http://repository.ipb.ac.id/handle/123456789/151168 Undergraduate Theses on School of Data Science, Mathematic and Informatics 2026-04-26T01:43:17Z http://repository.ipb.ac.id/handle/123456789/172974 Identifikasi Faktor Penting dalam Klasifikasi Pengalaman Kerawanan Pangan di Pulau Papua dengan Ensemble Variable Importance Berbasis Algoritma Genetika Riyanto, Indra Mahib Zuhair Variable importance (VI) merupakan aspek penting dalam model machine learning (ML). Namun, algoritma ML yang berbeda sering kali menghasilkan peringkat VI yang berbeda, sehingga menyulitkan interpretasi. Penelitian ini mengkaji permasalahan tersebut dalam kasus klasifikasi kerawanan pangan di wilayah rentan Pulau Papua, di mana tingginya angka kemiskinan dan keterbatasan akses layanan dasar memerlukan intervensi yang tepat sasaran. Penelitian ini menggunakan data Survei Sosial Ekonomi Nasional Maret 2024 yang mencakup 11.016 rumah tangga. Penelitian ini melatih empat model ML, yaitu Random Forest, XGBoost, Multilayer Perceptron, dan Regresi Logistik, dengan strategi penanganan ketidakseimbangan kelas untuk mengklasifikasikan status kerawanan pangan berdasarkan Food Insecurity Experience Scale. Algoritma Genetika akan digunakan untuk menyusun ensemble variable importance (EVI) dengan memaksimalkan rata-rata terboboti dari korelasi Spearman setiap model ML dengan peringkat EVI. Pendekatan EVI berhasil mengintegrasikan berbagai VI model ML dengan rata-rata terboboti korelasi Spearman sebesar 0.912. Lima faktor utama yang teridentifikasi adalah provinsi, persentase pengeluaran rumah tangga untuk makan, proporsi kepemilikan tabungan dalam rumah tangga, status kelayakan bahan lantai, dan luas lantai bangunan per jiwa. Dominasi peubah provinsi mendorong analisis lebih lanjut dengan pendekatan clustering, yang mengungkapkan bahwa relevansi faktor ekonomi bervariasi antar wilayah. Hasil penelitian ini menunjukkan kemampuan EVI dalam menghasilkan suatu peringkat kepentingan peubah yang representatif ketika terdapat variasi VI antarmetode ML. Hasil EVI yang didapat juga menunjukkan perlunya strategi intervensi berbasis wilayah guna mengatasi kerawanan pangan di wilayah rentan Pulau Papua. 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/172969 Pendeteksian Anomali Data Jumlah Wisatawan Mancanegara di Indonesia dengan Metode Copula-Based Outlier Detection Prayoga, Nabil Bintang Anomali adalah pengamatan yang menyimpang dari pola historis dan dapat muncul dari hubungan ketergantungan antarpeubah. Copula-based outlier detection (COPOD) mengakomodasi beberapa peubah menggunakan distribusi marginal empiris dan struktur ketergantungan ekor untuk mengidentifikasi anomali. Penelitian ini bertujuan mendeteksi anomali data jumlah wisatawan mancanegara di Indonesia dengan mempertimbangkan peubah inflasi dan nilai tukar rupiah serta mengevaluasi penanganan anomali terhadap performa peramalan long short-term memory (LSTM). Data bulanan dari Januari 2000 hingga Desember 2025 yang diperoleh dari CEIC Data, Badan Pusat Statistik, dan Bank Indonesia digunakan dalam penelitian. Analisis mencakup eksplorasi data dan pembentukan feature engineering berdasarkan struktur data serta identifikasi lag, pendeteksian anomali menggunakan COPOD, dilanjutkan peramalan LSTM. Pendeteksian dilakukan berdasarkan dua belas peubah hasil feature engineering dan teridentifikasi sebelas periode sebagai anomali. Hasil peramalan menunjukkan akurasi lebih baik pada model sesudah penanganan dengan mean absolute percentage error, root mean square error, dan korelasi sebesar 7,494%, 99233, dan 0,864 pada data uji. Keefektifan tersebut tidak dapat dipisahkan dari ketepatan pendeteksian anomali. Penelitian lanjutan diharapkan dapat menambah peubah relevan dan mengembangkan feature engineering.; Anomalies are observations that deviate from historical patterns and can arise from dependencies between variables. Copula-based outlier detection (COPOD) accommodates multiple variables using empirical marginal distributions and tail dependence structures to identify anomalies. This study aims to detect anomalies in the number of international tourists in Indonesia by considering the variables of inflation and the rupiah exchange rate, as well as to evaluate the handling of anomalies on the forecasting performance of long short-term memory (LSTM). Monthly data from January 2000 to December 2025 obtained from CEIC Data, Statistics Indonesia, and Bank Indonesia were used in the study. The analysis includes data exploration and the development of feature engineering based on the data structure and lag identification, anomaly detection using COPOD, followed by LSTM forecasting. Detection was carried out based on twelve variables resulting from feature engineering, and eleven periods were identified as anomalies. The forecasting results show better accuracy in the model after handling with a mean absolute percentage error, root mean square error, and correlation of 7.494%, 99233, and 0.864 on the test data. This effectiveness cannot be separated from the accuracy of anomaly detection. Further research is expected to add relevant variables and develop feature engineering. 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/172929 Implementasi Model IndoBERT Untuk Menangani Ketidakseimbangan Data Dalam Analisis Sentimen Ulasan Aplikasi KAI Access Listyowati, Dyah Analisis sentimen adalah proses pengolahan data tekstual untuk meneliti pendapat atau opini mengenai entitas tertentu. Analisis sentimen dapat diterapkan dalam berbagai hal, salah satunya pada aplikasi KAI Access. Penelitian ini menggunakan 4359 data ulasan aplikasi KAI Access dari bulan Juni 2025-Agustus 2025 yang diklasifikasikan ke kelas positif, negatif dan netral. Penelitian akan mengimplementasikan IndoBERT, salah satu model Bidirectional Encoder Representation from Transformers (BERT) monolingual dengan penerapan Synthetic Minority Over-sampling Technique dan Random Oversampling sebagai metode penanganan yang sering digunakan untuk menangani data tak seimbang. Tujuan dari penelitian ini adalah mengimplementasikan metode untuk penanganan data tak seimbang dan membandingkan model untuk menangani ketidakseimbangan sentimen ulasan pengguna pada aplikasi KAI Access. Data akan dibagi menjadi tiga yaitu 80% data latih, 10% data validasi dan 10% data uji. Penelitian ini menggunakan tiga skenario yaitu IndoBERT, IndoBERT dengan SMOTE, dan IndoBERT dengan ROS. Dari ketiga skenario tersebut, akurasi yang dihasilkan oleh model IndoBERT tanpa penanganan memiliki hasil yang terbaik namun evaluasi mendalam menunjukan bahwa model dengan SMOTE memiliki performa yang baik untuk kelas minor pada kasus data tak seimbang. 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/172924 Penentuan Premi Asuransi Jiwa Berjangka Last Survivor dengan Model Copula GFGM Tipe II dan Suku Bunga Hull-White Putri, Annisa Aulia Kematian merupakan risiko yang tidak dapat diprediksi dari sisi waktu maupun dampaknya dan berpotensi menimbulkan permasalahan keuangan pada keluarga yang ditinggalkan, sehingga asuransi jiwa berjangka last survivor dapat digunakan untuk memberikan perlindungan keuangan tersebut. Penentuan premi produk tersebut memerlukan pemodelan yang tepat terhadap ketidakpastian suku bunga dan ketergantungan mortalitas. Penelitian ini bertujuan menentukan premi tahunan asuransi jiwa berjangka last survivor dengan model suku bunga stokastik Hull-White dan ketergantungan mortalitas menggunakan Copula GFGM Tipe II. Model Hull-White menggambarkan fluktuasi suku bunga dalam proses pendiskonan nilai sekarang manfaat dan anuitas sehingga menghasilkan estimasi premi yang lebih realistis dibandingkan dengan asumsi suku bunga konstan. Penelitian menunjukkan bahwa peningkatan nilai korelasi Spearman antar tertanggung menyebabkan peningkatan nilai sekarang manfaat dan premi tahunan. Hal tersebut mengindikasikan bahwa ketergantungan mortalitas yang lebih kuat meningkatkan risiko pembayaran manfaat dalam jangka waktu yang lebih singkat atau antar tertanggung memilik jarak kematian yang berdekatan sehingga berdampak pada besar premi yang harus dibayarkan.; Death is an unpredictable risk in terms of timing and impact, and has the potential to cause financial problems for the family left behind. Therefore, last survivor term life insurance can be used to provide such financial protection. Determining the premium for this product requires accurate modeling of interest rate uncertainty and mortality dependence. This study aims to determine the annual premium for last survivor term life insurance using the Hull-White stochastic interest rate model and mortality dependence using the GFGM Type II Copula. The Hull-White model describes interest rate fluctuations in the discounting process of present value benefits and annuities, resulting in more realistic premium estimates compared to constant interest rate assumptions. The study shows that an increase in the Spearman correlation coefficient between insured persons leads to an increase in the present value of benefits and annual premiums. This indicates that stronger mortality dependence increases the risk of benefit payments in a shorter period of time or between insured persons who have a close mortality gap, thereby affecting the amount of premiums that must be paid. 2026-01-01T00:00:00Z