Hasil Pencarian  ::  Simpan CSV :: Kembali

"Teknologi blockchain telah merevolusi cara transaksi digital dilakukan dengan menciptakan platform terdesentralisasi yang meningkatkan keamanan dan transparansi setiap transaksi. Ethereum, salah satu cryptocurrency terkemuka memiliki volatilitas harga yang signifikan. Hal ini menjadi tantangan bagi para pedagang untuk dapat mengambil keputusan jual/beli yang tepat. Penelitian ini bertujuan untuk mengembangkan model prediksi keputusan jual dan beli Ethereum menggunakan metode machine learning. Data yang digunakan meliputi harga dan volume perdagangan Ethereum per menit dari 1 Februari 2024 hingga 7 Maret 2024. Hasil penelitian menunjukkan bahwa model XGBoost memiliki performa terbaik dengan akurasi prediksi sebesar 92.1% dan kecepatan komputasi rata-rata 0.29 detik per prediksi. Evaluasi feature importance mengungkapkan bahwa lebih dari 50% fitur dalam model tidak signifikan dan dapat dihapus untuk meningkatkan efisiensi komputasi. Penelitian ini berhasil mencapai tujuannya dengan mengembangkan model prediksi yang akurat dan efisien untuk membantu pedagang dalam mengambil keputusan jual/beli Ethereum.

---

Blockchain technology has revolutionized digital transactions by creating a decentralized platform that enhances security and transparency. Ethereum, a leading cryptocurrency, experiences significant price volatility, presenting challenges for traders in making accurate buy/sell decisions. This study aims to develop a predictive model for Ethereum buy and sell decisions using machine learning. The data utilized includes minute-by-minute price and trading volume of Ethereum from February 1, 2024, to March 7, 2024. The results indicate that the XGBoost model performs best, achieving a prediction accuracy of 92.1% and an average computation speed of 0.29 seconds per prediction. The feature importance evaluation revealed that over 50% of the features were insignificant and were removed to enhance computational efficiency. This research successfully developed an accurate and efficient predictive model, which can assist traders in making informed buy/sell decisions for Ethereum. Future research recommendations include integrating real-time sentiment data and exploring other machine learning methods to further improve model accuracy and performance."

"Ketidakpastian akibat pandemi COVID-19 mendorong investor mencari instrumen lindung nilai untuk meminimalkan risiko, yang dapat berupa aset lindung nilai atau safe-haven. Oleh karena itu, penelitian ini untuk mengetahui apakah bitcoin, ethereum, dan emas berperilaku sebagai aset lindung nilai dan safe-haven sebelum dan selama pandemi di Indonesia. Hal ini dapat dilihat dengan melihat pengaruh imbal hasil dan volatilitas pasar saham Indonesia terhadap return dan volatilitas bitcoin, ethereum, dan emas. Penelitian ini menggunakan model regresi linier sederhana dan regresi kuantil pada data harga penutupan harian yang diambil sebelum dan selama COVID-19. Studi ini menemukan bahwa mereka dapat menjadi aset lindung nilai dan safe-haven selama pandemi COVID-19 di Indonesia. Hal ini karena hasil menunjukkan bahwa ada beberapa korelasi yang signifikan antara aset. Hasil penelitian ini dapat membantu investor untuk menentukan aset mana yang dapat menjadi instrumen lindung nilai.

---

The uncertainty due to the COVID-19 pandemic has encouraged investors to look for value hedging instruments to minimize risk, which can be in the form of hedging assets or safe-haven assets. In response to it, this study aims to find out whether bitcoin, ethereum, and gold can behave as hedging and safe-haven assets before and during the pandemic in Indonesia. This can be done by looking at the effects of yields and volatility on the Indonesian stock market on the returns and volatility of bitcoin, ethereum, and gold. This study uses simple linear regression and quantile regression models on data of daily closing price taken before and during COVID-19. This study finds that they can be hedge and safe-haven assets during the COVID-19 pandemic in Indonesia. The results show that there are some significant correlations between assets. The research results can help investors to determine which assets can be hedging instruments."

"Penggunaan variabel berbasis jaringan pada model prediksi kebangkrutan perusahaan dengan metode XGBoost belum banyak ditemukan. Meskipun prediksi kebangkrutannya sudah dikaji secara luas dan beragam, namun sebagian besar masih berfokus pada penggunaan variabel finansial. Dampak sistemik kebangkrutan dapat meluas hingga mengancam stabilitas sistem keuangan. Dampak sistemik yang diwaspadai terutama yang ditimbulkan oleh konglomerasi ataupun kelompok perusahaan. Hal ini memunculkan pertanyaan apakah kebangkrutan perusahaan di dalam satu kelompok akan saling berpengaruh dan menyebabkan efek sistemik di dalam kelompoknya. Sebelum kondisi buruk diketahui oleh pasar atau publik, otoritas pengawasan tersebut diharapkan dapat mendeteksi lebih awal kondisi buruk yang akan terjadi dan melakukan langkah-langkah konkrit yang diperlukan untuk menyelamatkan perusahaan secara khusus dan sistem perekonomian secara umum.Deteksi dini ini dibangun dengan mengembangkan model prediksi yang bekerja berdasarkan data historis, mampu memprediksi kebangkrutan, dan memetakan potensi dampak sistemiknya pada serangkaian perusahaan yang berelasi. Penelitian ini menggunakan data finansial dan relasional dari perusahaan yang terdaftar pada Bursa Efek Indonesia (BEI) mulai tahun 2010 hingga 2021. Data finansial yang digunakan adalah variabel neraca, rasio solvency, rasio profitability, dan rasio operasional. Data relasional terdiri dari 3 jenis relasi berdasarkan teori ultimate ownership, yaitu pemegang saham yang terdaftar pada laporan tahunan, dewan komisaris dan dewan direksi. Setelah melalui serangkaian literatur review dan eksperimen, metode machine learning XGBoost dipilih karena kemampuannya dalam melakukan prediksi dalam data yang tidak seimbang. Model akhir yang diusulkan adalah model prediksi kebangkrutan dengan tugas klasifikasi kelas bangkrut dan tidak, dengan metode XGBoost, menggunakan integrasi data masukan berupa variabel keuangan dan non-keuangan berbasis jaringan. Model ini terdiri dari pemrosesan input variabel keuangan dan relasional, prediksi dengan XGBoost pada 7 jenis integrasi data, pemilihan hasil prediksi akhir berdasarkan AUC yang terbaik, dan analisis potensi dampak sistemik dari jaringan terpilih berdasarkan model integrasi data terbaik di tahap sebelumnya.Model prediksi kebangkrutan ini sekaligus memberikan kontribusi dalam memvisualisasikan potensi dampak sistemik yang mungkin terjadi. Pada tahap prediksi kebangkrutan digunakan model integrasi data variabel finansial – non finansial. Model dengan integrasi data yang menghasilkan AUC terbaik digunakan pada tahap analisis potensi dampak sistemik. Berdasarkan luaran dari tahap 1, analisis dampaknya dipetakan sesuai relasi yang terbentuk dari jaringan yang bersesuaian dengan model terbaiknya. Hasil pengujian dengan data tes tahun 2019 untuk memprediksi kondisi 1 tahun ke depan menunjukkan AUC sebesar 90.20% dengan model integrasi data finansial – Shareholder. Model usulan memiliki AUC lebih baik dari model Tobback et. al., namun tidak lebih baik dari model Zhao et. al.Analisis potensi dampak sistemik memberikan gambaran jaringan yang terbentuk dengan node sumber adalah perusahaan yang diprediksi bangkrut yang terhubung dengan perusahaan yang berelasi berdasarkan Shareholder. Besar kecilnya edge menggambarkan kuat lemahnya relasi yang ada. Penelitian disertasi ini berhasil membangun model prediksi kebangkrutan dengan variabel finansial dan relasional berbasis jaringan ultimate ownership dengan AUC lebih dari 90%. Hasil disertasi ini juga memberikan pandangan baru dalam melakukan deteksi konglomerasi dan analisis potensi dampak sistemik dari relasi yang ada.

---

The application of network-based variables in the company’s bankruptcy prediction model with XGBoost method has not been widely found.. While bankruptcy prediction has been widely and diversely examined, most of them still focus on the use of financing variables. The systemic consequences of bankruptcy can jeopardize the stability of the financial system. The systemic impact under scrutiny primarily arises from conglomerates or corporate organizations. This prompts an inquiry into whether the insolvency of enterprises within a group may impact one another and induce systemic repercussions inside or outside the group. Prior to the market or public awareness of adverse situations, the regulatory body is anticipated to identify these detrimental circumstances early and implement necessary measures to preserve the company specifically and the economic system broadly.

This early detection is established through the creation of a predictive model that utilizes historical data to forecast bankruptcy and assess its potential systemic effects on a network of interconnected enterprises. This research utilizes financial and relational data from firms registered on the Indonesia Stock Exchange (IDX) spanning the years 2010 to 2021. The financial statistics utilized comprise balance sheet variables, solvency ratios, profitability ratios, and operating ratios. Relational data comprises three categories of relations according to the ultimate ownership theory: shareholders identified in the annual report, the board of commissioners (BoC), and the board of directors (BoD). Following an extensive analysis of research and experimentation, the XGBoost machine learning algorithm was selected as the model base due to its efficacy in predicting outcomes within unbalanced datasets. The final proposed model is a bankruptcy prediction model with the task of classifying bankrupt and non-bankrupt classes, with the XGBoost method, using network-based integration of input data in the form of financial and non-financial variables. This model consists of processing financial and relational variable inputs, prediction with XGBoost on 7 types of data integration, selecting the final prediction results based on the best AUC, and analyzing the potential systemic impact of the selected network based on the best data integration model in the previous stage.

This bankruptcy prediction model also contributes to visualizing the potential systemic impacts that may occur. At the bankruptcy prediction stage, a data integration model of financial and non-financial variables is used. The model of data integration exhibiting the highest AUC results is employed at the stage of analyzing potential systemic impacts. The expected impact is delineated based on the output from prior stage, according to the relationships established within the network of the optimal model. The test results utilizing 2019 data to forecast situations one year in advance demonstrated an AUC of 90.20% with the integration model of financial – Shareholder variables. The proposed model has a better AUC than the Tobback et. al., but not better than the Zhao et. al. model. The analysis of potential systemic impacts provides a picture of the network formed with the source node being a company predicted to go bankrupt that is connected to a company related to Shareholders. The size of the edge describes the strength of the existing relationship.

This dissertation research has succeeded in building a bankruptcy prediction model with financial and relational variables based on the ultimate ownership network with an AUC of more than 90%. The results of this dissertation also provide new insights into detecting conglomerates and analyzing the potential systemic impacts of existing relationships."

"Perkembangan teknologi informasi telah membantu masyarakat dunia dalam berbagai lini kehidupan, termasuk bagi pelaku seni yang memiliki permasalahan dalam karya seninya. Dengan adanya teknologi, pelaku seni saat ini telah dimudahkan karena dapat memasarkan hasil karyanya ke seluruh dunia dengan mengubahnya menjadi token yang dapat diperdagangkan atau dikenal dengan istilah non-fungible token. Non-fungible token telah membantu para pelaku seni untuk dapat menjual, mengkomersilkan, dan memperdagangkan hasil seninya termasuk dengan komunitas didalamnya. Media perdagangan terbesar yang mewadahi proses transaksi ini salah satunya adalah Opensea. Transaksi di e-commerce Opensea dilakukan dengan menggunakan mata uang kripto berupa ethereum. Namun demikian, proses transaksi tersebut berpotensi batal demi hukum apabila dilakukan oleh masyarakat Indonesia mengingat eksistensi kripto yang hanya diakui sebagai komoditas. Hasil penelitian ini mengungkapkan bahwa transaksi NFT yang dilakukan dengan aset digital berupa mata uang kripto memiliki payung hukum karena dapat dianggap sebagai sebuah perjanjian tukar menukar benda digital. Penelitian ini menggunakan metode penelitian yuridis-normatif dengan pendekatan perundang-undangan. Penelitian menggunakan alat berupa studi dokumen peraturan perundang-undangan, penelusuran literatur, yang didukung dengan wawancara terhadap narasumber dari instansi terkait dengan pendekatan kualitatif.

---

Information technology existence has helped the world community in various lines of life, including for artists who have problems in their works of art. With technology, it is easier to promote their work to the world by turning them into tradable tokens or known as non-fungible tokens. Non-fungible tokens have helped artists to sell, commercialize, and trade their art, including activating the community. One of the biggest e-commerce that accommodates this transaction process is Opensea. Opensea required the users to use cryptocurrency-ethereum to do the transaction. However, based on the Indonesia regulation, the transaction has potential to be null and void considering the existence of crypto in Indonesia only recognized as commodity. The results shows that NFT transactions as digital assets using cryptocurrency-ethereum on e-commerce Opensea has legal basis that the transaction can be recognized as an exchange system. This study uses a juridical-normative research method with statutory approach. Study of legal documents, literature research, and a series of in-depth interviews from related government institutions are used as tools of data collection with qualitative approach."

"Beras merupakan bahan pangan pokok dengan tingkat kebutuhan tinggi di kawasan Asia Tenggara, termasuk Indonesia yang menjadi produsen padi terbesar di kawasan ini. Sektor pertanian, khususnya produksi padi, berperan penting dalam mendukung misi Sustainable Development Goals (SDGs) untuk mencapai ketahanan pangan. Namun, tantangan seperti alih fungsi lahan dan perubahan iklim mengancam keberlanjutan produksi padi, termasuk di Kabupaten Indramayu, salah satu lumbung padi utama di Jawa Barat. Untuk mendukung pengelolaan lahan pertanian yang berkelanjutan, pemetaan padi berbasis pengindraan jauh menjadi solusi yang efisien, memanfaatkan teknologi satelit seperti Sentinel-2 dan Landsat-8. Penelitian ini bertujuan untuk memetakan distribusi padi di Kabupaten Indramayu dengan mengintegrasikan metode Convolutional Neural Network (CNN) untuk ekstraksi fitur spektral-temporal dan algoritma Extreme Gradient Boosting (XGBoost) untuk klasifikasi. Hasil penelitian menunjukkan bahwa skema fitur terbaik, yaitu kombinasi data Raw Spectral Bands dengan NDVI, menghasilkan tingkat Overall Accuracy tertinggi sebesar 98,90%. Selain itu, metrik evaluasi lainnya seperti Recall, Precision, dan F1-Score juga menunjukkan hasil tertinggi, masing-masing sebesar 98,90%, yang mencerminkan kemampuan model yang konsisten dalam membedakan area padi dan non-padi. Model CNN-XGBoost menunjukkan kinerja yang lebih baik dibandingkan model CNN murni, dengan akurasi yang lebih tinggi dan hasil evaluasi yang lebih optimal. Dengan memanfaatkan data multispektral dan multitemporal dari kedua satelit, penelitian ini memberikan kontribusi signifikan dalam mendukung pengambilan keputusan berbasis data untuk pengelolaan pertanian yang berkelanjutan, sekaligus memperkuat upaya ketahanan pangan nasional.

---

Rice is a staple food with high demand in Southeast Asia, including Indonesia, which is the largest rice producer in the region. The agricultural sector, particularly rice production, plays a crucial role in supporting the Sustainable Development Goals (SDGs) for achieving food security. However, challenges such as land conversion and climate change threaten the sustainability of rice production, including in Indramayu Regency, one of the main rice granaries in West Java. To support sustainable agricultural land management, rice mapping based on remote sensing provides an efficient solution, utilizing satellite technologies such as Sentinel-2 and Landsat-8. This study aims to map the distribution of rice in Indramayu Regency by integrating the Convolutional Neural Network (CNN) method for spectral-temporal feature extraction and the Extreme Gradient Boosting (XGBoost) algorithm for classification. The results show that the best feature scheme, a combination of Raw Spectral Bands and NDVI, achieves the highest Overall Accuracy of 98.90%. Additionally, other evaluation metrics such as Recall, Precision, and F1-Score also show the highest values, each at 98.90%, reflecting the model's consistent ability to distinguish between rice and non-rice areas. The CNN-XGBoost model outperforms the pure CNN model, with higher accuracy and better evaluation results. By utilizing multispectral and multitemporal data from both satellites, this study significantly contributes to data-driven decision-making for sustainable agricultural management, while strengthening national food security efforts."

"Fraud atau kecurangan merupakan salah satu permasalahan yang masih dihadapi oleh industri asuransi dan masih memberikan kerugian yang sangat besar bagi industri ini. Biaya yang dikeluarkan pun untuk mengatasi permasalahan ini masih cukup besar, untuk itu dikembangkanlah sebuah model machine learning untuk membantu pencegahan terjadinya fraud pada asuransi. Salah satu model yang sedang sangat berkembang adalah model Imbalance-XGBoost, penelitian ini dilakukan untuk meninjau kemampuan model Imbalance-XGBoost dalam mendeteksi fraud sebagai langkah pencegahan fraud pada asuransi. Penelitian ini berhasil mendapati bahwa Imbalance-XGBoost memiliki performa yang lebih baik jika dibandingkan dengan model dasarnya yaitu XGBoost tanpa penanganan kelas tidak seimbang.

---

Fraud or dishonesty is one of the persistent challenges faced by the insurance industry and continues to result in significant losses for the industry. The costs incurred to address this issue are also quite substantial. Therefore, a machine learning model has been developed to assist in preventing insurance fraud. One of the models that is currently gaining traction is the Imbalance-XGBoost model. This research was conducted to assess the ability of the Imbalance-XGBoost model in detecting fraud as a preventive measure in insurance. The study found that Imbalance-XGBoost performs better compared to its base model, XGBoost, which does not handle imbalanced classes."

"

Saat ini, listrik merupakan sumber daya yang sangat penting untuk semua orang dalam menunjang aktivitas sehari-hari yang mereka lakukan. Masyarakat dimudahkan dengan banyaknya metode pembayaran tagihan listrik yang bisa mereka pilih. Pada skripsi ini dilakukan penggunaan teknologi Blockchain dalam sistem pembayaran tagihan listrik. Teknologi Blockchain adalah teknologi yang memungkinkan transaksi dilakukan secara terdesentralisasi, transparan, dan aman. Dalam skripsi ini dijelaskan secara sederhana tentang teknologi Blockchain serta bagaimana teknologi ini dapat diterapkan dalam sistem pembayaran tagihan listrik di indonesia dengan membuat sebuah situs web yang dapat digunakan oleh pengguna untuk melakukan pembayaran tagihan listrik elektronik berbasis Blockchain dengan Ethereum sebagai jaringan blockchain yang digunakan. Dari 3 pilihan gas fee yang diujikan sebanyak 10x percobaan, pilihan “aggressive” adalah pilihan yang tepat apabila pengguna ingin proses transaksi yang cepat (4.5s), pilihan “market” cocok untuk pengguna yang baru pertama kali mencoba dan ingin mengikuti standar yang telah ditetapkan oleh metamask (9.4s). Pilihan “low” adalah pilihan yang paling nyaman para pengguna yang mengutamakan fungsi dan tidak mementingkan kecepatan transaksi (18.8s).

---

Nowadays, electricity is a very important resource for everyone to support their daily activities. People are facilitated by the various methods to pay electricity bills that are available for them. In this research, Blockchain technology is used in the electricity bill payment system. Blockchain technology is a technology that allows transactions to be carried out in a decentralized, transparent, and secure manner. This research explained about Blockchain technology and how this technology can be applied in the electricity bill payment system in Indonesia by creating a website that can be used by users to pay their electricity bills with Ethereum as the blockchain network. Of the three gas fee options tested, “aggressive” option is the right choice if users want a fast transaction process (4.5s), “market” option is suitable for first-time users and wants to follow the standards set by metamask (9.4s). The “low” option is the most comfortable choice for users who prioritize function and are less concerned with transaction speed (18.8s)."

"Seiring dengan perkembangan teknologi komunikasi data yang tinggi, permasalahan yang dihadapi pun semakin bervariasi. Salah satu permasalahan yang sering dialami adalah cyber attack, permasalahan ini dapat mengakibatkan kerugian tidak hanya informasi yang bocor, namun juga kerugian secara finansial yang diakibatkan dari transaksi illegal yang memanfaatkan informasi pribadi pengguna yang bocor, serta kerugian lainnya. Dengan adanya permasalahan ini, penulis berinisiatif dalam mengusung model deteksi anomali berdasarkan dataset NSL-KDD menggunakan machine learning model XGBoost dengan Optuna Tuning. XGBoost merupakan machine learning model yang mampu mengatasi overfitting pada simulasi yang diusulkan, dengan kombinasi Optuna Tuning, model machine learning yang diusung mampu bekerja efisien akibat dari adanya optimasi hyperparameter secara otomatis. Kinerja model yang diusulkan penulis berhasil mendapatkan akurasi 99,56%, dengan nilai precision 98,16%, nilai recall 99,82%, dan untuk nilai f-1 score 99,61%. Berdasarkan hasil simulasi tersebut menunjukkan bahwa model yang diusulkan penulis berhasil mendeteksi adanya anomali pada trafik serta memiliki sensitivitas yang tinggi.

---

Along with the development of high data communication technology, the problems faced are increasingly varied. One of the problems that is often experienced is in form of cyber attacks, this problem affected to losses, not only leaked information which occred, but also financial losses caused by illegal transactions that utilized by using user personal information, as well as other losses. In concern of facing this problem, the author takes an initiative in carrying out an anomaly detection model based on the NSL-KDD dataset using XGBoost, machine learning model with Optuna Tuning. XGBoost is a machine learning model that is able to overcome overfitting in the proposed simulation, with a combination of Optuna Tuning, this machine learning model is able to work efficiently due to automatic hyperparameter optimization. That statement is proven by the performance of the model succesfully manage to get an accuracy of 99.56%, with a precision value of 98.16%, a recall value of 99.82%, and for an f-1 value of 99.61%. Based on the results of the simulation, it shows that the model proposed by the author has successfully detected anomalies in traffic and has a high sensitivity"

"Kasus illegal fishing yang marak di Indonesia menyebabkan kerugian besar bagi industri perikanan. Selain itu, proses klasifikasi jenis ikan dan penentuan beratnya memakan waktu yang lama. Penelitian ini mengembangkan sistem prediksi jenis ikan dan beratnya untuk meningkatkan efisiensi hasil tangkapan. Model object detection dan segmentation menggunakan arsitektur YOLOv8 (You Only Look Once), sementara prediksi berat ikan dilakukan dengan decision tree, random forest, XGBoost, dan ANN. Ada 5 metode eksperimen yang dilakukan untuk mendapatkan model object detection dan instance segmentation terbaik, yaitu yang pertama membandingkan arsitektur small, medium, dan large dari model YOLOv8 untuk mengetahui arsitektur terbaik terhadap kemampuan mendeteksi dan mengsegmentasi objek, yang kedua melakukan tunning hyperparameter dari model terbaik di eksperimen 1 dengan mengubah variasi optimuzer serta dropout, yang ketiga membandingkan algoritma decision tree, random forest, dan XGBoost untuk mengetahui algoritma regresi terbaik untuk melakukan prediksi berat ikan, yang keempat adalah melakukan evaluasi dengan dataset tanpa dan dengan cumi untuk mengetahui pengaruh kelas cumi dalam kemampuan prediksi model, dan yang terakhir adalah melakukan hyperparameter tunning terhadap model terbaik dari eksperimen tiga, yaitu random forest dan ANN. Dari kelima eksperimen yang dilakukan didapatkan hasil model object detection dan instance segmentation terbaik menggunakan YOLOv8seg-m (medium) dengan optimizer SGD dan tanpa dropout mencapai metrics mAP0.5 sebesar 0.994, mAP0.5:0.95 sebesar 0.886, F1-score sebesar 0.985, IoU (mask) sebesar 0.828, dan IoU (box) sebesar 0.846. Model prediksi berat terbaik adalah random forest dengan R2 sebesar 0.994, MAE sebesar 6.051, MSE sebesar 124.058, dan RMSE sebesar 11.138. Kata kunci: fish monitoring, computer vision, deep learning, object detection, instance segmentation, YOLOv8.

---

The widespread occurrence of illegal fishing in Indonesia has caused significant losses to the fishing industry. Additionally, the process of classifying fish species and determining their weight is time-consuming. This study develops a system to predict fish species and weight to improve the efficiency of catch results. The object detection and segmentation model uses the YOLOv8 (You Only Look Once) architecture, while fish weight prediction is performed using decision tree, random forest, XGBoost, and ANN. Five experimental methods were conducted to obtain the best object detection and instance segmentation model: the first compared the small, medium, and large architectures of the YOLOv8 model to determine the best architecture for object detection and segmentation capabilities; the second tuned the hyperparameters of the best model from experiment 1 by varying the optimizer and dropout; the third compared decision tree, random forest, and XGBoost algorithms to determine the best regression algorithm for fish weight prediction; the fourth evaluated the dataset with and without squid to understand the influence of the squid class on the model's prediction ability; and the last performed hyperparameter tuning on the best models from experiment three, namely random forest and ANN. From the five experiments conducted, the best object detection and instance segmentation model was found using YOLOv8seg-m (medium) with the SGD optimizer and no dropout, achieving metrics of mAP0.5 of 0.994, mAP0.5:0.95 of 0.886, F1-score of 0.985, IoU (mask) of 0.828, and IoU (box) of 0.846. The best weight prediction model was random forest with an R2 of 0.994, MAE of 6.051, MSE of 124.058, and RMSE of 11.138."

"Pembangkit listrik virtual merupakan pengembangan sistem transaksi energi listrik secara terdesentralisasi. Penelitian ini membahas perancangan dan implementasi sistem transaksi energi listrik dengan pemodelan konsep pembangkit listrik virtual yang diterapkan menggunakan smart contract berbasis blockchain Ethereum. Sistem transaksi energi terdiri dari smart contract, decentralized application berbasis website dan kWh meter. Hasil penelitian didapatkan bahwa sistem transaksi berhasil berjalan dengan skenario produksi memenuhi konsumsi, produksi tidak memenuhi konsumsi tetapi sistem tidak presisi dengan skenario produksi melebihi konsumsi. Nilai posisi transaksi dipengaruhi harga Gas dan data transaksi. Besar biaya Ether untuk transaksi dipengaruhi harga Gas dan data transaksi. Waktu yang dibutuhkan untuk melakukan pemanggilan data blockchain dipengaruhi jumlah data pada tipe data integer dan string.

---

Virtual power plant is a decentralized development of electrical energy transaction systems. This study discusses the design and implementation of electrical energy transaction systems by modeling the concept of virtual power plants that are implemented using Ethereum blockchain-based smart contracts. The energy transaction system consists of a smart contract, decentralized application websitebased and kWh meter. The results showed that the transaction system was successful with the production scenario meeting consumption, production did not meet consumption, but the system was not precise with the production scenario exceeding consumption. Transaction position value is influenced by Gas price and transaction data. The Ether fee for the transaction is influenced by Gas prices and transaction data. The time needed to call blockchain data is influenced by the amount of data in the integer and string data types."