Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Salah satu metode yang digunakan untuk mendeteksi kadar kolesterol seseorang adalah dengan mengambil sejumlah darah untuk diuji. Namun, hal tersebut dapat membuat sejumlah orang merasa kurang nyaman. Oleh karena itu, metode pegukuran bersifat tidak merusak dibuat dan mengalami perkembangan yang pesat. Salah satu metode bersifat tidak merusak yang ditemukan adalah dengan menggunakan Iridologi. Fokus pada penelitian ini adalah perancangan sistem untuk memprediksi kelas kolesterol seseorang melalui citra iris. Kondisi kesehatan setiap organ dan jaringan pada tubuh dapat dilihat melalui iris. Hal tersebut dapat dimanfaatkan untuk memprediksi kelas kolesterol seseorang. Sistem yang dibuat terdiri dari instrument yang berfungsi untuk meng-akuisisi citra iris dan algoritma pengolahan citra yang berbasis ciri tekstur. Pemrosesan yang dilakukan pada citra iris adalah peningkatan kualitas dengan metode penyaringan Fast Fourier Transfor, dan mengubah citra menjadi keabuan, lokalisasi, normalisasi dan segmentasi 30% terluar dari citra iris. Metode ekstraksi ciri yang digunakan pada penelitian ini adalah Gray Level Co-occurance Matrix dengan jarak tetangga sebesar 45%, 65% dan 90%. Model klasifikasi terbaik dengan menggunakan MLP dapat mengklasifikasi kelas kolesterol tinggi dan kolesterol normal dengan K-fold cross validation dengan akurasi sebesar 86,67%, misclassification rate (MR) sebesar 13,33%, false positive rate (FPR) sebesar 9,09%, dan false negative rate (FNR) sebesar 25%. ......One of the methods to detect the rate of cholesterol levels, is to extract a certain amount of blood from a subject’s body, which will then be tested. However, these practices has been deemed by a substantial amount of individuals or groups to be an uncomfortable procedure. These unpleasant reactions are the reason for the manufacturing and improvement of another measuring method, which is considerably less invasive. It is called Iridology, where the study or predictions of one’s cholesterol levels are based on one’s iris image. The method is developed further on an acquisition instrument and image processing algorithm, which are both based on an image texture factor. The pre-processing that are applied to the image are quality enhancement with an FFT filtering method and the transformation into a grayscale image, which are then localized, normalized, and segmented by 30% outlying the iris image. The extraction method applied in this study is the Gray Level Co-occurance Matrix with a neighbouring distance of 45%, 65%, and 90%. The Multilayer Perceptron Model is used to categorize different classes of both normal and high cholesterol levels with K-fold cross validation to produce an accuracy rate of 86,67%, misclassification rate (MR) of 13,33%, false positive rate (FPR) of 9,09%, and false negative rate (FNR) of 25%. These established rates proves that the alternative method is able to classifying an individual’s cholesterol levels in a less invasive manner.

Abstrak :
Upaya untuk meningkatkan kepuasan dan loyalitas donatur serta untuk memandu perumusan perencanaan pengembangan organisasi, maka dibutuhkan strategi pengembangan donatur, adapun untuk melakukan strategi pengembangan donatur dapat dilakukan dengan pendekatan data mining yang meliputi pengelompokan donatur dengan metode clustering dan hasil pengelompokan tersebut dievaluasi dengan artificial neural network (multilayer perceptron), dan menggunakan metode association rules untuk menganalisa peta pemasaran serta dirumuskan strategi pengembangan donatur berdasarkan data transaksi dan visi misi. Hasil penelitian menyarankan bahwa manajemen hubungan lembaga amil zakat dengan donatur perlu dikembangkan sehingga terjalin komunikasi yang aktif antar keduanya.

---

Efforts to increase donor satisfaction and loyalty as well as to guide the formulation of organizational development planning, donor development strategy is required, as for donors to make development strategy can be done with data mining approach that involves the grouping of donors by the method of clustering and classification results were evaluated by artificial neural network (multilayer perceptron), and using methods of association rules to analyze a map of marketing and donor development strategies are formulated based on transaction data and the vision and mission. The results suggest that the management of relations with donor amil zakat institution should be developed so that active communication is established between them.

Abstrak :
Asuransi mobil adalah produk asuransi yang banyak digunakan di Indonesia. Namun, asuransi mobil memiliki potensi untuk kecurangan klaim yang menyebabkan kerugian bagi perusahaan dan pemegang polis. Penelitian ini bertujuan untuk merancang model prediksi deteksi kecurangan asuransi mobil di Indonesia menggunakan pendekatan machine learning. Supervised classifiers adalah salah satu teknik machine learning yang memiliki kemampuan untuk memprediksi kasus-kasus anomali. Supervised classifiers yang digunakan pada penelitian ini adalah Multilayer Perceptron (MLP), Decision Tree C4.5, dan Random Forest (RF). Penelitian ini menggunakan data real-world pada perusahaan asuransi mobil di Indonesia. Dataset memiliki distribusi tidak seimbang yang sangat tinggi antara data pemegang polis yang melakukan kecurangan dan pemegang polis yang sah. Penelitian ini menangani masalah dataset yang tidak seimbang dengan menggunakan Synthetic Minority Oversampling Technique (SMOTE) dan metode undersampling. Kinerja model dievaluasi melalui confusion matrix, Kurva ROC, dan parameter seperti sensitivitas. Penelitian ini menemukan bahwa Random Forest memberikan hasil terbaik dibandingkan dengan MLP dan Decision Tree C4.5. ......Automobile insurance is widely used insurance product in Indonesia. However, automobile insurance has the potential for  fraudulent claim that leads to several consequences for the company and policyholder. This research aims to design a prediction model of automobile insurance fraud detection in Indonesia using a machine learning approach. Supervised classifiers is one of machine learning techniques that has the ability to predict anomaly cases. The proposed supervised classifiers are Multilayer Perceptron (MLP), Decision Tree C4.5, and Random Forest(RF). This research used real-world data on an automobile insurance company in Indonesia. The dataset has a high imbalanced distribution between the data of policyholders who commit fraud and legitimate. This study handles the imbalanced dataset problem by using the Synthetic Minority Oversampling Technique (SMOTE) and undersampling methods. The performance of models is evaluated through the confusion matrix, ROC Curve, and parameters such as sensitivity. This research found that Random Forest outperformed the results comparing to other classifiers.

Abstrak :
Artificial neural network (ANN) inspered from biological science....

Abstrak :
Skripsi ini membahas rancangan dan pengembangan sistem penilaian esai otomatis untuk ujian Bahasa Jepang dengan bentuk isian singkat/esai. Sistem dirancang dengan model hybrid MLP (Multilayer Perceptron) dengan Particle Swarm Optimization. Sistem ditulis dalam bahasa pemrograman Python. Penilaian otomatis dilakukan dengan membandingkan jawaban mahasiswa dan jawaban dosen berdasarkan jarak kemiripan menggunakan Manhattan Distance. Model Hybrid MLP akan digunakan untuk menghasilkan vektor jawaban agar dapat dibandingkan dan dinilai. Dari variasi model yang diuji, variasi yang terbukti memiliki performa terbaik adalah variasi dengan model MLP yang dilatih secara backpropagation dengan optimizer Adam dengan learning rate sebesar 0.000001, fungsi loss categorical-crossentropy, dan dilatih selama 50 epoch. Model mendapatkan tingkat persentase eror sebesar 21.85% untuk rata-rata nilai prediksi dibandingkan dengan nilai yang diberikan oleh dosen. ......This thesis discusses and explore the designs and development of Automatic Essay Grading System using combination of Multilayer Perceptron with Particle Swarm Optimization. The program is being developed with Python programming language. The system compares the matrix vector of the student’s answer with the key answer using Manhattan Distance. Out of all the variations that are tested, the model that is proven to be the most stable is the MLP model that are trained with Backpropagation with loss function crosscategorical-crossentropy and Adam optimizer with learning rate of 0.000001. The model achieves an error percentage of 21.85% for the average grade predicted compared to the actual grade.

Abstrak :
Pemeriksaan yang paling tepat dalam menentukan volume jaringan lemak visceral dilakukan dengan menggunakan modalitas CT-scan. Namun karena setiap slice citra memiliki bentuk dan lokasi lemak visceral yang berbeda-beda, maka penentuan volume menjadi tidak mudah. Sehingga, Computer Aided Diagnosis (CAD) dapat dijadikan salah satu solusi untuk membantu tenaga ahli dalam pembacaan citra dan menganalisa area lemak terutama area lemak visceral pada citra abdomen dengan lebih akurat. Dalam penelitian ini, sistem CAD dikembangkan dengan menggunakan metode segmentasi Thresholding, ekstrasi ciri berbasis Gray Level Co-Occurrence Matrix (GLCM) dan klasifikasi citra lemak visceral menggunakan Multilayer Perceptron (MLP). Penelitian ini mengolah data 665 citra CT-scan abdomen dari 38 pasien yang diperoleh dari Rumah Sakit Persahabatan Jakarta. Data tersebut dibagi menjadi 70% citra sebagai data pelatihan dan 30% citra sebagai data pengujian. Hasil performa sistem CAD yang direpresentasikan sebagai tingkat keakurasian dengan nilai sebesar 98.73% untuk data pelatihan dan 95.58% untuk data pengujian. Selain itu, juga diperoleh informasi bahwa hasil kalkulasi volume area jaringan lemak visceral dengan nilai terbesar yaitu sebesar 1238.89 dengan tebal slice sebesar 5 mm. Sedangkan ketebalan 10 mm diperoleh volume sebesar 1072.91 Sementara untuk hasil kalkulasi volume area jaringan lemak visceral terkecil sebesar 107.57 pada ketebalan 5 mm. Sedangkan ketebalan 10 mm diperoleh volume sebesar 47.43 . Evaluasi pada proses segmentasi dilakukan menggunakan metode SSIM dengan mengahasilkan nilai rata-rata SSIM untuk keseluruhan data sebesar 0.843 pada data latih dan 0.838 pada data uji. Dari hasil penelitian ini, sistem CAD berhasil dikembangkan untuk membantu dalam proses mengestimasi volume area jaringan lemak visceral. Namun, tingkat keakurasian antara kalkulasi volume lemak visceral menggunakan sistem CAD dan software CT-scan belum dapat diperoleh dengan baik. ......The most precise examination in determining the volume of abdominal fat tissue is using a CT-scan modality. However, because each slice image has a different shape and location of visceral fat, it is not easy to determine the volume. So that, Computer Aided Diagnosis (CAD) can be used as a solution to assist experts in reading images and analyzing fat areas, especially visceral fat areas on abdominal images more accurate. In this study, a CAD system was developed using the Thresholding segmentation method, feature extraction based on Gray Level Co-Occurrence Matrix (GLCM) for the identification of abdominal fat. Next, in the classification process, the visceral fat area is separated from the subcutaneous fat area using Multilayer Perceptron (MLP). This study processed data from 665 abdominal CT-scan images from 38 patients obtained from Persahabatan Hospital. The data is divided into 70% images as training data and 30% images as test data. The results of the CAD system performance are represented as the level of accuracy with a value of 98.73% for training data and 95.58% for test data. In addition, information was also obtained that the calculation of the volume of visceral fat tissue areas with the largest value of 1238.89 with a slice thickness of 5 mm. While the thickness of 10 mm obtained a volume of 1072.91 Calculation of the volume of the volume area of ​​the smallest visceral fat tissue of 107.57 at 5 mm thickness. While the thickness of 10 mm obtained a volume of 47.43 . Evaluation of the segmentation process was carried out using the SSIM method by producing an average SSIM value for the entire data of 0.843 in the training data and 0.838 in the test data. From the results of this study, a CAD system was successfully developed to assist in the process of estimating the volume of visceral fat tissue area. However, the level of accuracy between the calculation of visceral fat volume using CAD systems and CT-scan software has not been obtained properly.

Abstrak :
Deforestasi di Kalimantan Timur perlu dikendalikan melalui pemodelan perubahan tutupan lahan. Penelitian ini bertujuan untuk menganalisis klasifikasi dan validasi peta penutup lahan multi temporal, menganalisis investigasi model optimal, dan mensintesis prediksi tutupan lahan tahun 2036 serta analisis pola spasial perubahan tutupan lahan 2016-2036. Pemodelan perubahan tutupan lahan menggunakan pendekatan Multilayer Perceptron melalui pemilihan periode dan interval kalibrasi optimal untuk menghasilkan model yang akurat dan objektif. Empat belas skenario interval kalibrasi disusun menggunakan 11 peta penutup lahan yang diklasifikasi dari Citra Landsat Time Series menggunakan metode Random Forest pada lingkungan komputasi awan Google Earth Engine. Simulasi pemodelan menggunakan modul Land Change Modeler dengan mempertimbangkan 14 variabel pendorong. Hasil klasifikasi menunjukkan akurasi yang baik dengan Overall Accuracy 71,43-85,14% dan nilai Kappa 0,667-0,827. Periode dan interval kalibrasi optimal untuk memprediksi tutupan lahan tahun 2036 adalah periode 2016-2021 dengan interval 5 tahun dan dengan lama prediksi tiga kali periode kalibrasi. Perubahan tutupan lahan berupa fenomena deforestasi dan reforestasi ditemukan di kawasan pertambangan, perkebunan, dan hutan produksi. Hasil analisis spasial menemukan adanya penurunan luas tutupan hutan dari tahun 2016 hingga 2021 dengan laju deforestasi 651 km2/tahun. Diperkirakan luas tutupan hutan tahun 2036 masih tersisa 69.203 km2. Sebagian besar perubahan tutupan lahan terjadi pada kemiringan tanah kurang dari 4 derajat pada ketinggian di bawah 100m. Topografi merupakan variabel yang paling berpengaruh dalam mendorong perubahan tutupan lahan di Kalimantan Timur. ......Deforestation in East Kalimantan needs to be controlled through land cover change modeling. This study aims to analyze the classification and validation of multi-temporal land cover maps, analyze optimal model investigations, synthesize land cover predictions in 2036, and analyze spatial patterns of land cover changes in 2016-2036. Land cover change modeling uses the Multilayer Perceptron approach by selecting the suitable calibration period and intervals to produce an accurate and objective model. Fourteen calibration interval scenarios were prepared using 11 land cover maps classified from Landsat Time Series images using the Random Forest method in the Google Earth Engine cloud computing environment. The modeling simulation uses the Land Change Modeler module by considering 14 driving variables. The classification results show good accuracy, with an Overall Accuracy of 71.43-85.14% and a Kappa value of 0.667-0.827. The optimal calibration period and interval to predict land cover in 2036 is the 2016-2021 period with 5-year intervals and three times the calibration period. Changes in land cover in the form of deforestation and reforestation are found in mining areas, plantations, and production forests. The spatial analysis results found a decrease in forest cover area from 2016 to 2021 with a deforestation rate of 651 km2/year. It is estimated that in 2036 there will still be 69,203 km2 of forest cover remaining. Most land cover changes occur at less than 4 degrees land slopes at elevations below 100m. Topography is the most influential variable driving land cover change in East Kalimantan

Abstrak :
Pandemi COVID-19 di kuartal awal 2020 mendorong Universitas Indonesia untuk menetapkan sistem pembelajaran daring dalam menjalankan aktivitas perkuliahan. Prediksi keberhasilan mahasiswa pada masa pembelajaran daring perlu dilakukan sebagai bahan evaluasi pemanfaatan sistem pembelajaran daring selanjutnya. Machine learning merupakan tools untuk melakukan prediksi. Terdapat berbagai model dalam machine learning, salah satu model yang sering digunakan adalah neural network. Multilayer Perceptron (MLP) merupakan salah satu model dari neural network. MLP terdiri dari input layer, hidden layer dan output layer. Nilai pada input layer diproses pada hidden layer dan hasil akhir dihasilkan di output layer. MLP bekerja dengan pembaruan bobot yang membutuhkan 2 fase yaitu forward pass dan backward pass. MLP dengan algoritma optimasi Levenberg-Marquardt digunakan untuk memprediksi keberhasilan akademis mahasiswa. Prediksi yang dilakukan berupa klasifikasi mahasiswa lulus dan tidak lulus. Data yang digunakan merupakan data rekapitulasi aktivitas perkuliahan mahasiswa Departemen Matematika FMIPA UI pada mata kuliah X. Terdapat 2 data yang digunakan untuk memprediksi keberhasilan akademis mahasiswa, yaitu data rekapitulasi aktivitas perkuliahan mahasiswa dari minggu ke-1 hingga ke-4 (periode 1) dan minggu ke-1 hingga ke-8 (periode 2). Hyperparameter yang digunakan adalah 8 buah input neuron, 30 buah hidden neuron untuk hidden layer pertama, 30 buah hidden neuron untuk hidden layer kedua, 1 buah output neuron, 2 buah fungsi aktivasi (tanh dan linear), dan damping factor dengan nilai 3. Evaluasi MLP dalam memprediksi keberhasilan akademis mahasiswa dilakukan dengan menentukan nilai G-mean terbaik. Nilai G-mean menunjukkan kemampuan model dalam mengklasifikasi kelas lulus maupun tidak lulus. Prediksi MLP dengan algoritma optimasi Levenberg-Marquardt menghasilkan G-mean terbesar untuk periode 1 sebesar 0,72 dan periode 2 sebesar 0,86 pada data training dan testing 90:10. Hasil perbandingan prediksi keberhasilan mahasiswa data periode 1 dan periode 2 menunjukkan periode 2 lebih baik digunakan untuk memprediksi keberhasilan akademis mahasiswa. ......COVID-19 pandemic on first quarter of 2020 urged Universitas Indonesia to distanced learning in doing lecture activities. Distance learning system may cause bad health to students, to such extent that student academic success may be affected. Student academic success prediction on distance learning need to be done as evaluation for future distance learning system. Machine learning is one of solution to perform prediction. There are many methods in machine learning, one of common used methods is neural network. There are many kinds of machine learning, one of the kinds is multilayer perceptron (MLP). MLP is consists of input layer, hidden layer and output layer. Values from input layer are processed in hidden layer and final output are yielded in output layer. MLP has 2 processing phase, which are forward pass and backward pass to do weight updating. MLP with Levenberg-Marquardt optimization algorithm is used for predicting student academic success. Performed prediction is classification of students who passed and failed. The data that is recapitulation of students course activity. Data consists of 2 sub- datas, which are recapitulation of course activity student from week 1 to week 4 (first period) and from week 1 to week 8 (second period). Hyperparameter that are used to bulid MLP are 2 hidden layer, 8 input neuron, 30 hidden neuron for each hidden layer, 1 output neuron, 2 activation function (tanh and linear), damping factor values 3. MLP evaluation of predicting student academic success is based on best G-mean result. G-Mean value shows how model performs in classifying passed students class and failed students class. MLP with Levenberg-Marquardt optimization algorithm implementation yields highest G-mean value, 0,72 and 0,86 from both periods, respectively, on 90:10 training and testing data split. Comparison between results of student academic success prediction with first period and second period indicate that second period is better to be used for predicting student academic success.