Hasil Pencarian  ::  Simpan CSV :: Kembali

"Gerakan tanah merupakan peristiwa perpindahan material pembentuk lereng berupa batuan, bahan rombakan, tanah, atau material campuran yang bergerak ke bawah atau keluar lereng. Gerakan tanah dapat terjadi karena faktor alam maupun faktor perbuatan manusia. Kecamatan Sukaresmi, Kabupaten Cianjur merupakan salah satu wilayah yang mempunyai kejadian gerakan tanah yang cukup sering terjadi. Oleh karena itu, penelitian ini dilakukan dengan tujuan untuk mendeteksi serta menganalisis sebaran wilayah potensi gerakan tanah di Kecamatan Sukaresmi, Kabupaten Cianjur. Metode pendeteksian potensi gerakan tanah dilakukan dengan menggunakan metode Decision Tree pohon keputusan dengan algoritma C4.5 untuk mendapatkan nilai Gain tertinggi dalam penentuan akar pada pohon keputusan. Data aktual kejadian gerakan tanah digunakan untuk megetahui tingkat akurasi wilayah potensi gerakan tanah dengan uji confussion matrix. Selanjutnya, analisis keterhubungan antara titik aktual kejadian dengan kondisi fisik wilayah dan hasil model dilakukan menggunakan metode weighted of evidence. Penelitian ini menggunakan data litologi, jenis tanah, penggunaan tanah, ekstrasi data citra Landsat 8 OLI pada bulan Agustus 2017 dengan analisis Normalized Difference Vegetation Index NDVI serta ekstrasi data citra Alos PALSAR untuk wilayah ketinggian, dan kemiringan lereng. Hasil dari penelitian ini menunjukkan tingkat gerakan tanah dengan potensi tinggi di wilayah penelitian seluas 18.23 Km2 atau 19.09 dari total wilayah penelitian. Asosiasi data kejadian aktual dengan hasil identifikasi potensi gerakan tanah menunjukkan akurasi model sebesar 80.91. Distribusi wilayah potensi gerakan tanah tersebar pada wilayah dengan ciri pada ketinggian 600-800 mdpl, kemiringan lereng 14-20, kerapatan vegetasi 50-75, penggunaan tanah permukiman, jenis batuan anggota batu pasir cantayan dengan jenis tanah asosiasi latosol coklat kemerahan dan latosol coklat.

---

Landslide is a phenomenon of movement of slope forming material in the form of rocks, soil, or mixed material moving down or out of the slope. Landslide can occur due to natural factors and factors of human action. Sukaresmi District, Cianjur Regency is one of the areas that has landslide occurrence which is quite common. Therefore, this study was conducted with the aim to detect and analyze the spread of landslide susceptibility areas in Sukaresmi District, Cianjur Regency.

The landslide susceptibility detection method was performed using the Decision Tree method with C4.5 algorithm to obtain the highest gain value in root determination in the decision tree. Actual data of landslide occurrence was used to determine the accuracy of susceptibility region with confussion matrix examination. Furthermore, the correlation analysis between the actual point of landslide occurrence with the physical condition of the region and the model results was done using the weighted of evidence method.

This research used lithology data, soil type, landuse, Landsat 8 multispectral imagery data extraction in August 2017 with Normalized Difference Vegetation Index analysis, and Alos PALSAR imagery data extraction for altitude area and slope.

The results of this study indicate a high potential landslide in the research area of 18.23 Km2 or 19.09 of the total research area by accuracy level 80.91 with actual event data. Distribution of landslide susceptibility area was spread on area with characteristics at an altitude of 600 ndash 800 m, slope 14 20, vegetation density 50 75, settlement landuse, cantayan sandstone rock type with soil associations latosol reddish brown and brown latosol."

"Integrasi teknik-teknik data mining ke dlaam DBMS, khususnya Object-Rational DBMS (ORDBMS), masih merupakan bidang penelitian yang aktif. Isu utama pada integrasi ini adalah: peleburan algoritma data mining ke dalam ORDBMS dengan memanfaatkan fitur-fiturnya untuk memperbaiki kualitas teknik tersebut. Pada penelitian ini, algoritma klasifikasi C4.5 dikembangkan dengan pendekatan aljabar relasional dan diintegrasikan ke dalam ORDBMS sebagai prosedur-prosedur tersimpan Java dan berbasis SQL,. Dengan tujuan untuk meningkatkan skalabilitas dan efisiensinya. Hasil eksperimen menunjukkan bahwa algoritma yang sudah diintegrasikan berhasil memperbaiki skalabilitas dan pada kasus khusus juga memperbaiki efisiensi. "

"AbstrakIndonesia merupakan salah satu negara dengan penduduk terbanyak di dunia. Ledakan penduduk ini terjadi karena laju pertumbuhan penduduk yang sangat tinggi. kondisi ini menyebabkan beban negara menjadi semakin besar. Karena berhubungan dengan tinggi rendahnya beban negara untuk memberikan penghidupan yang layak kepada setiap warga negaranya, maka pemerintah memberikan serangkaian usaha untuk menekan laju pertumbuhan penduduk agar tidak terjadi ledakan penduduk yang lebih besar. Salah satu cara yang dilakukan oleh pemerintah adalah dengan menggalakkan Program Keluarga Berencana (KB). program keluarga berencana yang dicanangkan oleh pemerintah untuk menekan angka kelahiran yang tinggi ini belum sepenuhnya terlaksana dengan baik karena lokasi penyuluhan program KB yang belum tepat sasaran. Oleh karena itu diperlukan suatu sistem yang dapat membantu Badan Kependudukan dan Keluarga Berencana Nasional (BKKBN) dalam menentukan lokasi Prioritas Penyuluhan Program Keluarga Berencana agar penyuluhan tepat sasaran. Data Mining adalah kegiatan mengekstraksi atau menambang pengetahuan dari data yang berukuran besar, algoritma C4.5 merupakan algoritma yang digunakan untuk membangun sebuah pohon keputusan (Decision Tree) dari data. Algoritma C4.5 umumnya digunakan untuk melakukan klasifikasi yang nantinya akan digunakan dalam menetapkan lokasi prioritas penyuluhan program Keluarga Berencana."

"Bagian Operasional Badan Meteorologi Klimatologi dan Geofisika hingga saat ini belum memiliki metode baku dalam memprakirakan cuaca jangka pendek. Metode yang selama ini digunakan adalah dengan analogi peristiwa cuaca yang telah lampau. Penelitian ini berusaha menjawab apakah metode pohon keputusan yang dihasilkan algoritma C4.5 dapat digunakan untuk memprakirakan cuaca jangka pendek? Bagaimana tingkat akurasi yang dapat diberikan oleh metode ini? Training data serta testing data yang digunakan dalam penelitian ini berupa data hasil pengamatan unsur cuaca rata-rata harian (temperatur udara, kelembaban udara, tekanan udara, kecepatan angin, arah angin, lama penyinaran matahari, dan curah hujan) yang diperoleh dari Stasiun Meteorologi 745 Kemayoran Jakarta. Sebagai training data digunakan data pengamatan unsur cuaca dari tahun 2002 hingga 2006 sedangkan testing data adalah data tahun 2007 dan 2008. Tingkat akurasi prakiraan cuaca yang dihasilkan metode pohon keputusan ini berkisar pada angka 40% hingga 80% untuk 2 kategori (hujan dan tidak hujan). Sedangkan untuk tingkat akurasi prediksi 6 kategori (tidak hujan, hujan sangat ringan, hujan ringan, hujan sedang, hujan lebat, dan hujan sangat lebat) berkisar pada angka 30% hingga 80%. Perbedaan akurasi dipengaruhi dari jenis musim testing data (musim hujan, pancaroba I, kemarau, dan pancaroba II). Metode pohon keputusan ini dapat digunakan untuk memprakirakan cuaca jangka pendek dimana akurasi yang dihasilkan telah diterima Badan Meteorologi Klimatologi dan Geofisika karena untuk 2 kategori, nilai akurasinya relatif berada diatas 60%.

---

The Operational of Badan Meteorologi Klimatologi dan Geofisika until now have no standardized method in doing short-range weather forecasting. They use analogical method in forecasting what the weather would be the day after. This research is conducted in order to discover whether decision tree method could be used to forecast weather for such a short period of time and also to discover how acurate this method could be. The research uses daily-monitored weather elements data such as temperature, humidity, pressure, wind speed, from where the wind blowing, sunshine, and precipitation. The data was gathered from Stasiun Meteorologi 745 Kemayoran Jakarta. Data measured during 2002-2006 is used as training data, and the one measured during 2007 and 2008 is used as testing data. Prediction accuracy resulted from this decision tree method is around 40% to 80% for 2-category prediction (rain and no-rain). And for 6-category prediction (no-rain, very-light-rain, light-rain, moderate-rain, heavy-rain, and very-heavy-rain), the accuracy is around 30% to 80%. The 6-category prediction accuracy differs from the 2-category prediction because the testing data was measured in different seasons and it causes the accuracy for rainy season testing data is lower than any other season in 6-category prediction. The conclusion that can be made is that decision tree method could be used as one of short-range weather forecasting methods since its prediction accuracy for 2-category is acceptable according to Badan Meteorologi Klimatologi dan Geofisika (relatively above 60%)."

"[ABSTRAKDana pihak ketiga (DPK), yaitu dana yang dihimpun bank yang berasal darimasyarakat, perlu dikelola secara efektif dan efisien dengan mempersiapkanstrategi penempatan dana. Salah satu strategi dalam penempatan dana tersebutadalah menyalurkan kembali kepada masyarakat dalam bentuk pinjaman untukDPK yang diprediksi akan mengendap dalam jangka waktu yang cukup lama danmenyimpan DPK dalam bentuk kas, cadangan, atau investasi jangka pendek untukDPK yang diprediksi tidak akan mengendap dalam jangka waktu yang cukuplama menurut definisi bank. Penelitian ini menggunakan data mining untukmemprediksi porsi DPK yang mengendap dari masing-masing nasabahberdasarkan profil demografi dan transaksinya. Penelitian dibatasi pada produk tabungan, dan data yang digunakan untuk proses data mining adalah data profil nasabah dan data transaksi produk tabungan. Metodologi penelitian ini menggunakan pendekatan CRISP DM. Dan metodedata mining yang digunakan adalah teknik decision tree untuk prediksi, analisaklaster untuk proses diskritisasi label kelas yang akan digunakan dalam klasifikasidan menggunakan analisa RFM (Recency, Frequency, Monetary) untukmenyederhanakan nilai pada atribut-atribut yang terkait dengan transaksitabungan. Metode klasifikasi menggunakan algoritma C4.5 dan analisa klastermenggunakan algoritma k-means dan menggunakan WEKA sebagai data miningtools. Hasil dari penelitian ini adalah model untuk memprediksi porsi danamengendap dari nasabah. Dari hasil evaluasi menggunakan perhitungan sensitivity, spesitivity, dan accuracy menunjukan model yang berhasil dibangun memiliki keakuratan yang cukup baik dalam memprediksi porsi dana mengendap.

---

ABSTRACTThird-party funds (TPF), which is funds raised from the public, need to bemanaged effectively and efficiently by preparing a strategic placements. One ofthe strategies is by distributing loan from TPF that are expected to settle for a longperiod of time and store in the form of cash, reserves, or short-term investmentsfor TPF that are predicted will not settle within long period based on definitionfrom the bank. In this study data mining is used to predict portion of TPF thatwill settle for certain period of each customer based on the demographic profileand transaction history. The scope of this study is only for saving account product,and this study uses the customer profile data and transaction data of savingsproducts for data mining process. The research methodology in this study using the CRISP DM approach. Decision tree classification technique is used for prediction, cluster analysis method is usedfor discretization process of class labels to be used in the classification and useRFM analysis (Recency, Frequency, Monetary) to simplify the value of theattributes associated with the transaction of saving account. C4.5 algorithm isused for classification and cluster analysis using k-means algorithm and WEKA isused as data mining tools. The results of this study is the model that can predictportion of TPF that will settle for a certain period. The model evaluation bysensitivity, spesitivity, and accuracy calculation shows that the model hassuccessfully built a good accuracy in predicting of TPF that are expected to settlefor a long period of time. , Third-party funds (TPF), which is funds raised from the public, need to bemanaged effectively and efficiently by preparing a strategic placements. One ofthe strategies is by distributing loan from TPF that are expected to settle for a longperiod of time and store in the form of cash, reserves, or short-term investmentsfor TPF that are predicted will not settle within long period based on definitionfrom the bank. In this study data mining is used to predict portion of TPF thatwill settle for certain period of each customer based on the demographic profileand transaction history. The scope of this study is only for saving account product,and this study uses the customer profile data and transaction data of savingsproducts for data mining process. The research methodology in this study using the CRISP DM approach. Decision tree classification technique is used for prediction, cluster analysis method is usedfor discretization process of class labels to be used in the classification and useRFM analysis (Recency, Frequency, Monetary) to simplify the value of theattributes associated with the transaction of saving account. C4.5 algorithm isused for classification and cluster analysis using k-means algorithm and WEKA isused as data mining tools. The results of this study is the model that can predictportion of TPF that will settle for a certain period. The model evaluation bysensitivity, spesitivity, and accuracy calculation shows that the model hassuccessfully built a good accuracy in predicting of TPF that are expected to settlefor a long period of time. ]"

"Dengan adanya teknologi, pelaku usaha dapat memanfaatkannya sebagai salah satu faktor pendorong peningkatan operasional bisnis menjadi lebih efisien. Peningkatan jumlah pengguna yang beralih ke mesin kasir modern mengakibatkan kemunculan perusahaan penyedia dengan layanan dan harga yang tidak jauh berbeda. Di Indonesia perusahaan penyedia meisn kasir modern bersaing untuk dapat mempertahankan pelanggannya. Penelitian ini bertujuan untuk mendapatkan informasi mengenai karakteristik pelanggan dengan membuat segmentasi pelanggan berdasarkan perilaku penggunaan mesin kasir pada usaha yang dikelolanya. Setelah diketahui kelompok pelanggan dengan karakteristiknya, setiap kelompok akan diklasifikasikan berdasarkan status pelanggan (Aktif dan Tidak Aktif). Data untuk penelitian ini didapatkan dari salah satu perusahaan penyedia yang menjadi pelopor mesin kasir modern di Indonesia. Atribut yang dipilih yaitu Length, Recency, Frequency, dan Monetary (LRFM). Data Mining merupakan metode yang dapat digunakan untuk mengidentifikasi informasi yang berada pada set data untuk Customer Relationship Management. Metode yang digunakan untuk segmentasi pelanggan adalah metode K-Means Clustering sedangkan untuk klasifikasi status pelanggan adalah metode Decision Tree C4.5. Hasil dari penelitian ini berupa karakteristik setiap kelompok pelanggan dan model prediksi status pelanggan yang dapat digunakan sebagai dasar pembuatan usulan strategi untuk membantu perusahaan dalam penyusunan strategi retensi pelanggan.

---

As the development of technology becomes advanced, businessmen can utilize it as one of the factors to drive the improvement or growth of their business operations to be more efficient. The increasing number of users who switch to use the modern cash register machines has resulted in the emergence of company with services and price that are not much different. In Indonesia, modern cash register companies compete to be able to retain their customers. This study aims to get information about the characteristics of customers through customer segmentation based on the behavior. After knowing the customer segments with their characteristics, each segment will be classified based on customer status (Active and Inactive). The data for this study was obtained from one of the provider companies that became the pioneer of the modern cash register in Indonesia. The selected attributes are Length, Recency, Frequency, and Monetary (LRFM). Data Mining is a method that can be used to identify information that is in a data set for Customer Relationship Management. The method used for customer segmentation is the K-Means Clustering while the classification of customer status is the Decision Tree C4.5. The results of this study are in the form of characteristics of each customer group and customer status prediction models that can be used as the basis for making strategies to assist companies in preparing customer retention strategies."

"Tantangan dan persaingan di dunia investasi telah lama menjadi fokus besar untuk dipelajari karena keterkaitannya dengan profitabilitas. Penelitian menunjukkan bahwa penghasilan negatif substantif dari profitabilitas perusahaan sangat terkait dengan kondisi kesulitan keuangan perusahaan, suatu kondisi di mana perusahaan mengalami kesulitan dalam memenuhi kewajiban keuangannya. Penelitian sebelumnya mengembangkan model prediksi kesulitan keuangan dengan menggunakan metode statistik konvensional yang memiliki beberapa kerugian karena ketergantungannya pada beberapa asumsi restriktif. Penelitian ini menggunakan metode data mining karena keunggulannya dengan asumsi yang tidak terlalu ketat untuk memprediksi kesulitan keuangan, dilengkapi dengan variabel keuangan dan non-keuangan. Berfokus pada perusahaan-perusahaan yang terdaftar di Bursa Efek Indonesia (BEI) selama periode 5 tahun, decision tree C4.5 dan random forest dikembangkan dan dievaluasi. Model decision tree C4.5 menunjukkan model prediksi dengan kinerja terbaik, dengan tingkat kesalahan terkecil, akurasi dan recall, dengan akurasi dan recall keseluruhan masing-masing adalah 96,14%, dan 98,06%. Hasil penelitian ini juga memiliki beberapa luaran seperti ROA yang menjadi variabel yang paling penting untuk menentukan perusahaan yang mengalami kesulitan keuangan.

---

The challenges and competition in the investment world recently became a great focus to be studied as it is greatly linked to profitability. It has been agreed that substantive negative earning of profitability of firms greatly linked to financial distress, a condition which a firm has difficulty fulfilling its financial obligations. Previous research developed financial distress prediction model using conventional statistical methods that suffer from disadvantages as it depends largely on some restrictive assumptions. This research used data mining methods as its superiority with less restrictive assumptions to predict financial distress, with both financial and non-financial variables examined. Focused in listed firms in Indonesia Stock Exchange (IDX) for 5 years period, C4.5 decision tree and random forest are developed and evaluated. The C4.5 decision tree model demonstrated the best performing prediction model, with the smallest error rates, highest accuracy and recall, with overall accuracy and recall are 96.14%, and 98.06% respectively. The result of this research also offer several inferences such as return on asset being the most significant or important predictive variable to determine financially distressed firms"

"