Institut Teknologi Sepuluh Nopember (ITS): Publikasi Ilmiah Online Mahasiswa ITS (POMITS)
Institut Teknologi Sepuluh Nopember (ITS): Publikasi Ilmiah Online Mahasiswa ITS (POMITS)Not a member yet
4139 research outputs found
Sort by
Analisis Sentimen terhadap Rencana Pembangunan Ibu Kota Nusantara (IKN) Berdasarkan Twitter (X) Menggunakan Metode Hybrid RoBERTa-GRU
Get PDFPemindahan ibu kota negara dari DKI Jakarta ke Ibu Kota Nusantara (IKN) di Pulau Kalimantan telah menjadi topik perdebatan yang ramai di masyarakat. Twitter, atau X, telah menjadi platform populer untuk menyampaikan pendapat dan aspirasi masyarakat terkait isu-isu terkini. Penelitian ini bertu-juan untuk melakukan analisis sentimen terhadap opini masya-rakat di Twitter terkait rencana pembangunan IKN. Dengan analisis sentimen, dapat diidentifikasi dinamika perasaan ma-syarakat terhadap rencana tersebut. Penelitian ini mengguna-kan metode hybrid pendekatan Transformer, khususnya Ro-bustly optimized BERT pretraining approach (RoBERTa), de-ngan metode Recurrent Neural Network (RNN) berupa Gated Recurrent Unit (GRU). Data yang digunakan merupakan data dari Twitter (X) yang berisi pendapat dan sentimen masyarakat terkait rencana pembangunan IKN. Proses analisis dilakukan melalui tahap pengumpulan data, pre-processing data yang mencakup analisis tanda baca, pembersihan data, casefolding, tokenizing, normalisasi, dan pelabelan data menggunakan InSet Lexicon. Data kemudian dibagi menjadi data train, data validation, dan data test sebelum dilanjutkan ke tahap penera-pan metode klasifikasi dengan metode hybrid RoBERTa-GRU, serta visualisasi dengan word cloud. Dengan menerapkan metode hybrid RoBERTa-GRU, penelitian ini mendapatkan ha-sil analisis sentimen Twitter dari Juni 2023 hingga Januari 2024 didominasi dengan sentimen negatif sebanyak 7.907 tweet, dibandingkan dengan 7.126 tweet yang bersentimen positif. Ki-nerja model hybrid RoBERTa-GRU terbaik didapatkan meng-gunakan skenario set C dengan parameter optimizer AdamW, batch size 32, GRU hidden size 64, learning rate 1e-7, weight decay 0.08 dan menjalankan 23 epoch mendapatkan loss pengu-jian sebesar 0.6002 dan akurasi pengujian sebesar 72.78%. Met-rik evaluasi lainnya seperti presisi, recall, dan F1-score masing-masing, yaitu 72,65%, 69,64%, dan 71,06%
Pemodelan Faktor-Faktor yang Memengaruhi Jumlah Diabetes Melitus di Provinsi Jawa Timur Tahun 2022 Menggunakan Geographically Weighted Negative Binomial Regression
Get PDFDiabetes melitus (DM) adalah kondisi medis yang di-tandai oleh tingginya kadar glukosa darah akibat gangguan produksi atau penggunaan insulin dan dapat merusak organ dan jaringan penting tubuh. Provinsi Jawa Timur menjadi sa-lah satu wilayah dengan jumlah kasus DM tertinggi di Indonesia pada tahun 2022. Dalam penelitian ini, data jumlah kasus DM menunjukkan overdispersion yang diatasi dengan metode Geo-graphically Weighted Negative Binomial Regression (GWNBR). Tujuan penelitian ini adalah untuk mengetahui karakteristik data jumlah kasus DM di Jawa Timur serta faktor-faktor yang mempengaruhinya, dan untuk memodelkan jumlah kasus DM menggunakan metode GWNBR. Penelitian ini menggunakan pembobot fungsi kernel adaptive bisquare dan adaptive tricube. Pemodelan GWNBR dilakukan dengan exposure dan tanpa exposure, di mana jumlah penduduk digunakan sebagai varia-bel exposure. Hasil penelitian menunjukkan bahwa jumlah ka-sus DM terbanyak ditemukan di Kota Surabaya dengan 96.732 kasus, sementara jumlah kasus terendah terdapat di Kota Batu dengan 2.611 kasus. Berdasarkan kriteria kebaikan model AICc, model GWNBR dengan exposure adalah model terbaik dengan menggunakan kernel adaptive bisquare dengan nilai AICc 23.012,62 dan menghasilkan dua kelompok kabupaten/ kota berdasarkan variabel yang berpengaruh signifikan, va-riabel yang signifikan di seluruh lokasi yaitu persentase pendu-duk tingkat pendidikan SMA ke atas, rata-rata pengeluaran makanan dan minuman jadi per kapita dalam sebulan, dan rata-rata pengeluaran makanan berserat per kapita dalam se-bulan, sedangkan variabel yang berpengaruh di sebagian besar lokasi adalah persentase penduduk usia lanjut
Peramalan Total Nominal Klaim pada Program Jaminan Hari Tua (JHT) Menggunakan Metode Hybrid ARIMA-Long Short Term Memory (ARIMA-LSTM)
Get PDFRisiko dalam berbagai sektor semakin meningkat di era ini, mendorong perlunya manajemen risiko yang bijaksana sebagai langkah preventif untuk melindungi individu, organisasi, perusahaan, dan lembaga dari potensi kerugian. Salah satu sektor yang sangat rentan terhadap risiko keuangan adalah industri asuransi, yang baru-baru ini disoroti oleh serangkaian kebangkrutan perusahaan asuransi ternama di Indonesia. Dalam konteks ini, Badan Penyelenggara Jaminan Sosial (BPJS) Ketenagakerjaan memegang peran sentral dalam mengelola risiko terkait jaminan sosial, termasuk program Jaminan Hari Tua (JHT), yang memberikan perlindungan finansial bagi pekerja setelah masa pensiun. Penelitian ini bertujuan untuk meramalkan data total nominal klaim JHT menggunakan metode hybrid ARIMA-LSTM, dengan data periode Januari 2018 hingga Februari 2024. Metode hybrid ARIMA-LSTM dipilih karena efektif dalam meramalkan data time series dalam berbagai bidang, seperti yang telah ditunjukkan dalam penelitian terdahulu dalam berbagai bidang, termasuk prediksi ekspor dan kasus COVID-19. Melalui penelitian ini, didapatkan hasil model penelitian terbaik yaitu Hybrid ARIMA (1,1,2) dengan LSTM (2-2-1) dengan lag signifikan y_(t-3) dan y_(t-12). Model tersebut mendapatkan nilai evaluasi 16,9205%. Model Hybrid ARIMA (1,1,2) dengan LSTM (2-2-1) menurunkan nilai error sebesar 1,3139% dari model ARIMA. Hasil peramalan ini dapat digunakan sebagai dasar bagi BPJS Ketenagakerjaan untuk menyusun strategi keuangan yang lebih efektif dan mengelola likuiditas dengan lebih baik
Implementasi Particle Swarm Optimization pada Analisis Sentimen Ulasan Aplikasi Jaminan Kesehatan Nasional (JKN Mobile) Menggunakan Algoritma Support Vector Machine
Get PDFPengguna internet di Indonesia setiap tahun terus me-ningkat. Karena kepopuleran internet dan telepon seluler terus meningkat, maka muncul teknologi bernama m-health. Layan-an m-health merupakan layanan medis dan kesehatan masya-rakat yang dapat diakses melalui ponsel. BPJS Kesehatan seba-gai penyelenggara Jaminan Kesehatan Nasional berupaya un-tuk meningkatkan kualitas pelayanan dan kemudahan aksesi-bilitas kesehatan melalui m-health. Maka dari itu, BPJS Kese-hatan meluncurkan aplikasi Jaminan Kesehatan Nasional (JKN Mobile). Untuk melihat kualitas dan kepuasan pengguna terha-dap aplikasi ini dapat menggunakan analisis sentimen melalui ulasan yang telah diberikan. Salah satu algoritma dapat diguna-kan untuk menganalisis sentimen pengguna adalah dengan menggunakan Support Vector Machine (SVM). Namun karena SVM mempunyai banyak atribut yang digunakan, diperlukan suatu algoritma lain yang berfungsi sebagai seleksi fitur, maka dari itu dipilihlah seleksi fitur menggunakan Particle Swarm Optimization (PSO). Data yang digunakan berupa data ulasan pengguna JKN Mobile di Google Play Store. Dari data tersebut akan dibagi menjadi dua kelas sentimen, yaitu positif dan negatif. Selanjutnya data akan diklasifikasi menggunakan SVM dan SVM menggunakan PSO. Hasil penelitian menunjukkan bahwa dengan adanya seleksi fitur Particle Swarm Optimization, nilai akurasi SVM meningkat. Untuk model paling baik adalah SVM Kernel RBF menggunakan PSO dengan akurasi sebesar 92,39%, F1-Score sebesar 83,74%, dan AUC sebesar 89,75%
Prediksi Pergerakan Naik Turun Harga Saham Berdasarkan Headline Berita Menggunakan Support Vector Machine Dan Naive Bayes Classifier
Get PDFSaham merupakan bentuk kepemilikan dalam perusahaan yang dipengaruhi oleh faktor ekonomi dan kinerja perusahaan. Penelitian ini memprediksi harga saham SMGR.JK dengan menggunakan skor sentimen dari judul berita di situs bisnis.com dan Google News dan Google News serta fitur time-series harga saham, diklasifikasikan menjadi kategori naik dan turun berdasarkan pendekatan abnormal return. Dalam penelitian ini, model Support Vector Machine (SVM) dipilih karena kemampuannya dalam menangani data yang tidak linear dan kemampuannya yang terbukti unggul dalam klasifikasi kompleks. Di sisi lain, Naive Bayes Classifier (NBC) dipilih karena kesederhanaannya dan kecepatan komputasinya yang efisien, meskipun tidak selalu mampu menangani data non-linear dengan baik. Hasil penelitian menunjukkan bahwa model SVM secara konsisten mengungguli NBC baik pada data pelatihan maupun pengujian. Pada data pengujian, model SVM mencapai akurasi sebesar 72,88%, presisi 72,86%, recall 72,91%, dan F1-score 72,88%. Keberhasilan model SVM dalam mencapai hasil ini menunjukkan kemampuannya dalam memberikan prediksi yang akurat dan konsisten. Selain itu, hasil prediksi SVM pada tanggal 29 Desember 2023 terbukti sesuai dengan pergerakan harga saham aktual pada tanggal tersebut. Meskipun model SVM menunjukkan performa yang baik, penting untuk melakukan analisis lebih lanjut dengan data yang lebih luas dan periode waktu yang lebih panjang untuk memastikan keandalan dan efektivitas model ini dalam jangka panjang. Evaluasi berkelanjutan akan membantu mengidentifikasi potensi perbaikan dan memastikan bahwa model tetap relevan dengan kondisi pasar yang berubah
Prediksi Financial Distress pada Perusahaan Sektor Pertambangan di Indonesia dengan Pendekatan Deep Learning (DL)
Get PDFSelama beberapa dekade, isu mengenai financial di-stress telah menjadi fokus kajian mendalam di bidang keuangan perusahaan. Dampaknya yang signifikan terhadap kelangsung-an hidup bisnis, serta keputusan investor dan kreditur ekster-nal, menjadikan pemahaman dan prediksi financial distress sa-ngat penting. Pentingnya memprediksi financial distress perusa-haan dengan akurat, terutama di sektor pertambangan, men-jadi krusial mengingat kontribusinya yang signifikan terhadap pertumbuhan ekonomi Indonesia. Sebagaimana sektor pertam-bangan dan penggalian memberikan kontribusi sebesar 12,22% terhadap pertumbuhan ekonomi nasional di tahun 2022. Me-mastikan prediksi yang tepat terkait financial distress menjadi kunci dalam memitigasi risiko dan menjaga stabilitas sektor ini. Dengan mengintegrasikan metode deep learning, yaitu Artificial Neural Network (ANN), khususnya One-Dimensional Convolu-tional Neural Network (1D-CNN). Dalam penelitian ini, diguna-kan variabel prediktor berupa 11 rasio keuangan dan 1 variabel respon berupa klasifikasi biner melalui pendekatan nilai indeks Interest Coverage Ratio (ICR). Data dibagi menjadi 80% untuk training dan 20% untuk testing dengan Stratified 10-fold Cross Validation. Dengan tujuan untuk mendapatkan model dengan akurasi terbaik sebagai early warning perusahaan, model terba-ik yang diperoleh dalam penelitian ini adalah model dengan ker-nel size 3, learning rate α 0,0001, dan regularization L2 pada 3 layer terpilih dengan nilai akurasi sebesar 92,31%
Estimasi Jumlah Proyek Penanaman Modal Asing Sektor Pertambangan Menggunakan Analisis Intervensi-Kalman Filter
Get PDFPertumbuhan jumlah proyek Penanaman Modal Asing (PMA) sektor pertambangan di Indonesia memperlihatkan peningkatan hingga 90% pada triwulan pertama tahun 2023. Adanya peningkatan pada jumlah proyek PMA tersebut disebabkan oleh faktor kebijakan pemerintah Indonesia, yaitu Peraturan Pemerintah Pengganti Undang-Undang (Perppu) Nomor 2 Tahun 2022 atau yang dikenal dengan Perppu Cipta Kerja. Dengan demikian, dilakukan peramalan jumlah proyek PMA sektor pertambangan untuk memungkinkan upaya penyesuaian kebijakan yang responsive. Penelitian ini menggunakan metode Analisis Intervensi dan Analisis Intervensi-Kalman Filter. Model Analisis Intervensi terbaik diperoleh yaitu model ARIMA(1,1,1) orde b=1, s=2, dan r=0. Setelah diperoleh model analisis intervensi terbaik, dilakukan estimasi menggunakan Kalman Filter. Hasil Mean Absolute Percentage Error (MAPE) dari model Analisis Intervensi adalah 23,6155%, sedangkan dari Analisis Intervensi-Kalman Filter adalah 0,27885%
Metode Aggregate Attained Age Normal dalam Perhitungan Dana Pensiun Berdasarkan Tabel Mortalita yang Dibentuk Melalui Distribusi Makeham
Get PDFPada masa pensiun, kebutuhan pensiunan masih harus dipenuhi meskipun sumber pendapatan menurun. Oleh karena itu, adanya dana pensiun dapat membantu pensiunan untuk memenuhi kebutuhan finansial mereka setelah tidak bekerja lagi. Dalam program dana pensiun, metode valuasi aktuaria adalah metode valuasi yang digunakan untuk menetapkan besar iuran normal dan kewajiban aktuaria. Metode yang digunakan untuk menghitung pendanaan pensiun pada penelitian ini yaitu metode Aggregate Attained Age Normal. Pada penelitian ini, tabel mortalita yang digunakan adalah tabel mortalita yang dibentuk melalui distribusi Makeham. Hukum mortalita Makeham merupakan suatu fungsi perluasan dari hukum mortalita Gompertz. Dengan menambahkan suatu konstanta, hukum mortalitas Makeham memperluas model Gompertz dengan memperhitungkan tingkat mortalitas yang tidak hanya bergantung pada faktor usia, tetapi juga memperhitungkan faktor tambahan yang memengaruhi tingkat mortalitas pada setiap usia. Fokus pada penelitian ini yaitu membandingkan dua tabel mortalita yang digunakan dalam perhitungan dana pensiun, yaitu tabel mortalita yang digunakan perusahaan (Tabel Mortalita 150% GAM71) dan tabel mortalita yang dibentuk melalui distribusi makeham. Selanjutnya, akan dilakukan perhitungan iuran normal (normal cost) dan kewajiban aktuaria (actuarial liability) berdasarkan masing-masing tabel mortalita menggunakan variabel gaji pokok, usia peserta saat ini, usia peserta saat masuk program pensiun dan jenis kelamin. Total iuran normal berdasarkan Tabel Mortalita 150% GAM71 sekitar 5,22% lebih besar dibandingkan dengan iuran normal berdasarkan Tabel Mortalita Makeham. Hal ini disebabkan karena dalam perhitungan iuran normal berdasarkan Tabel Mortalita 150% GAM71 menggunakan nilai saat ini (PVFB) yang lebih tinggi daripada Tabel Mortalita Makeham. Total kewajiban aktuaria berdasarkan Tabel Mortalita 150% GAM71 sekitar 1,3% lebih besar dibandingkan total kewajiban aktuaria Tabel Mortalita Makeham. Hal ini disebabkan karena tingkat mortalitas pada Tabel Mortalita Makeham lebih kecil daripada Tabel Mortalita 150% GAM71 pada semua jenis kelamin
Perhitungan Premi dan Proft Testing Asuransi Jiwa Unit Link Menggunakan Metode Point-To-Point dan Model Black-Scholes pada Manfaat Investasi
No full textAsuransi unit link merupakan salah satu perkembangan asuransi modern yang menawarkan manfaat perlindungan asuransi jiwa sekaligus manfaat investasi. Nilai investasi pada kenyataannya dapat mengalami perubahan kenaikan dan penurunan yang membawa risiko finansial sesuai pada kondisi pasar keuangan. Penurunan atau kenaikan harga saham yang terjadi secara drastis dapat mempengaruhi hasil nilai investasi. Fluktuasi harga saham dalam nilai investasi dapat diatasi dengan adanya perlindungan garansi minimum dan garansi maksimum dengan menggunakan metode Point-to-Point dan model Black-Scholes. Saham yang digunakan pada instrumen investasi penelitian ini yaitu, saham PT. Bank Mandiri (Persero) Tbk (BMRI.JK). Hasil premi yang diperoleh menunjukkan bahwa premi dengan menggunakan metode Point-to-Point memiliki nilai yang lebih besar dibandingkan dengan model Black-Scholes. Hal ini disebabkan karena adanya tambahan faktor penentu perhitungan kinerja atau nilai investasi, yaitu adanya tingkat partisipasi dan cap rate, akan tetapi perbedaan premi antara kedua metode tidak terlalu signifikan. Selanjutnya, hasil simulasi profit testing menunjukkan bahwa NPV tertinggi dihasilkan pada pemegang polis laki-laki berusia 45 tahun dengan variasi skenario masa pertanggungan 10 tahun, perhitungan premi berdasarkan metode Point-to-Point dengan hasil NPV sebesar Rp3.938.575,22. Hasil analisis sensitivitas berdasarkan parameter incurred expenses, management charges dan premi, menunjukan bahwa hanya parameter premi yang elastis terhadap NPV. Penelitian menunjukan, bagi perusahaan asuransi jika ingin meningkatkan perolehan keuntungan, besarnya premi yang akan di bayarkan oleh pemegang polis dapat dinaikan
Perbandingan Metode Klasifikasi Support Vector Machine dan Extreme Gradient Boosting pada Klasifikasi Sentimen Aplikasi Paylater
Get PDFPerkembangan financial technology (fintech) di Indo-nesia sangat pesat. Salah satu dari perkembangan fintech ada-lah sistem Buy Now-Pay Later atau yang biasa disebut paylater merupakan pembayaran yang ditunda, dengan kata lain sese-orang dapat membeli barang saat ini tanpa membayar langsung namun sebagai gantinya mereka membayar tiap bulan beserta bunganya. Sistem paylater sama seperti sistem pada kartu kredit. Contoh aplikasi yang memberikan layanan paylater adalah Kredivo. Suatu layanan akan menghasilkan respons dari pengguna, yaitu berupa ulasan. Berdasarkan ulasan tersebut dapat di klasifikasikan berdasarkan sentimen positif dan nega-tif. Penelitian ini menggunakan dua metode klasifikasi untuk membandingkan ketepatan klasifikasi antara metode Support Vector Machine dan Extreme Gradient Boosting. Penelitian ini dilakukan analisis klasifikasi menggunakan metode Support Vector Machine dengan dua jenis kernel, yaitu Linier dan Radial Basis Function (RBF). Pada analisis Support Vector Machine dengan kernel Linier membutuhkan parameter cost (C), dimana nilai parameter C yang akan diuji coba adalah 0,5; 0,75; 1; 10; dan 100. Pada analisis Support Vector Machine dengan kernel RBF menggunakan parameter C dan γ, di mana nilai parameter γ yang akan diuji coba adalah 0,005; 0,05; 0,1; 0,5 dan 0,75. Pada analisis klasifikasi metode Extreme Gradient Boosting dilakukan dengan hyperparameter tuning dengan bantuan metode grid-search. Hasil dari penelitian ini menunjukkan bahwa metode Support Vector Machine non-linier dengan kernel RBF para-meter C = 1 dan γ = 0,75 memiliki ketepatan klasifikasi yang lebih baik daripada Support Vector Machine Linier dan Extreme Gradient Boosting. Dengan hasil rata-rata akurasi, F-score, dan AUC sebesar 94,45%; 96,18% dan 92,39%