Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTMusik memiliki pengaruh yang besar dalam kehidupan manusia. Berbagai macam bunyi dapat memunculkan emosi tertentu dalam pendengarnya. Music Emotion Recognition MER adalah sebuah bidang yang bertujuan untuk mendeteksi emosi dalam sebuah karya musik. Proses untuk pendeteksian ini dilakukan menggunakan sistem-sistem terotomasi yang berkaitan dengan machine learning. MER sudah terbukti dalam menggolongkan berbagai jenis lagu kedalam kategori emosi tertentu dan juga dalam mendeteksi emosi yang terdapat dalam sebuah karya musik menggunakan berbagai macam algoritma machine learning. Pada penelitian ini, dilakukan analisis terhadap hubungan melodi dalam pendeteksian emosi dalam musik dengan mengamati nilai rata-rata not MIDI yang terdapat dalam sebuah lagu dan mengkomputasikan tingkat ketepatan yang dihasilkan dalam memprediksi tingkat emosi dalam karya musik tersebut menggunakan algoritma Support Vector Regression SVR . Sistem MER yang digunakan dalam penelitian ini adalah sistem dimensional yang memiliki nilai arousal dan valence. Hasil dari penelitian adalah bahwa terdapat hubungan antara melodi dengan emosi yang terdapat dalam sebuah lagu, yang dapat dilihat dari selisih data prediksi dan data referensi arousal dan valence. Nilai rata-rata dari selisih pengujian arousal adalah 0.00273 dan standar deviasinya adalah 1.15528, sementara itu nilai rata-rata dari selisih pengujian valence adalah -0.08 dan standar deviasi 0.96.

---

ABSTRACTMusic has a big influence in human life. A variation of sounds can evoke a certain emotion in the listener. Music Emotion Recognition MER is a field that is geared towards the detection of emotions in music. The process to for emotion detection is by using automated systems which are related with machine learning. MER has been proven capable to categorize various sorts of music by their emotional characteristics and also detecting emotion that is in a certain musical piece using various kinds of machine learning algorithms. In this study, we conduct an analysis towards a relation between the melody of a music piece by examining the average MIDI note value in a song and compute the accuracy rate in predicting the emotion contained in a song using the Support Vector Regression SVR algorithm. The result of this study is that there is a connection between the melody and the emotion that is contained in a song, which can be seen by the difference in the predicition value and the reference value in the arousal dan valence tests. The average of the difference in the arousal test is 0.00273 and the standard deviation is 1.15528, while the average of the difference in the arousal test is 0.08 and the standard deviation is 0.96. "

"Globalisasi membawa dampak besar bagi pertumbuhan ekonomi Indonesia. Sejak tahun 1961, secara umum pertumbuhan ekonomi Indonesia selalu mengalami kenaikan. Banyak faktor yang menyebabkan meningkatnya pertumbuhan ekonomi nasional. Salah satunya adalah investasi. Terdapat berbagai macam instrumen investasi. Sekarang ini yang paling banyak diminati oleh masyarakat umum adalah investasi saham. Bursa Efek Indonesia (BEI) mencatat bahwa per Juni 2018 banyaknya investor pasar modal mencapai 1,12 juta Single Investor Identification (SID) dengan 710.000 Single Investor Identification (SID) merupakan total investor saham ritel. Saham menjadi salah satu usaha dalam pemenuhan kebutuhan hidup di masa depan. Daya tarik utamanya adalah karena saham memberikan potensi keuntungan yang tinggi dalam jangka panjang. Namun, dengan potensi keuntungan yang tinggi tersebut, saham juga memiliki potensi kerugian yang tinggi. Salah satu usaha untuk meminimalkan potensi kerugian saham adalah dengan melakukan prediksi harga saham menggunakan machine learning. Harga saham akan diprediksi menggunakan metode penyelesaian masalah regresi, yaitu Fuzzy Support Vector Regression (FSVR). Fungsi pemetaan dalam fungsi keanggotaan fuzzy digunakan untuk menghasilkan fluktuasi harga saham yang tepat. Untuk memastikan keefektifan dan keefisienan penggunaan fitur, Fisher Score digunakan untuk memilih fitur yang paling berpengaruh dan informatif dalam model prediksi sehingga kesalahan hasil prediksi dapat diminimalkan. Fitur-fitur terpilih tersebut akan dijadikan sebagai variabel input dalam model prediksi. Evaluasi hasil prediksi dari data dengan dan tanpa dilakukan pemilihan fitur selanjutnya akan dianalisis menggunakan Normalized Mean Square Error (NMSE) dan dibandingkan sebagai bagian dari evaluasi performa model prediksi. Dari hasil prediksi pada salah satu data yang digunakan, tanpa pemilihan fitur, diperoleh model terbaik dengan nilai NMSE terendah sebesar 0,179 dan persentase data training 80%, sedangkan dengan pemilihan fitur Fisher Score, diperoleh model terbaik menggunakan sembilan fitur dengan nilai NMSE terendah sebesar 0,011 dan persentase data training 90%.

---

Globalization has a big impact on Indonesias economic growth. Since 1961, in general Indonesias economic growth has always increased. Many factors have led to an increase in national economic growth. One of which is investment. There are many investment instruments. The most popular among the public is stock investment. Indonesia Stock Exchange (IDX) recorded as of June 2018 total of capital market investors reached 1,12 million Single Investor Identification (SID) with 710,000 Single Investor Identification (SID) representing total retail stock investors. Stock has become one of the activities to fulfill the needs of life in the future. Its main attraction is that stock provides high potential return of profit in long run. However, as high return of profit, stock also has high potential return of risks. One of the ways to minimize the potential return of risks is by predicting stock prices using machine learning. The stock prices will be predicted using a regression problem solving method, namely Fuzzy Support Vector Regression (FSVR). The mapping function in fuzzy membership function is used to produce the right stock price fluctuations. To ensure the effectiveness and the efficiency of using features, Fisher Score is used to select the most influential and informative features in the prediction model so that the prediction errors can be minimized. These selected features will be used as input variables in the stock price prediction model. The evaluation of the prediction results from the data with and without feature selection will be analyzed using Normalized Mean Square Error (NMSE) and compared as part of the performance evaluation of the prediction model. From the prediction results on one of data used, without doing feature selection, the best model is obtained with the lowest error is 0.179 and 80% training data, while with doing Fisher Score feature selection, the best model is obtained by using nine features with the lowest error is 0.011 and 90% training data."

"Investasi saham merupakan salah satu jenis investasi yang paling populer karena saham memberikan tingkat keuntungan yang tinggi dibandingkan dengan jenis investasi lainnya, tetapi saham juga memiliki tingkat risiko yang tinggi. Fluktuasi harga saham memberikan peluang bagi investor untuk mendapatkan keuntungan yang tinggi. Dibutuhkan sebuah model prediksi harga saham untuk melihat pergerakan harga saham di masa yang akan datang, sehingga investor dapat menentukan waktu yang tepat untuk membeli, menahan, dan menjual saham mereka. Dengan demikian, mereka terlepas dari risiko kerugian dan memperoleh keuntungan yang besar. Terdapat beberapa studi yang membahas tentang prediksi harga saham menggunakan machine learning. Salah satunya yaitu menggunakan Support Vector Regression (SVR). Oleh karena itu, pada skripsi ini akan diuji penerapan SVR menggunakan Particle Swarm Optimization (PSO) sebagai seleksi fitur dalam memprediksi harga saham di Indonesia. Pada skripsi ini digunakan data historis saham harian dari Jakarta Stock Index dan beberapa saham pada sektor real estate dan properti. Beberapa indikator teknikal digunakan sebagai fitur dalam memprediksi harga saham. Studi ini menunjukkan bahwa prediksi harga saham menggunakan SVR dengan PSO sebagai seleksi fitur memiliki kinerja yang baik untuk semua data, fitur, dan jumlah data training yang digunakan pada skripsi ini memiliki nilai error yang kecil. Oleh karena itu, diperoleh model yang akurat untuk memprediksi harga saham di Indonesia.

---

Stock investing is one of the most popular types of investments since it provides the highest return among all investment types, although it is associated with considerable risk. Fluctuating stock prices provide an opportunity for investors to make a high profit. A stock price prediction model is needed to see future stock price movements, so investors can decide the right time to buy, hold, and sell their stocks which regardless of the risk of loss and gain a big profit. Several studies have focused on the prediction of stock prices using machine learning. One of them is Support Vector Regression (SVR). Therefore, this study examines the application of SVR using Particle Swarm Optimization (PSO) as feature selection in predicting Indonesian stock price. This thesis used historical daily stock data from Jakarta Stock Index (JKSE) and several real estates and property stock sectors. Some technical indicators are used as a feature in predicting stock price. The study found that stock price prediction using SVR with PSO as feature selection showed good performances for all data, features and the amount of training data used by the study have relatively low error probabilities. Therefore, an accurate model is obtained to predict stock price in Indonesia."

"Pengenalan wajah merupakan teknologi yang berkembang sangat pesat. Pengenalan wajah mampu menghasilkan beragam informasi mengenai identitas seseorang dengan cepat dan akurat. Salah satunya, mampu memberikan informasi mengenai jenis kelamin dari setiap orang yaitu sebagai pria atau wanita. Proses klasifikasi pria atau wanita ini menjadi hal yang sangat penting dalam berbagai bidang, seperti bisnis berbasis online, kontrol akses, absensi kehadiran, sistem keamanan, identifikasi individu yang tidak dikenal, dan lain-lain. Dalam penelitian ini digunakan Fisher Score sebagai metode pemilihan fitur, dan Support Vector Machine SVM sebagai metode klasifikasi untuk mengukur tingkat akurasi dan running time dari klasifikasi pria atau wanita dengan data yang digunakan berasal dari Computer Science Research Projects. Hasil akurasi dari klasifikasi SVM kernel polynomial d = 4 dengan pemilihan fitur Fisher Score mencapai tingkat akurasi tertinggi yaitu 100 pada 3000 fitur dengan data training 90 . Sedangkan hasil akurasi terbaik dari klasifikasi SVM tanpa pemilihan fitur mencapai 77.5 pada data training 80.

---

Face recognition is a technology that is growing very rapidly. Face recognition is able to produce various information about the identity of a person quickly and accurately. One of the utility of face recognition is the ability to provide information about the gender of each person as a male or female. The process of classifying male or female is of paramount importance in many areas, such as online based businesses, access control, attendance, security systems, identification of unknown individuals, and so on. In this study Fisher Score is used as a feature selection method, and Support Vector Machine SVM as a classification method to measure the accuracy and running time of male or female classification with data used from Computer Science Research Projects. Accuracy results from SVM polynomial kernel classification d 4 with Fisher Score feature selection reaches the highest accuracy level of 100 at 3000 features with 90 training data. While the best accuracy results from SVM classification without feature selection reached 77.5 in 80 training data."

"Sistem Query by Singing/Humming (QbSH) merupakan bidang MIR yang menawarkan teknologi pencarian lagu berdasarkan melodi. Sistem QbSH yang ada sekarang terbatas untuk lagu western saja. Skripsi ini membahas perancangan simulasi sistem QbSH untuk musik dangdut. Sistem QbSH yang dirancang menggunakan parameter pitch sebagai representasi melodi. Metode yang digunakan adalah Auto-Correlation Function (ACF) dan Hidden Markov Model (HMM). Sistem yang dibuat menggunakan database lagu monophonic MIDI. Sampel query yang diuji-cobakan terdiri dari 3 orang laki-laki dan 3 orang perempuan. Masing-masing orang menyenandungkan 10 lagu (query) yang ada dalam database.Optimasi hasil dilakukan dengan menggunakan variasi normalisasi pitch (berdasarkan energy, rata-rata dan maksimum), durasi pengambilan pitch (5 detik, 8 detik dan 10 detik) dari lagu dan durasi perekaman query (5 detik dan 10 detik). Dari hasil percobaan didapatkan nilai MRR yang optimum dengan menggunakan normalisasi rata-rata, durasi pengambilan pitch 5 detik dan durasi perekaman query 10 detik. Sistem QbSH yang dirancang untuk musik dangdut ini memiliki nilai MRR 0,40 yang diuji-cobakan pada 60 sampel query.

---

Query by Singing/Humming (QbSH) system is one of MIR focus which offer music searching technology based on melody. The limitation of QbSH system is designed for western music. This thesis is talking about simulation design of QbSH system for dangdut music. QbSH system is designed using pitch as melody representation. The implementation method are Auto-Correlation Function (ACF) dan Hidden Markov Model (HMM). Database which created must be Monophonic MIDI . Sample of query which tested include of 3 male dan 3 female sample. Each sample humming 10 piece of songs in database.The result could be optimize using variation of pitch normalization (based on energy, mean and maximmum), duration of taking song pitch (5 second, 8 second and 10 second) and duration of recording query (5 second and 10 second). The experiment result show that optimum MRR got using mean normalization, duration of taking pitch song 5 second and duration of recording query 10second. QbSH system which designed for dangdut music having MRR 0,40 and has been tested 60 query sample."

"Kematian yang disebabkan oleh kanker diperkirakan akan terus meningkat, padahal jumlah kematian ini dapat dikurangi dengan adanya deteksi dini. Salah satunya adalah dengan klasifikasi data kanker. Data kanker yang digunakan merupakan data kanker berdimensi tinggi dengan ribuan fitur, tetapi tidak semua fitur yang ada merupakan fitur yang relevan. Oleh karena itu, perlu adanya proses seleksi fitur. Untuk meningkatkan tingkat akurasi yang dihasilkan, digunakan sebuah metode seleksi fitur yang meninjau adanya korelasi antar gen, yaitu CSVM-RFE. Pada metode tersebut, data yang ada diproyeksikan dan diubah menjadi sebuah data baru dengan ekstraksi fitur, dan kemudian dilakukan proses seleksi fitur. Penggunaan dua metode tersebut pada klasifikasi tiga data kanker yang ada terbukti menghasilkan tingkat akurasi yang tinggi, pada data kanker kolon tingkat akurasi yang didapatkan adalah sebesar 96.6, pada kanker prostat sebesar 98.9, dan pada kanker lymphoma sebesar 98,6.

---

The number of death caused by cancer expected to rise over two decades, whereas the number of death can be reduced by early detection. One of them is cancer classification. Cancer dataset is a high dimensional dataset that consist of thousands of features, but not all of these features are relevant. Therefore, it is necessary to remove the redundant features using feature selection. Feature selection can also improve the accuracy of classification. Many feature selection methods do not consider the correlated genes, so we need a new feature selection method that consider the correlated genes. It is CSVM RFE, in this method the existing data is projected and converted into a new data with feature extraction. These two methods are applied to the cancer datasets, and produce the accuracy of 96.6 using colon cancer dataset, 98.9 using prostate cancer dataset, and 98.6 using lymphoma cancer dataset."

"Dunia digital khususnya image processing berkembang seiring waktu berjalan dikarenakan kebutuhan masyarakat dan pentingnya keamanan sistem berbasis digital. Salah satu teknologi yang sangat mengalami kemajuan pesat adalah pengenalan wajah (face recognition) menggunakan artificial intelligence. Wajah seseorang yang sudah terdaftar di dalam database akan dikenali oleh sistem untuk keperluan validasi atau verifikasi. Di dalam penelitian ini dirancang sistem pengenalan wajah (face recognition) menggunakan algoritma machine learning dan Principal Component Analysis (PCA) sebagai pereduksi dimensi. Pengujian dilakukan dengan menggunakan beberapa metode, yakni: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K- NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) dan Convolutional Neural network (CNN). CNN berfokus pada layer dan tidak memerlukan reduksi dimensi, sehingga hasilnya lebih akurat. Model machine learning yang digunakan untuk classifier selain CNN adalah standar/default, sedangkan CNN menggunakan arsitektur LeNet-5, dengan dropout rate sebesar 0.25. Training dilakukan selama 60 epoch dengan loss function crosscategorical entropy, optimizer Adam, dan batch size sebesar 20. Data masukan adalah citra wajah berukuran 64 × 64 × 1 yang diperoleh dari dataset olivetti faces. Akurasi tertinggi metode PCA, SVM, maupun LR sebesar 91.25%, sementara akurasi terbaik CNN mencapai 98.75%. Selain akurasi, pemakaian confusion matrix dan classification report digunakan untuk menguji performa metode yang ada melalui evaluasi model klasifikasi.

---

The digital world, especially image processing, is evolving due to the needs of society and the importance of digital-based system security. One of the technologies that are rapidly progressing is face recognition using artificial intelligence. The system will recognize a person's face already registered in the database for validation or verification purposes. A face recognition system was designed using machine learning algorithms and Principal Component Analysis (PCA) as dimension reduction in this study. Testing is conducted using several methods: Support Vector Machine (SVM), Decision Tree (DT), K-Nearest Neighbour (K-NN), Logistic Regression (LR), Multi-Layer Perceptron (MLP) and Convolutional Neural network (CNN). CNN focuses on layers and does not require dimensional reduction to increase the accuracy of the result. The machine learning model used for classifiers other than CNN is standard/default settings, while CNN uses the LeNet-5 architecture, with a dropout rate of 0.25. The training was conducted for 60 epochs with loss function cross-categorical entropy, optimizer Adam, and batch size of 20. Input data is a 64 × 64 × 1 facial image obtained from the Olivetti faces database. The highest accuracy of PCA, SVM and LR methods was 91.25%, while CNN's best accuracy reached 98.75%. In addition to accuracy, the use of confusion matrix and classification report is used to test the performance of existing methods through the evaluation of classification models."

"Prediksi trend harga saham dapat berguna bagi trader untuk menentukan nilai saham dimasa yang akan datang. Untuk memprediksi trend dengan analisis teknikal adalah melakukan prediksi harga penutupan saham. Seiring dengan waktu, meningkatnya harga saham setara dengan diperolehnya return saham yang profit. Pada skripsi ini, dilakukan analisis dan prediksi harga penutupan saham selama sebulan menggunakan metode Support Vector Machines ndash; K Nearest Neighbor SVM-KNN . Pertama, terlebih dahulu dilakukan pemilihan indikator teknikal yang berpengaruh terhadap saham perusahaan yang dianalisis menggunakan Support Vector Regression SVR . Kedua, klasifikasi return saham yang terdiri dari profit dan loss dengan SVM. Hasil prediksi label kelas dapat membantu mencari tetangga terdekat dalam memprediksi harga penutupan saham dengan KNN. Percobaan dilakukan menggunakan 3, 4, dan 5 indikator teknikal yang terpilih dan tanpa pemilihan fitur dengan 13 indikator teknikal.

---

Stock price trend prediction is important for trader to determine whether the stock price is rising up or not. To predict the trend using technical stock analysis is by predicting the close prices. Along the time, when the price is rising up then it can indicate profit return. This undergraduate thesis will study how to analysis and prediction of stock closing prices one month ahead with Support Vector Machines ndash K Nearest Neighbor SVM KNN method. First, feature selection method is applied to select the important technical indicators using Support Vector Regression SVR . Second, classify the stock rsquo s return which consist of profit and loss using SVM. The output of class label is used to help find the nearest neighbor. Next, stock prices are forecasted using KNN. This study will be experimented with 3, 4, and 5 selected indicators and compared with 13 technical indicators."

"Penuaan biologis mencerminkan kondisi kesehatan fisik yang sebenarnya karena menilai fungsi organ dan sistem tubuh yang sebenarnya pada setiap individu, berbeda dengan usia kronologis. Penelitian ini mengeksplorasi prediksi usia biologis menggunakan metode Support Vector Regression (SVR) dan Klemera-and-Doubal Method (KDM), yang berfokus pada pengaruh biomarker dan faktor eksternal pada proses penuaan. Pembangunan model memanfaatkan data pemeriksaan medis dari Kementerian Kesehatan Indonesia pada tahun 2011 dimana keterbaharuan dari penelitian ini adalah melibatkan semua fitur yang berperngaruh terhadap usia biologis, termasuk faktor eksternal, tidak hanya biomarker saja. Kemudian, dilakukan pemanfaatan seluruh dataset tanpa membedakan subjek sehat dan tidak sehat. Pada dataset dilakukan data preprocessing agar dataset siap digunakan dengan melakukan filtering usia di atas 30 tahun, pemisahan dataset pria dan wanita, menghapus fitur yang tidak relevan, mengubah tipe data yang tidak sesuai, mengidentifikasi dan melakukan penanganan missing value serta outliers, dan melakukan encoding untuk data beripe kategorikal. Kemudian, dilakukan feature selection dengan menggunakan Spearman’s rank Coefficient Corelation dan pembangunan model SVR dan KDM. Hasil penelitian menunjukkan bahwa terpilih 5 fitur untuk pria dan 6 fitur untuk wanita yang digunakan untuk membangun model SVR dan KDM. KDM menunjukkan performa evaluasi yang cukup baik dalam interpretasi variasi data dengan skor performa RMSE 1,39; R2 0,97; dan Adjusted R2 0,97 untuk pria dan RMSE 1,00; R2 0,99; dan Adjusted R2 0,99 untuk wanita. Metode ini lebih unggul daripada SVR yang cenderung menunjukkan performa yang kurang memuaskan dimana memiliki skor performa RMSE 6,36; R2 0,44; dan Adjusted R2 0,36 untuk pria dan RMSE 5,90; R2 0,57; dan Adjusted R2 0,53 untuk wanita. Berdasarkan hasil analisis dari berbagai teknik analisis yang dilakukan (analisis evaluasi performa, analisis hubungan usia kronologis dengan usia biologis, dan analisis evaluasi dengan melihat pola hasil estimasi) terlihat bahwa metode KDM lebih unggul dalam memprediksi usia biologis dibandingkan dengan SVR, terutama dalam hal konsistensi dan akurasi. Selain itu, analisis hubungan setiap fitur dengan usia biologis untuk tiap model menggambarkan pengaruh fitur-fitur tersebut terhadap fungsi organ tubuh seseorang.

---

The biological aging reflects the actual physical health condition as it assesses the real function of organs and body systems in each individual, different from chronological age. This research explores the prediction of biological age using the Support Vector Regression (SVR) method and the Klemera-and-Doubal Method (KDM), focusing on the influence of biomarkers and external factors on the aging process. The model development utilized medical examination data from the Indonesian Ministry of Health in 2011, where the novelty of this research is involving all features that affect biological age, including external factors, not just biomarkers. Then, the entire dataset was utilized without distinguishing between healthy and unhealthy subjects. In the dataset, data preprocessing was performed to make the dataset ready to use by filtering ages above 30 years, separating datasets for men and women, removing irrelevant features, changing inappropriate data types, identifying and handling missing values and outliers, and encoding for categorical data. Subsequently, feature selection was conducted using Spearman's Rank Coefficient Correlation, and then the SVR and KDM models were built. The research results showed that 5 features for men and 6 features for women were selected to build the SVR and KDM models. KDM showed fairly good evaluation performance in interpreting data variations with performance scores of RMSE 1.39, R^2 0.97, and Adjusted R^2 0.97 for men and RMSE 1.00, R^2 0.99, and Adjusted R^2 0.99 for women. This method outperformed SVR, which tended to show less satisfactory performance with performance scores of RMSE 6.36, R^2 0.44, and Adjusted R^2 0.36 for men and RMSE 5.90, R^2 0.57, and Adjusted R^2 0.53 for women. Based on the analysis results from various techniques performed (performance evaluation analysis, analysis of the relationship between chronological age and biological age, and evaluation analysis by looking at the pattern of estimation results), it appears that the KDM method is superior in predicting biological age compared to SVR, especially in terms of consistency and accuracy. In addition, the analysis of the relationship of each feature with biological age for each model illustrates the influence of these features on the organ function of an individual."

"ABSTRACTUtang swasta Indonesia mengalami pertumbuhan yang pesat pada dekade terakhir, hingga mencapai 49 dari total utang luar negeri Indonesia di akhir 2017. Hal ini disebabkan oleh semakin banyaknya perusahaan Indonesia yang menggunakan pembiayaan dari luar negeri. Kecenderungan perusahaan untuk meminjam uang dalam jumlah besar dari investor asing dapat meningkatkan produktivitas dan keuntungan perusahaan, tetapi di sisi lain juga dapat menyebabkan pembengkakan pada nilai utang perusahaan tersebut karena tren depresiasi nilai tukar yang terjadi di Indonesia. Skripsi ini menggunakan salah satu metode machine learning yaitu Support Vector Regression untuk mempelajari hubungan antara faktor-faktor terkait utang luar negeri dengan ketahanan suatu perusahaan, dan hasilnya akan dibandingkan dengan hasil yang diperoleh dari metode regresi data panel yang sudah sering digunakan untuk menganalisis masalah serupa. Penelitian ini menggunakan data dari laporan keuangan 189 perusahaan yang menjadi emiten di Bursa Efek Indonesia di tahun 2011 hingga 2017. Penelitian ini menunjukkan bahwa metode Support Vector Regression menghasilkan model dengan akurasi yang lebih baik daripada model yang dihasilkan metode regresi data panel. Secara umum kedua metode memberikan kesimpulan bahwa balance-sheet effect lebih dominan daripada competitiveness effect pada perusahaan-perusahaan Indonesia, dan sangat disarankan bagi perusahaan untuk meminimumkan besar utang luar negeri dan transaksi impor, serta sebisa mungkin meningkatkan ekspor.Kata kunci: Machine learning; Regresi data panel; Support Vector Regression; Utang luar negeri; Utang swasta.

---

ABSTRACTIndonesian corporations have been borrowing large sums of money from foreign investors in the past decade, such that private debt ratio has reached 49 of Indonesia rsquo s total external debt by the end of 2017. This act of borrowing might improve the borrowing firms rsquo performance which leads to increase in profit, but in other hand it might result on debt value expansion, due to the exchange rate depreciation trend in Indonesia. This paper employs Support Vector Regression, a machine learning method, to study the relationship between factors that might affect corporate performance and compares the results with that of the conventional panel data regression method. The study was done using data from annual financial statements of 189 firms in Indonesia during 2011 2017. It is shown that the machine learning approach discussed in this study gave better accuracy than the previously employed panel data regression method. Both methods generally showed that balance sheet effect is more dominant than competitiveness effect in Indonesian corporations, and it is recommended for companies to minimize their foreign debts and imported purchases, and if possible, export more of their products. "