Hasil Pencarian  ::  Simpan CSV :: Kembali

"Coronavirus disease 19 (COVID-19) adalah penyakit pernapasan menular yang pertama kali terdeteksi di Kota Wuhan, Provinsi Hubei, China. Penyakit ini memiliki gejala umum yang mirip dengan gejala penyakit pernapasan lain seperti alergi, flu, dan pilek. Tetapi setiap penyakit membutuhkan obat dan perawatan yang berbeda-beda. Sehingga, penting bagi penderita untuk mendapatkan diagnosis yang tepat atas penyakit yang diderita. Diagnosis biasanya dilakukan dengan pertemuan langsung antara dokter dan pasien. Akan tetapi, cara ini memiliki banyak hambatan, seperti: membutuhkan banyak waktu dan biaya. Selain itu, cara ini juga berpotensi menularkan penyakit kepada orang lain. Oleh karena itu, diajukan implementasi chatbot untuk mengatasi hambatan dalam melakukan diagnosis COVID-19. Chatbot menerima input data berupa gejala yang dialami pasien. Data tersebut terlebih dahulu diubah menjadi data tabular untuk kemudian dilakukan klasifikasi jenis penyakit dengan bantuan algoritma machine learning. Pada Penelitian ini, akan dilakXGBoost pada data gejala yang dipublikasikan oleh Walter Conway di situs Kaggle. Hasil penelitian menunjukkan bahwa model Random Forest memiliki kinerja terbaik pada data testing dengan skor rata-rata accuracy sebesar 93.38%, precision sebesar 96.58%, recall sebesar 93.38%,F1-Score sebesar 94.32%, specificity sebesar 99.73%, Geometric Mean sebesar 95.94%, dan waktu training selama 0.33 detik.

---

Coronavirus disease 19 (COVID-19) is an infectious respiratory disease that was first detected in Wuhan City, Hubei Province, China. This disease has general symptoms that are similar to the symptoms of other respiratory diseases such as allergies, flu, and colds. But each disease requires different medications and treatments. Thus, it is important for patients to get a proper diagnosis of the disease they are suffering from. Diagnosis is usually made by direct meeting between doctor and patient. However, this method has many obstacles, such as: it takes a lot of time and money. In addition, this method also has the potential to transmit the disease to others. Therefore, it is proposed to implement a chatbot to overcome obstacles in diagnosing COVID-19. The chatbot receives input data in the form of symptoms experienced by the patient. The data is first converted into tabular data and then the classification of the type of disease is carried out with the help of machine learning algorithms. In this study, a diagnosis of COVID-19 will be carried out using the Random Forest and XGBoost models on symptom data published by Walter Conway on the Kaggle website. The results showed that the Random Forest model had the best performance on data testing with an average score of 93.38% accuracy, 96.58% precision, 93.38% recall, 94.32% F1-Score, 99.73% specificity, and 95.94% Geometric Mean, and the training time is 0.33 seconds."

"Penyakit jantung, seperti yang didefinisikan oleh World Health Organization (WHO) sebagai kumpulan berbagai gangguan yang memengaruhi kesehatan jantung, merupakan salah satu masalah kesehatan global yang memerlukan deteksi dini dan penanganan yang efektif. Faktor risiko yang menyebabkan penyakit jantung seperti usia, jenis kelamin, nyeri dada (chest pain), tekanan darah (resting blood pressure), kolesterol (cholesterol), kadar gula darah (fasting blood sugar), hasil elektrokardiogram (resting electrocardiogram), detak jantung maksimum yang dicapai (maximum heart rate achieved), keberadaan angina yang diinduksi (exercise-induced angina), depresi segmen ST (oldpeak), bentuk kelengkungan pada kurva (slope of the peak exercise st segment), jumlah pembuluh darah utama yang diwarnai oleh flourosopy (Number of Major Vessels Colored by Fluoroscopy/CA), dan jenis thalassemia (thalassemia), memiliki peran signifikan dalam meningkatkan risiko terjadinya penyakit jantung. Penelitian ini dilakukan menggunakan dataset yang berasal dari Klinik Cleveland, yang terdiri dari 303 entri data. Dataset ini digunakan untuk melakukan deteksi terhadap keberadaan atau ketidakhadiran penyakit jantung berdasarkan sejumlah atribut klinis yang diukur. Atribut-atribut ini, atau fitur-fitur, mencakup berbagai informasi seperti tekanan darah, kadar kolesterol, usia, jenis kelamin, dan lainnya. Tujuan dari penelitian ini adalah untuk melakukan deteksi yang dapat memprediksi penyakit jantung berdasarkan informasi klinis pasien dengan akurasi terbaik. Untuk mencapai tujuan ini, model Random Forest dilatih dan dibandingkan dengan model lain meliputi Naive Bayes, Decision Tree, Logistic Regression, Support Vector Machine (SVM), Neural Network dan XGBoost. Hasil evaluasi menunjukkan bahwa Random Forest Algorithm memiliki akurasi yang paling tinggi, mencapai 96,77%. Ini berarti bahwa model Random Forest mampu memprediksi keberadaan atau ketidakhadiran penyakit jantung dengan tingkat keberhasilan yang sangat tinggi. Sebagai hasilnya, Random Forest dipilih sebagai model yang paling sesuai untuk melakukan deteksi penyakit jantung dalam dataset ini. Model ini diharapkan dapat memberikan kontribusi yang signifikan dalam deteksi dini, pencegahan, dan pengelolaan penyakit jantung secara global.

---

Heart disease, as defined by the World Health Organization (WHO) as a collection of various disorders affecting heart health, is one of the global health issues requiring early detection and effective management. Risk factors contributing to heart disease such as age, gender, chest pain (angina), blood pressure (trestbps), cholesterol (cholesterol), blood sugar levels (fbs), electrocardiogram results (restecg), maximum heart rate achieved (thalach), presence of induced angina (exang), ST segment depression (oldpeak), slope of the ST segment (slope), number of major vessels colored by fluoroscopy (ca), and type of thalassemia (thal), play a significant role in increasing the risk of heart disease. This research was conducted using a dataset obtained from the Cleveland Clinic, consisting of 303 data entries. This dataset was utilized to classify the presence or absence of heart disease based on various measured clinical attributes, including blood pressure, cholesterol levels, age, gender, among others. The aim of this study is to perform detection that can predict heart disease based on patient clinical information with the highest accuracy. To achieve this objective, the Random Forest model was trained and compared with other models, including Naive Bayes, Decision Tree, Logistic Regression, Support Vector Machine (SVM), Neural Network, and XGBoost. Evaluation results demonstrate that the Random Forest Algorithm achieved the highest accuracy, reaching 96,77%. This implies that the Random Forest model can predict the presence or absence of heart disease with a very high success rate. Consequently, Random Forest was chosen as the most suitable model for classifying heart disease in this dataset. This model is anticipated to significantly contribute to the early detection, prevention, and management of heart disease globally."

"Chatbot sebagai asisten virtual yang digunakan oleh suatu instansi dapat memberikan manfaat bagi penggunanya. Dengan adanya chatbot, pengguna dapat berbicara langsung kepada chatbot melalui pesan singkat, yang kemudian sistem secara spontan mengidentifikasi intent pesan tersebut dan merespons dengan tindakan yang relevan. Sayangnya, cakupan pengetahuan chatbot terbatas dalam menangani pesan oleh pengguna yang semakin bervariasi. Dampak utama dari adanya variasi tersebut adalah adanya perubahan pada komposisi label intent. Untuk itu, penelitian ini berfokus pada dua hal. Pertama, pemodelan topik untuk menemukan intent dari pesan pengguna yang belum teridentifikasi intent-nya. Kedua, pemodelan topik digunakan untuk mengorganisasi intent yang sudah ada dengan menganalisis hasil keluaran model topik. Setelah dianalisis, terdapat dua kemungkinan fenomena perubahan komposisi intent yaitu: penggabungan dan pemecahan intent, dikarenakan terdapat noise saat proses anotasi dataset orisinal. Pemodelan topik yang digunakan terdiri dari Latent Dirichlet Allocation (LDA) sebagai model baseline dan dengan model state-of-the-art Top2Vec dan BERTopic. Penelitian dilakukan terhadap dataset salah satu e-commerce di Indonesia dan empat dataset publik. Untuk mengevaluasi model topik digunakan metrik evaluasi coherence, topic diversity dan topic quality. Hasil penelitian menunjukkan model topik BERTopic dan Top2Vec menghasilkan nilai topic quality 0.036 yang lebih baik dibandingkan model topik LDA yaitu -0.014. Terdapat pula pemecahan intent dan penggabungan intent yang ditemukan dengan analisis threshold proporsi.

---

Chatbot, as a virtual assistant used by an institution, can provide benefits for its users. With a chatbot, users can speak directly to the chatbot via a short message, which then the system spontaneously identifies the intent of the message and responds with the relevant action. Unfortunately, the scope of chatbot knowledge is limited in handling messages by an increasingly varied user. The main impact of this variation is a change in the composition of the intent label. For this reason, this research focuses on two things. First, topic modeling to find intents from user messages whose intents have not been identified. Second, topic modeling is used to organize existing intents by analyzing the output of the topic model. After being analyzed, there are two possible phenomena of changing intent composition: merging and splitting intents because there is noise during the annotation process of the original dataset. The topic modeling used consists of Latent Dirichlet Allocation (LDA) as the baseline model and the state-of-the-art Top2Vec and BERTopic models. The research was conducted on one dataset of e-commerce in Indonesia and four public datasets. The evaluation metrics of coherence, topic diversity, and topic quality were used to evaluate the topic model. The results showed that the BERTopic and Top2Vec topic models produced a topic quality value of 0.036, better than the LDA topic model, which was -0.014. There are also intent splitting and intent merging found by proportion threshold analysis."

"Pesatnya perkembangan ekonomi menyebabkan kebutuhan manusia menjadi tidak terbatas. Usaha yang dapat dilakukan untuk pemenuhan kebutuhan hidup di masa yang akan datang adalah dengan melakukan investasi. Saham merupakan salah satu instrumen investasi dengan tingkat keuntungan yang menarik, namun memiliki risiko kerugian yang tinggi. Hal ini disebabkan oleh adanya pergerakan harga saham yang cenderung tak menentu selama periode waktu tertentu. Untuk meminimalkan risiko kerugian, perlu dilakukan prediksi pergerakan harga saham. Prediksi yang akurat akan membantu para investor dalam menentukan nilai saham di masa yang akan datang. Pada penelitian ini, dilakukan perbandingan untuk memprediksi pergerakan harga saham menggunakan tiga algoritma supervised machine learning yaitu Random Forest, Support Vector Regression (SVR) dan K- Nearest Neighbor (KNN) berdasarkan tingkat akurasinya. Sutau model dikatakan akurat jika memiliki nilai Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE) yang lebih rendah. Pada penelitian ini, diperoleh hasil prediksi harga penutupan saham terbaik menggunakan metode Support Vector Regression dengan melihat rendahnya nilai RMSE dan MAE yang dihasilkan dibandingkan dengan dua metode lain. Dalam perhitungannya, penelitian ini menggunakan histori data harian dari website investing.com. periode Maret 2017 hingga Februari 2020 dari tiga perusahaan di Indonesia yang terdaftar dalam IDX30.

---

The fast growth of economic development causes human needs to be immeasurable. One of the efforts that could be done to fulfill life needs in the future was Investation. Stock is one of the Investation instruments with interesting benefits but has high- risk loss caused by the unstable stock market trend between some period. For minimalizing the risky loss, the literati need to predicting the stock rate trend. The accurate prediction will help the investor in choosing a stock value in the future. In this study, the literati make a comparison to predict stock market trend with three kinds of algorithms supervised machine learning that are Randon Forest, Support Vector Regression (SVR), and K-Nearest Neighbor (KNN) based on their accurate level. A model could be said accurate just if they have a lower value of Root Mean Square Error (RMSE) and Mean Absolute Error (MAE). The best Stock Closing Price prediction will be obtained by the Support Vector Regression method and see how low the result of RMSE and MAE value is compared with another method. To calculate, the study uses a daily data history from investing.com website between March 2017 to February 2020 period. The object data is a three big company in Indonesia which listed in IDX30."

"Latar Belakang: Ameloblastoma merupakan tumor jinak yang berkembang lambat, bertambah besar dan bersifat invasif secara lokal pada rahang. Angka rekurensi setelah tindakan pembedahan definitif dapat mencapat 50-90% dengan tatalaksana bedah konservatif dan 17% dengan tatalaksana bedah radikal. Penelitian dilakukan menggunakan machine learning Random Forest algorithm untuk memprediksi rekurensi ameloblastoma. Tujuan Penelitian: Menganalisis faktor risiko terjadinya rekurensi ameloblastoma pasca tatalaksana bedah. Metode Penelitian: Studi retrospektif Januari 2015 – Juni 2022 pada subjek yang memenuhi kriteria inklusi. Data diambil dari rekam medis pasien baik tertulis maupun digital. Analisis variabel kategorik dengan Uji Chi-Square dan Random Forest Classification and Regression menggunakan software R dalam menentukan faktor risiko terjadinya rekurensi ameloblastoma. Faktor risiko yang paling berperan dinilai dengan Mean Decrese Gini value (MDG). Hasil: Dari 97 subjek penelitian, 36 subyek (37%) mengalami rekurensi. Hasil uji Chi-square menunjukkan 4 faktor risiko memiliki hubungan secara signifikan secara statistik, antara lain faktor risiko usia, gambaran radiografis ameloblastoma, ukuran dan perluasan ameloblastoma serta modalitas perawatan terhadap ameloblastoma. Analisis multivariat menggunakan Random Forest Algorithm dengan akurasi sebesar 90,72%. Kesimpulan: Modalitas perawatan merupakan faktor risiko dominan rekurensi ameloblastoma pada penelitian ini, diikuti oleh faktor risiko ukuran dan perluasan ameloblastoma yang disimpulkan dari nilai Mean Decrese Gini (MDG).

---

Background : Ameloblastoma is one of benign tumor of jaw, slow growing characteristic, able to gain enermous size of tumor and locally invasive. Considering high rate ameloblastoma recurrance 50-90% in conservative and 17% radical surgery, research conducted to predict risk factors of ameloblastoma recurrence using Random Forest algorithm, a machine learning. Objective: To evaluate risk factors for recurrence of ameloblastoma after jaw surgical treatment. Methods: Retrospective study conducted on subjects who met the inclusion criteria in term of January 2015 - June 2022. Data collected from medical record both written and digital. Cathegorical variables taken to be analyzed using Chi-Square, Random Forest to reach the risk factors of ameloblastoma recurrence. The importance of value was defined by means Mean Decrese Gini value (MDG). Result: Subjects were 97 with 36 respondents (37%) experienced recurrence. Significant correlation between the four risk factors and recurrence of ameloblastoma analyzed using Chi-Square The risk factors were age, radiographic characteristic of ameloblastoma, size and invasion of ameloblastoma to cortical bone and soft tissue, and treatment modalities. Random Forest algorithm used to evaluate multivariate analysis with 90.72% accuracy. Conclusion: This research using Mean Decrease Gini (MDG) showed the dominant importance of treatment modality as risk factor in ameloblastoma recurrence, followed by size and its invasiveness to soft tissue surrounding."

"Tren kenaikan frekuensi dan severitas klaim untuk klaim asuransi kendaraan bermotor menyebabkan dibutuhkannya metode otomatisasi baru untuk memprediksi probabilitas seorang pemegang asuransi kendaraan akan mengajukan klaim jika diberikan data historis mengenai pemegang asuransi tersebut, agar perusahaan asuransi dapat memilah dan memproses lebih lanjut para pemegang polis yang kemungkinan mengajukan klaimnya tinggi. Masalah ini dapat diselesaikan dengan berbagai metode, salah satunya dengan machine learning, yang mengkategorisasikan masalah tersebut sebagai masalah supervised learning. Volume data yang besar dan banyaknya kemungkinan adanya missing values pada data pemegang asuransi menjadi dua aspek yang mempengaruhi pemilihan model machine learning yang tepat. XGBoost merupakan model gradient boosting machine learning baru yang dapat mengatasi missing value dan volume data besar sehingga XGBoost diklaim merupakan metode yang tepat untuk digunakan pada masalah tersebut. Dalam skripsi ini akan diaplikasikan metode XGBoost kepada masalah ini, dan akan dibandingkan hasilnya dengan berbagai metode machine learning lainnya, seperti AdaBoost, Stochastic Gradient Boosting, Random Forest, Neural Network, dan Logistic Regression.

---

The increasing trend of claim frequency and claim severity for auto-insurance result in a need of new methods to predict whether a policyholder will file an auto-insurance claim or not, given historical data about said policyholder, so that insurance industries can further process policyholders with high claim probability. This problem can be solved with many methods, one of which is machine learning, which categorizes this problem as a supervised learning problem. The high data volume and the existence of missing values on a policyholders historical data are aspects that the chosen machine learning model must be able to handle. XGBoost is a novel gradient boosting machine learning problem that is able to inherently handle missing values and high volume of data, which should make the model suitable for this problem. In this thesis, XGBoost will be applied to this problem, and its performance will be compared by other machine learning models, such as AdaBoost, Stochastic Gradient Boosting, Random Forest, Neural Network, and Logistic Regression."

"Kebijakan komunikasi risiko yang tertuang dalam Pedoman Komunikasi Risiko untuk Penanggulangan Krisis Kesehatan menjadi topik yang perlu diperhatikan sebab Indonesia merupakan negara yang sering mengalami bencana alam dan sedang mengalami bencana non-alam yaitu Pandemi COVID-19. Ada perbedaan komunikasi risiko pada penanganan COVID-19 di daerah rawan bencana. Hal ini di sebabkan ada dua ancaman sekaligus di wilayah tersebut. Penelitian ini bertujuan untuk menganalisis implementasi kebijakan komunikasi risiko dalam penanganan dan pengendalian COVID-19 di daerah rawan bencana. Penelitian ini berupa penelitian kuantitatif dan kualitaif. Desain penelitian adalah Cross Sectional dengan jumlah sampel 451 responden di Wilayah Kabupaten Pandeglang dan menggunakan teknik random sampling. Metode pengumpulan data dengan kuesioner. Metode pengumpulan data yang kedua dengan cara wawancara mendalam. Wawancara mendalam dilakukan ke 4 informan yang berasal dari BPBD Wilayah Kabupaten Pandeglang dan Dinas Kesehatan Wilayah Kabupaten Pandeglang. Hasil analisis statistik menunjukkan adanya hubungan yang signifikan antara tingkat pengetahuan masyarakat mengenai COVID-19 dengan kesiapsiagaan masyarakat dalam menghadapi bencana alam, karena p sebesar 0,002 (p value < 0,05). Hasil penelitian menunjukkan keberhasilan dalam pelaksanaan kebijakan, namun perlu adanya pertimbangan perubahan dalam isi Pedoman Komunikasi Risiko untuk Penanggulangan Krisis Kesehatan dan memperhatikan ketersediaan anggaran khususnya anggaran program bencana alam.

---

The risk communication policy contained in the Risk Communication Guidelines for Health Crisis Management is a topic that needs attention because Indonesia is a country that often experiences natural disasters and is currently experiencing non-natural disasters, namely the COVID-19 pandemic. There are differences in risk communication in handling COVID-19 in disaster-prone areas. This is because there are two threats at once in the region. This study aims to analyze the implementation of risk communication policies in handling and controlling COVID-19 in disaster-prone areas. This research is in the form of quantitative and qualitative research. The research design is cross-sectional with a sample of 451 respondents in the Pandeglang Regency area and uses a random sampling technique. Methods of collecting data with a questionnaire. The second method of data collection is utilizing in-depth interviews. In-depth interviews were conducted with 4 informants from the Regional BPBD of Pandeglang Regency and the Regional Health Office of Pandeglang Regency. The statistical analysis results show a significant relationship between the level of public knowledge about COVID-19 and community preparedness in dealing with natural disasters because the p is 0.002 (p-value <0.05). The study results show success in implementing the policy. However, it is necessary to consider changes in the contents of the Risk Communication Guidelines for Health Crisis Management and pay attention to the availability of budgets, especially the budget for natural disaster programs."

"

Bahasa isyarat merupakan suatu tatanan gerakan yang mewakili suatu kosakata pada bahasa tertentu dan memiliki fungsi untuk membantu penyandang tunarungu dalam mengatasi masalah berkomunikasi. Namun tidak semua masyarakat umum menguasai bahasa isyarat. Dari permasalahan tersebut, sistem penerjemah bahasa isyarat diperlukan dalam membantu proses komunikasi penyandang tunarungu. Sistem penerjemah memerlukan sebuah video gerakan bahasa isyarat untuk kemudian dapat dikenali Dalam sebuah video utuh yang berisi satu sequence gerakan kalimat isyarat terdapat dua jenis gerakan yaitu gerakan isyarat (gesture) yang mengandung arti dan gerakan transisi (non gesture). Pada penelitian ini diusulkan metode untuk menngenali gesture dan non gesture pada kalimat SIBI (Sistem Isyarat Bahasa Indonesia) menggunakan Threshold Conditional Random Field (TCRF). Data yang digunakan adalah 2.255 video rekaman gerakan untuk 28 isyarat kalimat pada SIBI yang di peragakan oleh  tiga orang guru dan dua orang murid dari SLB Santi Rama Jakarta. Untuk merepresentasikan data, pada penelitian ini dibandingkan teknik ekstraksi fitur skeleton, image, gabungan (gabungan antara fitur skeleton dan fitur image) dan MobileNetV2. Untuk klasifikasi digunakan metode TCRF dengan variasi nilai threshold dari 1 sampai 4. Berdasarkan hasil eksperimen, masing-masing teknik ekstraksi fitur menghasilkan akurasi terbaik sebesar 72.5% untuk skeleton dengan threshold 2, 70.3% untuk image dengan threshold 2, 68.5% untuk gabungan dengan threshold 2 dan 93.2% untuk MobileNetV2 dengan threshold 1.5. Berdasarkan akurasi tersebut teknik ekstraksi fitur dengan model MobileNetV2 dapat merepresentasikan data lebih baik dibandingkan dengan ekstraksi skeleton, image, dan gabungan

---

Sign language is a series of movements that represent the vocabulary of a particular language and is designed to help the hearing-impaired communicate. However, not everyone is familiar with the sign language gestures, so a sign language translation system would aid communication by allowing more people to understand sign language gestures. A video that contains a sequence of sign sentences with two types of movements, namely sign movements (word-gestures) which have represent language constructs, and transitional movements (transitional-gesture). A method to identify both word-gestures and transitional-gestures in a variant of the Indonesian Sign Language System called Sistem Isyarat Bahasa Indonesia (hereafter referred to as SIBI) sentences based on the Threshold Conditional Random Field (TCRF) was implemented. The dataset on which the model is trained, consists of 2,255 videos containing recorded movements for 28 commonly used sentences in SIBI, performed by three teachers and two students of the Santi Rama School (Sekolah Luar Biasa), a school for hearing-impaired students. Several feature extraction techniques were tested, including skeleton, image, skeleton-image combination and MobileNetV2. The classification method uses TCRF with variations in TCRF threshold values between 1 to 4 to recognize word-gestures and transitional-gestures, then deleting frames with transitional-gestures label, and obtaining accuracy from LSTM that recognizes words from the per-frame word-gesture label. The best accuracies achieved by each method were 72.5% for skeleton technique with a TCRF threshold of 2; 70.3% for image technique with a TCRF threshold of 2; 68.5 % for skeleton-image combination, with a TCRF threshold of 2; and 93.2% for MobileNetV2 with threshold 1.5. Using MobileNetV2 as a feature extractor yields significantly better results than previous feature extraction methods.

"