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: This system for predicting volcanic eruptions will produce information that can help BMKG in making decisions to provide warnings to residents around the mountain. This will also help in mitigating volcanic eruptions,…
ptions, evacuating residents in volcanic eruptions. By using artificial neural networks with the backpropagation method, it can be used to predict volcanic eruptions. To conduct this test, criteria and factors that influence this volcanic eruption are needed. This method is tested using Matlab 6.1 software. In this test, various patterns will be carried out to compare the results of the network. From the various patterns tested, it can be seen that the number of epochs used affects the test results and will achieve the desired goal. The more epochs used, the faster the goal will be achieved. Where in the 4-2-1 pattern the goal was found in the 7th epoch with an error value of 0.0987135. This 4-2-1 pattern states that this network is tested with 4 input layers, 2 hidden layers and 1 output layer. The α value (α = learning rate) used is the Default value of 0.1. With this backpropagation method, you get more accurate results by getting smaller error values.
Keywords: backpropagation, matlab 6.1, layer, epoch, goal
Abstrak: Sistem untuk memprediksi gunung meletus ini akan menghasilkan informasi yang bisa membantu BMKG dalam mengambil keputusan untuk memberikan peringatan kepada warga sekitar gunung. Hal ini juga akan membantu dalam mitigasi bencana gunung meletus , evakuasi warga sekitar dalam bencana gunung meletus. Dengan menggunakan jaringan saraf tiruan dengan metode backpropagation bisa digunakan untuk memprediksi gunung meletus. Untuk melakukan pengujian ini dibutuhkan kriteria dan faktor yang mempengaruhi gunung meletus ini. Metode ini diuji dengan menggunakan software Matlab 6.1. Pada pengujian ini akan dilakukan dengan berbagai pola untuk membandingkan hasil dari jaringan tersebut. Dari berbagai pola yang diuji dapat dilihat bahwa jumlah epoch yang dipakai mempengaruhi hasil pengujian dan akan mencapai goal yang diinginkan. Semakin banyak epoch yang dipakai maka akan semakin cepat goal tersebut dicapai. Dimana pada pola 4-2-1 goal ditemukan pada epoch ke 7 dengan nilai eror 0,0987135. Pola 4-2-1 ini menyatakan bahwa jaringan ini diuji dengan 4 jumlah input layer, 2 hidden layer dan 1 output layer. Nilai α (α = learning rate) yang digunakan adalah nilai Default yaitu 0.1. Dengan metode backpropagation ini mendapatkan hasil yang lebih akurat dengan mendapatkan nilai eror yang lebih kecil .
Kata kunci: backpropagation ; epoch ; goal ; layer ; matlab 6.1
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: Brain cancer is a serious medical condition that requires intensive and meticulous care. One of the critical steps in identifying brain cancer is the accurate measurement of tumor volume. Magnetic Resonance Imaging…
ging (MRI) is one of the most important diagnostic tools used in the medical field for brain visualization. In this discussion, we will explain how the Active Contour method can be used to calculate brain tumor volume in MRI images and how 3D visualization can assist doctors in making better diagnoses and treatment decisions. The Active Contour method, also known as the “Snake,†is an image processing technique used to identify the contours or edges of objects in images. This method works by defining an initial curve around the desired object and then iteratively shifting the curve to match the actual contour of the object in the image. In this study, the Active Contour method will be applied to brain MRI images to identify tumor edges. This research represents an important step in improving the care of brain cancer patients, enabling more accurate diagnoses and more effective treatments
Keywords: active contour; brain cancer diagnosis; 3D visualization; tumor volume
Abstrak: Kanker otak merupakan kondisi medis yang bersifat serius dimana memerlukan perawatan yang intensif dan teliti. Salah satu langkah penting dalam mengidentifikasi kanker otak adalah dengan mengukur volume tumor secara akurat. Citra Magnetic Resonance Imaging (MRI) adalah salah satu alat diagnostik yang paling penting dalam bidang medis yang digunakan untuk visualisasi otak. Dalam pembahasan ini, akan dijelaskan bagaimana metode Active Contour dapat digunakan untuk menghitung volume tumor otak pada citra MRI dan bagaimana visualisasi 3D dapat membantu dokter dalam diagnosis dan perawatan yang lebih baik. Metode Active Contour, juga dikenal sebagai “Snake,†yaitu teknik pengolahan citra yang digunakan untuk mengidentifikasi kontur atau tepi objek dalam citra. Metode ini bekerja dengan mendefinisikan suatu kurva awal di sekitar objek yang diinginkan dan kemudian menggeser kurva tersebut secara iteratif untuk menyesuaikan dengan kontur objek yang sesungguhnya dalam citra. Dalam penelitian ini, metode Active Contour akan diterapkan pada citra MRI otak untuk mengidentifikasi tepi tumor. Penelitian ini merupakan langkah penting dalam meningkatkan perawatan pasien yang terkena kanker otak dan memungkinkan diagnosis yang lebih tepat dan perawatan yang lebih efektif.
Kata kunci: active contour; diagnosis tumor otak; visualisasi 3D; volume tumor
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: Learning media as a supporting tool for the teaching and learning process. For its use, it is borrowed from the Academic Division and the study program. Often lost and not properly recorded are problems that are…
e often experienced. Inventory management allows proper recording of assets owned. The availability of well-managed goods ensures timely academic services. This research aims to design a multisensor-based inventory and lending system that can improve the efficiency, transparency, and competitiveness of the organization. the method used is prototype with Evaluation of the prototype interface using heuristic evaluation, system quality testing using ISO 25010. Evaluation results obtained that the Internet of Things-based inventory and lending application has been well designed and meets the heuristic criteria. system quality test results have met stakeholder expectations, especially in terms of innovation and competitive advantage and provide satisfaction to users.
Keywords: inventory and lending system; ISO 25010; internet of things
Abstrak: Media pembelajaran sebagai alat pendukung terjadinya proses belajar mengajar. Untuk penggunaannya meminjam pakai dari Bidang Akademik maupun program studi. Sering hilang dan tidak tercatat dengan baik menjadi permasalahan yang sering di alami. Pengelolaan inventaris memungkinkan pencatatan yang tepat terhadap aset yang dimiliki. Ketersediaan barang yang terkelola dengan baik memastikan pelayanan akademik yang tepat waktu. Penelitian ini bertujuan untuk merancang sistem inventaris dan peminjaman barang berbasis multisensor yang dapat meningkatkan efisiensi, transparansi, dan daya saing organisasi. metode yang digunakan adalah prototype dengan Evaluasi antarmuka prototype menggunakan evaluasi heuristic, pengujian kualitas sistem menggunakan ISO 25010. Hasil evaluasi Evaluasi didapat bahwa aplikasi inventaris dan peminjaman barang berbasis Internet of Things telah dirancang dengan baik dan memenuhi kriteria-kriteria heuristic. hasil uji kualitas sistem telah memenuhi harapan stakeholder, terutama dalam hal inovasi dan keunggulan kompetitif serta memberikan kepuasan kepada pengguna.
Kata kunci: sistem inventaris dan peminjman; ISO 25010; internet of things
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
Abstract:Abstract: Lung cancer is most deadly cancers in the world. Identification and classification of the causes of understanding lung cancer is essential for developing more effective prevention and treatment strategies. The…
issue is that a lot of individuals are unaware about the characteristics and causes of lung cancer. The purpose of this study is to apply the K-Nearest Neighbor (K-NN) algorithm in the classification of the causes of lung cancer and provide education to the public must be aware of the traits of lung cancer patients and, to stay away from the causes of lung cancer. The dataset used consists of 309 samples with 16 relevant attributes. The K-NN algorithm was trained and tested to assess its ability to classify the factors that cause lung cancer. The results showed an accuracy of 90.32%, with a precision for the "YES" class of 96% and the "NO" class of 67%. The recall value for the "YES" class was 92% and for the "NO" class was 80%. The implementation of this algorithm gives good results in classification and can help in early detection and prevention of lung cancer which can be used in the development of more effective prevention and early diagnosis strategies.
Keywords: lung cancer; k-nearest neighbor; classification; machine learning
Abstrak: Kanker paru-paru tergolong jenis penyakit kanker yang memperoleh angka kematian paling tinggi di dunia. Identifikasi dan klasifikasi penyebab kanker paru-paru sangat penting untuk pengembangan strategi pencegahan dan pengobatan yang lebih efektif. Masalah yang terjadi adalah banyak orang yang belum mengetahui tentang ciri-ciri dan penyebab-penyebab dari kangker paru tersebut. Tujuan penelitian ini adalah mengimplementasikan algoritma K-Nearest Neighbor (K-NN) dalam klasifikasi penyebab kanker paru-paru serta memberikan edukasi kepada masyarakat banyak agar mengetahui ciri-ciri orang yang mengidap kangker paru-paru dan tentunya untuk menghindari penyebab-penyebab dari kangker paru-paru tersebut. Dataset yang digunakan terdiri dari 309 sampel dengan 16 atribut yang relevan. Algoritma K-NN kemudian dilatih dan diuji untuk menilai kemampuannya dalam mengklasifikasikan faktor-faktor penyebab kanker paru-paru. Hasil penelitian menunjukkan akurasi sebesar 90.32%, dengan skor precision untuk kelas "YES" sebesar 96% dan kelas "NO" sebesar 67%. Nilai recall untuk kelas "YES" adalah 92% dan untuk kelas "NO" sebesar 80%. Implementasi algoritma ini memberikan hasil yang baik dalam klasifikasi dan dapat membantu dalam deteksi dini serta pencegahan kanker paru-paru yang dapat digunakan dalam pengembangan strategi pencegahan dan diagnosis dini yang lebih efektif.
Kata kunci: kanker paru-paru; k-nearest neighbor; klasifikasi; machine learning
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: College libraries are built and designed based on the needs of the academic community to support learning, research, and community service. Management of higher education institutions in Indonesia refers to Organizing…
anizing libraries in Indonesia is regulated in National Library Director Regulation No. 13 of 2017. College libraries currently use information technology to support operations. To assess the alignment of a university's goal of providing a library that complies with information technology regulations and management, library management needs to be audited. At the ISB Atma Luhur library, audits were carried out using the COBIT 4.1 framework. especially in the Acquire and Implement (AI) domain. The AI domain is a domain that assesses whether plans have been successfully acquired and implemented. This research uses interview and questionnaire methods as primary data source data collection media. The respondents involved were the head of the library and the ISB Atma Luhur library staff. The results of data processing show that the AI domain is at 2,754 with a maturity level of 3-Define Process. Of the 7 control objectives under the AI domain, AI4 Anable Operation and Use is the highest control objective with 3.28. Meanwhile, the lowest control objective is AI2 Acquire and maintain application software with 2.50.
Keywords: acquire and implement COBIT 4.1; college library ; information systems audit.
Abstrak: Perpustakaan perguruan tinggi dibangun dan dirancang berdasarkan kebutuhan civitas akademika untuk menunjang pembelajaran, penelitian dan pengabdian kepada masyarakat. Pengelolaan perguruan tinggi di Indonesia mengacu pada Penyelenggaraan perpustakaan di Indonesia diatur dalam Peraturan Kepala Perpustakaan Nasional Nomor 13 Tahun 2017. Perpustakaan perguruan tinggi saat ini sudah memanfaatkan teknologi informasi untuk menunjang operasionalnya. Untuk menilai keselarasan tujuan perguruan tinggi dalam menyediakan perpustakaan yang sesuai dengan regulasi dan pengelolaan teknologi informasi, maka pengelolaan perpustakaan perlu dilakukan audit. Pada perpustakaan ISB Atma Luhur, audit dilakukan dengan menggunakan framework COBIT 4.1. khususnya di domain Acquire and Implement (AI). Domain AI adalah domain yang menilai apakah rencana telah berhasil diperoleh dan diterapkan. Audit sistem informasi perpustakaan ini bertujuan untuk menilai keselarasan rencana dan akuisisi impelentasi sistem untuk meningkatkan layanan perpustakaan. Penelitian ini menggunakan metode wawancara dan angket sebagai media pengumpulan data sumber data primer. Responden yang terlibat adalah kepala perpustakaan dan staf perpustakaan ISB Atma Luhur. Hasil pengolahan data menunjukkan domain AI berada pada angka 2.754 dengan tingkat kematangan 3-Define Process. Dari 7 tujuan pengendalian dalam domain AI, AI4 Anable Operation and Use merupakan tujuan pengendalian tertinggi dengan nilai 3,28. Sedangkan tujuan pengendalian terendah adalah AI2 Memperoleh dan memelihara perangkat lunak aplikasi dengan nilai 2,50.
Kata kunci: acquire and implement COBIT 4.1.; audit sistem informasi; perpustakaan perguruan tinggi.