📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 67 dokumenPEMETAAN PERMUKIMAN KUMUH MENGGUNAKAN METODE OBJECT-BASED IMAGE ANALYSIS (OBIA) DAN MACHINE LEARNING (STUDI KASUS: KABUPATEN SUMBAWA)
Peta delineasi permukiman kumuh merupakan aspek penting dan acuan utama dalam pengentasan permukiman kumuh. Peta yang diperoleh dihasilkan melalui survei holistik berdasarkan beberapa indikator. Pemetaan permukiman kumuh konvensional berbasis survei yang selama ini dilakukan masih memiliki beberapa kekurangan, baik dari sisi kebutuhan waktu, biaya dan sumber daya manusia. Peta permukiman kumuh penting sebagai dasar prioritas guna menangani permukiman kumuh, selain itu pembaharuan peta delineasi permukiman kumuh secara berkala perlu dilakukan dalam rangka pemantauan. Berdasarkan beberapa penelitian terbaru, pemetaan permukiman kumuh berbasis pengindraan jauh menggunakan metode Object-Based Image Analysis (OBIA) dan Machine Learning (ML) saat ini menawarkan alternatif yang lebih efisien dengan tingkat akurasi tinggi. Penelitian pemetaan permukiman kumuh menggunakan metode OBIA dan ML dengan studi kasus di Kabupaten Sumbawa ini dipilih menggunakan data citra satelit Sentinel-2 karena dapat diakuisisi secara gratis dan menyediakan citra dengan resolusi temporal yang selalu diperbarui secara berkala (5 hari) dan aplikasi QGIS dipilih sebagai aplikasi pemrosesan karena dapat digunakan secara gratis dan bersifat terbuka. Pembatasan jumlah lokasi studi Kasus penelitian dilakukan guna membatasi beban komputasi, Desa Labuhan Sumbawa, Kelurahan Brang Biji dan Kelurahan Uma sima dipilih sebagai lokasi studi kasus, ketiga lokasi tersebut dianggap representatif dan dipilih karena memiliki karakter tutupan lahan dan sebaran permukiman kumuh yang beragam. Hasil pemetaan permukiman kumuh yang dilakukan menghasilkan total luasan permukiman kumuh mencapai 224,29 Ha pada ketiga lokasi tersebut, hasil pemetaan tersebut kemudian dilakukan uji akurasi dan memperoleh hasil Overall Accuracy di angka 75,54 % dan nilai Kappa 0,609 yang menunjukkan hasil cukup baik. Kesimpulannya Hasil tersebut menunjukkan luaran klasifikasi dapat digunakan sebagai panduan dalam intensifikasi dan fokus lokasi guna pemetaan holistik selanjutnya, disisi lain hasil pemetaan berbasis OBIA+ML dapat digunakan untuk merekomendasikan pola penanganan permukiman kumuh berdasarkan temuan karakteristik tipologi masingmasing kawasan. Pada akhirnya, penelitian ini masih sangat dapat dilakukan peningkatan dan pengembangan lebih lanjut.
PENGEMBANGAN MODEL PREDIKTIF TUTUPAN LAHAN BERBASIS MACHINE LEARNING UNTUK PERENCANAAN (STUDI KASUS : KABUPATEN BOGOR)
Perubahan tutupan lahan menjadi salah satu tantangan utama dalam perencanaan wilayah, terutama di daerah dengan tingkat pertumbuhan penduduk yang tinggi seperti Kabupaten Bogor. Penelitian ini bertujuan untuk memprediksi perubahan tutupan lahan menggunakan pendekatan machine learning, menganalisis pola perubahan penggunaan lahan dari tahun 2017 hingga proyeksi 2031, serta mengevaluasi kapasitas daya tampung lahan berdasarkan keseimbangan antara ketersediaan ruang dan kebutuhan lahan permukiman. Data utama yang digunakan meliputi citra satelit Sentinel-2 tahun 2017 dan 2024, serta data pendukung berupa slope, jarak terhadap jalan, dan jumlah penduduk per kecamatan. Proses klasifikasi dilakukan menggunakan algoritma Extreme Gradient Boosting (XGBoost) yang dipilih karena kemampuannya menghasilkan akurasi tinggi dan stabilitas performa. Hasil klasifikasi menunjukkan akurasi di atas 98% dengan nilai kappa yang sangat baik. Hasil analisis mengindikasikan bahwa daerah terbangun terus mengalami peningkatan, sedangkan lahan sawah dan hutan mengalami penurunan akibat konversi lahan yang masif. Proyeksi LULC tahun 2031 menunjukkan bahwa wilayah terbangun meluas ke arah selatan dan timur. Evaluasi daya tampung lahan menunjukkan beberapa kecamatan mengalami tekanan tinggi, bahkan defisit ruang, khususnya di wilayah utara. Hasil ini menjadi dasar penting bagi perumusan kebijakan tata ruang yang responsif dan berbasis data spasial untuk mengarahkan pembangunan di Kabupaten Bogor.
OPTIMASI PENILAIAN KREDIT UNTUK MEMINIMALKAN PEMBIAYAAN BERMASALAH PADA PERBANKAN SYARIAH DI PULAU JAWA MELALUI MACHINE LEARNING
Sektor perbankan Islam menghadapi banyak tantangan selama proses evaluasi kredit manual. Beberapa di antaranya adalah kemungkinan kesalahan manusia, penyaringan konsumen berisiko tinggi yang tidak memadai, dan ketidakmampuan untuk menemukan kemungkinan gagal bayar. Studi ini bertujuan untuk mengatasi masalah ini dengan menggunakan model pembelajaran mesin untuk meningkatkan proses penilaian kredit dan memperkuat mekanisme penilaian risiko, dengan tujuan mengurangi jumlah kejadian NPF dalam portofolio perbankan Islam. Masalah yang diidentifikasi menyebabkan peningkatan tingkat Pembiayaan Bermasalah (NPF) Tujuan utama dari penelitian ini untuk mengembangkan dan menerapkan sistem penilaian kredit otomatis yang berpusat pada data yang menggunakan algoritma pembelajaran mesin untuk memperkirakan dan mengurangi risiko NPF. Dengan beralih dari metode evaluasi manual ke penilaian kredit otomatis, penelitian ini bertujuan untuk meningkatkan akurasi dan efektivitas penilaian kredit. Untuk menilai kinerja perusahaan dalam memprediksi gagal bayar kredit dalam konteks perbankan Islam, studi ini menggunakan model pembelajaran mesin seperti regresi logistik, hutan acak, pohon keputusan, dan XGBoost. Studi analisis kesenjangan yang komprehensif menunjukkan bahwa sistem evaluasi kredit manual saat ini tidak efisien secara signifikan, karena bergantung pada pengambilan keputusan subjektif dan menggunakan wawasan berbasis data yang sedikit. Sistem penilaian kredit yang lebih tepat dan dapat diandalkan dihasilkan dari penggunaan metode pembelajaran mesin untuk mengatasi inefisiensi. Hasilnya pembelajaran mesin dapat meningkatkan keakuratan prediksi sistem penilaian kredit, mengurangi kemungkinan pinjaman yang tidak dibayar kembali, dan membantu menjaga kestabilan bank Islam. Studi ini menunjukkan strategi yang berguna untuk menggunakan pembelajaran mesin dalam mengelola risiko dalam perbankan Islam.
MENJEMBATANI FINTECH DAN PERBANKAN TRADISIONAL: PENINGKATAN CREDIT SCORING DENGAN MACHINE LEARNING DI BANK BJB
Penelitian ini mengkaji penerapan machine learning untuk meningkatkan efektivitas credit scoring dengan menggunakan data pinjaman fintech yang disalurkan melalui bank bjb. Fokus penelitian terletak pada identifikasi fitur-fitur prediktif yang paling relevan serta model klasifikasi yang paling akurat dalam memprediksi risiko gagal bayar pada dataset yang sangat tidak seimbang. Pendekatan kuantitatif digunakan dengan menganalisis data historis pinjaman melalui algoritma klasifikasi seperti Logistic Regression, Decision Tree, Random Forest, dan XGBoost. Untuk mengatasi masalah ketidakseimbangan data, digunakan metode ROSE (Random Over Sampling Examples). Meskipun Random Forest dan XGBoost menunjukkan kinerja yang baik pada data pelatihan, Logistic Regression menunjukkan kemampuan generalisasi yang lebih stabil pada data pengujian. Fitur-fitur prediktif utama yang diidentifikasi mencakup skor kredit, jumlah tanggungan, dan jenis pekerjaan. Temuan ini memberikan wawasan praktis tentang bagaimana machine learning dapat mendukung pengambilan keputusan kredit yang lebih akurat dan inklusif, terutama bagi institusi keuangan yang tengah menjalani transformasi digital.
PENGEMBANGAN SISTEM DETEKSI DINI KEBAKARAN LAHAN GAMBUT MENGGUNAKAN SENSOR BERBASIS INTERNET OF THINGS
Indonesia memiliki lahan gambut dengan luas sekitar 24,6 juta hektare. Kebakaran lahan gambut di Indonesian terjadi setiap tahun terutama pada musim kemarau. Pada tahun 2019, kebakaran lahan gambut terjadi di beberapa provinsi dan menyebabkan 80% wilayah Indonesia tertutup kabut asap khususnya di wilayah Sumatera dan Kalimantan. Faktor cuaca seperti curah hujan yang rendah dan suhu udara yang tinggi menyebabkan permukaan lahan gambut menjadi kering. Pada saat yang sama masyarakat melakukan aktivitas membuka lahan gambut dengan cara membakar lahan. Pada lahan gambut yang terbakar, api menjadi besar dan kebakaran menyebar luas mengakibatkan bencana kebakaran dan kabut asap. Kebakaran hutan dan lahan gambut berdampak pada kerusakan lingkungan, gangguan kesehatan, gangguan transportasi darat, laut dan udara, mengganggu kegiatan pendidikan, sosial dan kerugian ekonomi yang besar. Upaya penanggulangan kebakaran lahan gambut menjadi salah satu program prioritas pemerintah Republik Indonesia. Berbagai kebijakan telah dilakukan namun sampai saat ini belum berhasil. Faktor geografis dan minimnya infrastruktur seperti tidak adanya sistem deteksi dini kebakaran menjadi penyebab sulitnya mengatasi kebakaran lahan gambut. Oleh karena itu diperlukan sistem deteksi dini yang dapat memberikan informasi tingkat kerawanan kebakaran lahan gambut sebelum terjadinya kebakaran. Pada penelitian ini digunakan pendekatan deteksi terhadap parameter yang signifikan dalam mempengaruhi terjadinya kebakaran lahan gambut yaitu kekeringan ranting dan ketinggian muka air. Pendekatan ini merupakan metode baru dalam sistem deteksi dini kebakaran lahan gambut dibandingkan dengan metode yang ada sekarang. Oleh karena itu pada penelitian ini dikembangkan sensor kekeringan ranting dan sensor ketinggian muka air untuk mengembangkan sistem deteksi dini kebakaran lahan gambut. Berdasarkan eksperimen yang telah dilakukan, perangkat internet of things (IoT) yang terdiri dari sensor-sensor, mikrokontroler STM32L052C8T6, LoRa SX1276, minikomputer Raspberry Pi, WiFi router, dan ESP32 dapat beroperasi dengan jangkauan komunikasi hingga 764,55 meter di hutan. Sistem sensor dapat bekerja dengan baik menggunakan baterai dengan spesifikasi 3500mAh yang disuplai daya listriknya oleh panel surya dapat bertahan selama 3 hari 18 jam 10 menit jika tanpa ada matahari. Data sensor yang dikumpulkan oleh node sensor dapat ditampilkan secara real-time pada dashboard user interface menggunakan aplikasi Grafana yang berbasis web service. Nilai kekeringan kritis ranting (mudah terbakar) berhasil didapatkan melalui eksperimen kebakaran ranting, yaitu kurang dari 5%MC (Moisture Content). Sensor kekeringan ranting dibuat dari elektroda logam berbahan nikel dan dikombinasikan dengan rangkaian pembagi tegangan mampu menghasilkan tegangan listrik yang bervariasi berdasarkan kandungan air pada ranting. Hasil pengujian sensor kekeringan ranting diperoleh rentang pengukuran 0 – 100%MC, rentang suhu udara lingkungan 22oC – 34oC, sensitivitas sensor 0,0395 volt/%MC dan rata-rata kesalahan relatif sebesar 2,83%. Pada penelitian ini sensor ketinggian muka air dibuat dengan komponen utamanya adalah optocoupler dan pelampung. Teknik ini memiliki keunggulan yaitu jangkauan pengukuran yang panjang (large sensing range). Sensor ketinggian muka air yang dikembangkan pada penelitian ini memiliki resolusi 3,33 mm, rentang pengukuran lebih dari 3,5 meter, dan kesalahan relatif sebesar 1,67%. Model machine learning yang dibuat pada penelitian ini dengan algoritma Artificial Neural Network (ANN) menggunakan dataset kebakaran hutan di Algeria menghasilkan nilai sensitivitas sebesar 0,8974 dan nilai skor ????2 sebesar 0,8750 dapat memprediksi 6679 data dengan benar dari 6734 data pengamatan. Sistem deteksi dini ini diharapkan mampu memberikan informasi awal tingkat kerawanan kebakaran lahan gambut. Informasi yang diberikan dari sistem ini dapat digunakan sebagai pendukung kegiatan pembasahan lahan gambut untuk mencegah terjadinya kebakaran lahan gambut.
IDENTIFIKASI FASA GELOMBANG BODI PADA GEMPA BUMI SUSULAN CIANJUR 2022 MENGGUNAKAN MACHINE LEARNING
Pulau Jawa memiliki seismisitas yang tinggi akibat pertemuan Lempeng IndoAustralia dan Lempeng Eurasia. Pertemuan lempeng tersebut menyebabkan adanya tunjaman mengakibatkan terjadinya gempa dan terbentuk sesar-sesar aktif di Pulau Jawa, salah satunya Sesar Cimandiri di Jawa Barat. Cianjur, yang terletak di Jawa Barat, Indonesia, berada di sebelah utara segmen Rajamandala dari sesar Cimandiri dengan mekanisme sesar geser, sehingga sangat rentan terhadap gempa bumi. Penentuan fasa gelombang bodi dan lokasi hiposenter gempa bumi dengan cepat dan akurat merupakan pekerjaan yang sangat penting dalam seismologi. Oleh karena itu, dibutuhkan metode untuk mendeteksi fasa gelombang bodi yang mampu memproses data yang besar dengan cepat, akurat, dan efisien. Penelitian ini berfokus pada data gempa bumi dari wilayah Cianjur, khususnya gempa bumi susulan dari gempa bumi Mw 5,6 tanggal 21 November 2022. Penelitian ini bertujuan untuk mengidentifikasi fasa gelombang P dan S dari gempa susulan Cianjur 2022 menggunakan program berbasis machine learning dengan menggunakan dataset rekaman dari 19 seismometer (3-komponen) selama 30 hari dari 22 November hingga 22 Desember 2022. Penelitian ini menggunakan PhaseNet, sebuah metode deteksi fasa seismik berbasis deep learning untuk mengidentifikasi fasa gelombang seismik dari gempa susulan, kemudian diintegrasikan dengan asosiasi fasa gempa GaMMA untuk masing-masing event kejadian gempa dan teknik penentuan lokasi hiposenter NonLinLoc untuk membuat katalog gempa. Hasil penelitian menunjukkan PhaseNet mendeteksi lebih banyak fasa seismik dibandingkan katalog hasil penentuan fasa seismik secara manual. Sebanyak 421 event gempa teridentifikasi baik di PhaseNet dan Katalog dengan gradien diagram Wadati sebesar 0.7245 (Vp/Vs=1.7245). Rata-rata selisih waktu gempa antara hasil NonLinloc dan Katalog sebesar 0.874946 detik, dan rata-rata selisih lintang, bujur, dan kedalaman masing-masing adalah 1.55332 km, 1.283005 km, dan 2.315193 km. Katalog gempa berbasis machine learning menawarkan keuntungan yang signifikan dalam hal efisiensi, asosiasi seismik, dan deteksi lokasi yang sangat bermanfaat untuk memproses data lebih cepat dan hasil katalog yang lebih akurat
PENERAPAN ALGORITMA MACHINE LEARNING UNTUK MEMPREDIKSI NO- SHOW PASIEN DI RUMAH SAKIT (STUDI KASUS MELINDA HOSPITAL)
Pelayanan rawat jalan di rumah sakit kerap menghadapi tantangan dalam mengelola antrean pasien dan mengoptimalkan kapasitas layanan akibat ketidakpastian kehadiran pasien . Sebelumnya, banyak penelitian telah mengembangkan model machine learning untuk memprediksi perilaku , tetapi sedikit yang menindaklanjuti dengan strategi operasional konkret. Penelitian ini memadukan prediksi dengan kebijakan overbooking dalam sebuah aplikasi mobile penjadwalan janji temu sehingga slot yang terbuang akibat pasien tidak hadir dapat dialokasikan kepada pasien lain secara otomatis. Model prediksi dibangun menggunakan kerangka kerja CRISP-DM dengan data historis kunjungan dari Melinda Hospital. Proses meliputi pemahaman bisnis dan data, pembersihan serta rekayasa fitur, penanganan ketidakseimbangan kelas dengan SMOTE, serta pelatihan dan evaluasi beberapa algoritma klasifikasi. Prediksi no-show dilakukan dalam dua tahap: seluruh poliklinik dan setiap poliklinik. Hasilnya, prediksi dengan seluruh data mendapatkan hasil evaluasi yang kurang baik, tetapi beberapa poliklinik menunjukkan performa model yang lebih baik saat diproses terpisah. Hanya data poliklinik psikiatri dan psikologi yang menunjukkan kinerja terbaik, dengan metrik AUC score mencapai 0,84 dan precision mencapai 0.81. Pada tahap implementasi, sistem overbooking secara dinamis menambah kuota pendaftaran saat model memprediksi , tanpa mengorbankan kenyamanan antrean pasien lain. Evaluasi kebijakan overbooking menunjukkan jumlah false positives yang sangat rendah, meski recall model masih perlu peningkatan agar jumlah ekspektasi dapat tertangkap lebih komprehensif. Selain itu, analisis fitur juga dilakukan untuk mengidentifikasi fitur yang paling berpengaruh pada fenomena no-show. Dengan integrasi ini, rumah sakit dapat mengurangi slot terbuang, menurunkan waktu tunggu, dan meningkatkan efisiensi operasional. Temuan mengenai kinerja model dan kebijakan overbooking diharapkan menjadi landasan perbaikan sistem penjadwalan layanan rawat jalan di masa mendatang.
MACHINE LEARNING APPLIED FOR ANOMALY DETECTION OF FLIGHT DATA MONITORING (FDM) DATA.
Flight Data Monitoring (FDM) is a system that plays a crucial role in aviation safety. This system enables continuous data collection and anomaly detection to identify risks and optimize operations. FDM is capable of collecting, analysing, and interpreting flight data recorded by aircraft systems to enhance flight safety and operational efficiency. FDM generates flight data containing various flight parameter information. This study uses data from a B747 aircraft, consisting of 241 records with the same origin and destination airports, as well as the same runway numbers for take off and landing. The research examines the application of machine learning, particularly the DBSCAN algorithm, in detecting anomalies within the FDM system. DBSCAN is an unsupervised learning method that can identify anomalous data without requiring predefined labels, making it suitable for complex flight data. DBSCAN detects anomalies by grouping data based on density, where data in low-density regions are considered anomalies. The research methodology consists of several key stages: data acquisition, preprocessing, machine learning model development, anomaly detection, validation and evaluation, and result interpretation. This method successfully detected 90% normal data, 5% anomalous data, and 5% outlier data caused by noise. The results indicate that DBSCAN effectively detects anomalies, making it a reliable solution for analysing high-dimensional flight data. This study concludes that applying DBSCAN can enhance aviation safety by enabling early anomaly detection and reducing operational risks. Further development is recommended to integrate DBSCAN with other machine learning methods to improve anomaly detection accuracy, optimize real-time data processing for faster anomaly detection, and evaluate the model on larger datasets to ensure its quality under various flight conditions. The utilization of machine learning for anomaly detection contributes to improving aviation safety and reliability.
PENERAPAN ALGORITMA MACHINE LEARNING XGBOOST UNTUK DETEKSI FRAUD PADA TRANSAKSI PERBANKAN BERBASIS PENYALAHGUNAAN DATA NASABAH
Transformasi digital dalam sektor perbankan meningkatkan risiko fraud dalam transaksi digital perbankan. Penelitian ini bertujuan mengimplementasikan algoritme XGBoost untuk mendeteksi transaksi fraud serta membandingkan performanya dengan Decision Tree. Metode yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM), dengan fokus pada tahap Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Kinerja model dievaluasi menggunakan berbagai metrik, termasuk Accuracy, Precision, Recall, F1-Score, False Positive Rate (FPR), dan Area Under the Curve (AUC). Hasil penelitian menunjukkan bahwa XGBoost, baik dalam konfigurasi default maupun setelah optimasi, memiliki performa lebih baik dibandingkan Decision Tree pada dua dataset, yaitu BankSim dan Finhacks 2018. Optimasi parameter XGBoost meningkatkan akurasi serta menurunkan FPR secara signifikan, menunjukkan efektivitasnya dalam mendeteksi fraud. Temuan ini berkontribusi pada pengembangan sistem deteksi fraud berbasis machine learning yang lebih akurat dan adaptif dalam mencegah kerugian finansial pada sektor perbankan.
PERANCANGAN APLIKASI INTERAKTIF BERBASIS MACHINE LEARNING UNTUK PENILAIAN OMBUDSMAN TERHADAP PENYELENGGARAAN PELAYANAN PUBLIK DI INDONESIA
Penelitian ini merancang sebuah aplikasi interaktif berupa website berbasis machine learning untuk pengolahan data Ombudsman yang bertujuan untuk mengidentifikasi kelompok-kelompok wilayah berdasarkan hasil penyelenggaraan pelayanan publik. Analisis klaster yang merupakan bagian dari metode unsupervised learning akan diterapkan untuk mendapatkan kelompok/klaster yang menjelaskan perbedaan kualitas dan kinerja pelayanan oleh setiap pemerintah provinsi, kota, dan kabupaten di Indonesia. Data yang digunakan adalah data jumlah akses masyarakat pada Ombudsman Republik Indonesia. Datasetnya menggunakan sampel jumlah akses masyarakat pada Ombudsman di Jawa Barat dari tahun 2018 – 2022, terdapat 3164 data yang terdiri dari 28 daerah dan 3 fitur. 3 fitur dataset tersebut adalah data yang terbukti maladministrasi, tidak terbukti maladministrasi, dan konsultasi. Dataset kemudian dikelompokkan dengan 3 metode clustering, yaitu agglomerative hierarchical, k-means, dan DBSCAN dengan metode linkage (single, average, dan complete). Hasil penelitian menunjukkan pengelompokkan terbaik diperoleh dari penerapan kombinasi algoritma pengelompokkan agglomeratif dan metode complete linkage untuk setiap ukuran jarak, dengan nilai metrik evaluasi silhouette sebesar 0.6633 untuk 3 klaster/kelompok wilayah. Seluruh proses dan hasil pengelompokkan diolah pada aplikasi interaktif berupa website yang dirancang dengan bahasa pemrogramam python dan framework streamlit dan dapat diakses pada laman: https://oriai.streamlit.app.
KLASIFIKASI TEKS PADA DATA TRANSAKSI KEUANGAN UNTUK MENENTUKAN KOMPONEN BIAYA POKOK PENYEDIAAN TENAGA LISTRIK DENGAN MENGGUNAKAN MACHINE LEARNING
Dalam mempertanggungjawabkan penyaluran subsidi listrik yang tepat, maka PT PLN (Persero) wajib melaporkan komponen biaya yang dikeluarkan untuk menyelenggarakan penyaluran energi listrik atau yang disebut sebagai komponen Biaya Pokok Penyediaan (BPP) Tenaga Listrik ke Pemerintah secara periodik. Dalam melaporkan hal tersebut, PT PLN (Persero) harus melakukan identifikasi komponen BPP (yang disebut juga sebagai Allowable Cost) dan non-BPP (yang disebut juga sebagai Non-Allowable Cost) pada transaksi keuangan yang tersimpan di sistem keuangan perusahaan. Saat ini proses identifikasi pengelompokkan komponen BPP dan non-BPP dilakukan secara manual sehingga memerlukan sumberdaya yang besar. Data transaksi keuangan yang digunakan untuk identifikasi terdiri dari kode Akun dan teks keterangan Transaksi. Dalam upaya mengefisiensikan proses identifikasi komponen BPP dan non BPP pada transaksi keuangan yang berjumlah besar, maka penulis mengusulkan sebuah model klasifikasi teks berbasis pembelajaran mesin dengan menggunakan machine learning. Data yang akan digunakan merupakan data transaksi keuangan periode Januari - Desember 2023 untuk pengembangan dan evaluasi model dan data transaksi keuangan periode Januari - Maret 2024 untuk melakukan prediksi dengan menggunakan model yang telah dikembangkan. Data memiliki tiga kelompok/kelas yaitu AC, NAC dan PROP (kelas PROP merupakan transaksi yang memiliki nilai Proporsi atas nilai NAC). Data transaksi keuangan yang memiliki teks bebas bersifat tidak terstruktur dan menggunakan singkatan sehingga perlu dilakukan preprocessing terlebih dahulu. Tahapan preprocessing yang akan digunakan antara lain case folding, noise removal, tokenization, stop word, spell checker, dan word representation. Selain itu, data transaksi yang digunakan memiliki karakteristik imbalanced data, yaitu kelompok/kelas pada dataset tidak memiliki distribusi normal sehingga diperlukan metode tambahan untuk mengatasi hal tersebut agar hasil machine learning tidak bias di kelompok mayoritas. Untuk mengatasi hal tersebut, digunakan metode Synthetic minority oversampling (SMOTE) agar hasil pembacaan machine learning lebih akurat. Pada penelitian akan dilakukan 2 skenario untuk membandingkan model yang lebih baik, skenario pertama model menggunakan metode Random Forest dan skenario kedua model menggunakan metode CNN. Berdasarkan hasil penelitian ditemukan bahwa model SMOTE-Random Forest memiliki hasil evaluasi metriks yang lebih baik dibandingkan dengan SMOTE-CNN yaitu nilai akurasi sebesar 97% dan AUC sebesar 0.9871. Penerapan model tersebut terhadap data baru memberikan akurasi sebesar 85%. Penerapan machine learning pada klasifikasi transaksi keuangan untuk menentukan komponen BPP dan Non BPP pada subisidi listrik mampu memberikan efisiensi waktu yang baik, model mampu memprediksi data baru lebih cepat dibandingkan dengan klasifikasi manual.
ANALISIS DAN REKOMENDASI AREA PENGEMBANGAN PEMBANGUNAN INFRASTRUKTUR ICONNET BERBASIS MACHINE LEARNING (STUDI KASUS : KABUPATEN BANDUNG)
ICONNET merupakan salah satu produk layanan jaringan internet Fiber to the home (FTTH) milik PLN Icon Plus. Saat ini sedang melakukan pengembangan distribusi jaringan internet secara merata di wilayah Jawa Barat. Kabupaten Bandung memiliki tingkat kepadatan penduduk yang tinggi menghadapi tantangan besar dalam memenuhi kebutuhan infrastruktur digital yang terus meningkat. Tingginya tingkat kepadatan penduduk di wilayah ini menambah kompleksitas permasalahan terkait pemerataan infrastruktur. Media transmisi yang digunakan adalah fiber optik, yang meskipun memiliki biaya investasi tinggi, menawarkan keunggulan signifikan seperti kapasitas bandwidth yang besar dan kemampuan transmisi data berkecepatan tinggi, sehingga memberikan nilai investasi yang sebanding. Oleh karena itu, diperlukan analisis rekomendasi area untuk pengembangan pembangunan infrastruktur yang komprehensif untuk mendukung investasi tersebut agar memberikan keuntungan bagi perusahaan. Penelitian ini menggunakan kerangka kerja Cross-Industry Standard Process for Data Mining (CRISP-DM) dan memanfaatkan dataset dari berbagai sumber, seperti Badan Pusat Statistik (BPS), PT PLN (Persero), dan PLN Icon Plus. Keragaman dataset dengan berbagai fitur dan dimensi menjadi tantangan utama, sehingga digunakan metode reduksi dimensi seperti Variational Autoencoder (VAE) dan Principal Component Analysis (PCA) untuk mengatasi masalah ini. Analisis dilakukan dengan menerapkan algoritma clustering K-Means dan DBSCAN untuk segmentasi wilayah, serta KNearest Neighbor (KNN) untuk memprediksi kebutuhan bandwidth.
SISTEM PREDIKSI TIME SERIES TRAFIK JARINGAN SELULER MENGGUNAKAN METODE LONG SHORT-TERM MEMORY DAN MACHINE LEARNING
Kemajuan teknologi komunikasi telah menyebabkan peningkatan signifikan dalam penggunaan jaringan seluler generasi 4G, yang menghasilkan tantangan dalam pengelolaan sumber daya jaringan untuk menjaga kualitas layanan. Penelitian ini bertujuan untuk mengembangkan sistem prediksi trafik jaringan seluler berbasis algoritma statistik, machine leaming, dan deep leaming guna mengoptimalkan performa jaringan. Metode yang digunakan mencakup SARIMA, Random Forest, K Nearest Neighbor, dan Long Short-Term Memory (LSTM). Proses pengembangan melibatkan tahap persiapan data, pemodelan prediksi menggunakan berbagai algoritma, serta integrasi ke dalam dashboard interaktif berbasis Streamlit. Evaluasi model dilakukan menggunakan metrik MSE, MAE, dan R2 untuk mengukur akurasi prediksi. Sistem ini dirancang untuk memprediksi trafik jaringan secara efisien, menangkap pola musiman, fluktuasi, dan hubungan non-linear dalam data. Hasil penelitian menunjukkan bahwa pendekatan dengan Machine Leaming dan Deep Leaming ini mampu menghasilkan prediksi yang lebih akurat dibandingkan metode konvensional. Dashboard yang dihasilkan mempermudah operator jaringan dalam menganalisis dan mengambil keputusan berbasis data. Sistem ini diharapkan dapat mendukung pengelolaan jaringan seluler yang lebih baik, khususnya dalam menghadapi tantangan dinamika trafik jaringan.
OPTIMASI DETEKSI ANOMALI PEMAKAIAN TENAGA LISTRIK PADA PELANGGAN PRABAYAR DENGAN MENGGUNAKAN MACHINE LEARNING
Pencurian energi listrik dan anomali pemakaian tenaga listrik menjadi tantangan utama bagi perusahaan utilitas karena menyebabkan kerugian finansial, gangguan pasokan listrik, hingga risiko kebakaran akibat korsleting atau beban berlebihan. Berbeda dengan penelitian sebelumnya yang lebih banyak berfokus pada pelanggan pascabayar, penelitian ini berfokus pada pelanggan prabayar yang memiliki karakteristik yang berbeda. Pelanggan pascabayar membayar tagihan setiap bulan, sedangkan pelanggan prabayar membeli energi di awal yang dapat digunakan untuk beberapa bulan ke depan. Selain itu, pelanggan prabayar belum dilengkapi sistem pembacaan konsumsi listrik secara real-time dan masih menggunakan kWh meter satu arah/offline. Penelitian ini mengembangkan deteksi anomali pemakaian tenaga listrik pada pelanggan prabayar dengan pendekatan berbasis data dan algoritma machine learning berbasis supel'Vised learning yaitu Classical Classijier (Logistic Regression, KNN, Decision Tree) dan Ensemble Classijier (AdaBoost, Random Forest, XGBoost) dengan penanganan ketidakseimbangan data menggunakan SMOTE oversampling atau undersampling. Teknik data capturing diterapkan dalam membentuk dataset pelatihan dengan melakukan cut ojf data transaksi pelanggan prabayar sebelum adanya inspeksi pemeriksaan. Hal tersebut bertujuan untuk menggambarkan perilaku pelanggan sebelum pemeriksaan dilakukan dan untuk mereduksi rentang waktu data yang digunakan. Hasil penelitian menunjukkan bahwa XGBoost dengan teknik penanganan ketidakseimbangan SMOTE undersampling dan teknik data capturing memberikan performa terbaik dengan nilai F 1-Score dan hit rate yang tinggi dibandingkan model lainnya, terutama saat diuji pada data baru atau data testing. Penelitian ini memberikan kontribusi dalam pengembangan solusi berbasis machine learning untuk mendeteksi anomali pemakaian tenaga listrik pada pelanggan prabayar.
PEMBUATAN DATASET QUESTION ANSWERING ULASAN PRODUK BAHASA INDONESIA
Dataset diperlukan pada sistem Question Answering (QA) untuk melatih serta menguji model yang digunakan. Sistem ini dapat diimplementasikan pada data ulasan produk. Ulasan terhadap suatu produk berpengaruh terhadap keputusan pembelian produk tersebut. Belum ada dataset QA mengenai ulasan produk berbahasa Indonesia, sehingga penelitian ini dilakukan untuk memenuhi keperuan dataset pada sistem QA untuk tugas tersebut. Data ulasan produk pada dataset ini diambil dari platform Sociolla dan Female Daily dengan pertanyaan dan jawaban yang dikumpulkan dengan crowdsourcing oleh 15 orang sehingga menghasilkan 3.000 data. Dataset yang dihasilkan diambil sebanyak sebanyak 2.400 sebagai data latih dan 600 lainnya sebagai data uji. Dataset ini kemudian dicoba digunakan pada beberapa model machine learning diantaranya adalah Regresi Logistik, Decision Tree, Support Vector Machine (SVM), Random Forest, dan Generative Pre-trained Transformer (GPT). Kemudian hasil prediksi dari model-model tersebut diuji dengan metrik evaluasi Exact Match (EM), skor F1, dan Bilingual Evaluation Understudy (BLEU) untuk melihat performanya. Setelah itu dataset dipersiapkan agar dapat digunakan dengan baik pada sistem QA dengan melakukan konstruksi dataset. Pada pengujian yang dilakukan, model GPT memberikan hasil terbaik dengan nilai EM, skor F1, dan BLEU sebesar 0,2667, 0,6694, dan 0,0014 pada data uji.