Hasil Pencarian  ::  Simpan CSV :: Kembali

"

Polusi udara merupakan permasalahan krusial di Jakarta yang dapat berdampak pada berbagai sektor. Karena itu, penelitian ini mengembangkan model spasial-temporal kualitas udara di Jakarta menggunakan machine learning sebagai upaya manajemen kualitas udara yang efektif. Penelitian ini menggunakan PM2.5 sebagai variabel dependen dan kondisi meteorologi sebagai prediktor. Data PM2.5 diekstrak dari laman Jakarta Rendah Emisi sedangkan data meteorologi diekstrak dari laman Open Weather Map menggunakan API. Data yang terkumpul akan dirata-ratakan berdasarkan 4 interval waktu (00:00–05:00, 06:00–11:00, 12:00–17:00, dan 18:00–23:00) dan dua musim (kemarau dan hujan). Kemudian, data akan diinterpolasi dengan menggunakan Kriging interpolation. Hasil interpolasi akan digunakan sebagai input untuk model machine learning dengan menggunakan algoritma Random Forest (RF) dan XGBoost. Secara umum, algoritma RF memberikan performa yang lebih baik dilihat dari rendahnya nilai RMSE, MAE, dan MAPE yang dihasilkan. Selanjutnya, output machine learning digunakan untuk memetakan konsentrasi PM2.5 di Jakarta. Pemetaan tersebut menunjukan konsentrasi PM2.5 pada musim kemarau cenderung lebih tinggi daripada musim hujan yang disebabkan oleh proses washing out. Pada musim kemarau, konsentrasi PM2.5 pada malam hingga pagi bernilai lebih tinggi daripada siang hari yang disebabkan oleh rendahnya tinggi lapisan pencampuran udara yang membatasi pergerakan polutan udara. Sedangkan pada musim hujan, konsentrasi PM2.5 yang tinggi dipengaruhi oleh curah hujan yang rendah dan kelembapan yang tinggi. Selain itu, Kota Administrasi Jakarta Utara memiliki konsentrasi yang relatif lebih rendah dibandingkan kota administrasi lainnya akibat angin laut yang memicu dispersi polusi udara.

---

Air pollution is a crucial issue in Jakarta that can have impacts on various sectors. Therefore, this research develops a spatial-temporal model of air quality in Jakarta using machine learning as an effort for effective air quality management. This study uses PM2.5 as the dependent variable and meteorological conditions as predictors. PM2.5 data is extracted from the Jakarta Rendah Emisi website, while meteorological data is extracted from the Open Weather Map using an API. The collected data will be averaged based on four time intervals (00:00–05:00 a.m.; 6:00–11:00 a.m; 12:00–5:00 p.m; 6:00pm–11:00pm) and two seasons (dry and rainy). Then, the data will be interpolated using Kriging interpolation. The interpolation results will be used as input for the machine learning model using the Random Forest (RF) and XGBoost algorithms. The RF algorithm provides better performance with low values of RMSE, MAE, and MAPE. Furthermore, the output of the machine learning model is used to map the PM2.5 concentrations in Jakarta. The mapping shows that PM2.5 concentrations during the dry season tend to be higher than during the rainy season, due to the washing out process. During the dry season, PM2.5 concentrations are higher at night, due to low mixing layer height that restricts pollutants movement. During the rainy season, high PM2.5 concentrations are influenced by low rainfall and high humidity. In addition, the North Jakarta area has a relatively lower concentration compared to other area due to wind induced by the coastline which trigger the spread of air pollution.

"

"Inclining test merupakan proses untuk mengetahui titik berat kapal dengan memindahkan beban uji di atas kapal. Tujuan dari Inclining test pada kapal adalah untuk menentukan tinggi titik berat kapal dan metasentra kapal, yang menjadi dasar perhitungan stabilitas kapal dalam berbagai kondisi pemuatan (load case). Percobaan inclining test umumnya dilakukan dengan dua metode, yaitu langsung di kapal setelah pembangunan selesai dan melalui simulasi komputasi. Namun, metode ini seringkali memerlukan persiapan yang cukup lama. Dengan berkembangnya otomasi dan teknologi, penelitian ini bertujuan untuk mengoptimalkan pengukuran Inclining test dengan lebih cepat dan akurat tanpa menunggu kapal selesai dibangun. Pendekatan yang diambil dalam penelitian ini adalah dengan membuat model Inclining test kapal menggunakan metode Machine Learning. Machine Learning digunakan untuk mempelajari data yang dimasukkan ke dalam sistem, dan memungkinkan mesin menghasilkan output dari percobaan inclining test seperti jika dilakukan langsung di kapal. Penelitian dilakukann dengan menggunakan Google Spreadsheet untuk menyimpan data- data inclining test yang pernah dilakukan, Github sebagai tempat yang digunakan untuk menyiimpan kode pemograman mesin, dan Streamlit sebagai interface untuk data baru yang akan dimasukan, menjalankan kode mesin yang ada di Github dan memperlihatkan hasil prediksi yang dilakukan oleh mesin. Kemudian akan dilakukan pengujian tools dengan 2 tahap dimana mesin akan memprediksi data yang sudah pernah dipelajari dan data baru. Dari penelitian didapatkan bahwa mesin pada saat ini mampu memprediksi data yang pernah dipelajari dengan error MSE sebesar 0.521 namun masih kesulitan memprediksi data baru dengan error mse sebesar 16,88. Mesin menyimpulkan bahwa momen beban merupakan faktor terbesar dalam mempengaruhi kemiringan pada pegujian inclining test kapal.

---

The Inclining test is a process to determine the center of gravity of a ship by shifting a test load onto the ship. The purpose of the Inclining test on a ship is to establish the height of the ship's center of gravity and metacenter, which serves as the basis for calculating the ship's stability under various loading conditions (load cases). Inclining test experiments are generally conducted using two methods: directly on the ship after construction is completed and through computational simulations. However, these methods often require considerable preparation time. With the advancement of automation and technology, this research aims to optimize Inclining test measurements more quickly and accurately without waiting for the ship's construction to finish. The approach taken in this study involves creating a model of the ship's Inclining test using the Machine Learning method. Machine Learning is utilized to learn from the data entered into the system, allowing the machine to generate output from Inclining test experiments as if conducted directly on the ship. The research is conducted using Google Spreadsheet to store previously conducted Inclining test data, Github as a repository for machine programming code, and Streamlit as an interface for new data entry. It runs the machine code stored in Github and displays the prediction results. The testing of tools is performed in two stages, where the machine predicts data that has been previously learned and new data. From the research, it is found that the machine is currently able to predict previously learned data with an MSE error of 0.521 but faces difficulties in predicting new data with an MSE error of 16,88. Also machine concluded that Weight momen is the biggest factor during ship inclining test."

"Korpus relasi semantik dapat menunjang berbagai penelitian di bidang pengolahan bahasa manusia. Untuk Bahasa Indonesia, korpus relasi semantik yang berukuran besar dan berkualitas baik masih belum tersedia. Korpus relasi semantik dapat dibuat secara manual dengan melibatkan anotator dan juga dapat dihasilkan secara otomatis menggunakan algoritma rule-based atau machine learning. Penelitian ini bertujuan untuk mengevaluasiseberapa baik kualitas korpus relasi semantik Bahasa Indonesia, khususnya relasi hiponim-hipernim, apabila dibangun dengan pendekatan machine learning dan metode crowdsourcing yang menerapkan gamifikasi. Algoritma pattern-based yang sebelumnya pernah diteliti untuk Bahasa Indonesia akan digunakan untuk menghasilkan data training algoritma machine learning dan kandidat entri korpus untuk dianotasi dengan metode crowdsourcing. Kualitas korpus hasil metode crowdsourcing diukur berdasarkan tingkat persetujuan antar anotator dan diperoleh hasil yang cukup baik walaupun belum sempurna. Untuk pendekatan machine learning, beberapa modelmachine learning yang diterapkan masih belum memberikan hasil optimal karenaketerbatasan resource.Kata kunci: relasi semantik, hiponim-hipernim, crowdsourcing, gamifikasi, machinelearning, pattern-based

---

Semantic relations corpus is vital to support research in the field of Natural Language

Processing. Currently, there is no existing corpus of semantic relations in Indonesian

language which is enormous and high-quality. The corpus can be constructed manually

by employing human annotators or built automatically using rule-based or machine

learning algorithms. This research aims to evaluate the quality of Indonesian hyponym-

hypernym semantic relations corpus that is produced by crowdsourcing mechanism with

gamification, and to test the model for semantic relations prediction using machine

learning algorithms. The pattern-based method is applied to obtain the training data for

machine learning experiments and corpus entry candidates to be annotated using the

crowdsourcing method. The quality of the crowdsourced corpus is measured using inter-

annotator agreement. The experimental result shows that the gamification-based

crowdsourcing method is promising to produce the corpus. On the other hand, machine

learning models tested in this research have not given optimal results yet due to the

limitations of the lexical resources in Indonesian language."

"Budidaya udang vaname (Litopenaeus vannamei) sangat diminati sehingga permintaan udang ini meningkat setiap tahunnya. Masalah terberat para petambak adalah kegagalan panen yang berakibat kepada keberlangsungan usaha mereka. Perlu adanya usaha perbaikan untuk meningkatkan keberhasilan panen. Penelitian ini bertujuan untuk lebih menggali mengenai penggunaan machine learning dalam prediksi hasil panen dari data kualitas air. Hasil prediksi ini selanjutnya dipakai dan digunakan dalam proses bisnis sehingga dapat meningkatkan produktivitas. Analisis yang digunakan pada penelitian ini adalah analisis kuantitatif dan kualitatif serta perbaikan proses bisnis. Analisis kuantitatif dengan metode big data dan machine learning. Model yang dipakai adalah k-Nearest Neighbor (kNN), Decision Tree (DT) dan Logistic Regression (LR). Analisis kualitatif dilakukan dengan observasi dan interview untuk memperbaiki proses bisnis. Proses bisnis diperbaiki mengikuti BPM Lifecycle dengan memasukan hasil analisis kuantitatif. Dari penelitian ini didapatkan bahwa prediksi machine learning dengan model Decision Tree dari variabel rasio bakteri merugikan dan NH4+ memberikan akurasi tertinggi mencapai 96%. Setelah didapatkan model dan variabel dengan akurasi tertinggi, penelitian ini juga melakukan penerapan ke dalam proses bisnis dengan pendekatan BPM Lifecycle sehingga hasil tersebut dapat diimplementasi dan memberikan hasil yang lebih produktif.

---

Interest in Vaname shrimp (Litopenaeus vannamei) farming is growing every year. The biggest problem for shrimp farming was the unsuccessful harvest that affected their business sustainability. So, there should be an improvement made to increase the chance of a successful harvest and its productivity. Past research mentioned that vaname shrimp harvest result can be predicted by machine learning approach from water quality data. It gave good accuracy and can be used to have faster decision making. The objective of this research is to deep dive into the utilization of machine learning to predict the successful harvest from water quality data. The predicted result will be utilized in the business process to improve productivity. Analysis that used at this research are quantitative and qualitative with business process improvement. Quantitative analysis used big data methode and machine learning. Models that have been applied are k-Nearest Neighbor (kNN), Decision Tree (DT) dan Logistic Regression (LR). Data that is used for analysis are pH, salinity, NOx, NH4+, and harmful bacteria index. Qualitative analysis was applied by observation and interview with the focus to improve business process. Business processes will be improved using BPM Lifecycle with the utilization of quantitative result. This research showed that prediction machine learning with Decision Tree model from harmful bacteria index and NH4+ giving the best accuracy until 96%. The next step was utilizing the quantitative result at the business process with BPM Lifecycle approach so the result can be implemented and gave more productive result."

"Manajemen rumah sakit yang baik dapat meningkatkan kualitas pelayanan medis. Rumah sakit merupakan institusi pelayanan kesehatan yang menyelenggarakan pelayanan kesehatan perorangan secara paripurna yang menyediakan pelayanan rawat inap, rawat jalan, dan gawat darurat. Rumah sakit diharuskan untuk mengelola berbagai jenis sumber daya untuk meningkatkan efisiensi manajemen secara keseluruhan, seperti mengelola jadwal tim dan staf medis, manajemen tempat tidur, dan jalur perawatan. Penyakit jantung merupakan penyakit penyebab kematian tertinggi di dunia yang sangat membutuhkan penanganan medis dengan segera. Penyakit jantung membutuhkan salah satu pelayanan pada rumah sakit yaitu pelayanan rawat inap. Pelayanan rawat inap melibatkan sumber daya yang berkaitan dengan biaya dan waktu. Dengan adanya prediksi durasi rawat inap pada pasien penyakit jantung akan membantu pihak pasien dalam menyiapkan kebutuhan yang diperlukan serta pihak rumah sakit dalam manajemen tempat tidur rawat inap pasien penyakit jantung. Pada penelitian ini, dilakukan prediksi durasi rawat inap pasien penyakit jantung dengan menggunakan pendekatan ensemble machine learning dengan tujuan untuk mendapatkan metode terbaik dalam memprediksi dengan membandingkan dua metode ensemble machine learning yaitu random forest dan extreme gradient boosting, serta metode logistic regression sebagai baseline. Kemudian tujuan lainnya yaitu untuk mengetahui faktor yang paling berpengaruh terhadap durasi rawat inap. Ketiga metode yang digunakan merupakan bagian dari supervised machine learning. Selain itu, dilakukan optimasi hyperparameter untuk meningkatkan performa dari hasil model prediksi. Setelah membuat model prediksi dan melakukan evaluasi terhadap model, didapatkan metode terbaik yaitu random forest dengan optimasi hyperparameter yang mendapat hasil akurasi sebesar 83,9% dan nilai AUROC sebesar 92,86% serta faktor-faktor yang paling berpengaruh terhadap durasi rawat inap antara lain jumlah limfosit total, urea, trombosit, hemoglobin, glukosa, usia, kreatinin, peptida natriuretik otak, fraksi ejeksi dan hipertensi.

---

Good hospital management can improve the quality of medical services. The hospital is a health service institution that provides complete individual health services in inpatient, outpatient, and emergency services. Hospitals are required to manage various types of resources to improve overall management efficiency, such as managing medical team and staff schedules, bed management, and clinical pathways. Heart disease is the leading cause of death in the world and requires immediate medical treatment. Heart disease requires one of the services at the hospital, namely inpatient services. Inpatient services involve resources related to cost and time. Predicting the duration of hospitalization in heart disease patients will help the patient prepare for the necessary needs and the hospital in managing inpatient beds for heart disease patients. In this study, the prediction of the duration of hospitalization for heart disease patients using an ensemble machine learning approach was carried out with the aim of getting the best method of predicting by comparing two ensemble machine learning methods, namely random forest and extreme gradient boosting, as well as the logistic regression method as a baseline. Then another goal is to find out the most influential factors on the duration of hospitalization. The three methods used are part of supervised machine learning. In addition, hyperparameter optimization is carried out to improve the performance of the prediction model results. After making a predictive model and evaluating the model, the best method was obtained, namely random forest with hyperparameter optimization which obtained an accuracy of 83.9% and an AUROC value of 92.86% and the factors that most influence the duration of hospitalization include the number of total lymphocytes, urea, platelets, hemoglobin, glucose, age, creatinine, brain natriuretic peptide, ejection fraction and hypertension."

"Banyaknya konferensi menyulitkan peneliti memilih konferensi berkualitas. Kemungkinan peneliti tertipu dengan konferensi predator merupakan ancaman nyata yang perlu diperhatikan. Penilaian konferensi umumnya menggunakan pakar yang membutuhkan waktu dan biaya yang tinggi. Penelitian ini fokus untuk menganalisis jika h-indeks, impact factor, jumlah dokumen, dan SJR dapat menghasilkan penilaian kualitas yang sesuai dengan penilaian manual pakar dari beberapa situs penilaian konferensi serta membandingkan hasil performanya dengan penilaian jurnal. Data yang digunakan dikumpulkan dari empat sumber situs web yang mengkalkulasi kualitas konferensi luar negeri, yaitu CORE, ERA/QUALIS, AMiner, dan ScimagoJR. Data untuk penilaian jurnal didapatkan dari Guide2Research. Variabel yang digunakan untuk penilaian adalah h-indeks, jumlah dokumen, impact factor, dan SJR. Penelitian ini menggunakan metode K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Naïve Bayes, dan Decision Tree (DT). KNN menghasilkan nilai akurasi tertinggi sebesar 72,22% dan f1 score senilai 63,06% menggunakan data Qualis dengan faktor h-indeks, IF, dan SJR.

---

The number of conferences makes it difficult for researchers to choose quality conferences. The possibility of researchers being fooled by predatory conferences is a real threat that deserves attention. Conference assessments generally use experts who require time and money to evaluate the conferences. This study focuses on analyzing whether h-index, impact factor, number of documents, and SJR can produce quality assessments in accordance with expert manual assessments from several conference assessment sites and compare the resulting performance with journal assessments. The data used were collected from four website sources that calculate the quality of overseas conferences, namely CORE, ERA/QUALIS, AMiner, and ScimagoJR. Data for journal assessments were obtained from Guide2Research. The variables used for the assessment are h-index, number of documents, impact factor, and SJR. This research used K-Nearest Neighbor (KNN), Support Vector Machine (SVM), Naïve Bayes, and Decision Tree (DT). KNN produced the highest accuracy value of 72.22% and the f1 score of 63.06% using Qualis data with the h-index, IF, and SJR factors."

"Polusi udara terjadi ketika campuran gas beserta partikel lainnya mencapai konsentrasi berbahaya baik yang terjadi di dalam maupun luar ruangan. Polusi udara juga menjadi penyebab kematian di beberapa negara dengan tingkat polusi yang parah. Salah satu polutan yang berbahaya adalah Partikulat halus (PM_2.5/ Particulate Matter_2.5), dimana dengan diameter kurang dari 2,5 μm, kira-kira 3% dari diameter rambut manusia, partikulat halus ini menjadi perhatian utama dalam pengamatan kualitas udara, dikarenakan PM_2.5 dianggap sebagai agen pembunuh utama yang menyebabkan penyakit kardiovaskular, pernapasan dan kanker. Jakarta dinyatakan sebagai kota dengan tingkat polusi udara yang sangat signifikan, isu pencemaran udara menjadi topik pembicaraan banyak pihak, terutama kondisi kualitas udara di ibu kota. Dalam pengukuran kualitas udara di Provinsi DKI Jakarta jaringan pengamatan observasinya masih sangat terbatas. Sehingga dibutuhkan pemodelan dalam andil untuk melakukan pengukuran kualitas udara dalam hal ini adalah PM_2.5. Pemodelan menggunakan algoritma pemebelajaran mesin atau machine learning random forest digunakan dalam penelitian ini dengan memanfaatkan metode regresi spasial. Adapun variabel yang digunakan berupa unsur meteorologi, partikulat dan gas yang diperoleh dengan memanfaatkan penginderaan jauh. Didapatkan variabel yang paling berpengaruh pada pemodelan spatial temporal PM_2.5 ini adalah NO2 dan CO serta dengan fungsi berkebalikan pada variabel curah hujan dan Ozon. Dalam pemodelan yang telah dilakukan ini didapatkan nilai 0,90 dalam korelasi hasil prediksi dengan nilai observasi, dengan nilai ini maka prediksi yang dilakukan oleh Machine Learning Random Forest terbilang baik, serta nilai RMSE sebesar 7,83 µg/m3 juga memberikan gambaran yang baik bagi model yang dibentuk, serta nilai R² sebesar 0,825 mengisyaratkan akurasi variabel yang digunakan mencapai 82,5 persen. Adapun pasial yang terbentuk dalam pemodelan spasial ini mengikuti pola musim hujan dan musim kemarau, dimana nilai tertinggi dari pola spasial parameter PM_2.5 berada pada bulan JJA (Juni, Juli dan Agustus), serta mulai menurun di bulan SON (September, Oktober, dan November), dan pada akhirnya berada di nilai terendah pada bulan DJF (Desember, Januari dan Februari).

---

Air pollution occurs when a mixture of gases and other particles reach dangerous concentrations both indoors and outdoors. Air pollution is also a cause of death in some countries with severe pollution levels. One of the harmful pollutants is fine particulate matter (PM_2.5), which is less than 2.5 μm in diameter, approximately 3% of the diameter of a human hair. This fine particulate matter is a major concern in air quality observations, as PM_2.5 is considered a major killer agent that causes cardiovascular, respiratory diseases and cancer. Jakarta is declared as a city with a very significant level of air pollution, the issue of air pollution has become a topic of conversation for many parties, especially the condition of air quality in the capital city. In measuring air quality in DKI Jakarta Province, the observation network is still very limited. So that modeling is needed in order to measure air quality, in this case PM_2.5. Modeling using machine learning algorithms or machine learning random forest is used in this study by utilizing the spatial regression method. The variables used are meteorological elements, particulates and gases obtained by utilizing remote sensing. It was found that the most influential variables in the spatial temporal modeling of PM_2.5 were NO₂ and CO and with the opposite function in the rainfall and Ozone variables. In the modeling that has been done, a value of 0.90 is obtained in the correlation of the predicted results with the observed values, with this value, the prediction carried out by Machine Learning Random Forest is fairly good, and the RMSE value of 7.83 µg/m3 also provides a good description of the model formed, and the R² value of 0.825 implies that the accuracy of the variables used reaches 82.5 percent. The spatial pattern formed in this spatial modeling follows the pattern of the rainy season and dry season, where the highest value of the spatial pattern of the PM_2.5 parameter is in the JJA month (June, July and August), and begins to decrease in the SON month (September, October and November), and finally at the lowest value in the DJF month (December, January and February)."

"Seiring dengan kemajuan teknologi, fase konstruksi dan pembangunan mengalami perkembangan yang cukup pesat secara signifikan dalam mempersingkat waktu desain konstruksi. Proses desain bangunan hijau yang memakan waktu lebih lama daripada bangunan konvensional membuat industri konstruksi diharapkan mampu menemukan cara alternatif dengan alat desain terkomputerisasi yang efisien. Salah satunya dengan penerapan teknologi dengan menggunakan pembelajaran mesin. Tujuan dari penelitian ini adalah untuk menyelidiki persiapan data bangunan hijau untuk digunakan dalam alat desain berbasis pembelajaran mesin yang diusulkan agar lebih akurat dalam memprediksi variabel bangunan hijau khususnya kualitas lingkungan dalam ruangan daripada metode desain konvensional. Tinjauan literatur tentang bangunan hijau, serta pembelajaran mesin dalam konstruksi dilakukan untuk mengidentifikasi topik penelitian yang sedang dilakukan. Data umum tersebut dikuantifikasi, dianalisis, dan diproses untuk digunakan dalam model desain bangunan hijau yang dikembangkan menggunakan algoritma dan pemrograman artificial neural network dan support vector regression. Konsep pengembangan model ini menunjukkan bahwa alat desain akan membantu mengambil keputusan dalam memprediksi variabel bangunan hijau secara kuantitatif dengan akurasi yang memadai. Metode yang diambil sebagai model terbaik dalam penelitian ini adalah model dengan algoritma support vector regression.

---

Along with technological advances, the construction and development phases have developed quite rapidly, significantly shortening the construction design time. The green building design process which takes longer than conventional buildings makes the construction industry expected to be able to find alternative ways with efficient computerized design tools. One of them is by applying technology using machine learning. The aim of this study is to investigate the preparation of green building data for use in a machine learning-based design tool which is proposed to be more accurate in predicting green building variables especially indoor environmental quality than conventional design methods. A review of the literature on green building, as well as machine learning in construction was conducted to identify the topic of the research being carried out. The general data is quantified, analyzed, and processed to be used in a green building design model developed using algorithms and programming artificial neural networks and support vector regression. The concept of developing this model shows that design tools will help make decisions in predicting green building variables quantitatively with sufficient accuracy. The method taken as the best model in this study is a model with a support vector regression algorithm."

"Jaringan optik adalah jaringan telekomunikasi berkapasitas tinggi dengan menggunakan teknologi dan komponen optik. Di Indonesia, CWDM biasanya digunakan pada jaringan optik di daerah urban, hal ini dikarenakan CWDM memiliki bandwidth yang lebar dan sesuai dengan kebutuhan daerah urban yang hanya butuh jarak yang pendek. Machine learning (ML) merupakan salah satu cabang kecerdasan buatan yang sangat cocok untuk menangani masalah kompleks yang sulit dijawab dalam waktu yang wajar. Prediksi Quality of Transmission (QoT) yang akurat sebelum pembentukan koneksi sangat penting untuk penyediaan layanan dan pemanfaatan sumber daya jaringan. Model Coarse Wavelength Division Multiplexing (CWDM) yang digunakan jaringan sesuai dengan standar ITU-T G.694.2 yaitu splitting sebesar 20nm, pada wavelength yang terdaftar pada standar yaitu 1551 nm, 1571 nm, 1591 nm, dan 1611 nm. Pendekatan yang digunakan adalah algoritma jenis linear regression dengan akurasi 82,47%, k-nearest neighbor regression dengan akurasi 77,18%, support vector regression dengan akurasi 83,88%, random forest regression 91,44%, dan deep learning ANN regression dengan akurasi 94,52%. Algoritma machine learning yang paling baik dalam memprediksi kualitas transmisi adalah random forest regressor. Algoritma ini tidak lebih baik dari deep learning yaitu, ANN regression. Namun waktu komputasi pada ANN regression cenderung lebih lama yaitu 12,451 ms sedangkan pada random forest regression hanya 1,9098 ms.

---

An optical network is a high-capacity telecommunications network using optical technology and components. In Indonesia, CWDM is usually used on optical networks in urban areas, this is because CWDM has a wide bandwidth and is in accordance with the needs of urban areas that only need a short distance. Machine learning (ML) is a branch of artificial intelligence that is very suitable for dealing with complex problems that are difficult to answer in a reasonable time. Accurate Quality of Transmission (QoT) prediction prior to connection establishment is critical for service provision and utilization of network resources. The Coarse Wavelength Division Multiplexing (CWDM) model used by the network complies with the ITU-T G.694.2 standard, which is 20nm splitting, the wavelengths registered in the standard are 1551 nm, 1571 nm, 1591 nm, and 1611 nm. The approach used is a linear regression type algorithm with an accuracy of 82.47%, k-nearest neighbor regression with an accuracy of 77.18%, support vector regression with an accuracy of 83.88%, random forest regression of 91.44%, and ANN deep learning regression. With an accuracy of 94.52%. The best machine learning algorithm for predicting transmission quality is the random forest regressor. This algorithm is no better than deep learning i.e., ANN regression. However, the computational time for ANN regression tends to be longer, namely 12.451 ms, while for random forest regression it is only 1.9098 ms. "

"Pemilihan metode machine learning atau deep learning menjadi suatu permasalahan dalam klasifikasi. Hal ini didapatkan dari penelitian yang menunjukkan bahwa deep learning kinerjanya lebih baik daripada machine learning, namun terdapat penelitian bahwa kedua metode tersebut kinerjanya tidak menentu tergantung dataset yang digunakan. Oleh karena itu, penelitian ini membandingkan kinerja dari machine learning dan deep learning untuk permasalahan klasifikasi teks dan analisis sentimen terhadap dampak Covid-19 di Indonesia. Hasil penelitian ini menunjukkan bahwa kinerja pada klasifikasi teks dan analisis sentimen menggunakan metode machine learning lebih baik dibandingkan dengan deep learning. Hasil penelitian mengenai klasifikasi teks menunjukkan bahwa kinerja metode machine learning yaitu Label Powerset dan Random Forest menghasilkan akurasi 77 % sedangkan kinerja metode deep learning yaitu Long Short-Term Memory (LSTM) dan Gate Reccurent Unit (GRU) menghasilkan akurasi 48%. Hasil penelitian mengenai analisis sentimen menunjukkan bahwa kinerja metode machine learning yaitu Label Powerset dan Random Forest menghasilkan akurasi 63 % sedangkan kinerja metode deep learning yaitu Long Short-Term Memory (LSTM) dan Gate Reccurent Unit (GRU) menghasilkan akurasi 55% dan 54%. Keseimbangan jumlah label pada semua label mempengaruhi hasil dari klasifikasi. Oleh karena itu, disarankan untuk menggunakan metode untuk menyeimbangkan jumlah label yang digunakan untuk klasifikasi.

---

The choice of machine learning or deep learning methods becomes a problem in classification. This is obtained from research which shows that deep learning performs better than machine learning, but there is research that the two methods perform erratically depending on the dataset used. Therefore, this study compares the performance of machine learning and deep learning for text classification problems and sentiment analysis on the impact of Covid-19 in Indonesia. The results of this study indicate that the performance of text classification and sentiment analysis using machine learning methods is better than deep learning. The results of research on text classification show that the performance of machine learning methods, namely Label Power and Random Forest, produces an accuracy of 77%, while the performance of deep learning methods, namely Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), produces an accuracy of 48%. The results of the research on sentiment analysis show that the performance of machine learning methods, namely Label Power and Random Forest, produces an accuracy of 63%, while the performance of deep learning methods, namely Long Short-Term Memory (LSTM) and Gate Recurrent Unit (GRU), produces 55% and 54% accuracy. The balance of the number of labels on all labels affects the results of the classification. Therefore, it is advisable to use a method to balance the number of labels used for classification."