Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu kemampuan yang perlu dikembangakan pada anak tuna ganda yang masih dapat memanfaatkan sisa pendengarannya untuk berkomunikasi adalah speechreading, yaitu kemampuan untuk memahami lawan bicara dengan melihat gerak bibir, ekspresi wajah serta gestur tubuh lawan bicaranya (Tejedor, C, 2000 dalam Ortiz, I.R, 2008; Kapplan et all, 1999; Faraco, S. et al., 2007). Penelitian ini dilakukan untuk melihat apakah penggunaan pendekatan sintetik bahasa disertai dengan token economy dapat meningkatkan kemampuan speechreading pada siswa tuna grahita dengan gangguan pendengaran. Setiap kali menunjuk dengan tepat pada langkah kelima dan pengujian, subjek diberikan token yang nantinya akan ditukarkan dengan reinforcer. Penelitian dilakukan terhadap seorang anak tuna grahita dengan gangguan pendengaran dengan jenis kelamin laki-laki berusia 12 tahun yang duduk di kelas 4 SD inklusi. Desain penelitian single subject tipe A-B-A?. Peningkatan kemampuan speechreading dilihat dari perbandingan antara hasil tes kemampuan speechreading sebelum dan sesudah intervensi. Hasil penelitian menunjukkan bahwa penggunaan metode sintetik dengan token economy dapat meningkatkan kemampuan speechreading pada anak tuna grahita dengan gangguan pendengaran. Subjek mampu menunjuk kartu dengan tepat sebanyak 100% dari 5 kata yang diujikan pada sesi 1 dan sebanyak 80% dari 5 kata yang diujikan pada sesi 2.

---

One of the skills that important to develop in multiple disabilities children who have residual hearing is speechreading. Speechreading is the ability to understand a speaker?s thoughts by watching the movements of the lips, facial expressions and gestures (Tejedor, C, 2000 dalam Ortiz, I.R, 2008; Kapplan et all, 1999; Faraco, S. et al., 2007). This study was conducted to see whether the useof a synthetic method with the token economy can improve speechreading in mental retardation with hard-hearing child (multiple disabilities).This intervention program is divided into two sessions with different themes. Every time the subject succeed in pointing the right card on the fifth step and testing, subject was given a token which could be exchanged with a reinforcer.

Research conducted on a 12-year-old male mental retardation with hard-hearing. Using a single-subject-ABA research design, the improvement of speech reading was determined by comparing the speechreading test results before and after the intervention. The results indicated that the use of synthetic methods with token economy can improve the ability of speechreading in mental retardation with hard-hearing child. Subject was able to point the appropriate card 100% of the 5 words tested in sessions 1 and 80% of the 5 words tested at session 2."

"Ibu Kota memiliki peran penting dalam menggambarkan seberapa besar kekuatan politik, kultural, dan ekonomi suatu negara. Apabila Ibu Kota suatu negara memiliki banyak masalah yang tidak terselesaikan, permasalahan tersebut dapat menjadi faktor–faktor yang memengaruhi suatu negara memindahkan Ibu Kotanya. Setelah ditelusuri, terdapat banyak negara yang pernah memindahkan Ibu Kotanya termasuk Indonesia. Tujuan dari penelitian ini adalah untuk membentuk model dan menganalisis faktor–faktor yang memengaruhi negara–negara di dunia memindahkan Ibu Kota dengan data yang mengandung masalah: 1. Outlier, 2. Missing values, 3. Data tak seimbang, 4. Multikolinearitas. Jika data mengandung masalah, maka model yang terbentuk menjadi tidak representatif dan sulit untuk diinterpretasikan. Sehingga diperlukan metode yang dapat digunakan untuk menangani 4 (empat) masalah tersebut, yaitu berturut-turut: 1. Quantile–Based Flooring Capping, 2. K–Nearest Neighbor, 3. Adaptive Synthetic (ADASYN), dan 4. Menerapkan model Least Absolute Shrinkage and Selection Operator (LASSO) pada regresi logistik. Hasilnya menunjukkan bahwa faktor yang memengaruhi suatu negara memindahkan Ibu Kotanya adalah ukuran populasi di Ibu Kota, populasi negara, luas area (km2), Usia Negara, sistem pemerintahan, Income Category, dan Sedangkan faktor yang tidak masuk ke dalam model yaitu Gross Domestic Product (GDP), Logistic Performance Index (LPI) Score, Regulatory Quality Index, dan E–Government Development Index adalah prediktor yang mengalami multikolinearitas, sehingga model LASSO pada regresi logistik berhasil menyusutkan prediktor tersebut menjadi 0. Adapun model akhir dari Least Absolute Shrinkage and Selection Operator (LASSO) pada regresi logistik yang diperoleh adalah g(x) = 0,3399 – 0,8019 POP_CITY + 3,5925 POP_COUNTRY + 0,3406 AREA – 0,0156 AIRPOL + 0,0679 GEI + 0,8351 PS_AVT – 0,5682 GOV_EFFECT – 1,8643 AGE – 0,7043 SYSTEM_A – 1,4408 SYSTEM_B – 0,7036 INCOME_A – 0,5272 INCOME_B – 3,7404 INCOME_C – 0,9489 ARCHIPELAGO.

---

The capital city plays an important role in portraying how much political, cultural and economic power a country has. If the capital city has many unresolved problems, these problems can become factors that influence the country to move its capital city. After being traced, there are many countries that have moved their capital cities, including Indonesia. The purpose of this study is to model and analyze the factors that influence countries in the world to move its capital city with data containing problems: 1. Outliers, 2. Missing values, 3. Imbalanced data, 4. Multicollinearity. If the data contains these problems, the model formed becomes unrepresentative and difficult to interpret. Therefore, the methods that can be used to handle these 4 (four) problems, respectively: 1. Quantile-Based Flooring Capping, 2. K-Nearest Neighbor, 3. Adaptive Synthetic (ADASYN), and 4. Applying the Least Absolute Shrinkage and Selection Operator (LASSO) model in logistic regression. The results showed that the factors that influence a country to move its capital city are population size in the capital city, country population, area (km2), air pollution level (mg/m3), Global Entrepreneurship Index (GEI), Political Stability and No Violence/Terrorism Index, Government Effectiveness Index, Country Age, government system, Income Category, and whether a country is an archipelago or not. While the factors that did not enter the model, namely the Gross Domestic Product (GDP), Logistic Performance Index (LPI) Score, Regulatory Quality Index, and E-Government Development Index were predictors that experienced multicollinearity, so the LASSO model in logistic regression successfully shrinks these predictors to 0. The final Least Absolute Shrinkage and Selection Operator (LASSO) model in logistic regression obtained is g(x) = 0,3399 – 0,8019 POP_CITY + 3,5925 POP_COUNTRY + 0,3406 AREA – 0,0156 AIRPOL + 0,0679 GEI + 0,8351 PS_AVT – 0,5682 GOV_EFFECT – 1,8643 AGE – 0,7043 SYSTEM_A – 1,4408 SYSTEM_B – 0,7036 INCOME_A – 0,5272 INCOME_B – 3,740"

"Model deep learning adalah model dengan banyak lapisan jaringan saraf tiruan. Model Bidirectional Gated Recurrent Unit (BiGRU) adalah salah satu jenis model deep learning yang memproses urutan data dalam dua arah, yaitu arah maju dan arah mundur. Hal tersebut memungkinkan model BiGRU untuk mengakses informasi masa depan dan masa lalu dari setiap titik dalam urutan data untuk pemahaman konteks yang lebih baik. Model BiGRU dapat digunakan untuk analisis sentimen, yaitu proses mengategorikan sentimen opini dalam teks menjadi negatif, netral, atau positif. Representasi teks yang digunakan pada penelitian ini adalah Bidirectional Encoder Representations from Transformers (BERT) karena kemampuannya memahami kata secara kontekstual sehingga meningkatkan akurasi. Salah satu masalah umum pada analisis sentimen adalah ketidakseimbangan data Penggunaan data tidak seimbang mempengaruhi kinerja model dalam melakukan klasifikasi sentimen karena bias terhadap kelas mayoritas. Oleh karena itu, penggunaan Synthetic Minority Oversampling Technique (SMOTE) dalam mengatasi ketidakseimbangan kelas pada data dilakukan pada penelitian ini. SMOTE digunakan untuk melakukan oversampling pada data kelas minoritas dan dipasangkan dengan model BiGRU yang menggunakan fungsi kerugian categorical cross entropy menghasilkan kinerja dengan nilai akurasi sebesar 85,52% yang merupakan akurasi tertinggi dibandingkan dengan daripadamodel BiGRU dengan fungsi kerugian categorical cross entropy tanpa penanganan SMOTE (model standar dalam penelitian ini) dan model BiGRU dengan fungsi kerugian weighted cross entropy yang dibangun untuk memperkuat bukti bahwa model yang diajukan adalah model terbaik.

---

Deep learning models are models with multiple layers of artificial neural networks. The Bidirectional Gated Recurrent Unit (BiGRU) model is one type of deep learning model that processes data sequences in two directions, the forward direction and the backward direction. This allows the BiGRU model to access future and past information from each point in the data sequence for better context understanding. The BiGRU model can be used for sentiment analysis, which is the process of categorizing the sentiment of opinions in text into negative, neutral, or positive. The text representation used in this research is Bidirectional Encoder Representations from Transformers (BERT) because of its ability to understand words contextually to increase accuracy. One of the common problems in sentiment analysis is data imbalance. The use of unbalanced data affects the performance of the model in performing sentiment classification due to bias towards the majority class. Therefore, the use of Synthetic Minority Oversampling Technique (SMOTE) in overcoming class imbalance in the data is done in this study. SMOTE is used to perform oversampling on minority class data and paired with the BiGRU model using the categorical cross entropy loss function results in performance with an accuracy value of 85.52% which is the highest accuracy compared to the BiGRU model with the categorical cross entropy loss function without SMOTE handling (the standard model in this study) and the BiGRU model with the weighted cross entropy loss function built to strengthen the evidence that the proposed model is the best model."

"Penelitian pada data berbahasa Inggris menemukan bahwa Dense Passage Retriever atau DPR mempunyai keterbatasan dalam hal menangani kondisi out-of-distribution data termasuk out-of-domain data. Saat ini, data latih berbahasa Indonesia yang bisa digunakan untuk melatih DPR cukup terbatas. Semua data latih tersebut berasal dari domain umum yang jika digunakan untuk melatih DPR mungkin menghasilkan performa yang rendah pada data uji dengan domain spesifik. Penelitian ini membandingkan antara performa DPR yang dilatih pada data latih dengan domain berbeda dengan domain data uji dan performa sparse retriever model untuk mengetahui apakah fenomena performa DPR yang tidak terlalu baik pada kondisi out-of-domain data juga terjadi pada bahasa Indonesia. Selain itu, penelitian ini mengevaluasi dua pendekatan untuk memperbaiki performa DPR dan mengatasi permasalahan keterbatasan data latih yakni pendekatan untuk memasukkan informasi exact-term matching kepada DPR dan pendekatan untuk mencoba melatih DPR pada beberapa jenis synthetic dataset berbahasa Indonesia. Hasil eksperimen menunjukkan bahwa performa DPR yang tidak terlalu baik pada data uji out-of-domain juga terjadi pada bahasa Indonesia yang ditunjukkan dengan skor evaluasi DPR yang relatif rendah terhadap skor evaluasi sparse retriever model. Selain itu, salah satu metode pemasukan informasi exact-term matching pada DPR yakni hybrid DPR-sparse retriever model menghasilkan skor BPref yang cenderung lebih baik dibandingkan skor BPref DPR pada seluruh eksperimen. Hasil pengujian pendekatan pelatihan DPR dengan synthetic dataset menunjukkan bahwa DPR yang dilatih dengan synthetic dataset pada penelitian ini menghasilkan skor BPref yang mengimbangi skor BPref DPR yang dilatih dengan data latih yang memang bisa digunakan untuk melatih DPR. Investigasi lebih lanjut pada hasil pengujian tersebut menunjukkan bahwa proses fine-tuning dan faktor domain data latih mungkin bisa mempengaruhi performa DPR. Selain itu, panjang token data latih dan faktor ukuran data latih tidak mempunyai korelasi terhadap performa DPR.

---

Researches on English data found that Dense Passage Retriever (DPR), a neural information retrieval model, has limitation on handling out-of-distribution data, including out-of-domain data. Information retrieval datasets in Indonesian that can be used for training DPR are quite scarce. All of those datasets are open-domain which may produce low model performance when the DPR tested on certain domain-specific dataset. This research compared the DPR performance to sparse retriever model performance to check whether DPR’s lack of performance when it’s tested on out-of-domain also can occur on Indonesian dataset. This research also tested two approaches that might improve DPR performance on that condition and also might overcome the training data scarcity problem that consist of methods to embed exact-term matching information into DPR and DPR fine-tuning on several Indonesian synthetic training datasets. The experiment result shows that DPR’s lack of performance on out-of-domain data also occur in Indonesian dataset which can be shown that all evaluation scores produced by DPR which is trained on out-of-domain training data are lower than any sparse retriever model’s evaluations scores. Result shows that hybrid DPR-sparse retriever model produced relatively higher BPref than DPR BPref. Additionally, result shows that DPR which is fine-tuned on synthetic datasets that were used on this research produced relatively in-par BPref score in compare to BPref score that is produced by DPR which is fine-tuned on training datasets that are inherently can be used to fine-tune DPR. Further investigation on the synthetic dataset training approach results found that fine-tuning process and training data’s domain may affect DPR performance. Additionally, training data token length and training data size don’t have correlation with the DPR performance according to this experiment."

"Kebakaran hutan dan lahan merupakan bencana yang memiliki dampak negatif dalam berbagai sektor. Identifikasi area bekas terbakar diperlukan dengan cepat untuk mengendalikan kebakaran hutan dan lahan. Penginderaan jauh merupakan teknologi yang umum digunakan untuk identifikasi area bekas terbakar, namun tidak banyak penelitian terkait kombinasi data penginderaan jauh optis dan SAR untuk identifikasi area bekas terbakar. Di samping itu, data penginderaan jauh SAR memiliki keunggulan sebagai teknologi yang dapat digunakan dalam berbagai kondisi cuaca. Penelitian ini bertujuan untuk mengevaluasi model area bekas terbakar menggunakan integrasi convolutional neural network (CNN) sebagai feature extractor dan random forest (RF) sebagai pengklasifikasi dengan pendekatan feature learning pada data Sentinel-1 dan Sentinel-2. Penelitian ini menguji lima skema yaitu: (1) hanya menggunakan data penginderaan jauh optis; (2) hanya menggunakan data penginderaan jauh SAR; (3) kombinasi data penginderaan jauh optis dan SAR hanya pada polarisasi VH; (4) kombinasi data penginderaan jauh optis dan SAR hanya pada polarisasi VV; serta (5) kombinasi data penginderaan jauh optis dan SAR dual polarisasi VH dan VV. Pengujian juga dilakukan terhadap pengklasifikasi CNN, pengklasifikasi RF, dan pengklasifikasi neural network (NN). Berdasarkan hasil overall accuracy pada lokasi penelitian, metode integrasi CNN dan RF memberikan hasil terbaik pada lima skema yang diujikan dengan overall accuracy tertinggi mencapai 92%. Hal ini menunjukan potensi metode integrasi CNN dan RF untuk digunakan dalam mengidentifikasi area bekas terbakar. Hasil estimasi luas area bekas terbakar pada lokasi penelitian dengan metode integrasi CNN dan RF pada model terbaik diperoleh seluas 57.899,91 hektar

---

Forest and land fires are disasters that have large impacts in various sectors. Burned area identification is needed to control forest and land fires. Remote sensing is used as common technology for rapid burned area identification. However, there are not many studies related to the combination of optical and SAR remote sensing data for burned area. In addition, SAR remote sensing data has the advantage of being a technology that can be used in various weather conditions. This study aims to evaluate burned area model using the integration of Convolutional Neural Network (CNN) as a feature extractor and Random Forest (RF) as classifiers on Sentinel-1 and Sentinel-2 data. This study tests five schemes: (1) using optical remote sensing data; (2) using SAR remote sensing data; (3) combination of optical and SAR data with VH polarization only; (4) combination of optical and SAR data with VV polarization only; and (5) combination of optical and SAR data with dual VH + VV polarization. The studies were also carried out on CNN classifier, RF classifier, and neural network (NN) classifier. Based on the results of the overall accuracy at the research site, the integration of CNN and RF method gave the best results in the five schemes tested with the highest overall accuracy reaching 92%. This shows the potential of the CNN and RF integration method to be used in identifying burned areas. The estimation result of the burned area at the research site using the best model of CNN and RF integration method is ​​57,899.91 hectares"

"Tujuan studi kasus ini adalah untuk mencari pemecahan masalah terjadinya gangguan fungsi paru lanjut pada pekerja dibagian compounding rubbermill dengan cara meminimalkan pajaman debu tepung karat sintesis melalui pemasangan tabir plastik transparan di lokasi timbangan sejajar dengan "canopy hood local exhaust ventilation". Disain studi ini menggunakan cara studi intervensi dengan metode pendekatan "problem solving cycle" yang dilakukan terhadap total populasi pekerja di bagian compounding rubbermill yang berjumlah 10 orang laki-laki. Studi dilakukan dengan wawancara responden dengan kuesioner Pneumobile Indonesia yang telah dimodifilaasi untuk menemukan kasus-kasus gangguan fungsi paru. Pemeriksasn fisik dilakukan untuk menemukan kelainan toraks dan kelainan paru serta dilakukan pemeriksaan fungsi paru dengan spirometri. Bagi responden dengan kelainan obstruksi dan restriksi dilakukan pemeriksaan foto toraks. Hasil yang diperoleh dari penelitian ini didapatkan kadar debu total subbagian timbang silika di atas NAB dan kadar debu respirabel pada 3 tempat penimbangan telah melampaui NAB. Pada analisa komposisi debu tidak terdapat silika bebas. Gejala klinik berupa keluhan batuk kronik 50 %, dahak kronik 70%, sesak napas 10% serta bronkitis kronik 10%. Ditemukan gangguan fungsi paru obstruksi pada 10% responden dan restriksi pada 30% responden. Pada pemeriksaan foto toraks ditemukan 20% responden below TB paru dan 10 % responden bekas TB baru dengan gambaran fibrosis. Intervensi yang dilakukan menunjukkan keberhasilan yang dapat dilihat dari turunnya kadar debu total sampai di bawah NAB dan keluhan gejala klinis berupa batuk kronik dari 50% menjadi 40% dan dahak kronik dari 70% menjadi 50% dalam 6 minggu.

---

The objectives of this study is, to prevent the workers at compounding rabbermill department from those harmful effect of the synthetic rubber talc dust, by minimizing dust exposure through installed transparent plastic curtain parallels to canopy hood of local exhaust ventilation at silica weighing place.

Intervention study was designed, covering 10 workers as total population during 3 months. Data collection was gathered by interview using modified Pneumobile Indonesia questionnaire, physical examination, lung function test by using spirometer and chest x-ray for whom are getting obstruction and restriction on diagnostic lung function test.

The result revealed that total dust of silica weighing area was greater than TLV and respirable dust of 3 points of weighing area were greater than UV. There were no free silica in dust composition analysis found out. Clinical symptoms appeared as follows : chronic cough 50%, sputum 70%, breathing difficulty 10%, chronic bronchitis 10%, obstruction lung ventilation 10%, restriction lung ventilation 30% and chest x-ray examination showed post-pulmonary TB 20% and post-pulmonary TB with fibrosis 10%. Intervention was successful to reduce total dust concentration up to bellow TLV and reduction in clinical signs and symptoms of chronic cough from 50% to 40% and sputum from 70% to 500/o within 6 weeks."

"Geopolimer sebagai semen generasi baru, yang diharapkan dapat mengurangi produksi semen portland sehingga dapat menekan polusi CO2 dari produksi semen portland. Geopolimer dapat dibuat dari beberapa prekursor seperti dari metakaolin, abu terbang dan blast furnace slag. Studi terhadap beberapa prekursor, terutama dari komposisi kimia dibutuhkan untuk mengetahui variabel yang mempengaruhi sifat dari geopolimer. Dalam penelitian ini, untuk melihat pengaruh pengotor CaO dan MgO dalam prekursor abu terbang, dibuat prekursor sintetik dengan komposisi yang sesuai dengan abu terbang. Sintesis dilakukan dengan membuat prekursor tanpa pengotor SiO2 dan Al2O3 sebagai pembanding dan prekursor yang diberi tambahan pengotor CaO dan MgO. Campuran tersebut dilakukan melt-quench untuk mendapatkan struktur gelas pada daerah liquid immiscibilty metastable. Kemudian dilakukan pembandingan hasil pengujian XRD dan disimpulkan pengotor CaO dan MgO menghasilkan prekursor dengan struktur gelas yang lebih baik.. Prekursor kemudian dibuat geopolimer dengan mereaksikannya dalam medium alkali dan menghasilkan spesies dengan komposisi yang sama dengan zeolit dengan struktur amorf. Selain itu juga memperlihatkan geopolimer dengan penambahan pengotor CaO dan MgO dapat meningkatkan nilai kuat tekan dari geopolimer.

---

Geopolymer is a new generation of the cement materials, and it can be reduce ordinary Portland cement production and reduce CO2 pollution because Portland cements production. Geopolymer made from some precursor like metakaolin, fly ash and blast furnace slag. Study of the precursor, especially from chemical composition, is necessary to know the variable that affecting the geopolymer properties. In this research, to know the effect of contamination of CaO and MgO in fly ash precursor made synthetic precursor with fly ash composition. The synthesis of fly ash without contamination is made to compare the precursor with CaO and MgO contamination. Those mixtures are melt-quenched liquid immiscibilty metastable to get glassy structure. And comparing the result from XRD characterization that precursor with CaO and MgO contaminant more glassy structure of precursor. Precursor then made the geopolymer by reacted with alkali medium and result the product is same composition of zeolite material but amorphous structure. Beside that geopolymer with CaO dan MgO contaminant increase the compressive strength of geopolymer."

"Biofiltrasi skala laboratorium dilaksanakan dengan tujuan untuk mengevaluasi pengaruh kedalaman medium filter dan waktu inkubasi dengan larutan nutrisi sintetik terhadap efisiensi reduksi N2O dan pertumbuhan mikroorganisme di dalam kompos berbasis kotoran kambing. Selain itu, diteliti juga pengaruh perubahan sifat fisis medium sebelum dan setelah biofiltrasi terhadap profil efisiensi reduksi yang dihasilkan. Penelitian dilakukan pada laju alir konstan sebesar 88 cc/menit dengan sistem aliran batch selama 12 jam. Efisiensi reduksi N2O terbaik dicapai sebesar 78,63% oleh kompos kedalaman 100 cm, dan 100% dengan sifat fisis paling stabil untuk kompos yang diinkubasikan selama 131 jam. Hasil kualitatif dan kuantitatif mikroorganisme di dalam kompos dengan uji SEM dan TPC menunjukkan bahwa kompos yang diinkubasi memiliki jumlah mikroorganisme terbanyak, disusul oleh kompos kering yang digunakan untuk biofiltrasi pada variasi kedalaman dan kompos awal.

---

A laboratory-scale biofiltration was conducted to evaluate the effects of depth and incubation length by synthetic nutrition of goat-manure base bulk compost on the removal efficiency of N2O and the growth of microorganisms in the compost. Change of medium properties before and after biofiltration and the effects to reduction efficiency profile were also examined. Research was carried out at constant flow rate of 88 cc/min using batch flow system for 12 hours. The highest N2O removal efficiency is obtained at 78,63% for 100 cm-depth and 100% with the most stable physical properties for 131 hour-incubation time. Qualitative and quantitative observation of microorganisms in the compost observed by SEM and TPC showed the incubed compost had the most quantity of microorganisms, followed by dry compost used in depth variation and the initial compost."

"Jenis baru beban listrik seperti kendaraan listrik, pompa panas atau penyimpanan mulai bermunculan. Selain pembangkit yang terdesentralisasi berdasarkan energi terbarukan, jenis beban ini perlu diintegrasikan ke dalam jaringan, yang meningkatkan beban jaringan yang tidak stabil[1]. Akibatnya, aliran daya dua arah dan sangat berfluktuasi meningkat dan jaringan dioperasikan lebih sering pada batas teknisnya. Oleh karena itu, jaringan yang ada harus diperluas sehingga kemampuan untuk mematuhi kondisi batas teknis yang berlaku tercapai. Untuk alasan ini, kami bergerak maju ke konsep baru jaringan pintar, yang akan mengubah manajemen distribusi energi. Untuk meningkatkan keandalan dan pengelolaan jaringan yang ada, permintaan model simulasi beban energi juga mulai muncul. Dalam makalah ini dibahas pemodelan profil beban rumah tangga resolusi tinggi dengan menggunakan pendekatan pemodelan rumah tangga sintetik. Dengan memanfaatkan informasi dari data sensus dan survei, populasi keluarga heterogen yang konsisten secara statistik dengan profil beban peralatan masing- masing dihasilkan.

---

New types of electrical loads such as electric vehicles, heat pumps or storage began to appear. In addition to decentralized generation plants based on renewable energies, it is necessary for these types of load to be integrated into the networks, which increases the volatile network load[1]. As a result, bidirectional and strongly fluctuating power flows rise and the networks are operated more often so at their technical limits. Existing networks should therefore expand so that the ability to comply with applicable technical boundary conditions is achieved. For this reason, we are moving forward to the novel concept of smart grid, that will change the management of energy distribution. In order to improve the reliability and management of the existing networks, demands for models simulating energy loads also began to appear. In this paper, a high-resolution modelling of household load profiles is discussed using the approach towards"

"Pemerintah Indonesia melaksanakan beragam kebijakan dalam rangka menurunkan laju pertumbuhan infeksi Covid-19, termasuk menerapkan Pembatasan Sosial Berskala Besar (PSBB). Penerapan PSBB berhasil menahan laju penyebaran virus corona, namun PSBB juga berpotensi menimbulkan biaya ekonomi. Mengingat terdapat beberapa kebijakan yang diterapkan Pemerintah selama pandemic covid-19 di tahun 2020, penelitian ini bertujuan untuk mengestimasi dampak partial lockdown akibat Covid-19 terhadap konsumsi rumah tangga, dinamisasi kemiskinan jangka pendek, dan mobilitas ekonomi rumah tangga. Studi ini berfokus pada pelaksanaan PSBB di lima wilayah (Kabupaten Bogor, Kabupaten Bekasi, Kota Bogor, Kota Bekasi, dan DKI Jakarta). Untuk mendapatkan hasil estimasi yang memiliki hubungan kausal, penelitian ini menggunakan Synthetic Control Method untuk membentuk hypothetical counterfactual untuk daerah yang menerapkan PSBB pada tahap pre estimasi. Selanjutnya, berdasarkan hasil estimasi difference-in-difference, penelitian ini menemukan bahwa penerapan PSBB secara signifikan dan negative memengaruhi konsumsi rumah tangga di Kabupaten Bogor, Kabupaten Bekasi, dan Kota Bekasi tetapi juga secara significant meningkatkan konsumsi rumah tangga di DKI Jakarta. Sementara itu, berdasarkan hasil estimasi ordered logit models, penelitian ini menunjukkan bahwa PSBB hanya signifikan memengaruhi dinamisasi kemiskinan jangka pendek di Kabupaten Bogor. Selanjutnya, berdasarkan hasil estimasi multinomial logit, penelitian ini juga menemukan bahwa PSBB secara signifikan memengaruhi mobilitas ekonomi rumah tangga di kabupaten sampel, namun tidak signifikan memengaruhi mobilitas ekonomi rumah tangga di kota sampel dalam jangka pendek.

---

The Indonesian government has imposed various policy responses to slow down the growth rate of Covid-19 infections, including implementing a partial lockdown known as large-scale social restrictions (Pembatasan Sosial Berskala Besar - PSBB) policy. The enactment of the PSSB policy may successfully suppress the spread of coronavirus, but it also may have an economical cost. Given that many policy interventions during the Covid-19 pandemic in 2020, this study aims to estimate the impact of Indonesia’s partial lockdown due to the Covid-19 pandemic on household consumption, short-term poverty dynamics, and intragenerational economic mobility. This study focuses on the implementation of PSBB policy in five regions (Bogor Regency, Bekasi Regency, Bogor City, Bekasi City, and DKI Jakarta). In order to have a causal relationship, this study performs Synthetic Control Method to construct hypothetical counterfactual regions for regions that implement PSBB policy in the pre-estimation stage. Then, based on difference-in-difference estimations, this study found that the implementation of PSBB affects household consumption in Bogor Regency, Bekasi Regency, and Bekasi City negatively but significantly increases household consumption in DKI Jakarta. Meanwhile, using ordered logit estimations, this study shows that the implementation of PSBB only significantly affects short-term poverty dynamics in Bogor Regency. Further, based on multinomial logit estimations, this study found that the implementation of PSBB adversely affects household economic mobility in rural districts but does not significantly affect household economic mobility in urban districts in the short-run."