Abstract:Abstract: This study applies an integrated approach to optimize heart failure classification. The main objective is to address the challenge of class imbalance in medical datasets and to improve the accuracy, sensitivity,…
, and generalization of the classification model. The urgency of this issue is emphasized by statistics showing that cardiovascular diseases cause approximately 17.9 million deaths worldwide each year. Using a quantitative experimental approach, this study analyzes the "Heart Failure Prediction Dataset" from Kaggle, which consists of 918 records. The data were processed through normalization and encoding, followed by the application of SMOTE on the training set to balance class distribution. This step successfully increased model accuracy from 88.41% to 90.22% and minority class recall from 0.82 to 0.88. Furthermore, Bayesian Optimization was employed to refine the hyperparameters of SVM, resulting in a final model with an accuracy of 89.13% that demonstrated better generalization. This integrated approach significantly enhances the stability, sensitivity, and generalization of the model, making it a reliable tool for clinical decision support systems in predicting heart failure.
Keywords: bayesian optimization; heart failure; machine learning; SMOTE; SVM.
Abstrak: Penelitian ini menerapkan pendekatan terintegrasi untuk mengoptimalkan klasifikasi gagal jantung. Tujuan utama studi ini adalah untuk mengatasi tantangan ketidakseimbangan kelas dalam dataset medis dan meningkatkan akurasi, sensitivitas, serta generalisasi model klasifikasi. Urgensi ini ditegaskan oleh statistik yang menunjukkan bahwa penyakit kardiovaskular menyebabkan sekitar 17,9 juta kematian setiap tahun secara global. Menggunakan pendekatan eksperimental kuantitatif, penelitian ini menganalisis "Heart Failure Prediction Dataset" dari Kaggle, yang terdiri dari 918 catatan. Data diproses dengan normalisasi dan encoding, lalu SMOTE diterapkan pada data pelatihan untuk menyeimbangkan distribusi kelas. Langkah ini berhasil meningkatkan akurasi dari 88,41% menjadi 90,22% dan recall kelas minoritas dari 0,82 menjadi 0,88. Selanjutnya, Bayesian Optimization menyempurnakan hyperparameter SVM, menghasilkan model akhir dengan akurasi 89,13% yang menunjukkan generalisasi lebih baik. Pendekatan terintegrasi ini secara signifikan meningkatkan stabilitas, sensitivitas, dan generalisasi model. Hasil penelitian ini menjadikannya alat yang andal untuk sistem pendukung keputusan klinis dalam prediksi gagal jantung.
Kata kunci: bayesian optimization; gagal jantung; machine learning; SMOTE; SVM
Abstract:Abstract: Non-performing loans remain one of the main challenges faced by cooperatives, particularly when the loan eligibility assessment process is still conducted manually. This traditional approach tends to be time consuming,…
nsuming, subjective, and prone to inaccurate decisions. This study aims to develop a predictive model for borrower eligibility using the Support Vector Machine (SVM) algorithm as a more efficient and objective machine learning-based solution. A total of 1,000 loan history records were processed using RapidMiner software, taking into account variables such as salary, years of employment, loan amount, monthly installment, employment status, monthly expenses, number of dependents, housing status, age, and collateral value. The model’s performance was evaluated using a confusion matrix and classification metrics including accuracy, precision, recall, and kappa. The results indicate that the SVM model achieved an accuracy of 90.05%, precision of 90.13%, recall of 90.05%, and f1 score of 90,08%, reflecting a strong performance in classifying borrower eligibility. The application of this method makes a significant contribution to the development of data driven decision support systems within cooperative environments. This finding expands the scientific understanding in the field of microfinance and supports the implementation of artificial intelligence technologies in making decisions that are more precise, rapid, and accurate.
Keywords: cooperative; eligibility prediction; machine learning; non-performing loan; SVM
Abstrak: Kredit macet merupakan salah satu permasalahan utama yang dihadapi koperasi, terutama ketika proses penilaian kelayakan peminjam masih dilakukan secara manual. Pendekatan ini cenderung lambat, subjektif, dan berisiko menghasilkan keputusan yang kurang akurat. Penelitian ini bertujuan untuk membangun model prediksi kelayakan peminjam menggunakan algoritma Support Vector Machine (SVM) sebagai solusi berbasis machine learning yang lebih efisien dan objektif. Sebanyak 1.000 data riwayat pinjaman diolah menggunakan tools RapidMiner dengan mempertimbangkan variabel: gaji, lama bekerja, besar pinjaman, angsuran per bulan, status pegawai, pengeluaran bulanan, jumlah tanggungan, status rumah, umur, dan nilai jaminan. Evaluasi model dilakukan menggunakan confusion matrix dan metrik klasifikasi seperti akurasi, presisi, recall, dan kappa. Hasil menunjukkan bahwa model SVM mencapai akurasi 90,05%, presisi 90,13%, recall 90,05%, dan f1 score 90,08%, yang mencerminkan performa model yang sangat baik dalam mengklasifikasikan kelayakan peminjam. Penerapan metode ini memberikan kontribusi penting dalam pengembangan sistem pendukung keputusan berbasis data di lingkungan koperasi. Temuan ini memperluas wawasan keilmuan di bidang keuangan mikro dan mendukung penerapan teknologi kecerdasan buatan dalam pengambilan keputusan yang lebih tepat, cepat, dan akurat.
Kata Kunci: koperasi; kredit macet; machine learning; prediksi kelayakan; SVM
Abstract:Abstract: The Halodoc application, as a digital healthcare service platform, has been widely used for various medical purposes, such as doctor consultations, medication purchases, and laboratory services. User interactions…
ns and reviews play a crucial role in enhancing service quality. Sentiment analysis was conducted using the Support Vector Machine (SVM) method to assess user perceptions and satisfaction based on reviews obtained from the Google Play Store platform. The analysis process included data collection, text preprocessing, data transformation using TF-IDF, and training an SVM model to predict sentiment. The model achieved its highest accuracy of 88.32% in the first scenario. However, accuracy slightly decreased in the second and third scenarios, reaching 86.25% and 86.94%, respectively. The analysis results indicated that the model performed best in the first scenario, with the lowest number of prediction errors. Additionally, the model was more accurate in classifying negative and positive sentiments than neutral ones.
Keywords: halodoc application; sentiment analysis; support vector machine algorithm
Abstrak: Aplikasi Halodoc, sebagai platform layanan kesehatan digital, telah banyak digunakan untuk berbagai keperluan medis seperti konsultasi dokter, pembelian obat, dan layanan laboratorium. Interaksi pengguna dan ulasan mereka memiliki peran krusial dalam meningkatkan mutu layanan. Analisis sentimen dilakukan dengan menggunakan metode Support Vector Machine (SVM) untuk mengetahui persepsi dan kepuasan pengguna berdasarkan ulasan yang diperoleh dari Platform Google Play Store. Proses analisis mencakup pengumpulan data, pra-pemrosesan teks, transformasi data menggunakan TF-IDF, dan pelatihan model SVM untuk memprediksi sentimen. Hasil pelatihan model dengan akurasi tertinggi sebesar 88,32% pada skenario pertama. Akurasi sedikit menurun pada skenario kedua dan ketiga, masing-masing sebesar 86,25% dan 86,94%, Hasil analisa menunjukkan bahwa model memiliki performa terbaik pada skenario pertama dengan jumlah kesalahan prediksi terkecil. Selain itu, model cenderung lebih akurat dalam mengklasifikasikan sentimen negatif dan positif dibandingkan netral..
Kata kunci: algoritma support vector machine; analisis sentimen; aplikasi halodoc
Abstract:Abstract: The advancement of network security faces growing challenges as cyberattacks become more sophisticated. Traditional rule-based systems struggle with zero-day attacks and obfuscation techniques. This study examines…
nes the development trends of AI-based algo-rithms, particularly machine learning and deep learning, in threat detection. A literature review evaluates AI-driven approaches, including support vector machines, random for-est, deep neural networks, convolutional neural networks, and reinforcement learning. Findings show that AI enhances detection accuracy, adaptability, and reduces false posi-tives. Machine learning efficiently classifies known attacks, while deep learning excels in identifying complex patterns such as distributed denial-of-service and advanced persis-tent threats. Unsupervised learning improves anomaly detection without labeled data. However, AI models require high-quality data, substantial computational resources, and remain vulnerable to adversarial attacks. Despite these challenges, AI provides a dynam-ic and adaptive security solution, surpassing traditional systems. Future research should enhance AI scalability and resilience for evolving cybersecurity threats.
Keywords: anomaly detection; artificial intelligence; deep learning; machine learning; network security
Abstrak: Perkembangan keamanan jaringan menghadapi tantangan yang semakin besar seiring meningkatnya kompleksitas serangan siber. Sistem berbasis aturan tradisional kesulitan mendeteksi zero-day attack dan teknik penyamaran. Penelitian ini mengkaji tren pengembangan algoritma berbasis AI, khususnya machine learning dan deep learning, dalam deteksi ancaman. Literature review mengevaluasi pendekatan berbasis AI, termasuk support vector machines, random forest, deep neural networks, convolutional neural networks, dan reinforcement learning. Hasil penelitian menunjukkan bahwa AI meningkatkan akurasi deteksi, adaptabilitas terhadap ancaman baru, serta mengurangi false positive. Machine learning efektif mengklasifikasikan serangan yang telah diketahui, sementara deep learning unggul dalam mengenali pola kompleks seperti distributed denial-of-service dan advanced persistent threats. Unsupervised learning meningkatkan deteksi anomali tanpa memerlukan data berlabel. Namun, AI masih bergantung pada data berkualitas tinggi, sumber daya komputasi besar, dan rentan terhadap adversarial attack. Meskipun demikian, AI menawarkan solusi keamanan yang lebih dinamis dan adaptif dibandingkan sistem tradisional. Penelitian selanjutnya perlu difokuskan pada peningkatan skalabilitas dan ketahanan AI dalam menghadapi ancaman siber yang terus berkembang.
Kata kunci: deteksi anomali; jaringan keamanan; kecerdasan buatan; pembelajaran dalam; pembelajaran mesin
Abstract:Abstract: Breast cancer is the leading cause of death for women globally, exacerbated by late detection. This study proposes a breast cancer risk prediction framework using XGBoost with SelectKBest feature selection. It…
aims to improve the accuracy and efficiency of early detection through exploratory data analysis, coding, SMOTE to address class imbalance, and feature selection (k=29). As a result, the XGBoost model achieved 98.1% accuracy, 98.1% recall, 98.1% f1-score, and 98.2% precision on test data, highlighting the importance of feature selection. These results are promising in patient prioritization (triage) for further examination, helping medical personnel identify high-risk patients, thus improving resource allocation efficiency. These findings validate SelectKBest and pave the way for the development of a machine learning-based clinical decision support system for breast cancer early detection workflows. This research contributes significantly to the application of machine learning to support early breast cancer detection.
Keywords: breast cancer; feature selection; machine learning; risk prediction; XGBOOST.
Abstrak: Kanker payudara menjadi penyebab utama kematian wanita global, diperparah deteksi yang terlambat. Penelitian ini mengusulkan kerangka prediksi risiko kanker payudara menggunakan XGBoost dengan seleksi fitur SelectKBest. Tujuannya meningkatkan akurasi dan efisiensi deteksi dini melalui analisis data eksploratif, pengkodean, SMOTE untuk mengatasi ketidakseimbangan kelas, dan seleksi fitur (k=29). Hasilnya, model XGBoost mencapai akurasi 98.1%, recall 98.1%, f1-score 98.1%, dan presisi 98.2% pada data uji, menyoroti pentingnya seleksi fitur. Hasil ini menjanjikan dalam penentuan prioritas pasien (triage) untuk pemeriksaan lebih lanjut, membantu tenaga medis mengidentifikasi pasien berisiko tinggi, sehingga meningkatkan efisiensi alokasi sumber daya. Temuan ini memvalidasi SelectKBest dan membuka jalan bagi pengembangan sistem pendukung keputusan klinis berbasis machine learning untuk alur kerja deteksi dini kanker payudara. Penelitian ini berkontribusi signifikan dalam penerapan machine learning untuk mendukung deteksi dini kanker payudara.
Kata kunci: kanker payudara; pembelajaran mesin; prediksi risiko ; seleksi fitur; XGBOOST.
Abstract:Abstract: Water irrigation is a crucial aspect of agriculture that often becomes the primary concern for farmers, especially because suboptimal management can lead to decreased crop yields and reduced income. So far, farmers…
mers have been practicing irrigation manually, where plants are watered twice a day, in the morning and evening, based on weather conditions without considering soil temperature or moisture levels. Based on the observations conducted, it was found that excessive water application increases water accumulation, resulting in nutrient loss from the soil and even root diseases. The objective of this study is to develop a system utilizing an ESP32 microcontroller and sensors to detect soil moisture, with a machine learning-based K-Nearest Neighbor (KNN) model, enabling farmers to remotely monitor and control their crops using an Android device. The testing results showed that with input data of 32°C temperature, 40% soil moisture, and 60% air humidity, the system produced a nearest distance of 0.000 and 0.541 from the closest k-nearest neighbors, with a status label of "needs water." As a result, the relay activates the water pump to irrigate the field. Meanwhile, for data with a nearest distance of 0.897, the system identified the status as "does not need water," indicating that the soil remains wet or moist. This study is expected to help reduce farmers' workloads by optimizing water usage according to plant needs and improving crop quality and yield.
Keywords: k-nearest neighbor (KNN); mikrokontroller ESP32; machine learning; water irrigation
Abstrak: Irigasi air merupakan aspek penting dalam pertanian yang menjadi perhatian utama petani, terutama karena pengelolaan yang kurang optimal berdampak pada penurunan hasil panen dan pendapatan. Selama ini, praktik irigasi oleh petani dilakukan secara manual, di mana penyiraman tanaman dilakukan dua kali sehari pada pagi dan sore berdasarkan kondisi cuaca tanpa memperhatikan suhu atau kelembaban tanah. Berdasarkan hasil observasi yang dilakukan, ditemukan masalah yaitu pemberian air secara berlebih menyebabkan akumulasi air meningkat mengakibatkan kehilangan nutrisi tanah dan bahkan penyakit akar. Tujuan penelitian ini menciptakan sistem yang dirancang menggunakan mikrokontroler ESP32 dan sensor untuk mendeteksi kelembaban tanah, dengan model K-Nearest Neighbor (KNN) berbasis machine learning sehingga memudahkan petani untuk mengontrol tanaman mereka dari jarak jauh menggunakan android. Hasil pengujian yang dilakukan dengan data inputan berupa suhu 32°C, kelembaban tanah 40% dan kelembaban udara 60%, sistem menghasilkan jarak terdekat sebesar 0.000 dan 0.541 dari k-nearest terdekat dengan label status "butuh air". Maka relay akan mengaktifkan pompa air untuk mengairi lahan. Kemudian, pada data dengan jarak terdekat 0.897, sistem mengidentifikasi status "tidak butuh air", menunjukkan bahwa kondisi tanah masih basah atau lembab. Penelitian ini diharapkan dapat membantu meringankan beban kerja petani mengoptimalkan penggunaan air sesuai dengan kebutuhan tanaman dan meningkatkan kualitas hasil panen.
Kata kunci: irigasi air; k-nearest neighbor (KNN); mikrokontroller ESP32; machine learning
Abstract:Abstract: One of the main health problems in children is stunting which is one of the concerns in the Sustainable Development Goals (SDGs). Specifically in Indonesia, the prevalence of stunting in 2024 is 21.6%. This figure…
ure is still relatively high, because the target prevalence of stunting is 14%. This study aims to implement machine learning knowledge through the Classification And Regression Trees (CART) algorithm based on Ant Be Colony (ABC) feature selection which aims to determine the increase in accuracy in analyzing stunting datasets. The data used comes from Kaggle which consists of 16500 datasets. The dataset consists of gender, age, birth length, birth weight, body length, body weight, breastfeeding and stunting status. The research methods used are data collection, data preprocessing, classification, and evaluation using K-fold cross validation. The results obtained in this research are the implementation of the CART algorithm obtained a value of 89.86% and the results of CART with Ant Be Colony (ABC) feature selection, which obtained an accuracy value of 93.65%. This shows that there is an increase in the accuracy value in the use of CART algorithm optimization and Ant Be Colony (ABC) feature selection by 3.76%. With the research results that have been obtained, it can be categorized as excellent accuracy value excellent. It is hoped that further research can be carried out by adding other classification algorithms or adding feature selection.
Keywords: classification; feature selection; optimazation; stunting
Abstrak: Salah satu masalah kesehatan utama pada anak adalah stunting yang menjadi salah satu perhatian dalam Sustainable Development Goals (SDGs). Khusus di Indonesia angka Pravelensi stunting pada tahun 2024 di angka 21.6%. Angka ini masih tergolong tinggi, karena target angka pravelensi stunting ialah 14%. Penelitian ini bertujuan untuk mengimplementasikan pengetahuan machine learning melalui algoritma Classification And Regression Trees (CART) berbasis seleksi fitur Ant Be Colony (ABC) yang bertujuan untuk mengetahui peningkatan akurasi dalam menganalisis dataset stunting. Data yang digunakan bersumber dari Kaggle yang terdiri dari 16500 dataset. Dataset terdiri dari jenis kelamin, usia, panjang lahir, berat lahir, panjangg badan, berat badan, menyusui dan status stunting. Metode penelitian yang digunakan adalah pengumpulan data, preprocessing data, klasifikasi, dan evaluasi menggunakan K-fold cross validation. Hasil yang diperoleh pada penelitian ini adalah Implementasi algoritma CART memperoleh nilai sebesar 89,86% dan hasil seleksi fitur CART dengan Ant Be Colony (ABC) memperoleh nilai akurasi sebesar 93,65%. Hal ini menunjukkan adanya peningkatan nilai akurasi pada penggunaan optimasi algoritma CART dan pemilihan fitur Ant Be Colony (ABC) sebesar 3,76%. Dengan hasil penelitian yang telah diperoleh dapat dikategorikan nilai akurasi yang diperoleh sangat baik. Diharapkan dapat dilakukan penelitian selanjutnya dengan menambahkan algoritma klasifikasi lain atau menambahkan seleksi fitur.
Kata kunci: klasifikasi; optimalisasi; seleksi fitur; stunting
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: The development of Internet of Things (IoT) technology has significantly impacted life, particularly in creating more efficient and secure smart homes. Smart homes integrate various electronic devices to enhance…
e comfort and energy efficiency. However, cost, integration complexity, and security issues remain. This study will simulate an IoT-based smart home system to analyse and evaluate device performance before real-world implementation. The simulation method involves testing connectivity and evaluating delay and packet loss using the ping method on each device. Results show the highest delay on CCTV devices at 41.8 ms and the lowest on motion detector 2 at 32.8 ms, with 0% packet loss. According to TIPHON standards, the network is rated excellent with an index of 4. The designed smart home system demonstrates optimal performance and is feasible for implementation but requires further development in configuration using AI and machine learning technologies.
Keywords: internet of things; simulation; smart home; testing
Abstrak: Perkembangan teknologi Internet of Things (IoT) telah membawa perubahan signifikan dalam kehidupan, terutama dalam pengembangan rumah pintar (smart home) yang lebih efisien dan aman. Smart home mengintegrasikan berbagai perangkat elektronik untuk meningkatkan kenyamanan dan efisiensi energi. Meskipun demikian, tantangan seperti biaya, kompleksitas integrasi, dan isu keamanan masih ada. Penelitian ini bertujuan untuk mensimulasikan sistem smart home berbasis IoT guna menganalisis dan mengevaluasi kinerja perangkat sebelum implementasi nyata. Metode simulasi yang digunakan melibatkan pengujian konektivitas dan evaluasi delay serta packet loss dengan metode ping pada setiap perangkat. Hasil menunjukkan delay tertinggi pada perangkat CCTV sebesar 41.8 ms dan terendah pada motion detector 2 sebesar 32.8 ms, dengan packet loss 0%. Berdasarkan standar TIPHON, jaringan dinilai sangat baik dengan indeks 4. Sistem smart home yang dirancang menunjukkan kinerja optimal dan layak diimplementasikan, namun masih memerlukan pengembangan lebih lanjut dalam konfigurasi menggunakan teknologi AI dan machine learning.
Keywords: internet of things; pengujian; simulasi; smart home