Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini melihat korelasi antara kemitraan dan efisiensi teknis perusahaan pada Industri Mikro dan Kecil (IMK). Latar belakang bahwa IMK kerap menemui berbagai kendala akibat keterbatasan sumberdaya produksi, membuat production frontier sulit dicapai sehingga perusahaan kurang efisien secara teknis. Salah satu strategi perusahaan untuk mengatasi masalah ini adalah dengan bermitra. Maka, penelitian ini melihat apakah kemitraan yang dilakukan tersebut berkorelasi positif terhadap efisiensi teknis. Estimasi dilakukan dengan metode maximum likelihood secara stokastik menggunakan data Survei Industri Mikro dan Kecil Tahun 2014, BPS. Kemitraan usaha sebagai variabel utama diukur dengan indeks menggunakan teknik Principal Component Analysis (PCA) untuk merepresentasikan variasi kemitraan yang ada dalam perusahaan. Hasilnya menunjukkan bahwa korelasi positif antara kemitraan usaha dengan efisiensi teknis perusahaan terbukti pada industri mikro, namun tidak pada industri kecil. Perbedaan korelasi ini sangat tergantung pada skala usaha. Pertama dari sisi atribut spesifik perusahaan, seperti tingkat pendidikan pemilik usaha dan struktur tenaga kerja, dan kedua dari sisi perilaku oportunistik perusahaan yang mempengaruhi kualitas atau kinerja kemitraan.

---

This study looks on the correlation between interfirm cooperation and firms tecnical efficiency in Small Medium Industry (SMI). The background is that SMI often meets obstacle caused by their limited production resources that make production frontier is hard to achieve, thus create less technical efficiency for the firm. One of the firms strategy to overcome this problem is by making interfirm cooperation. Threfore, the study overlook whether the cooperation has a positive correlation with the technical efficiency. Estimation done by maximum likelihood stochastically using data from Survei Industri Mikro dan Kecil Year 2014 by BPS. Interfirm cooperation as the main variable measured by index using Principal Component Analysis (PCA) to represent the variation of cooperation inside the firms. Result shows that positive correlation is found between interfirm cooperation and technicall efficiency on micro industry level, yet not on the small industry. It shows that correlation is depend on the size of the firm. First, from specific atributes of the firm such as education level of firms owner and labor structure. Second, it also depend on the opportunistic behaviour of the firms that affect the quality of the interfirm cooperation."

"Dalam beberapa tahun terakhir, jumlah investor saham di Indonesia meningkat pesat, sehingga perlu dilakukan analisis tentang saham yang dapat membantu investor dalam rencana investasinya. Pengelompokan saham dapat membantu investor memilih saham yang sesuai untuk investor. Sayangnya, harga saham terus berubah dari waktu ke waktu. Akibatnya, kegiatan memilih saham untuk investasi bukanlah hal yang mudah. Selain itu, data time series saham dipengaruhi oleh banyak faktor yang mempertimbangakan time frame, kemudian menjadikan data pada setiap sektor memiliki jumlah faktor yang banyak yang disebut data dimensi tinggi. Karena itu, penting untuk menggunakan teknik yang cocok untuk mengelompokkan data dimensi tinggi. Penelitian ini menyajikan dua pendekatan yang dapat digunakan untuk data dimensi tinggi, yaitu subspace clustering dan dimension reduction. Pendekatan subspace clustering menggunakan metode High Dimensional Data Clustering (HDDC), sebuah teknik klasterisasi berbasis model berdasarkan Gaussian Mixture Model, dengan menggunakan algoritma Expectation-Maximization (EM). Pada pendekatan dimension reduction menggabungkan teknik reduksi fitur dan teknik klasterisasi yang sudah sering digunakan yaitu K-Means. Penelitian ini menggunakan dua pendekatan reduksi fitur, yaitu ekstraksi fitur menggunakan Principal Component Analysis (PCA) dan pemilihan fitur menggunakan Correlation Attribute Evaluation. Luaran dari penelitian ini adalah 2 klaster terbentuk di sektor agrikultur, 3 klaster di sektor pertambangan, 4 klaster di sektor industri dasar dan kimia, 2 klaster di sektor aneka industri, 2 klaster di sektor industri konsumsi, 2 klaster di sektor properti dan real estate, 2 klaster di sektor infrastruktur, 2 klaster di sektor keuangan, dan 4 klaster di sektor perdagangan. Dari perhitungan indeks validasi klasterisasi, teknik seleksi fitur memberikan performa yang lebih baik.

---

In recent years, the stock investor in Indonesia has been increasing rapidly, hence it is required to conduct analysis about the stock that helps the investor in their investment plan. Clustering is beneficial to select the appropriate stock for investors. Unfortunately, stock prices keep varying from time to time. Consequently, it is not an easy work to select the stock for investment. In addition, stock price time series data influenced by many factors, so the factors in this study consider the time frame that makes the data in each sector has a larger number of features that called high dimensional data. In this study, high dimensional data are obtained by the time frame of each factor. Therefore, it is important to use a suitable technique to cluster high dimensional data. This study presents two approaches that can be used for high dimensional data, namely subspace clustering and dimension reduction. The subspace clustering approach uses High Dimensional Data Clustering (HDDC), a model-based clustering based on Gaussian Mixture Model, with using the Expectation-Maximization (EM) algorithm. The dimension reduction approach combines feature reduction techniques and common clustering technique, that is K-Means. This study uses two feature reduction approaches, namely feature extraction using Principal Component Analysis (PCA) and feature selection using Correlation Attribute Evaluation. The output of this study are 2 clusters formed in agricultural sector, 3 clusters formed in mining sector, 4 clusters formed in basic and chemical industry sector, 2 clusters formed in various industrial sector, 2 clusters formed in consumption industry sector, 2 clusters formed in property and real estate sector, 2 clusters formed in infrastructure sector, 2 clusters formed in financial sector, and 4 clusters formed in trade sector. Based on the clustering validation index, feature selection techniques provide better performance."

"Stunting adalah kondisi dimana balita memiliki panjang atau tinggi badan yang kurang jika dibandingkan dengan anak seusianya. Balita stunting termasuk ke dalam masalah gizi kronik yang disebabkan oleh banyak faktor seperti kondisi sosial ekonomi, gizi ibu saat hamil, riwayat penyakit pada bayi, dan kurangnya asupan gizi pada bayi. Balita stunting di masa yang akan datang akan mengalami kesulitan dalam mencapai perkembangan fisik dan kognitif yang optimal. Penelitian ini bertujuan untuk menganalisis variabel atau faktor dominan yang mempengaruhi kejadian stunting di Indonesia. Penelitian ini menggunakan data sekunder dari Indonesia Family Life Survey (IFLS) tahun 2014-2015, yang dilakukan di 13 provinsi di Indonesia. Pengumpulan data disaring berdasarkan variabel yang diujikan menggunakan perangkat lunak analisis statistika (Stata). Data output yang dihasilkan kemudian diolah dengan menggunakan algoritma Principal Component Analysis untuk mengekstraksi faktor dominan yang akan dianalisa. Hasil penelitian menunjukkan bahwa faktor yang paling dominan pada kejadian stunting adalah faktor tinggi badan, pendidikan ayah, dan pengeluaran asupan protein.

---

Stunting is a medical term that refers to an abnormal condition of the baby's body. In term of height and weight of the body, stunting babies tend to have the smaller one instead of normal. In Indonesia, this issue is categorized as a cronical issue that is caused by many factors such as social-economic condition, the health condition especially nutrition intake of pregnant women, the baby's history of disease and the less of nutrition intake of baby. In the future, stunting baby will be difficult in getting the optimal growth physically and cognitively. This study aims

to analyze the dominant factors or variables that cause the occurance of stunting in Indonesia. It will use secondary data from Indonesia Family Life Survey (IFLS) 2014-2015 that is conducted in 13 provinces in Indonesia. The data was preprocessed by filtering based on some tested variables using statistics analysis software (Stata). Output data were processed by using Principal Component Analysis algorithm to extract dominant factors which will be analyzed. The result of study shows that the most dominant factors that caused stunting occurance are height of the body, education level of baby's father and cost for protein intake."

"Aktivitas antropogenik merupakan salah satu penyebab akumulasi logam berat tembaga (Cu) pada tanah. Kadar tembaga berlebih dapat menyebabkan toksisitas pada tanaman, salah satunya adalah tanaman jahe merah (Zingiber officinale var. Rubrum) yang banyak dimanfaatkan oleh masyarakat sebagai bahan baku obat. Penelitian ini dilakukan untuk mempelajari pengaruh pemberian logam berat tembaga pada pertumbuhan dan mengetahui profil senyawa metabolomik rimpang jahe merah di bawah paparan tembaga (CuCl2) dengan konsentrasi 0 ppm (kontrol), 50 ppm, 100 ppm, dan 150 ppm. Penelitian yang bersifat eksperimental ini dilakukan menggunakan Rancangan Acak Lengkap (RAL), menggunakan 4 perlakuan berbeda dengan 6 sampel pengulangan pada setiap perlakuan. Parameter pertumbuhan yang diukur adalah laju pertumbuhan, kadar air rimpang, gejala toksisitas yang dialami tanaman, dan profil metabolomik yang dianalisis menggunakan HPLC dan dilakukan pengolahan data dengan Principal Component Analysis dan Hierarchical Component Analysis. Hasil penelitian menunjukkan bahwa laju pertumbuhan dan gejala toksisitas pemberian logam tembaga mulai terlihat pada konsentrasi 100 ppm dan 150 ppm. Tanaman jahe merah mampu mentolerir hingga konsentrasi 50 ppm Cu dilihat dari pertumbuhan tanaman yang normal dan belum munculnya gejala toksisitas. Hasil pengolahan PCA dan HCA menunjukkan bahwa konsentrasi Cu 150 ppm memiliki profil metabolomik yang sangat berbeda dibanding perlakuan konsentrasi lainnya.

---

Anthropogenic activity is one of the causes of copper accumulation in soil. Excess copper levels can cause toxicity to plants, one of which is red ginger (Zingiber officinale var. Rubrum) which is widely used by the community as a raw material for medicine. This research was conducted to study the effect of the administration of heavy metal copper on growth and to determine the red ginger profile of metabolites rhizomes under exposure of 0 ppm (control), 50 ppm, 100 ppm, and 150 ppm CuCl2. This experimental research was carried out using a completely randomized design (CRD), using 4 different treatments with 6 samples of repetition in each treatment. The growth parameters measured in this study were growth rate, rhizome water content, symptoms of toxicity experienced by plants, and metabolite profiles which were analysed using HPLC and processed with Principal Component Analysis (PCA) and Hierarchical Component Analysis (HCA). The results showed that the growth rate and toxicity symptoms caused by copper began to be seen at concentrations of 100 ppm and 150 ppm. Red ginger plant can be tolerate 50 ppm concentration of Cu seen from normal plant growth and no sign of toxicity. The results by the clustering pattern of PCA and HCA showed that concentration of 150 ppm Cu had a very different metabolite profiles compared to other concentrations."

"Seiring dengan fenomena penuaan populasi yang menjadi tantangan demografis di Indonesia, penelitian ini bertujuan untuk menganalisis pengaruh kerentanan multidimensional terhadap tingkat kesejahteraan lansia dengan menggunakan data dari Survei Penilaian Tingkat Kebahagiaan (SPTK) tahun 2021. Diangkat dari isu kerentanan lansia yang mencakup aspek kesehatan, ekonomi, dan sosial, penelitian ini menerapkan pendekatan kuantitatif untuk membangun empat indeks kerentanan—material, fisik, sosial, dan mental—melalui metode Principal Component Analysis (PCA). Pengaruh indeks tersebut kemudian dianalisis terhadap kesejahteraan menggunakan model regresi Ordinary Least Squares (OLS). Hasil penelitian menunjukkan bahwa keempat dimensi kerentanan secara signifikan berpengaruh negatif terhadap kesejahteraan lansia, di mana kerentanan mental dan material menunjukkan dampak penurunan terbesar. Dari perspektif teori solidaritas antargenerasi, temuan ini menggarisbawahi peran krusial dukungan keluarga dalam memitigasi kerentanan sosial, yang menjadi faktor penentu kesejahteraan lansia. Analisis ini juga diperkaya dengan perspektif Maqashid Syariah yang menawarkan kerangka holistik untuk memahami dan merumuskan kebijakan perlindungan lansia yang sejalan dengan prinsip pemeliharaan jiwa, akal, dan harta.

---

In line with the phenomenon of population aging, which poses a demographic challenge in Indonesia, this study aims to analyze the influence of multidimensional vulnerability on the well-being of the elderly using data from the 2021 Happiness Survey (SPTK). Addressing the issue of elderly vulnerability, which encompasses health, economic, and social aspects, this research employs a quantitative approach to construct four vulnerability indices—material, physical, social, and mental—using the Principal Component Analysis (PCA) method. The influence of these indices on well-being was then analysed using the Ordinary Least Squares (OLS) regression model. The results show that all four dimensions of vulnerability have a significant negative effect on the well-being of the elderly, with mental and material vulnerability showing the greatest impact. From the perspective of intergenerational solidarity theory, this finding highlights the crucial role of family support in mitigating social vulnerability, a key determinant of elderly well-being. This analysis is also enriched by the perspective of Maqashid Sharia, which offers a holistic framework for understanding and formulating protection policies for the elderly in line with the principles of preserving life, intellect, and property."

"ABSTRAK

Produktifitas pada alat berat merupakan kinerja terpenting dalam industri konstruksi dan pertambangan, sehingga penerapan proses condition monitoring (CM) menjadi elemen penting dalam menentukan umur penggunaan komponen alat berat. Penentuan umur sisa (remaining useful life, RUL) dari komponen alat berat menjadi sangat penting untuk mendukung dan meningkatkan produktifitas alat berat dimana pendekatan best-practices digunakan dalam proses ini. Untuk mengatasi permasalahan ini, dibutuhkan estimasi RUL dari komponen alat berat dengan pendekatan data-driven menggunakan data mining. Metode yang digunakan pada penelitian ini untuk mengestimasi RUL komponen engine, final drive, dan transmisi alat berat adalah menggunakan Neural Networks (NN) dan Bayesian Networks (BN). Penelitian ini menggunakan data CM berjumlah 20 variabel dan melakukan reduksi dimensi variabel menggunakan principal component analysis (PCA). Hasil dari penelitian yang telah dilakukan didapatkan hasil estimasi terbaik pada komponen engine dan transmisi adalah dengan menggunakan metode NN dengan nilai RMSE model masing-masing sebesar 0,242 dan 0,196, sedangkan metode BN menjadi metode terbaik pada final drive dengan nilai RMSE sebesar 0,211.

---

ABSTRACT

---

Condition monitoring (CM) process is the key element to estimate remaining useful life (RUL) on heavy equipment`s components in the construction and mining industry with an aim to increase productivity. Nowadays, the best-practices approach has been applied to estimating RUL to improve production and performance of heavy equipment. Data mining method with the data-driven approach will be implemented to overcome the issue. Neural Networks (NN) dan Bayesian Networks (BN) method has been applied in this research to estimate RUL on heavy equipment`s engine, final drive, and transmission components. Principal component analysis (PCA) has been applied for dimension reduction of 20 variables from CM data in this research. The results shown estimating RUL on engine and transmission components provide better accuracy with the NN method which RMSE model achieve 0.242 and 0.196, respectively. Furthermore, the BN method provides better accuracy on final drive components with RMSE model achieves on 0.211.

"

"Dunia digital khususnya image processing berkembang seiring waktu berjalan dikarenakan kebutuhan masyarakat dan pentingnya keamanan sistem berbasis digital. Salah satu teknologi yang sangat mengalami kemajuan pesat adalah pengenalan wajah (face recognition) menggunakan artificial intelligence. Wajah seseorang yang sudah terdaftar di dalam database akan dikenali oleh sistem untuk keperluan validasi atau verifikasi. Di dalam penelitian ini dirancang sistem pengenalan wajah (face recognition) menggunakan algoritma machine learning dan Principal Component Analysis (PCA) sebagai pereduksi dimensi. Pengujian dilakukan dengan menggunakan beberapa metode, yakni: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K- NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) dan Convolutional Neural network (CNN). CNN berfokus pada layer dan tidak memerlukan reduksi dimensi, sehingga hasilnya lebih akurat. Model machine learning yang digunakan untuk classifier selain CNN adalah standar/default, sedangkan CNN menggunakan arsitektur LeNet-5, dengan dropout rate sebesar 0.25. Training dilakukan selama 60 epoch dengan loss function crosscategorical entropy, optimizer Adam, dan batch size sebesar 20. Data masukan adalah citra wajah berukuran 64 × 64 × 1 yang diperoleh dari dataset olivetti faces. Akurasi tertinggi metode PCA, SVM, maupun LR sebesar 91.25%, sementara akurasi terbaik CNN mencapai 98.75%. Selain akurasi, pemakaian confusion matrix dan classification report digunakan untuk menguji performa metode yang ada melalui evaluasi model klasifikasi.

---

The digital world, especially image processing, is evolving due to the needs of society and the importance of digital-based system security. One of the technologies that are rapidly progressing is face recognition using artificial intelligence. The system will recognize a person's face already registered in the database for validation or verification purposes. A face recognition system was designed using machine learning algorithms and Principal Component Analysis (PCA) as dimension reduction in this study. Testing is conducted using several methods: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K-NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) and Convolutional Neural network (CNN). CNN focuses on layers and does not require dimensional reduction to increase the accuracy of the result. The machine learning model used for classifiers other than CNN is standard/default settings, while CNN uses the LeNet-5 architecture, with a dropout rate of 0.25. The training was conducted for 60 epochs with loss function cross-categorical entropy, optimizer Adam, and batch size of 20. Input data is a 64 × 64 × 1 facial image obtained from the Olivetti faces database. The highest accuracy of PCA, SVM and LR methods was 91.25%, while CNN's best accuracy reached 98.75%. In addition to accuracy, the use of confusion matrix and classification report is used to test the performance of existing methods through the evaluation of classification models."