak stabil, sehingga pada skripsi ini akan dibahas metode lain untuk mengatasi permasalahan ini. Metode yang diperkenalkan untuk mengatasi multikolinieritas diantaranya adalah metode GRR yang menghasilkan taksiran generalized ridge. Taksiran ini merupakan taksiran yang bias. Metode ini masih memiliki kekurangan, yaitu bias yang dihasilkan tidak dijamin akan selalu bernilai kecil. Untuk itu, Singh, Chaubey, dan Dwivedi (1986) memperkenalkan metode Jackknife Ridge Regression (JRR) yang menghasilkan taksiran Jackknife Ridge Regression. Taksiran ini akan mereduksi bias yang dihasilkan oleh taksiran generalized ridge sehingga terkait dengan data yang digunakan, nilai mean square error taksiran ini lebih kecil dibanding taksiran generalized ridge maupun taksiran least square.

---

Regression linear analysis is a statistical technique for modeling and investigating the linear relationship between the response variable and regressor variable. Ordinary least square (OLS) method is commonly used to estimate parameters and yields an estimator named least square estimator. Most frequently occurring problem in multiple linear regression analysis is the presence of multicollinearity. Estimation using OLS method in multicolinearity caused an unstable least square estimator, therefore this undergraduate thesis will explain other method which can solve this problem such as GRR method that yields a bias estimator, named generalized ridge estimator. Unfortunately, this method still has a shortcoming because the bias in resulting estimator is not always guaranteed to be small. To solve this problems, Singh, Chaubey, and Dwivedi (1986) introduced Jackknife Ridge Regression (JRR) method that yields Jackknife Ridge Regression estimator. This estimator will reduce the bias of generalized ridge estimator, thus related to the data used, the resulting mean square error value of this estimator is smaller than the two methods."

"Sampai sekarang, sebagian besar orang masih menganggap kepemilikan rumah sebagai kebutuhan primer yang belum bisa ditandingi oleh pilihan hunian lain. Harga rumah biasanya ditentukan oleh berbagai faktor seperti lokasi, kondisi makro ekonomi, serta kondisi fisik rumah. Banyaknya faktor tersebut membuat penentuan valuasi rumah secara objektif menjadi sulit. Dalam beberapa tahun terakhir, penelitian mengenai estimasi harga rumah telah berkembang pesat, dengan metode machine learning menjadi yang paling sering digunakan. Oleh karena itu, penelitian ini menggunakan salah satu algoritma machine learning yang sudah terbukti dapat mendapatkan akurasi tinggi, yaitu stacked generalization. Penelitian ini menggabungkan beberapa variabel yang digunakan oleh penelitian-penelitian sebelumnya untuk memprediksi valuasi rumah. Model stacked generalization yang dibangun akan dibandingkan dengan algoritma lain yang juga sering digunakan dalam memprediksi valuasi rumah, diantaranya adalah regresi linear, random forest, gradient boosting machine, dan extreme gradient boosting. Hasil penelitian menunjukkan bahwa algoritma stacked generalization memiliki kemampuan prediksi yang lebih baik dibandingkan metode lainnya dengan hasil R2 sebesar 0,881, dan MAPE sebesar 0,21%. Selanjutnya dilakukan analisis terhadap faktor yang paling berpengaruh terhadap perubahan valuasi rumah menggunakan teknik permutation feature importance. Faktor-faktor yang paling berpengaruh adalah luas tanah, luas bangunan, jarak menuju pusat perbelanjaan, kapasitas listrik, dan Indeks Harga Perumahan Residensial.

---

In recent years, homeownership remains a primary need that other housing options have yet to match. House prices are typically determined by various factors such as location, macroeconomic conditions, and the physical state of the house. These numerous factors make objective house valuation challenging. Recently, research on house price estimation has advanced significantly, with machine learning methods being the most commonly used. Therefore, this study employs one proven machine learning algorithm with high accuracy, stacked generalization. This research incorporates several variables used by previous studies to predict house valuations. The stacked generalization model developed is compared with other frequently used algorithms for predicting house valuations, including linear regression, random forest, gradient boosting machine, and extreme gradient boosting. The results show that the stacked generalization algorithm has superior predictive ability compared to other methods, with an R2 of 0.881 and MAPE of 0.21%. Subsequently, an analysis of the factors most influencing changes in house valuation was conducted using permutation feature importance techniques. The most influential factors are land area, building area, distance to shopping centers, electricity capacity, and the Residential Property Price Index."

"Kasus illegal fishing yang marak di Indonesia menyebabkan kerugian besar bagi industri perikanan. Selain itu, proses klasifikasi jenis ikan dan penentuan beratnya memakan waktu yang lama. Penelitian ini mengembangkan sistem prediksi jenis ikan dan beratnya untuk meningkatkan efisiensi hasil tangkapan. Model object detection dan segmentation menggunakan arsitektur YOLOv8 (You Only Look Once), sementara prediksi berat ikan dilakukan dengan decision tree, random forest, XGBoost, dan ANN. Ada 5 metode eksperimen yang dilakukan untuk mendapatkan model object detection dan instance segmentation terbaik, yaitu yang pertama membandingkan arsitektur small, medium, dan large dari model YOLOv8 untuk mengetahui arsitektur terbaik terhadap kemampuan mendeteksi dan mengsegmentasi objek, yang kedua melakukan tunning hyperparameter dari model terbaik di eksperimen 1 dengan mengubah variasi optimuzer serta dropout, yang ketiga membandingkan algoritma decision tree, random forest, dan XGBoost untuk mengetahui algoritma regresi terbaik untuk melakukan prediksi berat ikan, yang keempat adalah melakukan evaluasi dengan dataset tanpa dan dengan cumi untuk mengetahui pengaruh kelas cumi dalam kemampuan prediksi model, dan yang terakhir adalah melakukan hyperparameter tunning terhadap model terbaik dari eksperimen tiga, yaitu random forest dan ANN. Dari kelima eksperimen yang dilakukan didapatkan hasil model object detection dan instance segmentation terbaik menggunakan YOLOv8seg-m (medium) dengan optimizer SGD dan tanpa dropout mencapai metrics mAP0.5 sebesar 0.994, mAP0.5:0.95 sebesar 0.886, F1-score sebesar 0.985, IoU (mask) sebesar 0.828, dan IoU (box) sebesar 0.846. Model prediksi berat terbaik adalah random forest dengan R2 sebesar 0.994, MAE sebesar 6.051, MSE sebesar 124.058, dan RMSE sebesar 11.138. Kata kunci: fish monitoring, computer vision, deep learning, object detection, instance segmentation, YOLOv8.

---

The widespread occurrence of illegal fishing in Indonesia has caused significant losses to the fishing industry. Additionally, the process of classifying fish species and determining their weight is time-consuming. This study develops a system to predict fish species and weight to improve the efficiency of catch results. The object detection and segmentation model uses the YOLOv8 (You Only Look Once) architecture, while fish weight prediction is performed using decision tree, random forest, XGBoost, and ANN. Five experimental methods were conducted to obtain the best object detection and instance segmentation model: the first compared the small, medium, and large architectures of the YOLOv8 model to determine the best architecture for object detection and segmentation capabilities; the second tuned the hyperparameters of the best model from experiment 1 by varying the optimizer and dropout; the third compared decision tree, random forest, and XGBoost algorithms to determine the best regression algorithm for fish weight prediction; the fourth evaluated the dataset with and without squid to understand the influence of the squid class on the model's prediction ability; and the last performed hyperparameter tuning on the best models from experiment three, namely random forest and ANN. From the five experiments conducted, the best object detection and instance segmentation model was found using YOLOv8seg-m (medium) with the SGD optimizer and no dropout, achieving metrics of mAP0.5 of 0.994, mAP0.5:0.95 of 0.886, F1-score of 0.985, IoU (mask) of 0.828, and IoU (box) of 0.846. The best weight prediction model was random forest with an R2 of 0.994, MAE of 6.051, MSE of 124.058, and RMSE of 11.138."

"ABSTRAKPenelitian ini bertujuan untuk memprediksi tingkat konsumsi gas pipa domestik diIndonesia menggunakan metode Neural Network, ARIMAX, dan Multiple LinearRegression (MLR). Peramalan dilakukan hingga periode Desember 2025 denganmenggunakan data historis tingkat konsumsi gas pipa domestik, inflasi, selisihharga minyak dan gas, serta selisih harga batubara dan gas periode Januari 2007sampai dengan September 2012 sebagai prediktor. Hasilnya metode ARIMAXmemberikan hasil yang paling akurat dengan nilai MAPE 3.89%. Metode NeuralNetwork memberikan hasil forecasting dengan nilai MAPE 6.34%, sedangkanmetode MLR mempunyai tingkat error terbesar dengan MAPE 8.39%. Kapasitasproduksi gas Indonesia cukup besar, tetapi jumlah gas yang dikonsumsi untukkeperluan domestik masih tergolong sedikit. Hasil forecasting ketiga metodemenunjukkan ke depannya tingkat konsumsi gas akan terus meningkat.Perbandingan antara hasil forecasting ketiga metode dan Neraca Gas Indonesiacukup besar. Hal ini menunjukkan meskipun Indonesia memiliki potensicadangan gas alam yang sangat melimpah, tetapi permintaan domestik belumterpenuhi secara maksimal.

---

ABSTRACTThis study aims to predict the level of domestic pipeline gas consumption inIndonesia using Neural Network, ARIMAX, and Multiple Linear Regression(MLR). Forecasting is done until the period of December 2025 using historicaldata of domestic pipeline consumption rate, inflation, the difference price of oiland gas, as well as the difference price of coal and gas from the period January2007 until September 2012 as predictor. The result ARIMAX method gives themost accurate results with the value of MAPE 3.89%. Neural Network methodgives forecasting result with MAPE 6.34%, while the MLR method has the largesterror rate with MAPE 8.39%. Indonesia gas production capacity is quite large, butthe amount of gas consumed for domestic use is still relatively small. The thirdmethod of forecasting results indicate the future gas consumption will continue toincrease. Comparison between the results of the three forecasting methods andNeraca Gas Indonesia is quite large. This shows even though Indonesia has veryabundant potential reserves of natural gas, but domestic demand has not been metmaximally."

"Tesis ini membahas tentang perancangan pengendalian sistim reactor kontinyu dengan menggunakan sistim kendali adaptif multiple model. Sistim ini menggunakan beberapa model dari beberapa waktu pencuplikan pada keaadan steady state. Dengan menggunakan orde satu dan orde dua uji coba diharapkan dapat diketahui penggunaan model orde berapa yang menghasilkan unjuk kerja sistim yang baik. Identiftkasi model dilakukan dengan menerapkan pengendali penempatan kutub pada sistim reactor sehingga didapatkan parameter-parameter model untuk diterapkan pada system pengendalian multiple model. Hasil perancangan ini disimulasikan dengan menggunakan lasilitas Simtilink dari program Matlab versi 6.0"