Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pertumbuhan ekonomi yang diikuti dengan pertumbuhan penduduk yang tinggi di Indonesia menyebabkan kebutuhan Indonesia terhadap sumber energi semakin meningkat dimana sumber energi yang murah dan mudah didapatkan ialah batu bara. Di satu sisi, kapasitas produksi tambang Indonesia cukup rendah. Namun, tingkat kapasitas produksi berbanding terbalik dengan cadangan mineral dan batu bara Indonesia yang berlimpah. Hal ini memunculkan masalah bagaimana meningkatkan kapasitas produksi tambang Indonesia. Salah satu faktor yang sangat mempengaruhi kapasitas produksi tambang Indonesia adalah peningkatan variabilitas curah hujan. Penelitian ini akan membandingkan 3 model, yaitu Autoregressive Integrated Moving Average (ARIMA), stepwise regression dan neural network untuk mendapatkan model prediktif curah hujan yang dapat digunakan untuk merencanakan kapasitas produksi batu bara di tambang terbuka. Hasil eksekusi model akan dievaluasi dengan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan model neural network menghasilkan performa paling baik dibandingkan dengan ketiga model lainnya dimana model neural network memiliki nilai RMSE yang paling kecil.

---

Economic growth followed by a high population growth in Indonesia has increased the demand of energy sources which coal is the cheapest and highest availability energy sources. On the other hand, mining production capacity of Indonesia is relatively low. However, the level of production capacity is inversely proportional to abundant mineral and coal reserves of Indonesia. The ability to improve mining production capacity of Indonesia has been an important problem. One of the factors that greatly influences mining production capacity of Indonesia is variability in rainfall pattern.

This study will compare three models, which are Autoregressive Integrated Moving Average (ARIMA), stepwise regression and neural network in order to obtain a predictive rainfall model that can be used on planning coal production capacity in open pit mining. The results of the model will be evaluated with Root Means Square Error (RMSE). The evaluation results show that neural network model produces the best performance compared to other three models whose RMSE is the smallest."

"Penelitian ini menggunakan strategi metode campuran sekuensial/bertahap (sequential mixed methods) terutama strategi sekuensial explanatory dengan tujuan untuk mengetahui trend, pertumbuhan dan pengaruh antara kunjungan wisatawan terhadap penyerapan tenaga kerja sektor pariwisata di Banten pada periode 1999- 2018, dengan menggunakan data time series melalui pengujian ko-integrasi Johannsen dan kausalitas Granger. Hasil penelitian menunjukkan bahwa perjalanan wisatawan nusantara berpengaruh jangka panjang dan berdampak besar terhadap penyerapan tenaga kerja sektor pariwisata di provinsi Banten dibuktikan dengan pengujian Johannsen cointegration dan Granger causality. Wisatawan nusantara pada pola plot membentuk trend menaik dan seiring berjalannya waktu jumlah wisatawan nusantara cenderung terus meningkat, namun pada tahun 2009 sd 2010 tampak terjadi lonjakan pesat wisatawan nusantara. Kunjungan wisatawan mancanegara dalam kurun waktu 20 tahun terakhir mengalami pertumbuhan kenaikan tertinggi pada tahun 2017 sebesar 403.463 kunjungan wisatawan mancanegara, dan mengalami penurunan sebesar 18,95 % di tahun 2018 menjadi sebesar 327.003 kunjungan. Hasil penelitian terdapat penurunan jumlah kunjungan wisatawan ke provinsi Banten yang terjadi pada tahun 2018, salah satu penyebabnya adalah status level 2 (waspada) Gunung Anak Krakatau yang ditetapkan oleh pemerintah dan terjadinya bencana alam yang menyebabkan tsunami di pesisir laut wilayah Banten pada tahun 2018. Terjadi pergeseran tren pariwisata, yaitu dari motivasi bersenang-senang menjadi mencari pengalaman baru. Paradigma pariwisata ini pun bergeser dari sun, sand and sea menjadi serenity, sustainability and spirituality. Pemekaran 2 Kabupaten yang terjadi di Provinsi Banten pada tahun 2007 dan 2008 berdampak terhadap peningkatan penyerapan tenaga kerja di wilayah pemekaran, dengan berdiri banyaknya instansi-instansi pemerintahan daerah otonom dan dunia usaha, serta pertumbuhan ekonomi sekitar.

---

The research uses sequential mixed methods strategies, especially explanatory sequential strategies with the aim to determine trends, growth and the influence of tourist visits on tourism employment in Banten period 1999-2018, using data time series through testing Johannsen co-integration and Granger causality. The results showed that the travel of domestic tourists had a long-term effect and had a large impact on the employment of the tourism sector in Banten province as evidenced by Johannsen cointegration and Granger causality testing. Domestic tourists in the plot pattern formed an upward trend and over time the number of domestic tourists tended to continue to increase, but in 2009 to 2010 there appeared to be a rapid surge in domestic tourists. Foreign tourist visits in the last 20 years experienced the highest growth in 2017 at 403,463 foreign tourist visits and decreased by 18.95% in 2018 to 327,003 visits.

The results of the study have decreased in the number of tourist visits to Banten province that occurred in 2018, one of the causes was the level 2 (alert) status of Gunung Anak Krakatau set by the government and the occurrence of natural disasters that caused tsunamis in the coastal area of Banten in 2018. A shift in tourism trends, which is from the motivation of having fun being looking for new experiences. This tourism paradigm shifted from sun, sand and sea to serenity, sustainability and spirituality. There are two autonomous districts that occurred in Banten Province in 2007 and 2008 had an impact on increasing employment in the newly created regions, with the standing of many autonomous regional government agencies and the business sector, as well as economic growth."

"Industri tekstil dan pakaian jadi merupakan industri berkembang dan meberikan pengaruh terhadap perekonomian Indonesia. Meskipun memiliki persaingan yang tinggi, industri tekstil dan pakaian jadi menjadi salah industri yang menarik dijadikan peluang bisnis. PTGP merupakan sebuah perusahaan yang telah mengambil peluang bisnis di industri pakaian jadi selama puluhan tahun. Perusahaan dalam kategori mature pun tidak selalu berhasil dalam menjalankan bisnis. PTGP harus menutup cabang-cabang bisnis yang dimiliki karena biaya operasional lebih tinggi dibandingkan pendapatan yang dihasilkan dari penjualan. Biaya operasional yang efisien dibutuhkan oleh setiap perusahaan dalam menjalankan operasional perusahaan. Peramalan merupakan cara yang dapat digunakan untuk efektivitas operasional perusahaan. Metode peramalan time series yang tepat dapat ditentukan dengan melihat data historis permintaan terhadap produk. Akurasi merupakan faktor utama pemilihan metode peramalan yang akan digunakan. Single Exponential Smoothing merupakan metode peramalan yang digunakan secara umum di berbagai bidang industri dengan mengunakan data historis. Holts Model merupakan metode peramalan yang digunakan dengan adanya pengaruh tren pada data yang digunakan. Winters Model merupakan metode peramalan yang digunakan dengan adanya pengaruh tren dan seasonal pada data yang digunakan. Besar kesalahan peramalan yang dihasilkan adalah 14.38% untuk Single Exponential Smoothing, 10.34% untuk Holts Model, dan 15.65% untuk Winters Model sehingga Holts Model lebih disarankan.

---

Textile and apparel industry is a growing industry and has an influence on the Indonesian economy. Despite having high competition, textile and apparel industry is one of the interesting industries to become a business opportunity. PTGP has taken business opportunities in apparel industry for decades. Companies in mature category are not always successful in doing business. PTGP must close their business branches owned because operating costs are higher than the revenue generated from sales. Efficient operational costs required by every company in carrying out company operations. Forecasting is a way that can be used for the effectiveness of the companys operations. The right time-series forecasting method can be determined by looking at the historical data of product demand. Accuracy is the main factor in choosing forecasting method. Single Exponential Smoothing is a forecasting method used in general industrial fields using historical data. Holts Model is a forecasting method used with influence of trends in the data used. Winters Model is a forecasting method used in presence of trend and seasonal influences on the data used. The large forecasting errors generated are 14.38% for Single Exponential Smoothing, 10.34% for Holts Model, and 15.65% for Winters Model so Holts Model is recommended."

"Hierarchical time series adalah sejumlah data time series yang mengikuti struktur penggabungan hierarki, dimana data time series pada level lebih tinggi adalah hasil penggabungan dari level yang lebih rendah. Fokus utama dari penelitian ini adalah untuk mem-forecast data berjenis hierarchical time series ini. Forecasting dapat dilakukan dengan menggunakan model hierarchical forecasting. Model ini bekerja dengan memforecast semua time series yang ada pada hierarki, secara individual, masing-masingdengan menggunakan model terbaiknya. Akan tetapi, hasil forecast yang didapat dengan menggunakan model ini masih tidak koheren, yaitu penjumlahan hasil forecast pada level yang lebih bawah tidak sama dengan hasil forecast di level lebih atasnya. Hasil forecast ini dapat diperbaiki dengan merekonsiliasi hasil forecast yang telah didapat agar hasilnya koheren. Metode rekonsiliasi umum yang biasa digunakan adalah metode bottom-up atau top-down. Walau demikian, penelitian ini menggunakan metode rekonsiliasi minimum trace untuk mendapatkan hasil forecast koheren. Metode rekonsiliasi ini bekerja dengan meminimumkan variansi residual, dengan syarat hasil forecast koheren yang didapat bersifat tidak bias. Metode hierarchical forecasting dengan rekonsiliasi minimum trace ini akan diimplementasikan untuk mem-forecast jumlah pengangguran di Australia dan di setiap provinsinya pada tahun 2020, dengan menggunakan data pengangguran tahun 1979 hingga 2019. Nantinya, hasil forecast yang didapat di berbagai jenjang pada hierarki akan koheren.

---

Hierarchical time series is a collection of time series that follows a hierarchical aggregation structure, where the time series collection at the higher level is a result of lower leveled time series aggregation. The focus of this research is to forecast this hierarchical time series data. The forecasting can be done using the hierarchical forecasting model. This model works by forecasting each time series in the hierarchy individually using its best model. However, the forecast result from using this model is not coherent. It means that the forecast result summation of the lower level is not equal to the corresponding upper level forecast result. This forecast result can be improved with the help of reconciliation method, that makes the forecast coherent. Basic reconciliation

method that’s widely used is the bottom-up or top-down method. Even so, this research will use the minimum trace reconciliation method to get that coherent forecasts. This reconciliation method works by minimizing the residual variance, with the condition that the coherent forecast results are already unbiased. This hierarchical forecasting with minimum trace reconciliation method will then be implemented to forecast the unemployment number in Australia and its provinces on year 2020, using the unemployment number data from year 1979 until 2019. Later on, the forecast resulted on each level of the hierarchy will be coherent."

"Ketidakpastian jumlah penumpang pesawat meningkat karena kenaikan tren penggunaan pesawat sebagai pilihan moda transportasi di Indonesia beberapa tahun kebelakang. Hal ini menyebabkan dibutuhkannya kemampuan untuk mengakomodasi kenaikan tersebut bagi perusahaan penerbangan untuk mempertahankan posisinya dalam industri. Pembuatan strategi sangat dipengaruhi oleh keakuratan prediksi. Karena itu, model prediksi yang akurat sangat dibutuhkan. Penelitian ini menggunakan metode neural networks yang telah teruji sebagai metode berbasis data mining dengan hasil akurasi lebih tinggi dibandingkan dengan metode tradisional untuk membuat model terbaik untuk memprediksi jumlah penumpang pesawa. Sebagai perbandingan, metode Autoregressive Integrated Moving average (ARIMA) akan digunakan. Objek dari penelitian ini adalah data jumlah penumpang bulanan dari salah satu perusahaan penerbangan di Indonesia, berfokus pada dua rute utama dengan keuntungan terbesar yaitu rute Jakarta-Yogyakarta (CGK-JOG) dan rute Jakarta-Singapura (CGK-SIN), dimana masing-masing rute ini merepresentasikan rute domestik dan rute internasional. Prediksi selama 12 periode ke depan akan dilakukan dengan model terbaik dari masing-masing metode. Nilai mean absolute percentage error (MAPE) akan dibandingkan dan Theil’s U Statistic akan dilihat untuk menilai apakah model sudah representatif. Pada kedua rute, dapat dilihat bahwa metode neural networks menghasilkan nilai error yang lebih baik daripada ARIMA dengan nilai MAPE sebesar 1.29% untuk rute CGK-JOG dan 1.66% untuk rute CGK-SIN.

---

Demand uncertainty has been increasing as a result of the rising trend of using airplanes as a transportation mode option in Indonesia over the years. This condition results in the need for the ability to accommodate the rise for airline companies to withstand within the industry. Strategy formulation is highly determined by the forecast accuracy. Thus, accurate forecasting models are highly required. In this study, neural network is proposed to create the best-fitted model to predict future values. Neural network is a data mining-based approach that has already been tested to result in more accurate predictions than traditional methods. As a comparison with the traditional model, Autoregressive Integrated Moving Average (ARIMA) model is applied. This study used monthly passenger data from Indonesian airlines, focused on Jakarta-Yogyakarta (CGK-JOG) and Jakarta-Singapore (CGK-SIN) routes which are the representatives of the most profitable route for both domestic and international flight. MAPE of both methods were then compared and Theil’s U Statistic were calculated to see whether the models are suitable. Forecasted future demand for the next 12 months were calculated, where in both routes neural network produced better value than ARIMA with MAPE of 1.29% for CGK-JOG route and 1.66% for CGK-SIN route.

"

"Dengue adalah penyakit infeksi yang menjadi masalah kesehatan serius di dunia. Jumlah insiden dengue di Indonesia terus meningkat sejak tahun 1968, namun pada beberapa tahun belakangan, jumlah penderita dengue cenderung fluktuatif. Faktor-faktor cuaca cenderung memiliki hubungan dengan insiden dengue di Indonesia. Pada skripsi ini, dilakukan analisis pada data time-series cuaca dan insiden dengue pada wilayah DKI Jakarta dari Januari 2008 sampai September 2017. Clustering dapat digunakan untuk menemukan pola pada dataset time-series yang besar dan berisi informasi berharga. Pada skripsi ini, digunakan pendekatan K-Medoids dan Fuzzy C-Means Clustering menggunakan jarak Dynamic Time Warping (DTW). Skripsi ini bertujuan untuk menganalisis pola faktor-faktor cuaca dan insiden dengue di lima wilayah DKI Jakarta (Jakarta Utara, Jakarta Timur, Jakarta Barat, Jakarta Selatan, dan Jakarta Pusat). Faktor-faktor cuaca yang digunakan terdiri dari rata-rata temperatur, curah hujan, rata-rata kelembapan relatif, sinar matahari, dan rata-rata kecepatan angin. Sebelum clustering dilakukan, nilai Silhouette Coefficient digunakan untuk menentukan jumlah cluster yang optimal pada K-Medoids Clustering. Sedangkan, nilai Modified Partition Coefficient digunakan untuk menentukan jumlah cluster yang optimal pada Fuzzy C-Means Clustering. Hasil implementasi menunjukkan bahwa curah hujan merupakan faktor cuaca yang memiliki pola yang paling serupa dengan insiden dengue di kelima wilayah DKI Jakarta. Selain itu, sinar matahari, rata-rata temperatur, dan rata-rata kelembapan relatif juga cenderung memiliki pola yang serupa. Rata-rata kecepatan angin juga cenderung memiliki pola yang serupa dengan curah hujan dan insiden dengue, atau dengan sinar matahari, rata-rata temperatur, dan rata-rata kelembapan relatif.

---

Dengue is an infectious disease which has become a serious issue throughout the world. Since 1968, the incidence of dengue in Indonesia has continued to increase every year, but in recent years it tended to fluctuate. Weather factors are associated with the incidence of dengue in Indonesia. In this thesis, an analysis of weather time-series data and dengue incidence is done in the DKI Jakarta area from January 2008 to September 2017. Clustering can be used to discover patterns in large time-series datasets which contain valuable information. In this thesis, the K-Medoids and Fuzzy C-Means Clustering approaches using Dynamic Time Warping (DTW) distance are employed. This thesis aims to analyze patterns of weather factors and dengue incidence in the five regions of DKI Jakarta (North Jakarta, East Jakarta, West Jakarta, South Jakarta and Central Jakarta). The weather variables consist of average temperature, rainfall, average relative humidity, sunshine, and average wind speed. Before the clustering process, the Silhouette Coefficient value is used to determine the optimal number of clusters in K-Medoids Clustering. Meanwhile, the Modified Partition Coefficient value is used to determine the optimal number of clusters in Fuzzy C-Means Clustering. The implementation results show that rainfall is the weather factor which has the most similar pattern to the dengue incidence in the five regions of DKI Jakarta. In addition, sunshine, average temperature, and average relative humidity also tend to have a similar pattern with each other. Average wind speed also tends to have a pattern similar to rainfall and dengue incidence, or with sunshine, average temperature, and average relative humidity."

"Metode triclustering merupakan pengembangan dari metode clustering dan biclustering. Berbeda dengan  metode clustering dan biclustering yang bekerja pada data dua dimensi, triclustering bekerja pada data tiga dimensi yang disusun dalam bentuk matriks. Matriks ini terdiri dari dimensi observasi, atribut, dan konteks. Triclustering mampu mengelompokkan ketiga dimensi tersebut secara simultan dan membentuk kelompok berupa subruang yang disebut tricluster. Metode ini umumnya diimplementasikan dalam bidang bioinformatika, terkhususnya dalam analisis data ekspresi gen tiga dimensi untuk menemukan profil ekspresi gen. Data atau matriks ini terdiri dari dimensi gen, kondisi eksperimen, dan waktu eksperimen (time point). Salah satu algoritma triclustering, yaitu Order Preserving Triclustering (OPTricluster), adalah algoritma yang menggunakan pendekatan pattern based dan digunakan untuk menganalisis data ekspresi gen tiga dimensi yang merupakan short time series 3-8 time point). OPTricluster membentuk tricluster dengan mengidentifikasi gen-gen yang memiliki perubahan ekspresi yang sama di sepanjang time points pada sejumlah kondisi eksperimen. Dalam penelitian ini, OPTricluster diimplementasikan pada data ekspresi gen sejumlah pasien yellow fever pasca vaksinasi dengan beberapa skenario yang menggunakan threshold yang berbeda-beda. Skenario dengan threshold yang optimum ditunjukkan oleh rata-rata skor Tricluster Diffusion terendah. Tricluster-tricluster yang dihasilkan berhasil menunjukkan hubungan biologis di antara pasien-pasien tersebut, di mana vaksin cenderung memberikan reaksi yang lebih signifikan pada pasien pria dibandingkan pasien wanita. Selain itu, ditemukan anomali pada pasien-pasien tersebut.

---

Triclustering method is the development of clustering method and biclustering method. Unlike clustering and biclustering that works on two-dimensional data, triclustering works on three-dimensional data that arranged in the form of a matrix consisting of observations, attributes, and contexts dimensions. Triclustering is able to group these dimensions simultaneously and form a subspace called a tricluster. This method is generally implemented in analysis of three-dimensional gene expression data to find profiles of gene expression. This data or matrix consists of genes, experimental conditions and time points dimensions.

One of the triclustering algorithms, Order Preserving Triclustering (OPTricluster), is an algorithm that uses a pattern-based approach and used to analyze short time series data (3-8 time points). The OPTricluster forms the tricluster by identifying genes that have the same expression change across time points under a number of experimental conditions. The change in expression is expressed in a rank pattern which is divided based on three types of patterns, namely constant, conserved and divergent patterns.

In this study, OPTricluster was implemented in gene expression data of yellow fever patients after vaccination using several scenarios with different thresholds. The scenario with the optimum threshold is indicated by the lowest average Tricluster Diffusion score. The resulting triclusters were successful in showing biological relationships among these patients, where the vaccine tending to have a more significant reaction in male patients than in female patients. In addition, anomalies were found in these patients."

"This book presents collaborative research presented by experts in the field of nonlinear science provides the reader with contemporary, cutting-edge, research works that bridge the gap between theory and device realizations of nonlinear phenomena. The conference provides a unique forum for applications of nonlinear systems while solving practical problems in science and engineering. Topics include: chaos gates, social networks, communication, sensors, lasers, molecular motors, biomedical anomalies, and stochastic resonance. This book provides a comprehensive report of the various research projects presented at the International Conference on Applications in Nonlinear Dynamics (ICAND 2018) held in Maui, Hawaii, 2018. It can be a valuable tool for scientists and engineering interested in connecting ideas and methods in nonlinear dynamics with actual design, fabrication and implementation of engineering applications or devices."

"Pemerintah Indonesia mengeluarkan kebijakan untuk melakukan pemindahan ibu kota negara (IKN) dari Jakarta ke Kalimantan di tahun 2019. Hal tersebut menuai respons dari masyarakat, ada kelompok yang setuju dan ada yang tidak setuju. Opini dari masyarakat tentang pemindahan ibu kota banyak beredar melalu sosial media khususnya Twitter. Pemindahan ibu kota butuh proses panjang dan direncanakan dimulai di tahun 2024. Sampai saat ini sudah banyak kebijakan turunan dari pemerintah agar proses pemindahan ibu kota negara tetap berlangsung. Begitu juga dengan opini masyarakat di Twitter bermunculan menanggapi kebijakan tersebut. Sudah hampir 4 tahun sejak ditetapkan, sudah cukup banyak juga opini dari masyarakat tentang pemindahan IKN. Maka dari itu penelitian ini bertujuan untuk mengetahui sentimen masyarakat tentang pemindahan ibu kota negara beserta topik-topik yang menjadi perbincangannya. Penelitian ini dilakukan dengan cara mengumpulkan data dari Twitter sejak 2019 sampai 2022 tentang pemindahan ibu kota negara. Data yang dikumpulkan akan melewati serangkaian data preprosesing yang kemudian diklasifikasikan ke dalam sentimen positif, netral, dan negatif. Pemodelan sentimen dilakukan menggunakan lima model klasifikasi untuk mencari keakuratan terbaik, yaitu Naïve Bayes (NB), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), dan Random Forest (RF). Masing-masing algoritma dijalankan dua kali dari 2 sampel yang tanpa melewati balancing, dan satunya lagi menggunakan oversampling. Pemodelan topik dilakukan menggunakan Latent Dirichlet Allocation (LDA). Kedua pemodelan ini digunakan untuk memvisualisasikan sentimen dan topik-topiknya ke dalam visualisasi time series. Pemodelan sentimen terbaik yang dihasilkan adalah RF dari sampel oversampling dengan nilai akurasi 82%. Pemodelan tersebut menghasilkan distribusi sentimen dengan sentimen positif mendominasi sebanyak 46.5%, sentimen netral sebanyak 31.6%, dan sentimen negatif sebanyak 21.9%. Hasil visualisasi time series menunjukkan bahwa sentimen positif tidak selalu mendominasi, namun hanya pada tahun 2022. Pemodelan topik menghasilkan 15 topik untuk sentimen positif, 11 topik untuk sentimen netral, dan 8 topik untuk sentimen negatif. Visualisasi topik time series memperlihatkan bahwa beberapa topik mendominasi perbincangan di Twitter, namun hanya pada bulan-bulan tertentu. Visualisasi time series dapat memberikan gambaran yang lebih komprehensif pada penelitian analisis sentimen dan pemodelan topik.

---

Indonesian government issued a policy to move the national capital or ibu kota negara (IKN) from Jakarta to Kalimantan in 2019. This drew pros and cons from the public, there were groups who agreed and there were those who disagreed. Opinions from the public regarding the relocation of the capital city are widely circulated through social media, especially Twitter. Moving the capital city requires a long process and is planned to begin in 2024. Until now, there have been many derivative policies from the government so that the process of moving the national capital continues. Likewise, public opinion has sprung up ont Twitter in response to this policy. It's been almost 4 years since it was established, so there's been quite a lot of opinion from the public about the transfer of the IKN. Therefore this study aims to determine public sentimen about the relocation of the national capital along with the topics of discussion. This research is conducted by collecting data from Twitter from 2019 to 2022 regarding the relocation of the national capital. The data collected will go through a series of pre-processing data which are then classified into positive, neutral and negative sentimens. Sentimen modeling is carried out using five classification models to find the best accuracy, namely Naïve Bayes (NB), Support Vector Machine (SVM), Logistic Regression (LR), Decision Tree (DT), and Random Forest (RF). Each algorithm is run twice from 2 samples without going through balancing, and the other uses oversampling. Topic modeling is done using Latent Dirichlet Allocation (LDA). These two models are used to visualize sentimen and topics into a time series visualization. The best sentimen modeling produced is RF from oversampling samples with an accuracy value of 82%. This modeling produces a sentimen distribution with positive sentimen dominating by 46.5%, neutral sentimen by 31.6%, and negative sentimen by 21.9%. The results of the time series visualization show that positive sentimen does not always dominate, but only in 2022. The topic modeling produces 15 topics for positive sentimen, 11 topics for neutral sentimen, and 8 topics for negative sentimen. The time series topic visualization shows that several topics dominate the conversation on Twitter, but only in certain months. Time series visualization can provide a more comprehensive picture of sentimen analysis research and topic modeling."

"Skripsi ini mengevaluasi bagaimana faktor-faktor makroekonomi memengaruhi kredit macet (NPL) pada UMKM Indonesia dari Jan 2011 hingga Mar 2023. Dengan menggunakan model Autoregressive Distributed Lag (ARDL), penelitian ini menyelidiki NPL bersama dengan tujuh variabel: NPL tertunda, tingkat suku bunga, inflasi, PDB riil, kurs mata uang, pengangguran, dan jumlah uang beredar (M2), ditambah dengan variabel dummy kebijakan KUR. Temuan menyoroti hubungan signifikan antara variabel-variabel ini dan NPL, dengan menekankan dampak NPL tertunda, kebijakan KUR, suku bunga, kurs mata uang, pengangguran, dan M2. Efek asimetris juga teramati, berdasarkan besaran dan keterlambatan. Namun demikian, studi ini tidak mengesahkan sebab-akibat atau generalisabilitasnya karena keterbatasannya.

---

This thesis assesses how macroeconomic factors affect non-performing loans (NPL) in Indonesian MSMEs from Jan 2011 to Mar 2023. Employing the Autoregressive Distributed Lag (ARDL) model, it investigates NPL alongside seven variables: lagged NPL, interest rates, inflation, real GDP, exchange rates, unemployment, and money supply (M2), plus a KUR policy dummy variable. The findings highlight significant relationships between these variables and NPL, emphasizing the impact of lagged NPL, KUR policy, interest rates, exchange rates, unemployment, and M2. Asymmetrical effects are also observed, based on magnitude and lag. This study, however, refrains from establishing causation or generalizability due to its limitations."