Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Stroke merupakan penyakit yang menempati urutan ketiga sebagai penyebab kematian terbesar di dunia setelah penyakit jantung dan kanker. Stroke juga menduduki posisi pertama sebagai penyakit yang dapat menyebabkan kecacatan, baik ringan maupun berat. Salah satu jenis stroke yang umum terjadi adalah infark serebri. Di Indonesia, jumlah penderita stroke, terutama infark serebri, semakin meningkat setiap tahunnya. Tidak hanya terjadi pada seseorang yang berusia lanjut, namun infark serebri juga dapat terjadi pada seseorang yang masih muda dan produktif. Oleh sebab itu, pendeteksian dini terhadap infark serebri sangatlah penting. Berbagai metode medis selalu digunakan untuk mengklasifikasi infark serebri, namun dalam penelitian ini, akan digunakan metode machine learning. Metode yang diusulkan yaitu Multiple Support Vector Machine dengan Seleksi Fitur Information Gain (MSVM-IG). MSVM-IG merupakan metode baru yang menggunakan support vector sebagai data baru untuk selanjutnya dilakukan seleksi fitur dan evaluasi performa. Data yang digunakan berupa data numerik hasil CT Scan yang diperoleh dari RSUPN dr. Cipto Mangunkusumo, Jakarta. Berdasarkan hasil uji coba, metode yang diusulkan mampu mencapai nilai akurasi sebesar 88,71%. Sehingga, metode MSVM-IG ini dapat menjadi salah satu alternatif untuk membantu praktisi medis dalam mengklasifikasi infark serebri.

---

Stroke is a disease that ranks third as the biggest cause of death in the world after heart disease and cancer. Stroke also occupies the first position as a disease that can cause disability, both mild and severe. One type of stroke that is common is cerebral infarction. In Indonesia, the number of stroke patients, especially cerebral infarction, is increasing every year. Not only occurs in someone who is elderly, but cerebral infarction can also occur in someone who is young and productive. Therefore, early detection of cerebral infarction is very important. Various medical methods are always used to classify cerebral infarction, but in this study, machine learning methods would be used. The proposed method is Multiple Support Vector Machine with Information Gain Feature Selection (MSVM-IG). MSVM-IG is a new method that uses support vector as a new dataset, then feature selection step and performance evaluation are performed. The data used in the form of numerical data results of CT scan obtained from RSUPN Dr. Cipto Mangunkusumo, Jakarta. Based on the results, the proposed method is able to achieve an accuracy value of 88.71%. Thus, the MSVM-IG could be an alternative to assist medical practitioners in classifying cerebral infarction.

Abstrak :
Penyakit paru obstruktif kronik (PPOK) merupakan salah satu penyakit yang menjadi masalah di Indonesia. PPOK ditandai oleh hambatan aliran udara di saluran napas yang disebabkan oleh kelainan saluran napas atau kelainan anatomis paru atau kombinasi dari keduanya. Salah satu komplikasi yang dapat terjadi pada penderita PPOK yaitu kurangnya asupan oksigen pada waktu malam hari. Keadaan tersebut akan semakin diperberat apabila penderita PPOK juga menderita gangguan tidur Obstructive Sleep Apnea (OSA). OSA adalah gangguan tidur yang disebabkan penyumbatan saluran napas dan menyebabkan jeda sementara saat napas minimal 10 detik. Pada penelitian ini, peneliti menggunakan seleksi fitur Information Gain untuk mencari fitur-fitur yang berpengaruh terhadap risiko terjadinya OSA pada pasien PPOK. Setelah proses seleksi fitur selesai, peneliti menggunakan metode Random Forest untuk mengklasifikasi pasien PPOK yang beresiko tinggi terkena OSA dan yang berisiko rendah terkena OSA. Sampel pada penelitian ini merupakan 111 pasien PPOK yang berada di RS Cipto Mangunkusumo. Dari hasil penelitian ini, nilai akurasi terbaik didapat saat penggunaan 4 fitur terbaik dari keseluruhan fitur (10% fitur dari keseluruhan fitur) sebesar 85.71% dengan sensitifitas dan spesifisitas berturut-turut sebesar 71.43% dan 92.86%. Fitur yang memiliki rangking terbaik adalah lingkar pinggang.

---

Chronic obstructive pulmonary disease (COPD) is one of the epidemic diseases in Indonesia. The characters of COPD can be seen from airway abnormalities, anatomical abnormalities of the lungs, or the combination of both. One complication that can occur in patients with COPD is lack of oxygen intake at night. This situation will be further aggravated if COPD patients also suffer from Obstructive Sleep Apnea (OSA). OSA is a sleep disorder caused by airway obstruction, and causes a temporary pause when breathing for at least 10 seconds. In this study, we used Information Gain feature selection to determine which features that affect the risk of OSA in COPD patients. After the feature selection process was completed, we used the Random Forest Classifier method to classify who has the high risk and who has the low risk of developing OSA in COPD patients. The sample in this study consist of 111 COPD patients with 34 features who hospitalized in Cipto Mangunkusumo Hospital. From experimental result, the best accuracy are obtained by 4 features (10% of total features) i.e 85.71% with sensitivity and specificity are 71.43% and 92.86% respectively. The feature with highest ranking is waist size.

Abstrak :
Curse of dimensionality atau kutukan dimensi merupakan permasalahan nyata terkait dengan dimensi tinggi pada data. Fenomena ini menyebabkan model bekerja secara tidak optimal, terjadinya overfitting, dan sulitnya proses komputasi data. Kasus data dengan dimensi tinggi ini banyak ditemukan pada data IoT (Internet of Things). Kompleksitas pada ekosistem IoT tersebut membuat sistem mengalami kesulitan dalam penangkapan properti serangan dan memaksa sistem untuk memperkuat keamanannya. Salah satu upaya yang paling banyak digunakan untuk pertahanan sistem IoT adalah dengan Intrusion Detection System (IDS). Penelitian ini menggunakan dataset Aegean WIFI Intrusion Dataset (AWID2) yang berisikan lalu lintas trafik internet pada jaringan WIFI. Data AWID2 berisi 2 juta records dan dikelompokkan ke dalam empat kelas yaitu normal, impersonation, injection, dan flooding. Untuk menyelesaikan permasalahan dimensi tinggi pada data ini, dilakukan teknik reduksi dimensi yaitu seleksi fitur jenis filter. Metode filter yang digunakan yaitu, Correlation based Feature Selection (CFS), Information Gain (IG), dan ANOVA F-test. Setiap metode seleksi fitur tersebut dilanjutkan dengan metode multiclass Support Vector Machines (SVM) one vs rest dan one vs one. Hasil dari penelitian ini menunjukkan bahwa metode fitur seleksi ANOVA F-test dengan metode klasifikasi SVM kernel polynomial dengan menggunakan 7 fitur terbaik merupakan metode paling baik untuk digunakan pada klasifikasi WIFI attacks data AWID2. Hal tersebut ditunjukkan melalui nilai accuracy=0,9766, F1score=0,8385, precision=0,9854, dan recall=0,7708. ......Curse of dimensionality is a problem related to high dimensions of data. This phenomenon can cause the non-optimal performance model, overfitting, and the data will be computationally expensive. This high dimensional data is mostly found in IoT (Internet of Things) data. The complexity of the IoT ecosystem makes it difficult for the system to capture potential attacks and forces the system to strengthen its security. One of the most widely used efforts to defend IoT systems is the Intrusion Detection System (IDS). This research will use the Aegean WIFI Intrusion Dataset (AWID2) which contains internet traffic on WIFI networks. AWID2 dataset contains of 2 million records and are grouped into four classes, namely normal, impersonation, injection, and flooding. To overcome the problem of high dimensions, this study used dimensional reduction techniques, namely feature selection filter method. The filter methods used are Correlation based Feature Selection (CFS) Information Gain (IG), and ANOVA F-test. Each of these feature selection methods is then followed by building a classification model using multiclass Support Vector Machines (SVM) one vs one and one vs rest method. This study tells that combination of feature selection ANOVA F-test method and SVM with polynomial kernel is the best method to use on WIFI attacks classification. It is indicated by the score of performance metrics namely, accuracy=0,9766, F1score=0,8385, precision=0,9854, and recall=0,7708.