Abstract:Abstract: Heart disease is one of the leading causes of death worldwide, making early detection and accurate diagnosis crucial for reducing mortality rates and improving patient outcomes. This study aims to evaluate the…
effectiveness of four machine learning algorithms—Logistic Regression, Random Forest, Support Vector Machine (SVM), and K-Nearest Neighbors (KNN)—in predicting heart disease, with a focus on enhancing model performance using Linear Discriminant Analysis (LDA) for feature reduction. Among the models, SVM achieved the highest accuracy at 84.24%, followed by Logistic Regression at 83.70%. Although Random Forest and KNN showed lower accuracies, all models benefited from LDA's dimensionality reduction. This study suggests that SVM, combined with LDA, offers an optimal solution for early and accurate heart disease prediction in the healthcare industry.
Keywords: feature reduction; heart disease; linear discriminant analysis (LDA); machine learning; SVM
Abstrak: Penyakit jantung merupakan salah satu penyebab utama kematian di seluruh dunia, sehingga deteksi dini dan diagnosis yang akurat sangat penting untuk menurunkan angka kematian dan meningkatkan hasil pengobatan pasien. Penelitian ini bertujuan untuk mengevaluasi efektivitas empat algoritma pembelajaran mesin—Regresi Logistik, Random Forest, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN)—dalam memprediksi penyakit jantung, dengan fokus pada peningkatan kinerja model menggunakan Analisis Diskriminan Linear (LDA) untuk reduksi fitur. Di antara model yang diuji, SVM mencapai akurasi tertinggi sebesar 84,24%, diikuti oleh Regresi Logistik dengan 83,70%. Meskipun Random Forest dan KNN menunjukkan akurasi yang lebih rendah, semua model memperoleh manfaat dari reduksi dimensi yang diberikan oleh LDA. Studi ini menunjukkan bahwa SVM yang dikombinasikan dengan LDA merupakan solusi optimal untuk prediksi penyakit jantung secara dini dan akurat dalam industri kesehatan.
Kata kunci: linear discriminant analysis (LDA); machine learning; penyakit jantung; reduksi fitur; SVM.
Abstract:Abstract: Feature selection is a crucial process that is very important to improve the performance of machine learning models, in accordance with data preprocessing. The feature selection process can be considered as a global…
lobal combinatorial optimization problem in machine learning, which reduces the number of features, eliminates irrelevant data, and produces acceptable classification accuracy. The purpose of this study is to predict or determine the results of the electrical installation operation feasibility test based on data and obtain attribute selection features, and obtain accuracy level results. The Particle Swarm Optimization (PSO) approach is used to select the right characteristics to determine the results of the electrical installation operation feasibility test because attribute selection is needed in data analysis, because the PSO method will increase accuracy than just SVM in determining attribute selection. If SVM is used with PSO, the accuracy value is 96% and AUC is 0.994%, while the SVM method produces an accuracy level of 94.89% and AUC of 0.994%. With this finding, the accuracy value increases by 2%, making it a very good categorization category. It has been proven that the use of Particle Swarm Optimization (PSO) based algorithms can improve and improve results.
Keywords: PSO; SVM; Certification
Abstrak: Pemilihan fitur merupakan proses krusial yang sangat penting untuk meningkatkan kinerja model machine learning, sesuai dengan praproses data. Proses pemilihan fitur dapat dianggap sebagai masalah optimasi kombinatorial global dalam pembelajaran mesin, yang mengurangi jumlah fitur, menghilangkan data yang tidak relevan, dan menghasilkan akurasi klasifikasi yang dapat diterima. Tujuan dari penelitian ini adalah untuk memprediksi atau menentukan hasil uji kelayakan operasi instalasi listrik berdasarkan data dan memperoleh fitur pemilihan atribut, serta memperoleh hasil tingkat akurasi. Pendekatan Particle Swarm Optimization (PSO) digunakan untuk memilih karakteristik yang tepat untuk menentukan hasil uji kelayakan operasi instalasi listrik karena pemilihan atribut diperlukan dalam analisis data, karena metode PSO akan meningkatkan akurasi dari pada hanya SVM dalam menentukan pemilihan atribut. Jika SVM digunakan dengan PSO, nilai akurasinya adalah 96% dan AUC sebesar 0,994%, sedangkan metode SVM menghasilkan tingkat akurasi sebesar 94,89% dan AUC sebesar 0,994%. Dengan temuan ini, nilai akurasi meningkat sebesar 2%, menjadikannya kategori kategorisasi yang sangat baik. Telah terbukti bahwa penggunaan algoritma berbasis Particle Swarm Optimization (PSO) dapat meningkatkan dan memperbaiki hasil.
Kata kunci: PSO; SVM; Sertifikasi
Abstract:Abstract: Mobile phones, as essential telecommunication devices today, are equipped with numerous features. The plethora of mobile phone models, especially gaming phones, requires consumers to be discerning in choosing a…
phone for everyday use. The problem is that many consumers do not understand how to purchase a phone that meets their specific criteria. The specifications that must be considered when selecting a gaming phone that fits within a budget and meets criteria include performance or specifications, screen quality, battery life, RAM, network connectivity, and price. A decision support system is a part of information systems designed to facilitate decision-making processes based on data or common everyday problems. The Weighted Product (WP) method is typically used in decision-making that involves multiple criteria to be considered simultaneously. Based on the WP method calculations, it was found that the recommended smartphone alternative is determined by the highest vector value (V) ranking according to user-defined criteria. The analysis results indicate that the recommended smartphone alternative is Alternative 1 with a score of 0.376, which is the Infinix GT 10 Pro, due to its comparable specifications to other models but with a more affordable price."
Keywords: decision support systems ; gaming cellphone; recommendation
Abstrak: Handphone sebagai perangkat telekomunikasi yang menjadi kebutuhan utama saat ini sudah dilengkapi dengan banyak fitur. Banyaknya keluaran jenis handphone khususnya handphone untuk game membuat konsumen harus pintar memilih handphone yang dapat digunakan setiap harinya Permasalahannya adalah konsumen banyak yang tidak paham bagaimana membeli handphone sesuai kriteria yang cocok. Adapun spesifikasi yang harus di saat akan memilih jenis handphone game yang sesuai dengan budget dan kriteria diantaranya adalah perfoma atau spesifikasi, tingkat kualitas layar, daya tahan batrai, RAM, koneksi jaringan, dan harga. Sistem pendukung keputusan merupakan bagian dari sistem informasi yang digunakan untuk memudahkan proses pengambilan keputusan berdasarkan data atau permasalahan yang sering ditemui dalam kehidupan sehari-hari. Metode Weighted Product umumnya digunakan dalam pengambilan keputusan yang melibatkan banyak kriteria yang harus dipertimbangkan secara bersamaan. Berdasarkan proses perhitungan dengan metode WP maka didapatkan bahwa alternatif smartphone yang direkomendasikan untuk dipilih adalah smartphone yang ditentukan berdasarkan peringkat nilai vektor (V) tertinggi sesuai dengan kriteria yang ditetapkan oleh pengguna. Hasil analisis menunjukkan bahwa alternatif smartphone yang direkomendasikan adalah Alternatif 1 dengan skor 0.376, yaitu Infinix GT 10 Pro karena memiliki spesifikasi yang hampir setara dengan yang lain namun dengan harga yang lebih terjangkau.
Kata kunci: handphone game; sistem penunjang keputusan; rekomendasi
Abstract:Abstract: In the current era of very fast technological development, customer churn is a serious challenge, especially in the competitive telecommunications industry. Churn refers to customers who stop using a service or…
move to another provider, and can be categorized into three types: Active Churn, Passive Churn, and Rotational Churn. Rotational Churn, which is difficult to predict be- cause the reasons for stopping are unclear, is the main focus of this research. This research aims to group Rotational Churn customers using a Data-Centric AI approach. This approach emphasizes improving data quality through Confident Learning and Synthetic Data before being applied to the K-Means clustering algorithm. The data used in this research is customer churn data from one telecommunications company during 2023. The research results show that customer grouping using the K-Means algorithm can provide deep insight into the characteristics of customer churn. The application of Data-Centric AI is proven to be able to increase the accuracy of clustering models, which ultimately helps compa- nies optimize programs and services to minimize churn and retain customers.
Keywords: data-centric AI; clustering; K-means
Abstrak: Dalam era perkembangan teknologi yang sangat pesat saat ini, churn pelanggan menjadi tantangan serius, terutama dalam industri telekomunikasi yang sangat kompetitif. Churn mengacu pada pelanggan yang berhenti menggunakan layanan atau beralih ke penyedia lain, dan dapat dikategorikan menjadi tiga jenis: Churn Aktif, Churn Pasif, dan Churn Rotasional. Churn Rotasional, yang sulit diprediksi karena alasan penghentian layanan tidak jelas, menjadi fokus utama penelitian ini. Penelitian ini bertujuan untuk mengelompokkan pelanggan Churn Rotasional menggunakan pendekatan Data-Centric AI. Pendekatan ini menekankan pada peningkatan kualitas data melalui Confident Learning dan Synthetic Data sebelum diterapkan ke algoritma K-Means clustering. Data yang digunakan dalam penelitian ini adalah data churn pelanggan dari satu perusahaan telekomunikasi selama tahun 2023. Hasil penelitian menunjukkan bahwa pengelompokan pelanggan menggunakan algoritma K-Means dapat memberikan wawasan mendalam tentang karakteristik churn pelanggan. Penerapan Data-Centric AI terbukti mampu meningkatkan akurasi model klastering, yang pada akhirnya membantu perusahaan mengoptimalkan program dan layanan untuk meminimalkan churn serta mempertahankan pelanggan.
Kata kunci: data-Centric AI; klasterisasi; K-means
Abstract:Abstract: Stunting is one of the nutritional problems that the world pays the most attention to and a major nutritional problem in Indonesia. Stunting is a problem in toddler growth which is characterized by a toddler's…
height that is too short compared to toddlers of his age. In the research location, namely Asahan Regency, the mapping of areas prone to increased stunting rates has not been carried out optimally. The process of exploring the stunting data warehouse is useful for adding information that can assist the government in making policies. Therefore, the aim of this research is to map stunting-prone areas in Asahan district based on the number of stunting cases in Asahan district using the machine learning-based K-Means clustering model. Based on previous research reviews, the k-means clustering method used has not used the normalization process. In addition, distance measurement only uses Euclidean Distance. Meanwhile, in this research, clustering performance analysis was carried out using a more in-depth process, namely by applying data normalization at the beginning, using the elbow method to determine the best number of clusters (K), measuring distance using Euclidean Distance, Manhattan Distance and Minkowski Distance to obtain comparison results. better clusters. The analysis results show that the best number of clusters is cluster 2 which shows the mapping results into 2 groups with a DBI of 0.51290 and a silhouette_score of 0.71432.
Keywords: stunting; k-means clustering; machine learning
Abstrak: Stunting menjadi salah satu permasalahan gizi yang paling diperhatikan dunia dan permasalahan gizi yang utama di Indonesia. Stunting merupakan masalah pada pertumbuhan balita yang ditandai dengan tinggi badan balita yang terlalu pendek dibanding balita seusianya. Pada lokasi penelitian yaitu Kabupaten Asahan, pemetaan daerah rawan peningkatan angka stunting belum dilakukan dengan optimal. Proses eksplorasi gudang data stunting ini berguna untuk menambah informasi yang dapat membantu pemerintah dalam mengambil kebijakan. Maka dari itu, tujuan dari penelitian ini adalah pemetaan daerah rawan stunting di kabupaten Asahan berdasarkan jumlah kasus stunting di Kabupaten Asahan menggunakan model clustering metode K-Means berbasis machine learning. Berdasarkan tinjauan penelitian terdahulu, metode k-means clustering yang digunakan belum menggunakan proses normalisasi. Selain itu, pengukuran jarak hanya menggunakan Euclidean Distance. Sedangkan dalam penelitian ini, analisis kinerja clustering yang dilakukan dengan proses yang lebih mendalam yaitu dengan penerapan normalisasi data di awal, penggunaan elbow method untuk penentuan jumlah cluster (K) terbaik, pengukuran jarak dengan Euclidean Distance, Manhattan Distance dan Minkowski Distance untuk mendapatkan hasil perbandingan cluster yang lebih baik. Hasil analisis menunjukkan bahwa jumlah cluster terbaik yaitu cluster 2 yang menunjukkan hasil pemetaan menjadi 2 kelompok dengan DBI 0.51290 dan silhouette_score sebesar 0.71432.
Kata kunci: stunting; k-means clustering; machine learning
Abstract:Automatic text summarization is challenging research in natural language processing, aims to obtain important information quickly and precisely. There are two main approach techniques for text summary: abstractive and extractive…
tractive summary. Abstractive Summarization generates new and more natural words, but the difficulty level is higher and more challenging. In previous studies, RNN and its variants are among the most popular Seq2Seq models in text summarization. However, there are still weaknesses in saving memory; gradients are lost in long sentences so resulting in a decrease in lengthy text summaries. This research proposes a Transformer model with an Attention mechanism that can fetch important information, solve parallelization problems, and summarize long texts. The Transformer model we propose is GPT-2. GPT-2 uses decoders to predict the next word using the pre-trained model from w11wo/indo-gpt2-small, implemented on the Indosum Indonesian dataset. Evaluation assessment of the model performance using ROUGE evaluation. The study's results get an average result recall for R-1, R-2, and R-L were 0.61, 0.51, and 0.57, respectively. The summary results can paraphrase sentences, but some still use the original words from the text. Future work increase the amount of data from the dataset to improve the result of more new sentence paraphrases.
Abstract:Abstract: Drug abuse in Indonesia is currently very worrying because of the lack of information and knowledge about the risks posed by drug abuse. Much information about drug abuse prevention is disseminated through various…
ous media such as films, seminars, training, and guidance groups. This study aims to create drug counseling media that uses 3D technology and is created through the Blender 3D tool, by combining text, audio, and video. 3D models of Image objects are represented by Augmented Reality (AR) technology. Application development is made using the MDLC (Multimedia Development Life Cycle) method. The results of this study are the development of an Augmented Reality application for social media for drug abuse using the Trilib Technique, which is a cross-platform 3D model importer.
Keywords: Augmented Reality; Drugs; Blender; Trilib; MDLC
Abstrak: Penyalahgunaan narkoba di Indonesia saat ini sangat mengkhawatirkan karena kurangnya informasi dan pengetahuan tentang risiko yang ditimbulkan oleh penyalahgunaan narkoba. Banyak informasi tentang pencegahan penyalahgunaan narkoba disebarkan melalui berbagai media seperti film, seminar, pelatihan, dan kelompok bimbingan. Penelitian ini bertujuan untuk menciptakan media penyuluhan narkoba yang menggunakan teknologi 3D dan dibuat melalui perangkat Blender 3D, dengan menggabungkan teks, audio, dan video. Model 3D objek figur direpresentasikan dengan teknologi Augmented Reality (AR). Pengembangan aplikasi dibuat dengan menggunakan metode MDLC (Multimedia Development Life Cycle). Hasil pada penelitian ini merupakan sebuah pengembangan aplikasi Augmented Reality untuk media sosialiasi penyalahgunaan narkoba dengan menggunakan Teknik Trilib yang merupakan importir model 3d secara runtime dengan lintas platform.
Kata kunci: Augmented Reality; Narkoba; Blender; Trilib; MDLC
Abstract:Abstract: Generating caption image automatically is one of the challenges in computer vision. This field can be very helpful in many ways, for example search engines. Currently there are many image classification algorithms…
hms that we can use to create a caption image model. In this article, we will compare performance between the Resnet50 and InceptionV3 models for text images. We will use 2000 (1800 train & 200 validation) image data and each image has 5 example captions to train the model. After the model is successfully created, we evaluate the model using 100 images and each image has 5 examples of additional captions that are not used in the training and validation process. The result of this research is that the InceptionV3 model is better than Resnet50. BLEU-1 is 0.53, BLEU-2 is 0.35, BLEU-3 is 0.18, BLEU-4 is 0.09, and METEOR is 0.35 for InceptionV3 model. While Resnet50 model has a value of BLEU-1 is 0.51, BLEU-2 is 0.31, BLEU-3 is 0.16, BLEU-4 is 0.06, and METEOR is 0.33.
Keywords: caption image; inceptionv3; LSTM; resnet50
Abstrak: Membuat gambar teks secara otomatis adalah salah satu tantangan dalam computer vision. Bidang ini bisa sangat membantu dalam banyak hal, misalnya mesin pencari. Saat ini banyak sekali algoritma klasifikasi citra yang dapat kita gunakan untuk membuat model teks citra. Pada artikel ini, kami akan membandingkan performa antara model Resnet50 dan InceptionV3 untuk gambar teks. Kami akan menggunakan 2000 (1800 train & 200 validation) data gambar dan setiap gambar memiliki 5 contoh caption untuk melatih model. Setelah model berhasil dibuat, kami mengevaluasi model menggunakan 100 gambar dan setiap gambar memiliki 5 contoh caption tambahan yang tidak digunakan dalam proses training dan validation. Hasil dari penelitian ini adalah model InceptionV3 lebih baik dibandingkan dengan Resnet50. BLEU-1 0.53, BLEU-2 0.35, BLEU-3 0.18, BLEU-4 0.09, dan METEOR 0.35 untuk model InceptionV3. Sedangkan model Resnet50 memiliki nilai BLEU-1 0.51, BLEU-2 0.31, BLEU-3 0.16, BLEU-4 0.06, dan METEOR 0.33.
Kata kunci: caption image; inceptionv3; LSTM; resnet50
Abstract:Abstract: Technology is growing rapidly and has become one of the human needs that must be owned to solve the problems being faced. The development of touchless input devices or hand gesture recognition using a camera is…
a form of machine learning. Gestures can define as physical movements of the hands, arms, or body as expressive messages, besides that this hand gesture system can explain the contents of commands that have meaning. In this research, a virtual mouse system will be developed using hand gesture recognition based on the hand landmark model for pointing devices. The resulting application can be run on a desktop device using a webcam. The results of the tests carried out to analyze the implementation of the hand landmark model into the system show that the average system accuracy reaches 96% and the speed reaches 0.05 seconds.
Keywords: hand gesture recognition, hand landmark models, machine learning, virtual mouse
Abstract: Teknologi semakin pesat dan sudah menjadi salah satu kebutuhan manusia yang harus dimiliki untuk menyelesaikan permasalahan yang sedang dihadapi. Perkembangan piranti masukan tanpa sentuhan atau hand gesture recognition menggunakan kamera adalah salah satu bentuk dari machine learning. Gestur mampu mendefinisikan sebagai gerakan fisik dari tangan, lengan, maupun badan sebagai pesan yang ekspresif, selain itu sistem gestur tangan ini mampu menjelaskan isi perintah yang memiliki arti. Dalam penelitian ini akan dikembangkan sebuah sistem virtual mouse menggunakan hand gesture recognition berbasis hand landmark model untuk pointing device. Aplikasi yang dihasilkan dapat dijalankan pada perangkat desktop dengan menggunakan webcam. Hasil dari pengujian yang dilakukan untuk menganalisa penerapan hand landmark model kedalam sistem menunjukkan rata-rata akurasi sistem mencapai 96% dan kecepatan mencapai 0.05 second.
Keywords: hand gesture recognition, hand landmark models, machine learning, virtual mouse
Abstract:Abstract: PDAM Tirta Silaupiasa is currently the only Regional Owned Enterprise in Asahan Regency; this requires PDAM Tirta Silaupiasa to continue to make improvements to realize optimal service to customers. The services…
s provided to customers are closely related to human resources and employee performance. Employee performance has a very important role in the company's success so that we can see the strengths, weaknesses, and potential managerial gaps in the organization. The problem faced by PDAM Tirta Silaupiasa is the lack of motivation experienced by employees. One of the efforts to increase employee motivation is to select role models/exemplary employees who will later become examples for other employees. Based on this, it is necessary to use technology, namely the design of a decision support system in determining exemplary employees by applying the Simple Multi-Attribute Rating Technique (SMART) method. The SMART method has advantages, namely in deciding with many alternatives and criteria. It is more complex to make a decision, and the decision results are better. The results of this study get Alfiansyah's alternative with a value of 74.85202777 to be a role model for PDAM Tirta Silaupiasa.
Keywords: Decision Support System; SMART; Exemplary Employee; Role Models; PDAM Tirta Silaupiasa
Abstrak: PDAM Tirta Silaupiasa saat ini merupakan satu-satunya Badan Usaha Milik Daerah yang ada di kabupaten Asahan, hal ini menuntut PDAM Tirta Silaupiasa untuk terus melakukan pembenahan guna mewujudkan pelayanan yang optimal kepada pelanggan. Pelayanan yang diberikan kepada pelanggan tentunya erat kaitannya dengan sumber daya manusia dan kinerja karyawan. Kinerja karyawan memiliki peran yang sangat penting bagi keberhasilan perusahaan sehingga dapat dilihat kekuatan, kelemahan, dan potensi kesenjangan manajerial dalam organisasi. Permasalahan yang dihadapi PDAM Tirta Silaupiasa adalah kurangnya motivasi yang dialami oleh pegawai. Salah satu upaya untuk meningkatkan motivasi pegawai adalah dengan memilih role model/pegawai teladan yang nantinya akan menjadi contoh bagi pegawai lainnya. Berdasarkan hal tersebut maka perlu digunakan teknologi yaitu perancangan sistem pendukung keputusan dalam menentukan pegawai teladan dengan menerapkan metode Simple Multi Attribute Rating Technique (SMART). Metode SMART memiliki kelebihan yaitu dalam keadaan pengambilan keputusan dengan banyak alternatif dan kriteria sehingga lebih kompleks dalam pengambilan keputusan dan akurasi hasil keputusan yang lebih baik. Hasil penelitian ini mendapatkan alternatif Alfiansyah dengan nilai 74,85202777 untuk menjadi role model bagi PDAM Tirta Silaupiasa.
Keywords: Decision Support System; SMART; Exemplary Employee; Role Models; PDAM Tirta Silaupiasa