📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 67 dokumenPREDIKSI PERGERAKAN HARGA SAHAM MENGGUNAKAN MACHINE LEARNING SVM DENGAN KORELASI ANTAR INDEKS SEKTOR
Tugas Akhir ini ditujukan untuk memprediksi pergerakan harga saham menggunakan machine learning khususnya Support Vector Machine atau SVM. Selain itu akan dilakukan modifikasi tambahan dengan tujuan meningkatkan akurasi prediksi pergerakan saham menggunakan korelasi antar indeks sektor pada klasifikasi industri Bursa Efek Indonesia (BEI). Prediksi saham baik pergerakan hingga nilai saham adalah salah satu cara investor meningkatkan return dari modal yang mereka investasikan. Pada Tugas Akhir ini, penulis menggunakan metode prediksi pergerakan saham secara kolektif atas satu portofolio atau sekumpulan saham berbentuk satu indeks sektor tertentu. Sampel yang digunakan adalah 41 perusahaan pada indeks sektor perindustrian dan 46 perusahaan pada indeks sektor keuangan. Hasil penelitian menunjukkan pemodelan berhasil memprediksi pergerakan saham di atas treshold 50% untuk kedua sampel sebelum modifikasi dengan hasil yang memuaskan juga untuk contoh perusahaan yang berada pada masing-masing indeks. Modifikasi yang dilakukan dianggap signifikan terhadap indeks sektor keuangan namun tidak terhadap indeks sektor industri. Hasil ini memberikan implikasi bahwa prediksi pergerakan saham menggunakan SVM dapat dilakukan. Dengan mudahnya pengumpulan data serta dengan modifikasi yang digunakan memberikan hasil yang cukup memuaskan, penelitian ini bermanfaat bagi para investor yang ingin berinvestasi pada suatu portofolio.
PEMBANGUNAN MODUL MACHINE LEARNING PADA INTRUSION DETECTION SYSTEM UNTUK DETEKSI UNKNOWN THREAT
Unknown threat adalah ancaman dengan kemunculan yang kecil, merupakan modifikasi dari ancaman sebelumnya, atau merupakan ancaman baru yang belum dikenal oleh sistem sebelumnya. Teknologi yang digunakan untuk mendeteksi serangan pada sistem adalah intrusion detection system (IDS). Meskipun begitu, IDS yang umum digunakan saat ini seperti Suricata masih menggunakan ciri khas serangan untuk deteksi dan belum mampu mendeteksi unknown threat. Pada Tugas Akhir ini, dilakukan eksperimen beberapa model machine learning untuk mengetahui model yang sesuai untuk deteksi unknown threat berdasarkan dataset CIC-IDS 2017. Fitur pada dataset direduksi menggunakan metode Pearson sehingga didapatkan 31 fitur dari 79 fitur. Eksperimen dilakukan dengan membuat varian data latih di mana salah satu jenis serangan dihilangkan sebagai unknown threat. Berbagai model yang telah dilatih dengan varian data laith kemudian dievaluasi menggunakan data serangan lengkap. Model dengan kinerja terbaik diimpor dan dijadikan komponen deteksi pada IDS untuk evaluasi lebih lanjut. Hasil eksperimen menunjukkan bahwa XGBoost memiliki akurasi mencapai 0.99, recall 0.96, dan recall-unknown 0.4. One class SVM memiliki akurasi sebesar 0.55, recall 0.61, dan recall-unknown 0.73. Hasil simulasi serangan menunjukkan bahwa Suricata tidak memiliki kemampuan untuk mendeteksi beberapa serangan seperti port scan dan DoS Slowloris. Sementara itu, machine-learning-based IDS mampu mendeteksi serangan yang belum diketahui sebelumnya namun dengan false positive dan overhead sebesar 5-7 menit.
PENGEMBANGAN SISTEM PREDIKSI BEAM TRACKING UNTUK KERETA CEPAT 5G MENGGUNAKAN MACHINE LEARNING
Kereta cepat pada umumnya masih menggunakan sistem komunikasi GSM-R yang merupakan teknologi 2G yang dikhususkan untuk jalur komunikasi kereta dan jika dibandingkan dengan teknologi masa kini sudah jauh tertinggal. Salah satu penyebab sistem komunikasi kereta masih menggunakan GSM-R karena kecepatan transmisi data bukanlah hal utama melainkan keamanan transmisi data tersebut. Dengan berkembangnya sistem komunikasi 5G, kedua hal tersebut dapat dicapai dan digunakan dalam sistem komunikasi kereta. Namun hal tersebut sulit diimplementasikan karena sistem komunikasi 5G menggunakan mmWave yang menyebabkan lebar pita beam kecil. Lebar pita beam yang kecil menjadi hambatan karena untuk mendapatkan transmisi data yang optimal, membutuhkan akurasi beam dari base station ke kereta yang baik sedangkan kereta cepat bergerak dengan kecepatan yang tinggi. Penelitian ini ditujukan untuk mengatasi kesulitan tersebut. Dengan mengimplementasikan algoritma komputasi machine learning, akan dibuat sistem prediksi beam tracking untuk meningkatkan akurasi beam dari base station ke kereta. Algoritma machine learning yang dianalisis pada penelitian ini adalah K- Nearest Neighbors, Neural Network, Lookup Table, Random Forest, Support Vector Machine dan Naive Bayes. Metode penelitian yang digunakan meliputi studi literatur, desain sistem, pengujian serta analisis performa. Hasil penelitian menunjukkan bahwa implementasi algoritma komputasi Neural Network menghasilkan akurasi beam forming dan kecepatan terbaik.
MACHINE SPEECH CHAIN DENGAN PENGENALAN EMOSI
Manusia berkomunikasi dengan ucapan yang beremosi untuk menyampaikan makna yang sesuai sehingga sistem pengenalan dan sintesis ucapan harus mampu memahami dan menyampaikan emosi yang sesuai. Untuk menghasilkan sistem yang bagus, diperlukan data ucapan dengan emosi yang nyata. Namun, data tipe ini sulit untuk didapatkan. Machine speech chain menggunakan data tak berlabel untuk melanjutkan pelatihan model pengenalan ucapan dan sintesis ucapan yang sebelumnya telah dilatih dengan data berlabel. Sifat data tak berlabel yang tersedia lebih banyak dari data berlabel membuat machine speech chain dapat digunakan dalam pengenalan emosi pada ucapan yang data latihnya sulit didapat. Tugas akhir ini menggunakan data ucapan bernada netral dan data ucapan dengan berbagai emosi untuk mengukur kinerja penggunaan machine speech chain dalam pengenalan emosi dan pengenalan ucapan dari ucapan beremosi. Metrik character error rate (CER) dipakai pada pengenalan ucapan dan akurasi serta skor F1 dipakai pada pengenalan emosi. Didapat bahwa model yang dilatih dengan 50% dari data ucapan beremosi netral berlabel dan 22% dari data ucapan beremosi nonnetral berlabel akan mengalami kenaikan kinerja CER dari 37,552% ke 34,523% apabila dilatih lagi dengan data ucapan beremosi netral tak berlabel dan dari 37,552% ke 33,749% apabila dilatih lagi dengan data ucapan tak berlabel gabungan. Akurasi emosi nonnetral mengalami kenaikan sebesar 2,18% sampai 53,51% tetapi dengan nilai skor F1 yang cenderung memburuk, berkisar dari kenaikan sebesar 20,6% dan penurunan sebesar 23,4%. Nilai kedua metrik ini mengindikasikan model yang bias ke kelas mayoritas.
APLIKASI EKONOFISIKA UNTUK PREDIKSI PERGERAKAN HARGA SAHAM DENGAN MENGGUNAKAN BAYESIAN NEURAL NETWORK
Ekonofisika adalah bidang interdisipliner dalam ilmu fisika yang menerapkan teori dan metode fisika untuk menyelesaikan masalah yang berkaitan dengan sistem ekonomi dan keuangan. Melakukan prediksi pergerakan harga saham dengan menggunakan Machine Learning merupakan salah satu penerapan ilmu ekonofisika. Salah satu jenis Machine Learning yang dapat digunakan untuk melakukan prediksi adalah Bayesian Neural Network. Bayesian Neural Network merupakan model neural network yang sudah dilatih dengan menggunakan Bayesian inference. Pada Bayesian Neural Network, terdapat beberapa jenis hyperparameter yang perlu diatur agar model dapat bekerja dengan optimal. Penelitian ini bertujuan untuk mengetahui performa Bayesian Neural Network dalam memprediksi harga penutupan saham, menentukan kecocokannya untuk berbagai trendline, dan membandingkan hasil prediksinya dengan metode lainnya. Dataset yang digunakan adalah data historis dari saham BBCA.JK, INDF.JK, dan GGRM.JK, dengan rentang waktu 4 tahun, yaitu sejak tanggal 2 Januari 2020 hingga tanggal 2 Januari 2024. Berdasarkan hasil analisis dan pengolahan data, didapatkan bahwa model Bayesian Neural Network cukup akurat untuk melakukan prediksi pergerakan harga saham. Hasil prediksi harga menggunakan model Bayesian Neural Network juga lebih akurat dibandingkan dengan metode lain.
PENERAPAN MACHINE LEARNING UNTUK MEMPREDIKSI KELAHIRAN BAYI PREMATUR DI INDONESIA MENGGUNAKAN DATA SURVEI DEMOGRAFI DAN KESEHATAN INDONESIA 2017
Kelahiran prematur merupakan kondisi kelahiran bayi yang terjadi sebelum melewati usia kehamilan 37 minggu. Bayi yang terlahir prematur berisiko tinggi mengalami komplikasi kesehatan hingga kematian dikarenakan pertumbuhan organ yang belum sempurna. Kelahiran prematur dapat disebabkan oleh berbagai faktor, seperti histori medis dan kondisi sosioekonomi ibu. Menurut USAID 2015, Indonesia berada pada peringkat ke-5 tertinggi kelahiran bayi prematur di dunia dengan prevalensi sebesar 15%, dimana terdapat 779.000 kasus kelahiran prematur di setiap tahunnya. Oleh karena itu, diperlukan metode yang dapat membantu melakukan prediksi kelahiran prematur, yaitu dengan menggunakan artificial intelligence berbasis machine learning. Penelitian ini dilakukan dengan menggunakan Indonesia National Demographic and Health Survey 2017 dataset. Berdasarkan penelitian yang dilakukan, diperoleh sebanyak 17 fitur yang menjadi faktor risiko, yaitu terkait histori medis ibu, aktivitas merokok ibu, serta tingkat pendidikan dan pengetahuan ibu. Kemudian didapatkan bahwa model Logistic Regression memiliki performa terbaik. Optimalisasi model dilakukan dengan menggunakan logaritmic transformation dan hyperparameter tuning sehingga model prediksi kelahiran prematur memiliki tingkat akurasi sebesar 73.10%, presisi sebesar 75.89%, recall sebesar 67.75%, dan ROC-AUC sebesar 80%.
STRATEGI UNTUK MENINGKATKAN PERFORMA DAN UMUR PAKAI PIPA BUBUR KONSENTRAT PT FREEPORT INDONESIA MENGGUNAKAN MACHINE LEARNING
Availability pipa slurry konsentrat tembaga sangat penting dalam mempertahankan produksi proses yang berkelanjutan untuk PT Freeport Indonesia. Namun, tren kebocoran pipa slurry akibat ketebalan pipa yang tipis dari tahun 2019 hingga 2023 meningkat, menunjukkan bahwa ketersediaan jalur lumpur konsentrat tembaga menjadi lebih rendah. Selain itu, segmen antara Mile Post 34 – Mile Post 6, yang biasanya diproyeksikan memiliki umur pemakaian sepuluh tahun, mengalami laju keausan yang lebih cepat, mengakibatkan perbedaan antara umur layanan yang diharapkan dan yang sebenarnya. Hal ini berdampak signifikan terhadap efisiensi sistem transportasi slurry konsentrat tembaga dan membutuhkan strategi pemeliharaan prediktif yang lebih baik. Penelitian ini bertujuan untuk memprediksi ketebalan pipa slurry menggunakan model Machine Learning dan menggunakan model tersebut untuk mengoptimalkan parameter operasional pemompaan. Variabel independen yang dipertimbangkan meliputi aliran slurry, densitas, jam operasi slurry, jam operasi air, aliran air, dan ukuran partikel (150 #). Dalam penelitian ini, dataset yang terdiri dari 58 sampel dibagi, dengan 70% dialokasikan untuk pelatihan dan 30% untuk pengujian. Model prediktif yang digunakan adalah Decision Tree Regression, Neural Network, dan Support Vector Regression. Model terbaik menghasilkan 0,114 MSE dan 4,3% MAPE tanpa overfit atau underfit adalah SVR. Dapat disimpulkan dari model bahwa aliran lumpur dan ukuran partikel bersama dengan jam operasi secara signifikan mempengaruhi ketebalan jalur. Hal ini sejalan dengan teori dan penelitian sebelumnya. Di sisi lain, densitas lumpur tidak berpengaruh signifikan terhadap ketebalan pipa. Optimasi menggunakan Solver dengan metode Gradien Tereduksi Umum (GRG) dapat meminimalkan pengurangan ketebalan jalur lumpur sambil memenuhi target produksi. Dari model yang dioptimalkan, rencana penggantian telah ditetapkan. Jalur lumpur dapat diganti setelah 8 tahun sejak pemasangan MP 33 – MP 29 dan 9 tahun sejak pemasangan MP 28 – MP 22. Penelitian selanjutnya harus mempertimbangkan untuk menggabungkan set data yang lebih besar dan lebih beragam dari operasi jalur lumpur.