Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kedutaan Besar Australia di Jakarta menyimpan beragam dokumen rilis media. Menganalisis koleksi dokumen yang berpola khusus dan vital sangatlah penting untuk menghasilkan wawasan baru dan pengetahuan tentang kelompok topik penting dari dokumen. K-Means digunakan sebagai metode pengelompokan data non-hirarkis objek data menjadi klaster. Metode ini bekerja dengan meminimalkan variasi data di dalam klaster dan memaksimalkan variasi data di antara klaster. Dari dokumen yang dikeluarkan antara 2006 dan 2016, 839 dokumen diperiksa untuk menentukan frekuensi jangka dan untuk menghasilkan klaster. Evaluasi dilakukan dengan menunjuk seorang ahli untuk memvalidasi hasil klaster. Hasil penelitian menunjukkan bahwa ada 57 istilah bermakna yang dikelompokkan menjadi 3 kelompok. “Hubungan orang-orang”, “kerja sama ekonomi”, dan “pembangunan manusia” dipilih untuk mewakili topik rilis media Kedutaan Besar Australia Jakarta dari tahun 2006 hingga 2016. Penelitian ini menyimpulkan bahwa text mining dapat digunakan untuk mengelompokkan topik dokumen. Ini memberikan proses pengelompokan yang lebih sistematis karena analisis teks dilakukan melalui sejumlah tahapan dengan parameter yang ditetapkan secara khusus."

"Persaingan yang ketat mendorong perusahaan untuk membangun manajemen hubungan pelanggan yang kuat untuk mempertahankan loyalitas pelanggan. Penggalian informasi terkait dengan customer lifetime value (CLV) mendukung perusahaan untuk memperlakukan setiap pelanggan secara berbeda berdasarkan kontribusi pelanggan terhadap keuntungan perusahaan. Penelitian ini bertujuan untuk mengidentifikasi karakteristik dan nilai dari masing-masing kelompok pelanggan berdasarkan customer lifetime value menggunakan model length, recency, frequency, dan monetary (LRFM), sehingga memberikan wawasan bagi perusahaan untuk menghasilkan strategi retensi pelanggan yang sesuai. Dalam studi ini, CLV dievaluasi di perusahaan distribusi farmasi dan alat Kesehatan di Indonesia. Pertama, algoritma k-means diterapkan untuk melakukan klasterisasi pelanggan. Terdapat delapan klaster yang terbentuk dalam penelitian ini. Selanjutnya, metode analytic hierarchy process (AHP) digunakan untuk mendapatkan informasi terkait dengan bobot kepentingan model LRFM. Hasil perhitungan AHP menunjukkan bahwa frekuensi adalah variabel yang paling penting di sektor ini. Selanjutnya, CLV dihitung dan diberi peringkat untuk delapan klaster optimal yang dihasilkan. Hasil penelitian menunjukkan bahwa klaster 3, klaster 6, dan klaster 8 adalah pelanggan yang paling bernilai bagi perusahaan. Pada tahap akhir, dilakukan penentuan jenis strategi retensi yang sesuai terhadap klaster yang terbentuk.

---

Dealing with intense competition encourages companies to build strong customer relationship management to maintain customer loyalty. Extracting information related to customer lifetime value (CLV) supports the company to treat each customer differently based on their contribution to the company profits. This study aims to identify the characteristics and values of each customer group based on customer lifetime value using the length, recency, frequency, and monetary (LRFM) model, hence providing insights for the company to generate suitable customer retention strategies. In this study, CLV is evaluated at the pharmaceutical and medical device distribution company in Indonesia. First, k-means algorithm was applied to cluster customers. There are eight clusters formed in this study. Subsequently, the analytic hierarchy process (AHP) method was used to gain information related to the weight of importance of LRFM model. AHP results demonstrated that frequency is the most important variable in this sector. CLV was finally calculated and ranked for the resulting eight optimum clusters. The results showed that cluster 3, cluster 6, and cluster 8 were the most valuable customers for the company. Appropriate retention strategies were also determined for the clusters formed."

"Ulasan hotel online di era modern ini memiliki peran besar mengingat hotel merupakan faktor penentu daya saing sebuah daerah wisata, namun pemanfaatannya masih jarang ditemukan. Berkaitan dengan rencana pemerintah untuk meningkatkan kunjungan wisatawan ke Indonesia, penelitian ini mengaplikasikan text mining terhadap ulasan hotel online untuk menemukan pengetahuan yang bermanfaat dalam membangun sektor perhotelan sebagai bagian integral dalam industri pariwisata. Teknik klasifikasi teks digunakan untuk mendapatkan informasi sentimen yang terkandung dalam kalimat ulasan melalui analisis sentimen, serta teknik klasterisasi pada text summarization untuk menemukan kalimat representatif yang mampu menggambarkan keseluruhan isi ulasan. Percobaan dengan ulasan hotel di Labuan Bajo, Lombok, dan Bali menghasilkan luaran yang memuaskan, di mana akurasi model penggolong klasifikasi sebesar 78 dan Davies-Bouldin Index DBI sebesar 0.071 untuk proses klasterisasi. Luaran penelitian ini diharapkan mampu menggambarkan kondisi hotel di daerah wisata unggulan Indonesia sehingga dapat berkontribusi dalam peningkatan kualitas sektor perhotelan sebagai penunjang industri pariwisata di Indonesia.

---

In this modern era, online hotel reviews have a big role considering the hotel is one the aspects in determining the competitiveness in the tourist area, but its implementation is still rare. Regarding the government 39 s plan to increase tourist arrivals to Indonesia, this research utilized text mining towards online hotel reviews to find useful knowledge in building the hospitality sector as an integral part of the tourism industry. Text classification technique was used to obtain sentiment information contained in review sentences through sentiment analysis, as well as clustering technique as a part of text summarization to find representative sentences that are able to describe the entire contents of the review. Experiments with hotel reviews in Labuan Bajo, Lombok and Bali generated surprising outcomes, where the accuracy of classification model reaches 78 and the Davies Bouldin Index DBI of clustering algorithm strikes 0.071. The output of this research is expected to be able to describe the condition of the hotel in tourist area based on the different level of tourism development so that it can contribute to improving the quality of the hotel industry as well as supporting the tourism industry in Indonesia."

"ABSTRAKBali masih menjadi pintu masuk utama bagi wisatawan mancanegara. Potensi besar yang dimiliki Bali untuk memikat wisatawan menikmati beragam petualangan mulai dari keindahan alam, budaya, makanan, bahasa, flora dan fauna. Meskipun begitu, bukan berarti Bali menjadi tanpa cela. Angka kecelakaan lalu lintas di Bali meningkat selama tahun 2015-2019. Data tahun 2019 menunjukkan jumlah kejadian kecelakaan lalu lintas meningkat 70% dibandingkan tahun 2015. Korban kecelakaan lalu lintas dengan luka ringan pada tahun 2019 meningkat 83% dibandingkan tahun 2015. Korban meninggal dunia karena kecelakaan lalu lintas pada tahun 2019 meningkat 6% dibandingkan tahun 2015. Peningkatan jumlah kecelakaan lalu lintas dapat merusak citra pariwisata Bali. Menurut penelitian terdahulu, citra pariwisata dapat dipengaruhi oleh wisatawan yang berbagi pengalaman perjalanan wisata mereka baik secara langsung ataupun melalui media sosial. Penelitian ini diharapkan mampu memberikan jawaban dari pertanyaan "Bagaimana pengalaman wisatawan tentang keselamatan selama melakukan perjalanan wisata di Bali yang dibagikan melalui media sosial?". Tujuan dari penelitian ini adalah untuk mengetahui aspek keselamatan yang mempengaruhi citra tujuan wisata Bali dan menganalisis faktor yang mempengaruhi peningkatan aspek keselamatan. Pengaplikasikan teknik text mining terhadap ulasan pengguna Twitter tentang aspek keselamatan di Bali digunakan dalam penelitian ini. Penelitian ini mengungkapkan bahwa aspek keselamatan yang memberikan penilaian negatif paling tinggi terhadap citra pariwisata di Bali adalah aspek keselamatan berkendara di jalan raya khususnya menggunakan sepeda motor. Faktor perbaikan fasilitas lalu lintas dan penegakan aturan untuk pengemudi dapat mempengaruhi peningkatan keselamatan di Bali.

---

ABSTRACTBali is still the main entrance for foreign tourists. Bali has great potential to lure tourists to enjoy a variety of adventures ranging from natural beauty, culture, food, language, flora and fauna. Even so, does not mean Bali to be flawless. The number of traffic accidents in Bali increased during 2015-2019. Data in 2019 shows the number of traffic accident incidents increased by 70% compared to 2015. Victims of traffic accidents with minor injuries in 2019 increased by 83% compared to 2015. The death toll due to traffic accidents in 2019 increased by 6% compared to 2015. The increased number of traffic accidents can damage the destination image of Bali. According to previous research, the destination image can be influenced by tourists who share their travel experiences with others directly or through social media. This research is expected to be able to provide answers to the question "How are tourists the experience about safety during their tour in Bali and shared through social media?". This study aims to determine of safety aspect influencing on Bali's destinations image and analyze the factors influencing of safety improvement. In this study, the text mining technique was used to Twitter user reviews about safety aspects in Bali. This study revealed the safety aspect which gave the highest negative rating on the image of tourism in Bali was the safety aspect of driving on the highway, especially using motorbikes. Factors improving traffic facilities and enforcing rules for drivers can influence safety improvements in Bali."

"Pembelajaran mesin merupakan ilmu yang mempelajari cara membuat komputer dapat melakukan pembelajaran secara mandiri tanpa dilakukan pemrograman secara eksplisit. Proses identifikasi batuan melalui klasifikasi dan klasterisasi dapat dilakukan menggunakan pembelajaran mesin. Daerah penelitian dilakukan pada wilayah Manjimup, Australia Bagian Barat. Penelitian ini bertujuan untuk menentukan klasifikasi dan klasterisasi mineral batuan menggunakan pembelajaran mesin. berdasarkan data spektral yaitu Short-Wavelength Infrared (SWIR), dan Mid or Thermal Infrared (TIR) yang berasal dari pengukuran spektrum elektromagnetik untuk mengidentifikasi fitur-fitur mineral batuan. Klasifikasi dilakukan menggunakan pembelajaran mesin tersupervisi untuk menentukan akurasi terbaik dengan lima jenis metode, antara lain K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), dan Multi-layer Perceptron (MLP). Metode SVM menjadi akurasi terbaik pada data SWIR dan metode MLP menjadi akurasi terbaik pada data TIR untuk klasifikasi mineral batuan. Klasterisasi dilakukan menggunakan pembelajaran mesin tidak tersupervisi metode K-Means untuk menentukan kelompok batuan teroptimal berdasarkan informasi geologi yang dimiliki. Tiga kelompok batuan menjadi jumlah kelompok batuan teroptimal berdasarkan informasi geologi yang dimiliki.

---

Machine Learning gives computers the ability to learn without being explicitly programmed. Classification and clustering method used in machine learning able to identifying rocks. The study area is located in the Manjimup region, Western Australia. This study aims to determine the classification and clustering of rock minerals using machine learning. based on spectral data namely Short-Wavelength Infrared (SWIR), and Mid or Thermal Infrared (TIR) collected from electromagnetic spectrum measurements to identify rock mineral features. Classification method used in supervised machine learning able to determine the best accuracy from five types of methods, which are K-Nearest Neighbors (K-NN), Support Vector Machine (SVM), Decision Tree (DT), Random Forest (RF), and Multi-layer Perceptron (MLP). SVM method becomes the best accuracy on SWIR data and the MLP method becomes the best accuracy on TIR data for rock mineral classification. Clustering method used in unsupervised machine learning which is the K-means algorithm able to determine optimal rock clusters based on geological information they have. Three rock clusters become the most optimal number of rock clusters based on the geological information."

"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."

"Elektrifikasi 1723 desa 3T yang belum teraliri listrik menggunakan energi terbarukan sejalan dengan program Pemerintah Indonesia untuk menurunkan emisi GRK sebesar 29% pada tahun 2030 dan mencapai SDG’s point 7. Tantangan elektrifikasi desa 3T adalah letak desa yang tersebar, potensi energi terbarukan bervariasi dan nilai keekonomian yang rendah. Untuk menjawab tantangan tersebut, penelitian ini bertujuan untuk mendapatkan gambaran tarif microgrid desa 3T berdasarkan insentif yang tepat dan desain teknis yang optimal. Metodologi penelitian adalah klasterisai menggunakan Clara dan pemodelan optimasi untuk mendapatkan kapasitas microgrid. Ada 4 pusat cluster: Sari Tani (Gorontalo), Kubang Kondang (Banten), Tuno Jaya (Maluku), dan Sungai Pisau (Kalimantan Barat). Dari optimasi pemodelan diperoleh konfigurasi microgrid PLTS kapasitas 173 – 607 kWp, PLTB kapasitas 12 kW, dan BESS kapasitas 254 – 946 kWh. Untuk semua desa pusat klaster, tarif dasar untuk model bisnis EPC PLN adalah 3066 – 4115 Rp/kWh, model bisnis PPP adalah 3362 – 4525 Rp/kWh, dan model bisnis Wilus Resco adalah 4051 – 5478 Rp/kWh. Skenario insentif yang paling efektif adalah kombinasi tax allowance, pengurangan emisi karbon, dan subsidi bunga minimal 3% atau hibah capex 25% yang dapat menurunkan tarif dasar sebesar 51–59% sehingga menjadi dibawah 85% biaya pokok penyediaan pembangkit setempat.

---

Electrification of 1723 underdeveloped, frontier, and outermost villages (3T villages) using renewable energy-based microgrid is vital role in improving electricity access and socio-economic activities in the regions. This development strategy in line with the government of Indonesia's program to reduce Green House Gas (GHG) emissions by 29% in 2030 and to achieve Sustainable Development Goals (SDG’s) point 7. The challenges of 3T villages electrification are the location of villages that are spread out, varied renewable energy potential and low economic value. To answer those challenges, this study aims to cluster the villages based on renewable energy resource and electricity demand and to assess techno-economic viability of microgrid. The clustering the villages using Clara method and design the microgrid system by optimization model of Homer Pro, and also financial analysis is carried out using several incentive scenarios. The result shows that there are 4 cluster centers: Sari Tani (Gorontalo), Kubang Kondang (Banten), Tuno Jaya (Maluku), and Sungai Pisau (Kalimantan Barat) with microgrid configurations PV capacity 173 – 607 kWp, WTG capacity 12 kW, and BESS capacity 254 – 946 kWh kWh. For 4 cluster villages, the base-case tariff of EPC business model is 3066 - 4115 Rp/kWh, Public Private Patnership (PPP) business model is 3362 – 4525 Rp/kWh, and Resco business model is 4051 – 5478 Rp/kWh. The most effective incentive scenario is the combination of tax allowances, carbon emissions reduction, and interest subsidy minimum 3% or grant 25% capex which can reduce base-case tariffs by 51–59 %. Hence it becomes below 85% regional cost of generation."

"Individu cenderung memilih tempat tinggal yang sesuai dengan kepribadian yang dimiliki sehingga individu dengan kepribadian yang sama cenderung berada pada daerah yang berdekatan. Oleh karena itu, untuk mengetahui hal tersebut dilakukan penelitian mengenai gambaran kepribadian menggunakan pengukuran kepribadian big five personalities yang ada pada suatu daerah yang termasuk kedalam daerah ekonomi khusus yaitu Lombok Tengah. Dalam penelitian ini peneliti mencoba melihat dari bidang psikologi geografi mengenai ketergantungan spasial yang ada pada Kabupaten Lombok Tengah untuk melihat klasterisasi kepribadian yang ada di masyarakat Lombok Tengah. Responden dalam penelitian ini adalah sebanyak 398 masyarakat Lombok Tengah yang berhasil didapatkan melalui kuesioner yang disebar secara daring. Metode pengambilan data berupa snowball sampling. Alat ukur yang digunakan adalah BFI-44 atau Big Five Inventory. Hasil analisis Indeks Morans menunjukkan terdapat pengelompokkan kepribadian tertentu pada masyarakat Lombok yang terdapat pada trait conscientiousness (0,1335), openness (0,111), extraversion (0,063) dan agreeableness (0,039). Penelitian juga menemukan terdapat perbedaan kepribadian berdasarkan letak geografis tempat tinggal masyarakat.

---

People tend to choose a place to live in places that match their personality, resulting in individuals with the same personality tending to be close to each other. Therefore, to find out about this, a study was conducted using the big five personality measurement in an area that is included in a special economic area, Central Lombok. In this study, researchers tried to see from the geographic psychological perspective regarding the spatial dependence in the Central Lombok Regency to see if there is a clustering of personalities in the Central Lombok community. Respondents in this present study were 398 Central Lombok residents with ages above 18 who were successfully obtained through online methods. The data collection method was snowball sampling. The measuring instrument used was the BFI-44 or Big five inventory. The results of the Morans Index analysis show that there are certain personality groupings in Central Lombok community which are found in the traits of conscientiousness (0.1335), openness (0.111), extraversion (0.063) and agreeableness (0.039). The study also found that there are differences in personality based on the geographical location where people live."