Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sertifikat tanah merupakan surat tanda bukti hak yang berlaku sebagai alat pembuktian yang kuat mengenai data fisik dan data yuridis untuk kepemilikan tanah seseorang. Salah satu jenis pendaftaran sertifikat tanah yaitu sertifikat tanah rutin yang terdiri dari beberapa jenis objek sertifikat diantaranya adalah sertifikat tanah roya, peralihan hak atas tanah, perubahan hak atas tanah, hak tanggungan, split dan pendaftaran pertama kali. Instansi pemerintah yang memiliki wewenang mengeluarkan sertifikat tanah di Indonesia adalah Kementrian ATR/BPN melalui Kantor Pertanahan salah satunya yang terletak di Kabupaten Bandung. Namun kondisi yang terjadi di Kantor Pertanahan Kabupaten Bandung masih terdapat perlambatan penerbitan sertifikat tanah di setiap waktunya. Beberapa penyebab perlambatan tersebut karena proses perencanaan jumlah blangko dan petugas ukur yang masih belum sesuai. Sehingga diperlukan adanya perbaikan proses perencanaan menggunakan peramalan dengan pendekatan data mining untuk mendapatkan model terbaik. Metode yang digunakan adalah perbandingan metode Autoregressive Integrated Moving Average (ARIMA) dan Artificial Neural Network (ANN). Setelah dilakukan analisis berdasarkan Root Mean Square Error (RMSE), ANN dapat menghasilkan model dengan tingkat akurasi yang terbaik untuk melakukan peramalan pada masing-masing jenis sertifikat tanah dibandingkan ARIMA karena hasil dari ANN memiliki tingkat kesalahan terkecil.

---

A land certificate is a certificate of proof of rights that serves as a strong proof of physical data and juridical data for a person's land ownership. One type of land certificate registration is a routine land certificate consisting of several types of certificate objects includigroya land certificates, transfer of land rights, changes to land rights, mortgage rights, splits, and first registration. The government agency authorized to issue land certificatesin Indonesia is the Ministry of ATR/BPN through the land office, one of which is in Bandung Regency. However, the conditions that occur in the Bandung Regency land office are still a slowdown in the issuance of land certificates every time. Some of the reasons for the slowdown occurred because the planning process for the number of blanks and measuring officers was still not appropriate. So, it is necessary to improve the planning process using forecasting with a data mining approach to get the best model. The method used is to compare the Autoregressive Integrated Moving Average (ARIMA)and Artificial Neural Network (ANN) methods. After analyzing based on Root Mean Square Error (RMSE), the ANN can produce a model with the best accuracy forforecasting each type of land certificate compared to the ARIMA because the results of the ANN have the smallest error rate."

"Upaya untuk meningkatkan kepuasan dan loyalitas donatur serta untuk memandu perumusan perencanaan pengembangan organisasi, maka dibutuhkan strategi pengembangan donatur, adapun untuk melakukan strategi pengembangan donatur dapat dilakukan dengan pendekatan data mining yang meliputi pengelompokan donatur dengan metode clustering dan hasil pengelompokan tersebut dievaluasi dengan artificial neural network (multilayer perceptron), dan menggunakan metode association rules untuk menganalisa peta pemasaran serta dirumuskan strategi pengembangan donatur berdasarkan data transaksi dan visi misi. Hasil penelitian menyarankan bahwa manajemen hubungan lembaga amil zakat dengan donatur perlu dikembangkan sehingga terjalin komunikasi yang aktif antar keduanya.

---

Efforts to increase donor satisfaction and loyalty as well as to guide the formulation of organizational development planning, donor development strategy is required, as for donors to make development strategy can be done with data mining approach that involves the grouping of donors by the method of clustering and classification results were evaluated by artificial neural network (multilayer perceptron), and using methods of association rules to analyze a map of marketing and donor development strategies are formulated based on transaction data and the vision and mission. The results suggest that the management of relations with donor amil zakat institution should be developed so that active communication is established between them."

"Dalam beberapa tahun terakhir, jumlah investor saham di Indonesia meningkat pesat, sehingga perlu dilakukan analisis tentang saham yang dapat membantu investor dalam rencana investasinya. Pengelompokan saham dapat membantu investor memilih saham yang sesuai untuk investor. Sayangnya, harga saham terus berubah dari waktu ke waktu. Akibatnya, kegiatan memilih saham untuk investasi bukanlah hal yang mudah. Selain itu, data time series saham dipengaruhi oleh banyak faktor yang mempertimbangakan time frame, kemudian menjadikan data pada setiap sektor memiliki jumlah faktor yang banyak yang disebut data dimensi tinggi. Karena itu, penting untuk menggunakan teknik yang cocok untuk mengelompokkan data dimensi tinggi. Penelitian ini menyajikan dua pendekatan yang dapat digunakan untuk data dimensi tinggi, yaitu subspace clustering dan dimension reduction. Pendekatan subspace clustering menggunakan metode High Dimensional Data Clustering (HDDC), sebuah teknik klasterisasi berbasis model berdasarkan Gaussian Mixture Model, dengan menggunakan algoritma Expectation-Maximization (EM). Pada pendekatan dimension reduction menggabungkan teknik reduksi fitur dan teknik klasterisasi yang sudah sering digunakan yaitu K-Means. Penelitian ini menggunakan dua pendekatan reduksi fitur, yaitu ekstraksi fitur menggunakan Principal Component Analysis (PCA) dan pemilihan fitur menggunakan Correlation Attribute Evaluation. Luaran dari penelitian ini adalah 2 klaster terbentuk di sektor agrikultur, 3 klaster di sektor pertambangan, 4 klaster di sektor industri dasar dan kimia, 2 klaster di sektor aneka industri, 2 klaster di sektor industri konsumsi, 2 klaster di sektor properti dan real estate, 2 klaster di sektor infrastruktur, 2 klaster di sektor keuangan, dan 4 klaster di sektor perdagangan. Dari perhitungan indeks validasi klasterisasi, teknik seleksi fitur memberikan performa yang lebih baik.

---

In recent years, the stock investor in Indonesia has been increasing rapidly, hence it is required to conduct analysis about the stock that helps the investor in their investment plan. Clustering is beneficial to select the appropriate stock for investors. Unfortunately, stock prices keep varying from time to time. Consequently, it is not an easy work to select the stock for investment. In addition, stock price time series data influenced by many factors, so the factors in this study consider the time frame that makes the data in each sector has a larger number of features that called high dimensional data. In this study, high dimensional data are obtained by the time frame of each factor. Therefore, it is important to use a suitable technique to cluster high dimensional data. This study presents two approaches that can be used for high dimensional data, namely subspace clustering and dimension reduction. The subspace clustering approach uses High Dimensional Data Clustering (HDDC), a model-based clustering based on Gaussian Mixture Model, with using the Expectation-Maximization (EM) algorithm. The dimension reduction approach combines feature reduction techniques and common clustering technique, that is K-Means. This study uses two feature reduction approaches, namely feature extraction using Principal Component Analysis (PCA) and feature selection using Correlation Attribute Evaluation. The output of this study are 2 clusters formed in agricultural sector, 3 clusters formed in mining sector, 4 clusters formed in basic and chemical industry sector, 2 clusters formed in various industrial sector, 2 clusters formed in consumption industry sector, 2 clusters formed in property and real estate sector, 2 clusters formed in infrastructure sector, 2 clusters formed in financial sector, and 4 clusters formed in trade sector. Based on the clustering validation index, feature selection techniques provide better performance."

"Summary:Equips you with an understanding and application of the theory and practice of discovering patterns hidden in large data sets. This title focuses on important topics in the field: data warehouses and data cube technology, mining stream, mining social networks, and mining spatial, multimedia and other complex data."

"Sebagai perusahaan milik negara yang memproduksi produk pertanian, PT Perkebunan Nusantara (PTPN) memiliki anak perusahaan bernama KPBN yang melakukan tender terbuka dalam menjual produknya. Untuk mengetahui perilaku bidder serta asosiasi diantara bidder, hubungan antara bidder tersebut dapat diidentifikasi dengan menggunakan apriori algorithm. Hasil dari identifikasi asosiasi dapat dijadikan saran untuk pemasok dalam menemukan bidder paling potensial. Perilaku bidder juga dapat membantu pemasok untuk mengetahui bidder yang paling sering melakukan bidding. Tahapan penelitian ini dimulai dengan pre-processing data selama tujuh bulan, kemudian membagi data tersebut menjadi tiga kelompok. Data tersebut kemudian diproses sehingga menghasilkan analisis asosiasi. Proses verifikasi hasil dan validasi aturan asosiasi dilakukan dengan menghitung derajat asosiasi dari seluruh aturan yang dihasilkan.

---

PT Perkebunan Nusantara (PTPN) is a state-owned company which produces agricultural product. To sell its product, PTPN has subsidiary named KPBN which held an open bidding. In order to identify bidder behavior and to investigate bidder association, association between bidders can be identified using the apriori algorithm. It could be as a suggestion to that supplier to find the most potential bidder. The behavior of bidders also may help the supplier to find out who the frequent bidder is.

The process of this research is started with pre-processing the data that had already been collected for seven months, spliting those data into three groups, generating the association analysis, and then calculating the degree association to verify and validated the rule."

"Pemeliharaan kapal merupakan salah satu kegiatan galangan yang mengalami peningkatan seiring dengan jumlah transportasi laut nasional yang terus meningkat. Namun, peningkatan ini tidak diimbangi dengan peningkatan kapasitas galangan nasional sehingga menjadikan estimasi durasi pemeliharaan kapal sebagai suatu hal yang sangat penting bagi galangan. Penelitian ini menggunakan salah satu metode data mining, yaitu CART (Classification and Regression Tree) untuk mengestimasi durasi pemeliharaan yang dibatasi pada pekerjaan di atas dok saja atau yang dikenal dengan istilah dry docking. Dengan menggunakan volume pekerjaan dry docking sebagai input dalam melakukan estimasi durasi, didapatkanlah 4 kelas durasi dry docking dengan model linier dan kriteria pekerjaan yang berbeda. Model linier ini selanjutnya dapat digunakan untuk mengestimasi durasi dry docking berdasarkan kriteria pekerjaannya.

---

Maintenance is one of the shipbuilding activities that have increased in line with the rising of national marine transportation. However, this increase isn't offset by an increase in the national shipbuilding capacity, thus making an estimate of ship maintenance duration as a very important for the shipyard. This research uses one of data mining method, namely CART (Classification and Regression Tree) to estimate the duration of maintenance that is limited to dock works or which is known as dry docking. By using the volume of dock works as an input to estimate the duration, there are 4 classes of dry docking duration obtained with the different linear model and job criteria for each class. These linear models can then be used to estimate the duration of dry docking based on its job criteria."

"Pertumbuhan pasar modal dan ekonomi di Indonesia telah menarik banyak pihak untuk berinvestasi dan mengembangkan pasar. Peningkatan investasi memberikan peluang bagi perusahaan dan investor untuk meningkatkan keuntungan. Dengan persaingan yang semakin ketat serta kondisi pasar yang berubah-ubah, strategi investasi menjadi hal yang sangat penting. Prediksi performa perusahaan terutama di Indonesia menjadi hal yang dibutuhkan untuk mengimbangi perkembangan pasar. Metode Artificial Neural Network merupakan metode yang mulai populer dipakai untuk peramalan yang bersifat kompleks, menggunakan banyak variabel, dan bersifat nonlinear. Oleh karena itu metode ini sangat cocok untuk diterapkan dalam prediksi performa perusahaan di bursa saham yang termasuk kedalam bidang finansial. Dalam penelitian ini neural network juga dipakai untuk mengintegrasikan analisis teknikal dan analisis fundamental dari perusahaan. Hasil penelitian ini memperlihatkan bahwa neural network mampu melewati tingkat minimal pengembalian secara signifikan

---

As the economy and financial market keep growing in Indonesia, The interest to invest and develop the market are increasing. The increasing investment provide opportunity for company and investor to get more profit. With the ever competitive market and always changing market, Strategy to utilize investment become important. The ability to forecast company performance in financial sector become needs to counterbalance the ever-growing market. The Artificial Neural Network is one of the method that get more popular lately to be use as a forecasting method that require more complex model, using more variabel, and tend to be nonlinear. Hence the method really suit to be adapted in financial sector especially in stock market. In addition this study also discuss about integrating technical analysis and fundamental analysis. This study shows that neural network as a predictive model could significantly outperform the minimum return."

"Tingginya jumlah peserta seleksi beasiswa yang tidak lulus, menyebabkan tidak efisiennya penyelenggaraan kegiatan seleksi beasiswa di LPDP. Berdasarkan data hasil seleksi beasiswa, terlihat bahwa persentase kelulusan peserta sangat rendah tiap tahunnya. Pada tahun 2013 proporsi yang tidak lulus seleksi sebesar 54%, sedangkan pada tahun 2014 dan tahun 2015 meningkat menjadi 85% dan 71%. Secara keseluruhan, terdapat 74% pendaftar beasiswa LPDP yang tidak lulus seleksi beasiswa dari tahun 2013 hingga tahun 2015. Hal ini menyebabkan tingginya biaya yang dikeluarkan untuk pelaksanaan seleksi. Jika LPDP bisa memprediksi peluang kelulusan peserta, maka biaya tersebut bisa dikurangi. Teknik klasifikasi pada data mining merupakan teknik yang tepat untuk permasalahan ini. Metodologi yang digunakan dalam penelitian ini adalah knowledge discovery in databases (KDD). Metodologi ini terdiri dari 5 (lima) langkah, yaitu selection, preprocessing, transformation, data mining, dan interpretation / evaluation. Dataset bersumber dari data formulir pendaftaran beasiswa dan hasil wawancara. Proses pemodelan menggunakan software Rapid Miner dan algoritma decision tree. Model yang dihasilkan dievaluasi menggunakan k-fold cross validation. Hasil penelitian ini yaitu LPDP dapat memprediksi peluang kelulusan peserta seleksi.

---

The high number of participants who did not pass the scholarship selection, leading to inefficient operation of the selection of scholarship in the LPDP. Based on data from scholarship selection results, it appears that a very low percentage of graduation of each year. In 2013 the proportion who were not selected by 54%, whereas in 2014 and 2015 increased to 85% and 71%. Overall, there is a 74% LPDP scholarship applicants who did not pass the selection of scholarship from 2013 to 2015. This led to high costs incurred for the implementation of the selection. If LPDP can predict the chances of graduation participants, the cost can be reduced. Classification techniques in data mining is a technique that is appropriate for this problem.

The methodology used in this study is a knowledge discovery in databases (KDD). This methodology consists of five (5) steps, namely selection, preprocessing, transformation, data mining, and interpretation / evaluation. Dataset data sourced from the scholarship application form and interview. Process modeling using software Rapid Miner and decision tree algorithm. The resulting model was evaluated using the k-fold cross validation. Results of this study are LPDP can predict the chances of graduation of the selection."