Garuda - Garba Rujukan Digital

MODEL PREDIKSI FINANCIAL DISTRESS PADA PERUSAHAAN MANUFAKTUR SEKTOR INDUSTRI BARANG DAN KONSUMSI Herlina Herlina; Ahmad Ridho’i; Anggie Erma Yunita; Mega Puja Azhari; Ade Reynaldi Saputra
Teknika: Engineering and Sains Journal Vol 3, No 2 (2019): Desember 2019
Publisher : Universitas Maarif Hasyim Latif

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51804/tesj.v3i2.490.77-82

Kesulitan keuangan (financial distress) adalah sebuah tahapan yang akan dilalui oleh sebuah perusahaan sebelum mengalami kebangkrutan. Dengan alasan tersebut maka kemampuan untuk memprediksi kesulitan keuangan dapat menjadi informasi yang bermanfaat bagi perusahaan maupun investor. Penelitian mengenai financial distress sudah dimulai dari penelitian Altman pada tahun 1968 menggunakan metode Multiple Discriminant Analysis (MDA). Dimulai dari penelitian Altman, muncul penelitian-penelitian lainnya menggunakan pengembangan metode statistik, seperti Logistic Regression. Dari metode statistik kemudian berkembang dengan munculnya penelitian-penelitian menggunakan metode-metode kecerdasan buatan, serta algoritma evolusi untuk berusaha mendapatkan model prediksi financial distress yang akurat. Tujuan dari penelitian ini adalah untuk membandingkan tingkat akurasi dari model prediksi financial distress perusahaan manufaktur terbuka pada sektor industri barang konsumsi yang terdaftar pada Bursa Efek Indonesia menggunakan metode kecerdasan buatan serta algoritma evolusi. Metode yang digunakan untuk metode kecerdasan buatan adalah metode Support Vector Machines dan untuk model algoritma evolusi menggunakan metode Particle Swarm Optimization-Support Vector Machines. Tingkat akurasi dari masing-masing metode akan diukur dari prosentase misklasifikasi terkecil yang dihasilkan. Dari pengujian model menggunakan metode Support Vector Machines, didapatkan tingkat misklasifikasi terkecil sebesar 11,11% dengan menggunakan Kernel Linear dan untuk metode Particle Swarm Optimization-Support Vector Machines, didapatkan tingkat misklasifikasi terkecil sebesar 5,56% dengan menggunakan Kernel RBF, ? = 2.

Evaluasi Komparatif K-Means dan Fuzzy C-Means sebagai Metode Klasterisasi Hard dan Soft untuk Analisis Perilaku Dielektrik Minyak Transformator Terkontaminasi Logam Giovanni Dimas Prenata; Ahmad Ridho’I
JUTEKS Vol 13 No 1 (2026): JuTEkS (Jurnal Teknik Elektro dan Sains)
Publisher : Program Studi Teknik Elektro Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar

AbstrakPenelitian ini menganalisis struktur perilaku dielektrik minyak transformator yang terkontaminasi tembaga dan besi menggunakan metode K-Means dan Fuzzy C-Means (FCM). Sebanyak 324 data eksperimen yang terdiri atas jenis minyak, jenis kontaminan, konsentrasi, dan nilai Breakdown Voltage (BDV) dianalisis untuk mengidentifikasi pola degradasi. K-Means mencapai konvergensi sangat cepat dalam 7 iterasi, dengan nilai pergeseran centroid menurun dari 0,66591 hingga 0, serta membentuk tiga kelas dielektrik yang jelas sesuai tingkat kontaminasi 0,10 g, 0,15 g, dan 0,20 g. Sebaliknya, FCM memerlukan 200 iterasi untuk stabilisasi, dengan nilai perubahan keanggotaan maksimum menurun dari 0,615249 menjadi 3,29 × 10⁻⁵. Meskipun kedua metode menghasilkan tiga kelas utama yang sama, FCM menunjukkan adanya overlap signifikan pada konsentrasi menengah dengan nilai keanggotaan maksimum di bawah 0,7 pada sejumlah sampel. Hasil ini secara kuantitatif membuktikan bahwa degradasi dielektrik minyak transformator bersifat terstruktur namun berkembang secara progresif, serta mendukung penggunaan pendekatan pemodelan nonlinier dalam analisis BDV.Kata Kunci: Minyak Transformator, Breakdown Voltage, K-Means, Fuzzy C-Means, Degradasi Dielektrik, Kontaminasi Logam.

Evaluasi Komparatif K-Means dan Fuzzy C-Means sebagai Metode Klasterisasi Hard dan Soft untuk Analisis Perilaku Dielektrik Minyak Transformator Terkontaminasi Logam Giovanni Dimas Prenata; Ahmad Ridho’I
JUTEKS Vol 13 No 1 (2026): JuTEkS (Jurnal Teknik Elektro dan Sains)
Publisher : Program Studi Teknik Elektro Universitas Ibn Khaldun Bogor

Show Abstract | Download Original | Original Source | Check in Google Scholar

AbstrakPenelitian ini menganalisis struktur perilaku dielektrik minyak transformator yang terkontaminasi tembaga dan besi menggunakan metode K-Means dan Fuzzy C-Means (FCM). Sebanyak 324 data eksperimen yang terdiri atas jenis minyak, jenis kontaminan, konsentrasi, dan nilai Breakdown Voltage (BDV) dianalisis untuk mengidentifikasi pola degradasi. K-Means mencapai konvergensi sangat cepat dalam 7 iterasi, dengan nilai pergeseran centroid menurun dari 0,66591 hingga 0, serta membentuk tiga kelas dielektrik yang jelas sesuai tingkat kontaminasi 0,10 g, 0,15 g, dan 0,20 g. Sebaliknya, FCM memerlukan 200 iterasi untuk stabilisasi, dengan nilai perubahan keanggotaan maksimum menurun dari 0,615249 menjadi 3,29 × 10⁻⁵. Meskipun kedua metode menghasilkan tiga kelas utama yang sama, FCM menunjukkan adanya overlap signifikan pada konsentrasi menengah dengan nilai keanggotaan maksimum di bawah 0,7 pada sejumlah sampel. Hasil ini secara kuantitatif membuktikan bahwa degradasi dielektrik minyak transformator bersifat terstruktur namun berkembang secara progresif, serta mendukung penggunaan pendekatan pemodelan nonlinier dalam analisis BDV.Kata Kunci: Minyak Transformator, Breakdown Voltage, K-Means, Fuzzy C-Means, Degradasi Dielektrik, Kontaminasi Logam.

Thermal Behavior Clustering of High-Voltage Electrical Equipment Using K-Means and Fuzzy C-Means Giovanni Dimas Prenata; Ahmad Ridho’i
Elkom: Jurnal Elektronika dan Komputer Vol. 19 No. 1 (2026): Juli : Jurnal Elektronika dan Komputer
Publisher : STEKOM PRESS

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.51903/elkom.v19i1.3700

Thermal monitoring of high-voltage electrical equipment is an important aspect of maintaining the reliability and operational safety of electrical power systems. Conventional classification approaches generally require labeled data and are limited in representing transitional thermal conditions. Therefore, this study proposes an unsupervised learning approach using K-Means and Fuzzy C-Means (FCM) clustering methods to analyze thermal behavior patterns in high-voltage electrical equipment based on thermal image features. The proposed model utilizes two main features extracted from thermal images, namely the percentage of white regions (% white) and non-white regions (% non-white), where white regions represent high-temperature areas. A total of 12 thermal images were used in the clustering process. Experimental results showed that the K-Means algorithm converged after only 2 iterations, whereas FCM required 53 iterations to achieve convergence . Both methods successfully identified dominant thermal patterns corresponding to Normal, Warning, and Hazardous conditions. The most extreme thermal condition was observed in data sample 6, which had a white-region percentage of 83.2647% and was consistently classified as Hazardous by both K-Means and FCM . In addition, FCM demonstrated superior capability in representing transitional thermal conditions through membership values. Data sample 3, with a white-region percentage of 56.5476%, was classified as Hazardous by K-Means but categorized as Warning by FCM with a dominant membership value of 0.702543 . These results indicate that FCM provides more flexible thermal behavior representation compared with hard clustering approaches. Overall, the proposed clustering-based approach demonstrates significant potential for real-time thermal condition assessment and predictive maintenance applications in high-voltage electrical equipment.

Voice command classification for mobile robotic control using mel frequency cepstral coefficients and support vector machines Ratna Hartayu; Santoso Santoso; Ahmad Ridho’i; Ayusta Lukita Wardani; Yunus Awwalu Romadhon
Journal of Mechatronics, Electrical Power, and Vehicular Technology Vol 17, No 1 (2026)
Publisher : National Research and Innovation Agency

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.55981/j.mev.2026.1373

Voice command recognition plays a crucial role in enabling intuitive interaction in robotic and embedded control systems. This study proposes a voice command classification system based on Mel-frequency cepstral coefficients (MFCC) and support vector machine (SVM) using the Google speech commands dataset v2. Eight command classes (“down”, “go”, “left”, “no”, “right”, “stop”, “up”, and “yes”) were used. The dataset was divided into 80 % training and 20 % testing sets, with hyperparameter tuning performed using 5-fold cross-validation on the training data. MFCC feature extraction employed 13 static coefficients augmented with delta and delta-delta features, resulting in a 39-dimensional frame-level representation and a 78-dimensional utterance-level feature vector. Experimental results show that the SVM with radial basis function (RBF) kernel achieved optimal performance with parameters C = 100 and γ = 0.01, yielding 96.2 % accuracy, 96.5 % precision, 96.0 % recall, and 96.2 % F1 score. The inclusion of dynamic features improved accuracy by 4.7 % compared to static MFCCs. The system demonstrates a lightweight architecture suitable for low-resource environments; however, experiments were primarily conducted under clean conditions, and robustness evaluation was limited to a single noise level (20 dB SNR). Furthermore, real-time deployment on embedded hardware was not experimentally validated and remains part of future work.

Title

Found 5 Documents
Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title Search

Found 5 Documents Search

Abstract

Abstract

Abstract

Abstract

Abstract

Title

Found 5 Documents
Search