Tag: series-early-warning-ml
-
Random Forests ala Breiman (2001): Formulasi Matematis
Academic Notes • Modeling • Machine Learning Random Forests ala Breiman (2001): Formulasi Matematis yang “Kebaca” definisi ensemble, margin–generalization error, strength–correlation, Out-of-Bag (OOB), permutation importance, serta bound untuk klasifikasi dan regresi. Sumber Utama Breiman, L. (2001). Random Forests. Machine Learning, 45, 5–32. Kata kunci: Random Forests, Ensemble Trees, Margin, Generalization Error, Strength, Correlation, OOB, Variable…
-
Bagaimana Cara Kerja Rotation Forest?
Dalam penelitian deteksi dini krisis keuangan, tantangan utama bukan hanya akurasi prediksi, tetapi kemampuan model dalam menangkap pola non-linear dan perubahan rezim yang kompleks. Rotation Forest merupakan salah satu metode ensemble yang menawarkan pendekatan berbeda: bukan dengan merandomisasi data, melainkan dengan memutar ruang fitur secara geometrik sebelum melatih model. Pendekatan ini relevan dalam konteks early…
-
Rotation Forest: Model, Persamaan, dan Alur Metode
Sumber utama: Rodríguez, J. J., Kuncheva, L. I., & Alonso, C. J. (2006). Rotation Forest: A New Classifier Ensemble Method. IEEE TPAMI. 🇮🇩 Pendahuluan Rotation Forest adalah metode ensemble untuk klasifikasi yang membangun banyak decision tree, tetapi tiap pohon dilatih pada data yang sudah “dirotasi” menggunakan PCA. Tujuannya sederhana: membuat pohon-pohon yang tetap kuat (akurasi…
-
Model Integrasi Sistem Pembayaran QRIS dalam Kerangka Regional Payment Connectivity (RPC)
Sumber Artikel Sonjaya, A., Ragimun, Basmar, E., et al. (2025).How the Integration of Payment Systems Through QRIS Accelerates Economic and Financial Cooperation in the ASEAN Region.International Journal of Sustainable Development and Planning, 20(3), 971–980.DOI: 10.18280/ijsdp.200305 1️⃣ Desain Metodologi: Exploratory Mixed-Methods Framework Penelitian ini menggunakan exploratory mixed-methods, yaitu integrasi: Struktur metodologinya dapat dipetakan sebagai:Konseptual Model→Regresi Linear→SWOT Strategy Mapping\text{Konseptual Model} \rightarrow…
-
LSTM vs GRU dalam Prediksi Covid-19: Analisis Matematis dan Karakteristik Epoch
📌 Sumber Penelitian Hastomo, W., Karno, A. S. B., Kalbuana, N., Meiriki, A., & Sutarno. (2021).Characteristic Parameters of Epoch Deep Learning to Predict Covid-19 Data in Indonesia.Journal of Physics: Conference Series, 1933, 012050.DOI: 10.1088/1742-6596/1933/1/012050 artikel _ Characteristic Parame… 🌍 Mengapa Prediksi Covid-19 Membutuhkan Deep Learning? Data Covid-19 bersifat time series: Model statistik klasik sering kesulitan…
-
Metode Deep Learning untuk Prediksi Covid-19: Analisis Matematis LSTM dan GRU
📚 Sumber Hastomo, W., Karno, A. S. B., Kalbuana, N., Meiriki, A., & Sutarno. (2021).Characteristic Parameters of Epoch Deep Learning to Predict Covid-19 Data in Indonesia.Journal of Physics: Conference Series, 1933, 012050.DOI: 10.1088/1742-6596/1933/1/012050 artikel _ Characteristic Parame… ✍️ Uraian Metode Penelitian ini menggunakan pendekatan Deep Learning berbasis Recurrent Neural Network (RNN) untuk memprediksi data harian…
-
Model Matematis Regresi Logistik, Random Forest, dan XGBoost dalam Penentuan Indikator Krisis Keuangan
📌 Catatan ini diambil :“Penerapan Algoritme Genetika dalam Penentuan Indikator Krisis Keuangan Hasil Pemodelan Machine Learning” (IPB University, 2024). Catatan ini merupakan bagian dari agenda riset mengenai deteksi dini krisis keuangan dalam kerangka tata kelola moneter adaptif (adaptive monetary governance). Fokus utamanya adalah membangun sistem identifikasi indikator krisis yang tidak hanya akurat secara statistik, tetapi…
-
Are More Data Always Better for Factor Analysis?
Apakah Lebih Banyak Data Selalu Lebih Baik dalam Analisis Faktor? Introduction In macroeconomics and empirical finance, factor models have become a standard tool for extracting common signals from large datasets. The basic intuition is appealing: the more variables we observe, the better we can identify the underlying economic forces driving them. But is this intuition…
-
Are More Data Always Better for Factor Analysis?
Methodological Notes on Factor Modeling, Estimation, and Forecasting 1. Conceptual Framework: Approximate Factor Model (AFM) The paper is built on the approximate factor model, which is widely used in macroeconomics to summarize large datasets using a small number of latent factors. Model specification For each variable i=1,…,Ni = 1, \dots, N and time period t=1,…,Tt…
-
“Are More Data Always Better for Factor Analysis?” (Boivin & Ng, 2003)
1) Kerangka utama: Approximate Factor Model (AFM) 1.1. Struktur data panel Paper bekerja dengan panel makro: Model faktor (statik) untuk setiap seri:Xit=λi0′Ft0+eit≡χit+eitX_{it}=\lambda_i^{0\prime}F_t^0+e_{it}\equiv \chi_{it}+e_{it} Arti simbol: Inti “approximate factor model”: eite_{it} boleh saling berkorelasi (cross-correlated) dan serially correlated secara lemah, tidak harus diagonal seperti strict factor model. ARE MORE DATA ALWAYS BETTER FOR… 2) Estimasi faktor:…