Hasil Pencarian  ::  Simpan CSV :: Kembali

"Ledakan batu merupakan kecelakaan destruktif yang cukup sering terjadi pada tambang bawah tanah. Seiring dengan berkembangnya teknologi, machine learning hadir sebagai alternatif solusi yang dapat dimanfaatkan dalam langkah preventif atas kasus ledakan batu. Penelitian ini menggunakan GWO-SVM dan XGBoost sebagai model machine learning dalam klasifikasi ledakan batu dan intensitasnya pada tambang bawah tanah. Grey Wolf Optimization (GWO) digunakan sebagai optimizer dari parameter SVM. Intensitas ledakan batu dibedakan atas tidak ada ledakan batu, lemah, sedang dan kuat. Dalam implementasi model, digunakan 467 kasus ledakan batu yang dikumpulkan dari berbagai sumber. Fitur yang digunakan pada penelitian ini meliputi tegangan maksimal tangensial, kekuatan tekan uniaksial, kekuatan tarik uniaksial, koefisien tegangan, koefisien kerapuhan batuan, dan indeks regangan elastis. Sebelum implementasi model dilakukan data preprocessing yang meliputi imputasi missing values, menghapus outlier, normalisasi fitur dan resampling data. Kinerja model dievaluasi berdasarkan nilai metrik accuracy, precision, recall, dan f1-score dengan memerhatikan running time dan proporsi data training berkisar dari 50% hingga 90%. Hasil penelitian menunjukkan bahwa GWO-SVM mengungguli XGBoost baik dalam klasifikasi ledakan batu dengan accuracy 98.0392%, precision 97.8495%, recall 98.2609%, dan f1-score 98.0161% serta klasifikasi intensitas ledakannya dengan accuracy 75.8242%, precision 75.1473%, recall 75.3115%, dan f1-score 75.2150%.

---

Rockburst is a destructive accident that frequently occurs in underground mines. With the advancement of technology, machine learning has emerged as an alternative solution that can be utilized to measures against rockbursts. This research employs GWO-SVM and XGBoost as machine learning models for the classification of rockburst and its intensity in underground mines. Grey Wolf Optimization (GWO) is used as an optimizer for SVM parameters. The intensity of a rockburst is classified into four categories: no rockburst, weak, moderate, and strong. The implementation of the model utilizes 476 cases of rockburst collected from various sources. The features used in this study include maximum tangential stress, uniaxial compressive strength, uniaxial tensile strength, stress coefficient, rock brittleness coefficient, and elastic strain index. Before implementing the model, data preprocessing is conducted, which includes imputing missing values, removing outliers, feature normalization, and data resampling. The performance of the model is evaluated based on metrics such as accuracy, precision, recall, and f1-score with various training data proportions ranging from 50% to 90%. The research results indicate that GWO-SVM outperforms XGBoost in both the classification of rockburst with 98.0392% accuracy, 97.8495% precision, 98.2609% recall, and 98.0161% f1-score as well as intensity with 75.8242% accuracy, 75.1473% precision, 75.3115% recall, and 75.2150% f1-score."

"Stroke adalah tanda-tanda klinis gangguan fungsi otak yang penyebabnya berasal dari pembuluh darah. Hal tersebut dapat terjadi karena bagian otak tidak menerima aliran darah yang dibutuhkan karena suatu alasan, baik suplai darah ke bagian otak terganggu, atau karena pembuluh darah di otak pecah dan darah menyebar ke daerah sekitarnya. Sejumlah tes klinis telah dikembangkan selama bertahun-tahun untuk membantu menentukan keberadaan stroke. Salah satunya dengan brain imaging, yaitu menggunakan CT (Computed Tomography) scan dan MRI (Magnetic Resonance Imaging). Pemeriksaan ini dilakukan oleh dokter guna melakukan diagnosa pasien terhadap jenis stroke yang diderita. Dua jenis utama dari penyakit stroke ini ada dua, yaitu stroke iskemik dan stroke hemoragik. Sebagai tes pencitraan untuk mendiagnosa stroke, CT scan dan MRI memiliki kelebihan dan kekurangannya masing-masing. Kemudian selain tes pecintraan, terhadap pasien stroke juga dilakukan pemeriksaan laboratorium yang berisi fitur-fitur dari pemeriksaan laboratorium tersebut. Oleh karena itu, dalam penelitian akan dilakukan pengklasifikasian dengan pendekatan menggunakan machine learning menggunakan data pemeriksaan laboratorium pasien stroke. Metode klasifikasi yang digunakan adalah Grey Wolf Optimization-Support Vector Machine (GWO-SVM), dimana Grey Wolf Optimization (GWO) digunakan sebagai optimisasi parameter yang akan digunakan pada Support Vector Machine (SVM). Untuk mengukur performa GWO-SVM, hasil akurasi, spesifisitas, dan sensitivitas dari klasifikasi dengan GWO-SVM akan dibandingkan dengan SVM. Data stroke yang digunakan dalam penelitian ini diperoleh dari Departemen Medik Penyakit Syaraf, Rumah Sakit Umum Pusat Nasional (RSUPN) Dr. Cipto Mangunkusumo. Hasil menujukan bahwa klasifikasi dengan menggunakan Grey Wolf Optimization-Support Vector Machine (GWO-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter.

---

Stroke is clinical signs of impaired brain function whose causes originate from vascular. It occurs when part of the brain does not receive the needed blood flow for a reason, either the blood supply to the brain is disrupted, or because a blood vessel in the brain burst and blood spreads to the surrounding area. Several clinical tests have been developed over the years to help determine the presence of a stroke. One of them is by brain imaging, which uses CT (Computed Tomography) scan and MRI (Magnetic Resonance Imaging). This examination is carried out by the doctor to diagnose the patient for the type of stroke suffered. There are two main types of stroke, namely ischemic stroke and hemorrhagic stroke. As an imaging test to diagnose stroke, CT scan and MRI have their respective advantages and disadvantages. Then, in addition to the imaging test, the stroke patient has also carried out a laboratory examination that contains the features of the laboratory examination. Therefore, in this research a classification approach using machine learning will be carried out using laboratory examination data of stroke patients. The classification method that will be used is Grey Wolf Optimization-Support Vector Machine (GWO-SVM), where Grey Wolf Optimization (GWO) is used as an optimization parameter to be used in Support Vector Machine (SVM). To measure the performance of GWO-SVM, the results of accuracy, specificity, and sensitivity of the classification with GWO-SVM will be compared with SVM. Stroke data used in this study were obtained from the Department of Neurology, National Center General Hospital Dr. Cipto Mangunkusumo. The results showed that the classification using GWO-SVM produces better performance when compared to SVM without parameter optimization."

"Serviks atau leher rahim merupakan salah satu bagian dari sistem alat reproduksi wanita. Salah satu penyakit yang dapat menyerang serviks adalah kanker. Di dunia, kanker serviks adalah salah satu kanker yang menyebabkan kematian dan keganasan yang paling umum terjadi pada wanita. Kanker serviks merupakan penyakit yang memiliki peluang sembuh cukup besar jika terdeteksi sejak dini. Seiring dengan perkembangan teknologi dalam berbagai bidang, termasuk dalam bidang medis, maka pendeteksian dini kanker serviks dapat dilakukan dengan klasifikasi menggunakan bantuan dari metode klasifikasi machine learning. Pada penelitian ini, metode klasifikasi machine learning yang digunakan untuk mengklasifikasikan kanker serviks adalah metode Naïve Bayes (NB) dan Support Vector Machine (SVM) dengan seleksi fitur Grey Wolf Optimization (GWO). Seleksi fitur GWO merupakan seleksi fitur metode wrapper yang digunakan pada penelitian ini untuk mengeliminasi fitur-fitur tidak relevan dalam mengklasifikasikan data kanker serviks, agar NB dan SVM dapat mengklasifikasi dengan lebih akurat. Sehingga, metode ini disebut sebagai metode NB–GWO dan SVM–GWO. Data kanker serviks yang digunakan pada penelitian ini merupakan data numerik dari hasil citra MRI yang diperoleh dari Departemen Radiologi RSUPN Dr. Cipto Mangunkusumo. Berdasarkan hasil penelitian dengan seleksi fitur GWO, metode NB–GWO menghasilkan rata-rata akurasi, recall, dan f1-score tertinggi masing-masing sebesar 96,30%, 96,08%, 97,93%, dan 96,30%, sedangkan metode SVM–GWO menghasilkan rata-rata akurasi dan f1-score tertinggi masing-masing sebesar 95,37% dan 95,36% dengan kernel Linier, rata- rata presisi tertinggi sebesar 97,56% dengan kernel Polinomial, serta rata-rata recall tertinggi sebesar 99,75% dengan kernel RBF. Kemudian, berdasarkan hasil klasifikasi tanpa seleksi fitur GWO, metode NB menghasilkan rata-rata akurasi, presisi, recall, dan f1-score tertinggi masing-masing sebesar 91,98%, 95,21%, 92,90%, 91,95%, sedangkan metode SVM menghasilkan rata-rata akurasi, recall, dan f1-score tertinggi sebesar 92,13%, 99,24%, dan 92,19% dengan kernel RBF, serta rata-rata presisi tertinggi sebesar 93,59% dengan kernel Polinomial. Dengan demikian, metode seleksi fitur GWO dapat meningkatkan kinerja dari NB dan SVM dalam mengklasifikasikan data kanker serviks. Selanjutnya, berdasarkan hasil perbandingan kinerja dari NB–GWO dan SVM–GWO, maka secara keseluruhan metode NB–GWO menghasilkan kinerja yang lebih baik dalam mengklasifikasikan data kanker serviks dibandingkan dengan SVM–GWO.

---

Cervix is one part of the female reproductive system. One of the diseases that can attack the cervix is cancer. In the world, cervical cancer is one of the cancers that cause death and malignancy that is most common in women. Cervical cancer is a disease that has a considerable chance of recovery if detected early. Along with the development of technology in various fields, including in the medical field, the early detection of cervical cancer can be done by classification using the help of machine learning classification methods. In this study, the machine learning classification method used to classify cervical cancer was Naïve Bayes (NB) and Support Vector Machine (SVM) with Grey Wolf Optimization (GWO) feature selection. GWO feature selection is a wrapper feature selection method used in this study to eliminate irrelevant features in classifying cervical cancer data, so that NB and SVM can classify more accurately. Thus, this method is referred to as the NB–GWO and SVM–GWO. Cervical cancer data used in this study is numerical data from MRI obtained from the Department of Radiology RSUPN Dr. Cipto Mangunkusumo. Based on the results of the study with GWO feature selection, NB– GWO produced the highest average accuracy, recall, and f1-score of 96.30%, 96.08%, 97.93%, and 96.30% respectively, while SVM–GWO produced the highest average accuracy and f1-score of 95.37% and 95.36% respectively with Linear kernel, the highest precision average of 97.56% with Polynomial kernel, and the highest recall average of 99.75% with RBF kernel. Then, based on the results of classification without GWO feature selection, the NB produced the highest average accuracy, precision, recall, and f1- score of 91.98%, 95.21%, 92.90%, 91.95% respectively, while SVM produced the highest average accuracy, recall, and f1-score of 92.13%, 99.24%, and 92.19% with RBF kernel, and the highest average precision of 93.59% with Polynomial kernel. Thus, GWO feature selection method was able to improve the performance of NB and SVM in classifying cervical cancer. Furthermore, based on the results of performance comparison from NB– GWO and SVM–GWO, the overall method of NB–GWO resulted in better performance in classifying cervical cancer data compared to SVM–GWO."