Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penelitian ini bertujuan untuk menyelidiki pengaruh modal penyangga terhadap kinerja dan profil risiko bank-bank di Indonesia menanggapi adanya perubahan dalam peraturan permodalan dan siklus ekonomi selama periode 2001 hingga 2019. Dengan menggunakan regresi panel dinamis dari laporan keuangan bank BUKU III dan BUKU IV, penulis menemukan bukti bahwa bank bersifat pro-siklikal dimana memiliki lebih sedikit modal penyangga pada periode ekonomi yang sedang booming. Tingkat penyangga modal bank relatif cukup dalam keseluruhan periode. Hasil lainnya menunjukkan bahwa modal penyangga bank mendorong stabilitas dan efisiensi biaya bank serta menurunkan risiko aset bank, sementara di lain sisi terdapat dampak negatif pada tingkat profitabilitas bank. Pada akhirnya, pada penelitan ini juga mengungkapkan bahwa tidak terdapat perbedaan hasil yang signifikan pada pengaruh tingkat modal penyangga terhadap kinerja dan risiko bank disetiap periode penerapan Basel I, II dan III yang dibandingkan dengan keseluruhan periode penelitian.

---

This study aims to investigate the effect of capital buffer on the bank’s performance and risk profile in Indonesia related to change in capital regulation and business cycle during the period 2001 to 2019. By using dynamic panel regression and applies The Generalized Method of Moments (GMM) technique from the financial statements of bank’s BUKU III and BUKU IV, this study find the evidence banks are pro-cyclical in nature which have less capital buffer in a booming economic period. In the overall period, the study find Indonesian banks to be well-capitalized as indicated by the average bank’s capital of twice the required by the authorities. The other results show that bank capital buffer leads the bank’s stability and cost efficiency also decreases the level of the bank’s asset risk, while there is a negative impact on boosting the bank’s profitability.Finally, this research also revealed that there was no significant difference in the results of the the of bank’s capital buffer on bank’s performance and risk in each period of Basel I, II and III implementation compared to the entire study period."

"Cita-cita pembangunan Ibu Kota Negara/IKN dimaksudkan untuk menghadirkan sebuah kota modern yang digerakkan 100 persen energi terbarukan; pengelolaan pembuangan limbah cair, sampah rumah tangga dan sampah industri yang baik dan aman; meminimalkan pencemaran air, tanah dan udara, termasuk membangun jalan-jalan yang dipenuhi pohon rindang dan ruang istirahat para pelaju, dan bangunannya ramah lingkungan serta tahan gempa. Apapun alasan yang dikemukakan tetap memicu kekhawatiran akan terjadinya perubahan yang ditandai dengan transformasi bentang alam. Sejarah juga mencatat bahwa dinamika perubahan bentang alam terutama di pedesaan akan identik dengan persoalan yang bermuatan sosio-demografis. Itulah sebabnya informasi yang terkait dengan sosio-demografis terutama yang menyangkut pola sebaran, pertumbuhan penduduk dengan berbagai macam aspek sosial, ekonomi, budaya, lingkungan, politik dan lain sebagainya, termasuk tentang kaitannya dengan peningkatan kualitas hidup dan kesejahteraan manusia penting diketahui. Berbasis pada ketersediaan data sekunder, terutama yang berasal dari Badan Pusat Statistik baik di daerah maupun di pusat, tulisan ini akan memberikan ulasan kondisi faktual tentang sosio demografi dua Kabupaten yang beririsan langsung dengan Kawasan Ibu Kota Negara (KIKN) yang dikaitkan dengan komposisi penduduk berdasarkan kategori Generasi pre-boomer, Generasi baby boomer, Generasi X, Generasi Milenial, Generasi Z, dan Generasi Post Generation Z ."

"Penelitian ini bertujuan untuk mengintegrasikan analisis sentimen dan teknik pengelompokan teks (text clustering) dalam mengevaluasi kualitas layanan berdasarkan model SERVQUAL, yang mencakup lima dimensi utama: Tangibility, Responsiveness, Reliability, Assurance, dan Empathy. Metode yang digunakan meliputi Naïve Bayes, Support Vector Machine, dan K-Nearest Neighbor untuk melakukan klasterisasi sentimen yang bervariasi di setiap dimensi SERVQUAL. Hasil analisis menunjukkan bahwa sentimen pelanggan berbeda di setiap dimensi, dengan beberapa area menonjol dalam sentimen negatif atau positif. Teknik clustering teks membantu mengidentifikasi tema-tema umum dan masalah yang sering dihadapi pelanggan. Kesimpulan dari penelitian ini adalah pendekatan analisis sentimen dan text clustering memberikan wawasan yang lebih detail dan mendalam mengenai kualitas layanan, yang memungkinkan perusahaan untuk mengambil tindakan yang lebih tepat dalam meningkatkan setiap dimensi SERVQUAL untuk meningkatkan kepuasan dan loyalitas pelanggan secara keseluruhan

---

This study aims to integrate sentimen analysis and text clustering techniques to evaluate service quality based on the SERVQUAL model, which includes five main dimensions: Tangibility, Responsiveness, Reliability, Assurance, and Empathy. The methods used include Naïve Bayes, Support Vector Machine, and K-Nearest Neighbor to perform sentimen clustering that varies across each SERVQUAL dimension. The analysis results show that customer sentimens differ across each dimension, with certain areas standing out in either negatif or positive sentimens. Text clustering techniques help identify common themes and issues frequently faced by customers. The conclusion of this study is that the sentimen analysis and text clustering approach provides more detailed and in-depth insights into service quality, enabling companies to take more precise actions in enhancing each SERVQUAL dimension to increase overall customer satisfaction and loyalty."

"Pesatnya perkembangan teknologi informasi dan komunikasi menuntut adanya inovasi dalam pengembangan aplikasi agar dapat mengikuti perkembangan yang cepat tersebut. Segari adalah salah satu penyedia layanan supermarket online yang populer di Indonesia. Segari merupakan perusahaan yang berlandasan customer centric dan mempunyai nilai Be Obsessed with our Customers, sangat mengedepankan kebutuhan dari pelanggannya. Minimnya sumber daya manusia dan banyaknya ulasan pelanggan yang perlu di analisis menghambat proses penggalian informasi dari ulasan pelanggan tersebut, sehingga diperlukan model pembelajaran mesin yang dapat secara otomatis melakukan analisis sentimen untuk mengklasifikasikan ulasan menjadi sentimen positif atau negatif. Informasi yang diambil dari analisis sentimen dapat digunakan sebagai referensi untuk menjaga kualitas layanan berdasarkan sentimen positif, sedangkan hasil dari sentimen negatif dapat digunakan sebagai bahan evaluasi untuk meningkatkan layanan dan aplikasi Segari. Dalam penelitian ini, peneliti membahas implementasi model analisis sentimen menggunakan ulasan pelanggan dari Google Play Store. Metode pembuatan model dimulai dari pengumpulan data, pelabelan data, pra proses data, ekstraksi fitur, model klasifikasi sentimen, evaluasi model, dan pemodelan topik. Peneliti menggunakan dua algoritma klasifikasi, Naive Bayes Classifier (NB) dan Support Vector Machine (SVM), pada total 10.507 ulasan. Data menunjukkan bahwa 74,37% ulasan mengungkapkan sentimen positif, sedangkan 25,63% mengungkapkan sentimen negatif. Hasil penelitian menunjukkan bahwa algoritma SVM dengan oversampling mencapai kinerja model terbaik, dengan recall sebesar 89,98%. Selain itu, peneliti menggunakan Latent Dirichlet Allocation (LDA) untuk mengidentifikasi topik terkait dengan perspektif pelanggan tentang Segari yang selanjutnya disampaikan kepada tim terkait. Hasil analisis mengungkapkan bahwa terdapat pelanggan yang puas dan kecewa dengan proses pengiriman produk. Pelanggan umumnya sudah puas dengan kualitas dan kesegaran dari produk. Beberapa pelanggan merasa kecewa karena pesanan yang kosong atau tidak lengkap dalam paket. Terdapat pelanggan yang puas dan kecewa terhadap aplikasi antarmuka pengguna, kecepatan, maupun kinerja aplikasi. Terdapat pelanggan yang puas dan kecewa terhadap harga, promo, dan voucher yang tersedia. Beberapa pelanggan merasa kecewa terhadap servis yang diberikan oleh customer service. Secara keseluruhan, penelitian ini memperluas pengetahuan tentang metode analisis sentimen dan memberikan wawasan tentang melakukan penelitian terkait analisis sentimen dan ulasan pelanggan.

---

The rapid development of information and communication technology demands innovation in application development to keep up with such rapid advancement. Segari is one of the popular online supermarket service providers in Indonesia. Segari is a customer-centric company with a core value of being obsessed with its customers, prioritizing their needs. The lack of human resources and the abundance of customer reviews that need to be analyzed hinder the process of extracting information from these reviews. Therefore, a machine learning model is needed to automatically perform sentiment analysis and classify the reviews into positive or negative sentiments. The information extracted from sentiment analysis can be used as a reference to maintain service quality based on positive sentiments, while the results of negative sentiments can be used for evaluation to improve Segari's services and application. In this research, the implementation of a sentiment analysis model using customer reviews from the Google Play Store is discussed. The model development process includes data collection, data labeling, data preprocessing, feature extraction, sentiment classification model, model evaluation, and topic modeling. The researcher utilized two classification algorithms, Naive Bayes Classifier (NB) and Support Vector Machine (SVM), on a total of 10,507 reviews. The data shows that 74.37% of the reviews express positive sentiments, while 25.63% express negative sentiments. The results of the study indicate that the SVM algorithm with oversampling achieved the best model performance, with a recall of 89.98%. Additionally, the researcher used Latent Dirichlet Allocation (LDA) to identify topics related to customer perspectives on Segari, which will be communicated to the relevant team. The analysis revealed that some customers are satisfied while others are disappointed with the product delivery process. Customers generally expressed satisfaction with the quality and freshness of the products. Some customers felt disappointed due to missing or incomplete items in their orders. There were mixed opinions about the user interface, speed, and performance of the application. Customers also expressed satisfaction and dissatisfaction with the available prices, promotions, and vouchers. Some customers felt disappointed with the service provided by the customer service team. Overall, this paper extends knowledge of sentiment analysis methods and provides insights on conducting research related to sentiment analysis and customer reviews.

"

"Performa akademik adalah bagian penting dari suatu sekolah. Saat ini, sebagian besar sekolah di Indonesia masih jarang melakukan klasifikasi performa akademik siswa, sehingga diperlukan metode yang tepat untuk mengklasifikasikan siswa berdasarkan perfroma akademiknya.  Pada peneltian ini digunakan metode Nave Bayes Classifier (NBC) dan metode Support Vector Machine (SVM) untuk mengklasifikasikan performa akademik siswa SMAN 38 Jakarta. Metode NBC menghasilkan tingkat akurasi tertinggi sebesar 96%, recall 100%, precision 92.68% dan %. Sedangkan metode SVM dengan kernel linier menghasilkan tingkat akurasi tertinggi sebesar 98%, recall 100%, precision 96.42% dan f1-score.

---

Academic performance is an important part of a school. At present, most schools in Indonesia rarely classify students’ academic performance, so we need the right method to classify students based on their academic performance. In this research, the Nave Bayes Classifier (NBC) and Support Vector Machine (SVM) methods are used to classify academic performance of SMAN 38 Jakarta students’. The NBC method produces the highest accuracy 96%, recall 100%, precision 92.68% and f1-score  While the SVM method produces the highest accuracy 98%, recall 100%, precision 96.42% and f1-score  on linear kernels."