Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penelitian ini bertujuan untuk menganalisis faktor mana yang paling penting dalam memprediksi freelancer berkualitas tinggi. Krisis dan pandemi covid memaksa perusahaan melakukan efisiensi biaya sehingga merekrut freelancer online menjadi solusi yang bisa dipertimbangkan. Rekrut freelancer online cukup mudah, kamu tinggal masuk ke website freelance marketplace, lalu pilih freelancer dan pekerjaan yang kamu inginkan, lalu ajukan penawaran. Namun, perusahaan perlu merekrut pekerja lepas berkualitas tinggi tetapi berbiaya rendah untuk efisiensi biaya. Artinya, perusahaan perlu merekrut freelancer yang memiliki kualitas top-rated tapi belum top-rated. Berbeda dengan penelitian sebelumnya, penulis menggunakan variabel Top Rated sebagai dependen yang mencerminkan kualitas tinggi dan menganalisisnya menggunakan algoritma Random Forest dan Logistic Regression. Dataset tersebut berisi 5.825 sample size yang diunduh dari Kaggle.com. Dari penelitian sebelumnya, Similar-Job-Experience dan Past-Rating merupakan faktor terpenting yang mencerminkan kualitas. Sementara itu, dalam penelitian ini, atribut totalRevenue, BilledAssignments, dan totalHourlyJobs masing-masing menjadi variabel terpenting yang berhasil memprediksi 30 freelancer Top Rated di masa depan. Temuan ini berguna bagi perusahaan untuk mempertimbangkan faktor-faktor ini dalam merekrut pekerja lepas. Sepengetahuan penulis, saat ini penelitian yang membahas tentang kriteria freelancer yang menggunakan machine learning masih terbatas ......This study aims to analyze which factors are most important in predicting high-quality freelancer. The crisis and the covid pandemic forced companies to make cost efficiency so that recruiting online freelancers was a solution that could be considered. Online recruitment is quite easy, you just have to go to the freelance marketplace website, then select the freelancer and job you want, then offer freelance. However, companies need to hire high-quality but low-cost freelancers for cost efficiency. This means that companies need to recruit freelancers who are top-rated but not yet top-rated. In contrast to previous studies, the author uses the Top Rated variable as the dependent which reflects high quality and analyzes it using the Random Forest and Logistic Regression algorithms. The dataset contains 5,825 samples downloaded from Kaggle.com. From previous research, Similar-Job-Experience and Past-Rating are the most important factors that reflect quality. Meanwhile, this study, the attributes of totalRevenue, BilledAssignments, and totalHourlyJobs became the most important variables that succeeded in predicting the 30 Top Rated freelancers in the future. This finding is useful for companies to consider these factors in recruiting freelancers. To the author's knowledge, currently researching the criteria for freelancers who use machine learning is still limited.

Abstrak :
ABSTRAK
Latar Belakang Kegagalan mengenali pasien yang memiliki risiko mortalitas tinggi dapat menyebabkan luaran yang buruk Karena itu penilaian yang cepat dan tepat terhadap perubahan tanda vital sangat penting untuk menghindari keterlambatan penanganan yang dapat memengaruhi luaran pasien Beberapa modul triase telah dirancang sebagai sistem pendukung dalam pengambilan keputusan untuk memandu perawat dokter triase agar dapat mengambil keputusan yang tepat Penelitian ini akan menjelaskan seberapa besar modul triase di IGD RSCM dapat memprediksi mortalitas untuk luaran 24 jam dan 7 hari Metode Penelitian ini merupakan penelitian prognostik dengan desain penelitiannya adalah studi kohort retrospektif pada 529 data pasien dengan usia lebih dari 18 tahun yang menjalani prosedur triase di Instalasi Gawat Darurat RSCM Luaran mortalitas pasien dibagi menjadi mortalitas 24 jam dan mortalitas 7 hari Hasil Dari hasil analisis kurva ROC didapatkan area under the curve modul triase untuk luaran 24 jam adalah 0 787 IK 95 0 690 0 885 lebih besar daripada area under the curve modul triase untuk luaran 7 hari yakni sebesar 0 662 IK 95 0 597 0 726 Hal ini berarti performa modul triase IGD RSCM lebih baik dalam memprediksi mortalitas 24 jam daripada untuk memprediksi mortalitas 7 hari Berdasarkan perhitungan nilai prediktif modul triase untuk luaran 24 jam didapatkan rasio kemungkinan positif PLR untuk kategori resusitasi sebesar 11 36 sedangkan untuk kategori lain didapatkan 1 11 untuk kategori emergency 1 69 untuk kategori urgent 0 4 untuk kategori non urgent dan 0 23 untuk kategori false emergent Kesimpulan Modul triase IGD RSCM dapat memprediksi angka mortalitas pasien non bedah Kemampuan prediksi berdasarkan performa diskriminasi berada pada level Fair Test Performa modul triase IGD RSCM lebih baik dalam memprediksi mortalitas 24 jam daripada untuk memprediksi mortalitas 7 hari. ABSTRACT
Background Failure to identify high risk patients can lead to poor outcomes Therefore quick and precise assessment of the changes in vital signs is very important to avoid delays in treatment which may affect patient outcomes Some triage module has been designed as a support system in decision making to guide the nurse physician triage in order to take the right decision This study will explain how the triage modules in the ED of RSCM can predict the outcomes of mortality for 24 hours and 7 days Methods This is a prognostic study with the design of the study was a retrospective cohort study on 529 patient data with more than 18 years of age who underwent the procedure triage in the ED of RSCM Mortality outcomes of patients were divided into 24 hour mortality and 7 days mortality Based on the calculation of predictive value for the triage module outcome in 24 hours obtained positive likelihood ratio PLR for category resuscitation is 11 36 while for other is 1 11 for emergency category 1 69 for urgent category 0 4 for non emergency categories and 0 23 for false emergent category Results The results of ROC curve analysis obtained an area under the curve for the 24 hours outcome was 0 787 95 CI 0 690 to 0 885 greater than the area under the curve for 7 days outcomes 0 662 CI 95 0 597 to 0 726 This means that the performance of the ER triage module of RSCM better in predicting of 24 hours mortality rather than for predicting 7 days mortality Conclusions ED triage module of RSCM can predict mortality of non surgical patients The predictive ability based on the performance of discrimination is Fair Test ER triage module performance is better in predicting of 24 hours mortality rather than for predicting 7 days mortality Keywords triage module ED of RSCM predict outcome.

Abstrak :
Tingkat perjalanan merupakan salah satu indikator bagi para perencana transportasi dalam mengambil keputusan terkait kebijakan dan pembangunan infrastruktur di masa mendatang. Dalam memperkirakan tingkat perjalanan, Department for Transport (DFT) United Kingdom (UK) menggunakan metode 'predict and provide', yang menggunakan variabel sosio-ekonomi sebagai acuan kebijakan perencanaan masa depan. Sementara itu, TRICS menggunakan metode 'decide and provide' dengan cara menentukan tujuan masa depan sesuai yang diinginkan dan menyediakan infrastruktur yang diperlukan untuk mencapai tujuan tersebut. Metode ini menghitung tingkat perjalanan yang melibatkan penggunaan lahan dan gross floor area (GFA). Penelitian ini bertujuan untuk melihat pola tingkat perjalanan dari kedua pendekatan tersebut. Dengan menggunakan paradigma predict and provide, terdeteksi adanya kecenderungan penurunan tingkat perjalanan pada total semua tujuan perjalanan. Pada setiap tujuan perjalanan juga terdeteksi adanya penurunan kecuali pada tujuan perjalanan untuk berjalan kaki yang menunjukkan tren positif dan tujuan perjalanan untuk pendidikan yang stabil. Pada paradigma decide and provide, hanya tren penurunan tingkat perjalanan yang teridentifikasi pada moda angkutan pribadi dan bus, sedangkan moda lainnya tidak ditemukan adanya tren. Variabel-variabel dari kedua paradigma tersebut memiliki dampak yang bervariasi, tergantung pada berbagai faktor sosio-ekonomi dan demografi. Hasil penelitian ini memberikan informasi baru yang penting untuk mengidentifikasi dan mengklasifikasikan bagaimana berbagai faktor mempengaruhi perilaku perjalanan. ......Trip rate is one of the indicators for transport planners in making decisions regarding future policies and infrastructure development. In estimating trip rates, the Department for Transport (DFT) United Kingdom (UK) uses the 'predict and provide' method, which uses socio-economic variables as a reference for future planning policies. Meanwhile, TRICS uses the 'decide and provide' method which decides the desired future and provides the necessary infrastructure to achieve it. This method calculates trip rates involving land uses and gross floor space (GFA) that takes land use into account. This research aims to examine the patterns in trip rates for both of these approaches. Using the Predict ad Provide Paradigm a decreasing trend of trip rate has been detected in the total of all trip purposes. In each trip purpose, a decrease is also detected except for the trip purpose for walking which shows a positive trend and the trip for education that are stable or no trend. With the Decide and Provide Paradigm only a decreasing trip rate trend was identified in other private transport and bus modes, while others were not found. The variables of both paradigms have varied effects depending on a range of socioeconomic and demographic factors. These results provide important new information for identifying and classifying how various factors influence travel behaviour

Abstrak :
Penelitian ini memprediksi kualitas air Sungai Ciliwung berdasarkan parameter pH hasil pemantauan Online Monitoring menggunakan dua model Deep Learning yaitu Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Parameter input adalah pH dengan tiga skenario kombinasi yaitu waktu ganjil (t, t-1, t-3, t-5), genap (t, t+2, t-4, t-6) dan waktu berurutan (t, t-1, t-2, t-3) dengan target pH pada t+1, t+2 dan t+3. Parameter model adalah Optimizer dengan Adaptive Moment (Adam) sebagai Optimizer, aktivasi menggunakan Rectified Linear Unit (ReLU) dengan jumlah Epoch 500, dan Loss menggunakan Mean Squared Error (MSE). Kriteria Evaluasi menggunakan Coefficient of Determination (R2 ), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), dan Mean Absolute Percentage Error (MAPE). Hasil pemodelan menunjukkan selisih terendah antara pH riil dengan pH prediksi adalah 0 dan tertinggi 0,79. Pada model CNN, dari 9 nilai R2 ada 7 yang mendekati nilai 1, artinya persamaan regresi sesuai antara nilai variabel dependen dengan variabel independen, dan 2 mendekati nilai 0 yang artinya persamaan regresi tidak sesuai antara nilai variabel dependen dengan variabel independen. Selanjutnya, dari 9 nilai MAPE terdapat 5 nilai yang menunjukkan model prediksi baik, sisanya berada dalam rentang model prediksi cukup. Pada model LSTM, ada 8 dari 9 R2 yang memiliki nilai mendekati 1 dan hanya 1 yang mendekati 0. Selanjutnya, 6 dari 9 MAPE berada dalam rentang model prediksi baik, sisanya berada dalam rentang model prediksi cukup. Dari hasil penelitian diketahui bahwa semakin jauh titik prediksi yang di tuju maka relasi antara pH riil dengan pH prediksi semakin lemah. Ini ditunjukan oleh nilai R2 semakin kecil pada t+3 untuk semua parameter input. Dari hasil di atas disimpul bahwa Model LSTM dan CNN dapat digunakan untuk memprediksi kualitas air sungai Ciliwung berdasarkan parameter pH karena mayoritas nilai R2 mendekati 1, MAPE sebagian besar berada dalam model prediksi kelompok baik. Di antara dua model yang digunakan, model LSTM lebih baik dari pada model CNN karena memiliki nilai R2 yang mendekati 1 dan MAPE pada model prediksi baik lebih banyak. ......This research predicts the water quality of the Ciliwung River based on pH parameters from Online Monitoring using two Deep Learning models, namely Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM). The input parameter is pH with three combination scenarios, namely odd times (t, t-1, t-3, t-5), even (t, t+2, t-4, t-6) and sequential times (t, t -1, t-2, t-3) with pH targets at t+1, t+2 and t+3. The model parameters are Optimizer with Adaptive Moment (Adam) as Optimizer, activation uses Rectified Linear Unit (ReLU) with a number of Epochs of 500, and Loss uses Mean Squared Error (MSE). Evaluation criteria use Coefficient of Determination (R2), Root Mean Squared Error (RMSE), Mean Absolute Error (MAE), and Mean Absolute Percentage Error (MAPE). The modeling results show that the lowest difference between real pH and predicted pH is 0 and the highest is 0.79. In the CNN model, of the 9 R2 values there are 7 that are close to 1, meaning that the regression equation matches the value of the dependent variable and the independent variable, and 2 are close to 0, which means that the regression equation does not match the value of the dependent variable and the independent variable. Furthermore, of the 9 MAPE values, there are 5 values that indicate a good prediction model, the rest are in the range of a sufficient prediction model. In the LSTM model, there are 8 out of 9 R2 which have values close to 1 and only 1 which is close to 0. Furthermore, 6 out of 9 MAPEs are in the good prediction model range, the rest are in the fair prediction model range. From the research results, it is known that the further away the prediction point is, the weaker the relationship between real pH and predicted pH. This is shown by the R2 value getting smaller at t+3 for all input parameters. From the results above, it can be concluded that the LSTM and CNN models can be used to predict the water quality of the Ciliwung River based on the pH parameter because the majority of R2 values are close to 1, the MAPE is mostly in the good group prediction model. Between the two models used, the LSTM model is better than the CNN model because it has an R2 value that is close to 1 and the MAPE in the good prediction model is higher.

Abstrak :
Menggunakan dataset dari salah satu perusahaan cryptocurrency exchange di Indonesia, penelitian ini bertujuan untuk memprediksi churn di cryptocurrency exchange dan menganalisis faktor yang mempengaruhinya. Model yang dikembangkan dalam penelitian ini menggunakan decision tree dan random forest dengan dua kriteria churn yang berbeda. Kriteria churn pertama merupakan kombinasi dari recency dan saldo dalam dompet dan yang kedua hanya menggunakan recency namun lebih personal karena memperhitungkan riwayat jarak antar 2 transaksi dari masing-masing pengguna. Pada kiteria churn pertama, metode undersampling diterapkan sebelum pemodelan karena proporsi churn dan non-churn yang tidak seimbang. Hasilnya model yang dihasilkan dari data undersampling memiliki performa yang terbaik pada model decision tree maupun random forest dengan nilai AUC masing-masing sebesar 0,777 dan 0,787. Hasil dari kedua model juga menunjukkan bahwa penggunaan Google Authenticator dan frekuensi transaksi cryptocurrency merupakan faktor penting untuk menentukan apakah pelanggan akan mengalami churn. ......Using datasets from one cryptocurrency exchange company in Indonesia, this study aims to predict churn in cryptocurrency exchange and analyze the factor that impacts it. The model developed in this work uses a decision tree and a random forest with 2 different churn criteria. The first criteria is combined the recency and wallet balance amount and the second is used personalized recency (calculate the days between 2 transactions). For the first criteria, the undersampling method is applied before modeling due to imbalanced data. As the result, models from the undersampling dataset have the best performance for the decision tree and the random forest with AUC value of 0,777 and 0,787. Results from both models suggested that the use of Google Authenticator and the frequency of cryptocurrency transactions are important factors to determine whether a customer will experience churn.

Abstrak :
Sociometrics and Human Relationships translates the latest academic research into practical business strategies and techniques as well as actionable insights, providing a wealth of examples for social network analysis and predicting trends. Gloor illustrates how to improve organizational performance by optimizing communication and collaboration through email. Based on Collaborative Innovation Networks courses which have been taught for over a decade to students forming virtual teams across a number of universities, Gloor shows readers how to leverage virtual collaborative creativity in the Internet age, and helps them understand and apply the dynamics of online communication via a variety of tools. Gloor has also created a tool that analyses all types of social media such as: Twitter, Wikipedia, online blogs and Facebook as well as email or Skype logs to predict election outcomes, perception and strength of brands, customer and employment satisfaction, or fraudulent behavior. Gloor explains how to use his tool, Condor, to visualize, monitor and manage brands, products and topics online, as well as analyzing organizations through their email networks.

Abstrak :
Serat tandan kosong kelapa sawit (TKKS) merupakan limbah tanaman kelapa sawit yang berlimpah di Indonesia. Serat ini merupakan serat alam yang dapat digunakan sebagai penguat di dalam komposit polimer, namun masalah utama dari serat alam adalah hidrofilik sedangkan polimer propilena sebagai matriks adalah hidrofobik. Perlakuan kimia alkalinisasi merupakan perlakuan kimia yang dapat meningkatkan kompatibilitas serat dan sifat mekanis yang dihasilkan pada pembentukan komposit. Metode pengujian yang dilakukan untuk mengetahui bentuk serat di dalam struktur komposit menggunakan Scanning Electron Microscope (SEM) dan kemudian diolah menggunakan perangkat lunak ImageJ. Alkalinisasi dapat meningkatkan distribusi serat di dalam komposit dinyatakan dalam bentuk rasio distribusi hingga 0,42 pada serat 50 mesh dan 0,40 pada serat 100 mesh. Selain itu, kompatibilitas serat juga meningkat ditunjukkan oleh selisih tegangan permukaan yang menurun hingga 1.60 mN/m. Hasil pengujian dibentuk dalam purwa-rupa aplikasi sebagai contoh manfaat mengetahui pengaruh secara kuantitatif yaitu dapat memprediksi sifat-sifat yang dihasilkan. ......Oil Palm Empty Fruit Bunch (OPEFB) Fiber is an abundant waste in Indonesia. This fiber is a natural fiber that can be used for reinforcement in polymer-based composites, but natural fiber is hydrophilic while polypropylene as a matrix are hydrophobic. Alkalinization is a type of chemical treatment that can improve fiber compatibility and mechanical properties resulting in the formation of composites. Testing methods conducted to determine the shape of the fibers in the composite structure are using Scanning Electron Microscope (SEM) and then processed using ImageJ software. Alkalinization can increase fiber distribution in composites expressed in the form of distribution ratio up to 0,42 for 50 mesh and 0,40 for 100 mesh. In addition, the compatibility of the fiber also increases, indicated by the differences in surface tension decreased to 1,60 mN/m. The test results are formed in the prototype of application that can be used for an example of the benefits of knowing the influence quantitatively so that can be able to predict the resulting properties.

---