Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKPenelitian ini membahas tentang analisis data time series berdasarkan data laporan trafik DNS Sinkhole dari ID-SIRTII. Analisis ini terbagi menjadi dua yaitu analisis tren dan perbandingan performa dua metode forecasting berdasarkan jumlah aktivitas malware berbasis command and control C C selama tiga bulan awal tahun 2016 di Indonesia. Analisis tren dilakukan dengan mengelompokkan malware berdasarkan keluarga dan varian teraktif. Tren analisis menunjukan total aktivitas malware sebanyak 1452585872 yang terdiri dari 12 keluarga malware berbeda. Keluarga malware yang paling aktif yaitu berasal dari keluarga B85 Dorkbot dengan persentase 40,49 dari total keseluruhan aktivitas malware dalam tiga bulan tersebut. Varian teraktifnya yaitu B85-R2V dengan persentase 37 dari total keseluruhan aktivitas malware. Perbandingan performa forecasting menggunakan dua metode yang akan dibandingkan yaitu regresi linier berganda dan regresi dengan ARIMA error. Berdasarkan perbandingan nilai MAPE dalam prediksi jangka waktu 1 minggu, kedua metode hampir memiliki kemampuan yang sama dalam memprediksi 10 varian malware C C terbanyak. Sedangkan dalam jangka waktu 2 minggu, metode regresi dengan ARIMA error memberikan kemampuan prediksi yang lebih baik dibandingkan dengan metode regresi linier berganda.

---

ABSTRACT

This bachelor thesis discuss about time series data analysis of DNS Sinkhole traffics from ID SIRTII. There are two main sections of this analysis, trend analysis and performance comparison of two forecasting methods based on C C malware activities in the first three months of 2016 in Indonesia. Trend analysis is performed by grouping malware based on family and the 10 most active variants. It shows 1452585872 total activity of malware consist of 12 different malware families. The most active malware is come from B85 Dorkbot family with 40.49 of total malware activities in those three months. Its most active variant is B85 R2V with 37 of total malware activities. Performace comparison of forecasting methods use multiple linear regression and regression with ARIMA errors. Based on the comparison of MAPE values in one week prediction period, both methods almost have the same ability to predict the top 10 C C malware variants. While within 2 weeks prediction period, regression method with ARIMA errors gives better prediction ability compared with multiple linear regression method."

"Salah satu masalah yang dihadapi Indonesia dalam perdagangan komoditi adalah fluktuasi harga. Akibatnya risiko kerugian yang dihadapi oleh petani, produsen dan produsen Ianjutannya menjadi sangat besar. Oleh karena itu dibutuhkan manajemen risiko yang dapat mengurangi risiko kerugian akibat perubahan harga. Salah satunya dengan penerapan sistem hedging. Hedging adalah strategi yang dilakukan hedger untuk mengamankan usahanya dari risiko kerugian akibat perubahan harga yang merugikan. Hedger terdiri dari produsen dan konsumen. Harga Emas berfluktuasi sepanjang waktu, sehingga metode peramalan time series diharapkan dapat membantu hedger untuk memprediksi harga Emas.Masalah yang dihadapi adalah:(1) Metode peramalan time series apa yang paling sesuai dalam memperkirakan pergerakan harga komoditi Emas? dan(2) Pada tingkat berapa Hedger harus melakukan hedging?. Tujuan penelitian adalah menentukan metode peramalan time series yang paling sesuai bagi pergerakan harga Emas.Penelitian dilakukan di BAPPEBTI, Bursa Berjangka Jakarta, Aneka Tambang dan Bank Indonesia. Data yang digunakan adalah data primer dan data sekunder. Data primer berupa hasil wawancara dengan ahli perdagangan berjangka dan hedging. Data sekunder berupa serial data dan harga rata-rata bulanan komoditi Emas dari tahun 1971 sampai Pebruari 2003 yang diperdagangkan di pasar fisik London. Alat analisis data menggunakan metode peramalan time series, dan untuk membantu digunakan program Exel 5.0, QSB, Minitab 10 dan EVIEWS Versi 3.0.Pemilihan metode peramalan terbaik untuk harga emas dilakukan secara statistik, serta secara manajemen dan ekonomi. Secara statistik, pemilihan metode peramalan tergantung pada:(a) Pada data (stationer 1 non stationer), dan (b) Efisiensi parameternya. Dapat disimpulkan bahwa metode ARIMA adalah metode peramalan yang paling tepat untuk pola data harga emas karena pola data harga emas adalah pola data non stationer.Pemilihan metode peramalan time series terbaik secara manajerial dan ekonomi mempertimbangkan:(1) Emas merupakan komoditi tahunan yang dapat disimpan.(2) Biaya, kemudahan serta kepraktisan penerapan metode peramalan. Peramalan harga emas dilakukan untuk periode Maret - Desember 2003 dengan mengunakan model ARIMA (1. 1. 1) pada selang kepercayaan 95 pesen. Hasil ramalan harga Emas menunjukkan fluktuasi harga sekitar nilai USD 323.301ons sampai USD 436.22/ons.Berdasarkan hasil ramalan harga emas bulan Maret Desember 2003 dengan menggunakan metode ARIMA (1. 1. 1), produsen harus melakukan hedging di perdagangan berjangka dengan cara menjual kontrak perdagangan emas pada harga USD 358.371 ons dan metutup posisi pada harga terendah yaitu pada bulan Juli 2003. Bagi konsumen, jika kestabilan harga yang diinginkan, maka konsumen akan melakukan hedging dengan cara membeli kontrak perdagangan emas di Perdagangan Berjangka komoditi dengan harga USD 358.371ons dan menutup kontrak pada harga tertinggi, yaitu pada bulan Desember 2003. Hal ini dikarenakan Hedger yang telah melakukan hedging tidak memperoleh keuntungan yang besar sekali dan tidak juga menderita kerugian yang besar pula. Oleh karena itu fluktuasi harga Emas (baik yang menguntungkan maupun yang merugikan) harus diantisipasi oleh produsen dan konsumen dengan melakukan hedging di Perdagangan Berjangka Komoditi.Untuk mendapatkan keuntungan yang maksimal sebaiknya Hedger juga menggunakan basis trading, serta melakukan hedging untuk mata uang yang digunakan dalam Perdagangan Berjangka, yang dalam penelitian ini adalah USD."

"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."

"Demam Berdarah Dengue (DBD) merupakan penyakit yang disebabkan oleh virus dengue (DENV) yang ditularkan kepada manusia melalui gigitan nyamuk betina. DBD cenderung memiliki siklus musiman, dimana puncak transmisinya di saat dan setelah musim hujan. Faktor iklim yang paling berpengaruh terhadap kasus DBD adalah curah hujan, suhu, dan kelembapan. Berdasarkan data dari Kemenkes (2021), masih terjadi penurunan dan peningkatan jumlah penderita DBD pada tahun 2016-2020. Oleh karena itu, diperlukan adanya pencegahan untuk mengendalikan jumlah kasus DBD. Prediksi jumlah insiden DBD dengan menggunakan deep learning dapat menjadi alternatif dalam pengendalian kasus DBD. Penelitian ini menggunakan data insiden DBD dan data iklim yang terdiri dari data temperatur rata-rata, kelembapan rata-rata, dan curah hujan di DKI Jakarta. Data yang digunakan merupakan data yang tercatat dari tahun 2008-2023. Prediksi insiden DBD dilakukan pada 5 wilayah di DKI Jakarta, yaitu Jakarta Barat, Jakarta Pusat, Jakarta Selatan, Jakarta Timur, dan Jakarta Utara. Untuk mencapai tujuan penelitian, penelitian ini menggunakan metode Long Short-Term Memory (LSTM). LSTM merupakan merupakan arsitektur recurrent network yang mampu mengingat informasi dalam jangka waktu yang lama. Hasil analisis menunjukkan bahwa LSTM dapat diimplementasikan untuk memprediksi insiden DBD di DKI Jakarta dimana wilayah Jakarta Pusat memiliki hasil terbaik dengan nilai MAE sebesar 6,021466 dan nilai RMSE sebesar 9,062668.

---

Dengue Hemorrhagic fever (DHF) is a disease caused by the dengue virus (DENV), which is transmitted to humans through the bite of female mosquitoes. Dengue tends to have a seasonal cycle, with transmission peaks during and after the rainy season. The climatic factors that have the most influence on dengue cases are rainfall, temperature, and humidity. Based on data from the Ministry of Health (2021), there are still changes in the number of dengue patients in 2016-2020. Therefore, prevention is needed to control the number of dengue cases. Predicting the number of dengue incidents using deep learning can be an alternative in controlling dengue cases. This study uses dengue incidence data and climate data consisting of average temperature, average humidity, and rainfall in DKI Jakarta. Data used is data recorded from 2008 - 2023. The prediction of dengue incidence was carried out in 5 regions in DKI Jakarta, namely West Jakarta, Central Jakarta, South Jakarta, East Jakarta, and North Jakarta. To achieve the research objectives, this study uses the Long Short-Term Memory (LSTM) method. LSTM is a recurrent network architecture that is able to remember information over a long period of time. The analysis results show that LSTM can be implemented to predict dengue incidents in DKI Jakarta, where Central Jakarta region has the best results with an MAE value of 6,021466 and an RMSE value of 9,062668.

"

"Pemantauan harga komoditas strategis merupakan pekerjaan yang penting karena kontribusi signifikan yang dimiliki oleh komoditas strategis terhadap perhitungan laju inflasi. Untuk membantu menyelesaikan pekerjaan ini, dibutuhkan metode prediksi terbaik yang mampu memprediksi pergerakan harga komoditas pangan strategis. Penelitian ini memiliki tujuan untuk menemukan model prediksi terbaik di antara Long-Short-Term Memory (LSTM) dan Gated Recurrent Unit (GRU), dalam memprediksi harga harian sepuluh komoditas pangan strategis: bawang merah, bawang putih, beras, cabai merah, cabai rawit, daging ayam, daging sapi, gula pasir, minyak goreng, dan telur ayam. Model ARIMA digunakan sebagai standar model klasik dalam penelitian kali ini. Mean Absolute Error (MAE) dan Mean Absolute Percentage Error (MAPE), GRU memberikan hasil prediksi harga harian paling baik pada enam dari total sepuluh komoditas dan LSTM memberikan hasil prediksi terbaik pada empat komoditas sisanya. Model terbaik pada tiap komoditas berhasil mengurangi angka MAE dari ARIMA sekitar 3% hingga 43%. Ketika model mempelajari data, GRU berhasil menyelesaikan prosesnya lebih cepat daripada LSTM pada delapan komoditas. Model peramalan terbaik yang ditemukan pada penelitian kali ini dapat digunakan untuk memperbaiki metode peramalan klasik yang telah digunakan dalam memprediksi harga harian pangan Indonesia, sehingga dapat membantu pemerintah dalam memformulasikan kebijakan dan peraturan terkait manajemen stabilitas harga pangan.

---

Managing strategic commodities prices in the market is considered an important task since they have a significant contribution to the calculation of the inflation rate. To aid this task, it is necessary to find the best forecasting model that can predict commodities daily price. This paper aims to find the best prediction model between Long Short-Term Memory (LSTM) and Gated Recurrent Unit (GRU) in forecasting the daily price of ten Indonesia’s strategic commodities: shallot, garlic, rice, chili pepper, cayenne pepper, broiler meat, topside beef, granulated sugar, cooking oil, chicken egg. This research used ARIMA as a benchmark model. Based on Mean Absolute Error (MAE) and Mean Absolute Percentage Error (MAPE), GRU gave the best result in predicting the daily price of six out of ten commodities. It is found that the best model for each commodity managed to reduce the MAE score from ARIMA by around 3% until 43%. GRU managed to finish faster than LSTM in training eight commodities data. The best forecasting method found in this research can be used to improve the classic method to forecast the daily price of Indonesia’s food commodities in assisting the government in formulating policies and regulations related to food price management."

"Peristiwa kebakaran hutan dan lahan (karhutla) merupakan salah satu bencana yang terjadi secara berulang di Indonesia, khususnya saat musim kemarau. Peristiwa ini tentunya menimbulkan banyak kerugian baik secara ekonomi, ekologi, maupun sosial. Oleh karena itu, perlu dilakukan prakiraan di wilayah yang berpotensi mengalami karhutla. Salah satu provinsi yang rawan mengalami karhutla adalah Provinsi Sumatera Selatan. Peristiwa karhutla dapat dipantau oleh satelit yang diindikasikan sebagai titik panas. Penelitian ini menggunakan data hotspot (titik panas) dengan parameter tanggal, tingkat kepercayaan, dan kabupaten-kabupaten di Sumatera Selatan yang tertangkap satelit pada periode tahun 2015-2019. Prediksi potensi karhutla dilakukan di wilayah kabupaten dengan jumlah titik panas tertinggi yaitu Kabupaten Ogan Komering Ilir, Kabupaten Musi Banyuasin, dan Kabupaten Banyuasin. Untuk mencapai tujuan penelitian, penelitian ini menggunakan Prophet Forecasting Model (PFM) yang didasarkan pada model aditif dengan memperhatikan tiga komponen utama yaitu trend, seasonality, dan holiday effects. PFM merupakan metode yang menggunakan pendekatan machine learning dalam melakukan prediksi terhadap deret waktu dimana permasalahan forecasting dilihat sebagai curve-fitting exercise. Hasil analisis menunjukkan bahwa PFM dapat diimplementasikan pada data titik panas dengan penilaian forecast accuracy termasuk dalam kategori baik di Kabupaten Ogan Komering Ilir dengan nilai MAPE 0,1753; kategori layak di Kabupaten Musi Banyuasin dengan nilai MAPE 0,2588; dan kategori baik di Kabupaten Banyuasin dengan nilai MAPE 0,1833.

---

Forest and land fires are one of the recurring disasters in Indonesia, especially during the dry season. This incident certainly caused many losses economically, ecologically, and socially. Therefore, it is necessary to make predictions in high potential areas for forest and land fires to occur. One province that is prone to forest and land fires is South Sumatra Province. Forest and land fires events can be monitored by satellites which are indicated as hotspots. This research uses hotspot data with parameters of date, level of confidence, and regencies in South Sumatra that are caught by satellites in the period 2015-2019. The prediction of the potential for forest and land fires was carried out in districts with the highest number of hotspots, namely Ogan Komering Ilir Regency, Musi Banyuasin Regency, and Banyuasin Regency. To achieve the research objectives, this study uses the Prophet Forecasting Model (PFM) which is based on additive model by taking into account three main components, namely trend, seasonality, and holiday effects. PFM is a method that uses a machine learning approach to predict time series where forecasting problems are seen as curve-fitting exercises. The results show that PFM can be implemented in hotspot data with forecast accuracy in the good category for Ogan Komering Ilir Regency with MAPE value of 0.1753; reasonable category in Musi Banyuasin Regency with MAPE value of 0.2588; and good category in Banyuasin Regency with MAPE value of 0.1833."

"Dalam menghadapi era desentralisasi, RSUD Ujungberung memerlukan suatu perencanaan strategis sumber daya manusia di dalam mewujudkan visi dan mini serta rencana strategis dan program-program yang akan dilaksanakan dalam kunun waktu 2003-2007. Inilah yang menjadi alasan dan tujuan dari penelitian Mi.Untuk dapat menyusun perencanaan strategis SDM Rumah Sakit Umum Daerah Ujungberungjenis penelitian yang dilakukan adalah penelitian operasional dengan teknis analisis yaitu kornbinasi dari analisis kualitatif dan kuantitatif, dibantu dengan peramalan menggunakan time series forecasting dengan teknik double exponential smoothing with linear trend melalui program QS (Quant System) Version 2.0.Penyusunan strategi ini dilakukan melalui beberapa tahap, tahap pertama (input stage) terdiri dari analisis lingkungan eksternal dan internal SDM RSUD Ujungberung, yang dilakukan oleh Consensus Decision Making Group (CDMG). Pada tahap kedua (matching stage), CDMG melakukan analisis dengan Internal-Eksternal matrix dan SWOT matrix. Secara tersendiri dilakukan analisis beban kerja dengan dasar jumlah kunjungan pasien dan jumlah hari perawatan yang disertai estimasi kunjungan pasien rawat jalan maupun rawat Map, yang akan menghasilkan salah sate contoh jumlah kebutuhan SDM. Pada tahap ketiga (decision stage) analisis dilakukan dengan menggunakan QSPMuntuk menentukan prioritas strategi.Dari hash penelitian, pada pemilihan altematif strategi dengan berdasarkan IE matrix, diketahui bahwa posisi SDM RSUD Ujungberung Kota Bandung berada pada sel I, yang artinya pada posisi pertumbuhan yang perlu dukungan baik internal maupun ekstemal.Dalam penelitian ini disimpulkan bahwa untuk snencapai tujuan jangka panjang SDM RSUD Ujungberung, dalam menghadapi era desentralisasi tahun 2003 - 2007 diperlukan advokasi dan koordinasi dengan Pemerintah Daerah Kota Bandung.Sebagai saran untuk menindaklanjuti hasil penelitian ini adalah perlunya dibuat tim perencana untuk merumuskan langkah-langkah pengembangan SDM, membuat program pendidikan dan pelatihan serta pengelolaan SDM yang merupakan operasionalisasi dari perencanaan strategis SDM ini.

---

Strategic Plan for Human Resource in Ujungberung General Hospital, Bandung, West Java Province in Applying Decentralization, 2003-2007.Within the decentralization era, Ujungberung General Hospital requires the strategic plan for human resources to concrete vision and mission and program will be conducted in period of 2003 - 2007. This is major reason of the research.

To arrange the strategic plan of human resource in District General Hospital of Ujungberung, operational research has been conducted by using qualitative and quantitative analysis assisted by model prediction of time series forecasting using double exponential smoothing with linear trend through QS program (Quant System) Version 2.0.

Strategy arrangement is conducted through several stages. First stage (input stage) consist of external and internal environmental analysis of Ujungberung District General Hospital done by Consensus Decision Making Group (CDMG). The second stage (matching stage), CDMG performs the analysis with Internal - External matrix and SWOT matrix. Separately, analysis of work charge is conducted based on the amount of patient visiting and day of nursing accompanied by visiting of contact care and hospitalizing care, which produce one of human resource requirement. In the third stage (decision stage), analysis is conducted by using QSPM to decide strategy priority.

From the research of strategy alternative option based IE matrix, it is known that the position of Ujungberung District Hospital is in cell 1, it shows the developing position which is required both internal and external support. It is concluded that to obtain long term purpose of human resource of Ujungberung District Hospital in decentralization age of 2003- 2007, it is required the ad vocation and coordination with Bandung District Government.

To follow up research result, it needs to form planning team to formulate the further steps of human resource development, to make educational and training program which operational form of human resource strategy planning."