http://hdl.handle.net/123456789/53 Fri, 15 May 2026 02:18:43 GMT 2026-05-15T02:18:43Z http://hdl.handle.net/123456789/62551 Analisis Pengaruh Indikator terhadap Harga Saham Bank Konvensional Pada Papan Utama di Bei Menggunakan Regresi Data Panel Sari, Anggita Nur Permata Penelitian ini bertujuan untuk menganalisis pengaruh indikator yang meliputi Return on Assets (ROA), Return on Equity (ROE), Capital Adequacy Ratio (CAR), Non-Performing Loan (NPL), Net Interest Margin (NIM), Loan to Deposit Ratio (LDR), dan Biaya Operasional terhadap Pendapatan Operasional (BOPO) terhadap harga saham bank konvensional yang tercatat di papan utama Bursa Efek Indonesia periode 2011–2024. Penelitian ini menggunakan pendekatan kuantitatif dengan metode regresi data panel. Berdasarkan hasil pengujian pemilihan model, diperoleh Random Effect Model (REM) sebagai model terbaik. Hasil penelitian menunjukkan bahwa secara simultan seluruh variabel independen berpengaruh signifikan terhadap harga saham. Namun, secara parsial hanya ROA, CAR, BOPO, dan LDR yang berpengaruh signifikan, sedangkan ROE, NPL, dan NIM tidak berpengaruh signifikan terhadap harga saham. ROA dan BOPO berpengaruh negatif, sedangkan CAR dan LDR berpengaruh positif terhadap harga saham.Temuan ini mengindikasikan bahwa profitabilitas berbasis aset, kecukupan modal, efisiensi operasional, dan pengelolaan likuiditas menjadi faktor utama yang memengaruhi persepsi investor dalam menilai kinerja perbankan. Penelitian ini diharapkan dapat memberikan implikasi bagi manajemen bank dalam meningkatkan kinerja keuangan, bagi investor sebagai bahan pertimbangan dalam pengambilan keputusan investasi, serta bagi regulator dalam memperkuat stabilitas sektor perbankan. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/123456789/62551 2026-01-01T00:00:00Z http://hdl.handle.net/123456789/62543 Implementasi Metode Light Gradient Boosting Machine (LightGBM) untuk Klasifikasi pada Data Bioinformatika (Studi Kasus : Data GSE231629) Yuntoro, Ayu Setianingsih Kanker payudara memiliki heterogenitas molekuler yang tinggi sehingga menyebabkan perbedaan respons pasien terhadap kemoterapi neoadjuvant. Oleh karena itu, diperlukan metode klasifikasi yang akurat berbasis data ekspresi gen. Penelitian ini bertujuan untuk mengimplementasikan metode Light Gradient Boosting Machine (LightGBM) dalam mengklasifikasikan subtipe kanker payudara menggunakan data microarray GSE231629. Data yang digunakan merupakan data sekunder dari National Center for Biotechnology Information (NCBI) dengan 109 sampel pasien kanker payudara wanita berstatus ER-positif dan HER2-normal. Tahapan analisis meliputi pre- processing menggunakan metode Robust Multi-array Average (RMA), filtering gen, feature selection hingga diperoleh 40 gen terpilih, penanganan data tidak seimbang menggunakan SMOTE, serta klasifikasi menggunakan LightGBM. Evaluasi model dilakukan menggunakan confusion matrix dan ROC-AUC. Hasil penelitian menunjukkan bahwa model LightGBM menghasilkan akurasi sebesar 38,1% dengan nilai AUC keseluruhan 0,707. Nilai AUC tertinggi diperoleh pada subtipe Basal-like sebesar 0,907. Selain itu, LightGBM mampu mengidentifikasi gen penting seperti LMNA, RHBDL2, dan MKX yang berkontribusi dalam proses klasifikasi. Hasil ini menunjukkan bahwa LightGBM memiliki potensi dalam analisis data ekspresi gen kanker payudara. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/123456789/62543 2026-01-01T00:00:00Z http://hdl.handle.net/123456789/62508 Analisis Perbandingan Algoritma LSTM dan BiLSTM untuk Analisis Sentimen Ulasan Pengguna Netflix di Playstore Adi, Lydia Nuraini Putri Penelitian ini bermula dari banyaknya ulasan pengguna aplikasi Netflix di Google Play Store yang sangat beragam, sehingga diperlukan sebuah sistem otomatis untuk memahami perasaan pengguna, apakah mereka merasa puas (positif) atau kecewa (negatif). Fokus utama penelitian ini adalah membandingkan dua teknologi kecerdasan buatan, yaitu algoritma LSTM dan BiLSTM, untuk melihat mana yang lebih akurat dalam mengelompokkan ulasan tersebut. Peneliti menggunakan 13.000 data ulasan terbaru yang diambil melalui teknik pengambilan data otomatis (scrapping). Sebelum diolah, teks ulasan tersebut melewati tahap pembersihan (preprocessing), seperti menghapus karakter aneh, mengubah bahasa gaul menjadi bahasa baku, dan membuang kata sambung yang tidak penting. Hal ini bertujuan agar sistem lebih fokus pada kata kunci inti seperti "gagal" atau "bagus". Hasil pengujian menunjukkan bahwa model LSTM jauh lebih unggul dengan tingkat ketepatan (akurasi) mencapai 88,52%, sedangkan model LSTM hanya mencapai 84,22% dan lebih memahami konteks utuh dari ulasan pengguna. Secara keseluruhan, ditemukan bahwa ulasan negatif lebih mendominasi yaitu sebanyak 8.784 ulasan dibandingkan ulasan positif yang hanya berjumlah 4.239 ulasan. Keluhan utama pengguna umumnya berkaitan dengan masalah teknis seperti kendala saat masuk akun (login), proses pembayaran yang sulit, dan aplikasi yang sering macet, meskipun mereka sangat menyukai keragaman isi film yang ditawarkan. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/123456789/62508 2026-01-01T00:00:00Z http://hdl.handle.net/123456789/62451 Pengendalian Persediaan Probabilistik Berdasarkan Clustering Dynamic Time Warping Pada Periodic Review dan Continuous Review System (Studi Kasus : Retail Batik X di DIY) Riyadi, Rahmat Industri ritel batik menghadapi dinamika permintaan yang tinggi akibat pengaruh tren dan faktor musiman sehingga memerlukan pengelolaan persediaan yang efisien dengan pendekatan probabilistik untuk meminimalkan biaya dan risiko kekurangan stok. Penelitian ini bertujuan untuk menentukan model pengendalian persediaan paling optimal pada Ritel Batik X di Yogyakarta dengan mengintegrasikan metode time series clustering dan model persediaan probabilistik. Pengelompokan produk dilakukan menggunakan jarak Dynamic Time Warping dan algoritma K-Medoids yang mampu mengukur kemiripan pola permintaan secara fleksibel serta lebih robust terhadap outlier. Penentuan jumlah cluster optimum menggunakan metode elbow, silhouette, dan gap statistics menunjukkan nilai k optimal sebesar 2, yang menghasilkan dua kelompok utama yaitu cluster 1 terdiri dari 8 produk dengan volume penjualan tinggi dan cluster 2 terdiri dari 12 produk dengan volume penjualan rendah. Selanjutnya, perencanaan persediaan pada cluster dengan permintaan tinggi dilakukan menggunakan metode Periodic Review System dan Continuous Review System. Hasil perhitungan menunjukkan bahwa pada Periodic Review System diperoleh ukuran persediaan maksimum sebesar 14 unit dengan periode pemesanan 0,16 tahun atau sekitar 30 hari, sedangkan pada Continuous Review System diperoleh ukuran pemesanan optimal sebesar 17 unit dengan titik pemesanan kembali sebesar 1 unit. Perbandingan total biaya persediaan menunjukkan bahwa metode Continuous Review System lebih optimal dengan total biaya sebesar Rp4.482.931 dibandingkan metode Periodic Review System sebesar Rp4.513.850 sehingga perusahaan dapat menghemat biaya persediaan sebesar Rp30.919. Thu, 01 Jan 2026 00:00:00 GMT http://hdl.handle.net/123456789/62451 2026-01-01T00:00:00Z