Hasil Pencarian  ::  Simpan CSV :: Kembali

"Proses mencari pola atau informasi yang berguna pada suatu kumpulan data dengan menggunakan metode tertentu, saat ini telah menjadi topik yang menarik. Salah satu manfaatnya yaitu dapat menunjang pengambilan keputusan dalam suatu organisasi baik itu organisasi profit maupun non profit. Pada makalah ini akan dilakukan pengujian terhadap sekumpulan data yang diambil dari kejadian nyata untuk diolah, guna mendapatkan informasi atau pola yang dapat berguna untuk penentuan pengambilan sebuah keputusan. Pengujian pada makalah ini merupakan prediksi terhadap pengguna jasa sebuah operator seluler akan kehadirannya pada suatu acara berdasarkanbeberapa indicator, cuaca, jarak relative terhadap lokasi acara, serta apakah pengguna jasa tersebut merupakan termasuk pelanggan pasca bayar atau tidak. Pengujian dilakukan dengan menggunakan tiga metode klasifikasi, yakni naïve bayes, decision tree, dan oneR. Hasil dari percobaan ini bisa menunjukkan prediksi dari setiap percobaan dengan tingkat akurasi prediksi yang berbeda-beda disetiap metode yang digunakan."

"ABSTRACTOsteoartritis adalah penyakit sendi kronis pada tulang rawan yang sering terjadi pada orang berusia lanjut. Penyaki ini umumnya terjadi pada tulang rawan sendi lutut Orang berusia lanjut sering menyepelekan perasaan sakit di sekitar sendi mereka atau tidak menyadari bahwa mereka telah terkena osteoartritis lutut, sehingga penyakit osteoartritis lutut yang mereka alami menjadi semakin kronis. Menurut beberapa penelitian, melakukan tindakan sejak stadium dini dapat mencegah penyakit. Salah satu tindakan untuk mencegah osteoartritis lutut agar tidak semakin kronis adalah mendeteksi penyakit tersebut sejak dini, sehingga pasien osteoartritis lutut dapat mendapatkan pengobatan yang tepat dan dapat memperbaiki kehidupan mereka di masa yang akan datang. Pada penelitian ini, osteoartritis lutut dideteksi dengan mengklasifikasikan stadium pasien osteoartritis lutut menggunakan AdaBoost Support Vector Machine dan AdaBoost Decision Tree. Klasifikasi osteoartritis lutut menggunakan AdaBoost Support Vector Machine dibandingkan dengan klasifikasi oteoartritis lutut menggunakan AdaBoost Decision Tree berdasarkan nilai akurasi klasifikasi yang dihasilkan dari kedua metode tersebut.

---

ABSTRACTOsteoarthritis is a chronic joint disease of cartilage that often occurs in elderly people. One of the joints that can be infected is the knee. Older people often underestimate painful feeling around their joint or do not realize that they have been affected by knee osteoarthritis, so the knee osteoarthritis disease becomes more chronic. According to some studies, preventive measure from an early stage are very crucial to overcome the disease. One of the preventive measure to overcome knee osteoarthritis is to detect the current stage of the disease, so the knee osteoarthritis patient can have the right treatment and can improve their lives in the future. In this research, knee osteoarthritis was detected by classifying the stage of knee osteoarthritis patients by using AdaBoost Support Vector Machine and AdaBoost Decision Tree. The classification of knee osteoarthritis using AdaBoost Support Vector Machine was compared with the classification of knee osteoarthritis using AdaBoost Decision Tree based on the classification accuracy value generated from both methods."

"Kanker merupakan salah satu penyebab kematian utama di dunia, dengan 18,1 juta kasus dan 10 juta kematian pada 2020. Kanker serviks menempati urutan keempat secara global dan kedua di Indonesia. Tingginya angka kematian lebih banyak terjadi di negara berpenghasilan menengah ke bawah karena keterbatasan akses pada pencegahan. Deteksi dini kanker serviks sering sulit dilakukan hingga mencapai stadium lanjut. Salah satu metode deteksi dini adalah menggunakan machine learning. Penelitian ini mengaplikasikan algoritma stacking classifier yang menggabungkan decision tree, support vector machine, dan random forest sebagai first-level learner, serta logistic regression sebagai meta learner, untuk mengklasifikasi pasien kanker serviks. Dataset berasal dari 858 pasien di Hospital Universitario de Caracas, Venezuela. Data dibagi 70% untuk pelatihan dan 30% untuk pengujian, dengan lima percobaan acak. Model menghasilkan akurasi rata-rata 95,03%, precision 99,05%, sensitivity 95,49%, specificity 89,39%, dan G-mean 92,37%. Meskipun stacking ensemble menunjukkan performa yang baik, model tunggal menghasilkan kinerja yang sedikit lebih baik namun tidak signifikan.

---

Cancer is a leading cause of death worldwide, with 18.1 million cases and 10 million deaths in 2020. In Indonesia, there were 396,914 cases and 235,511 deaths. Cervical cancer is the fourth most common cancer globally and the second most common in Indonesia. Higher death rates occur in low- and middle-income countries due to limited access to preventive measures. Cervical cancer is often difficult to detect until it reaches an advanced stage. This research applies a machine learning approach, using a stacking classifier algorithm that combines decision tree, support vector machine, and random forest models as first-level learners, with logistic regression as the meta learner, to classify patients with and without cervical cancer. The dataset, from the UCI Repository, contains data from 858 patients at risk for cervical cancer at Hospital Universitario de Caracas in Venezuela. The data was split into 70% for training and 30% for testing, with five random trials. The model achieved an average accuracy of 95.03%, precision of 99.05%, sensitivity of 95.49%, specificity of 89.39%, and a G-mean of 92.37%. While the stacking ensemble model performed well, single-classifier models showed slightly better performance, though the difference was not significant."

"Tren cyber-attack atau serangan siber terus bertambah banyak setiap tahunnya. Menurut data dari patrolisiber.id, terdapat 61 laporan penipuan melalui e-mail dengan jumlah kerugian mencapai lebih dari 144 miliar rupiah dan merupakan modus penipuan dengan kerugian terbesar pada tahun 2019. Teknik machine learning telah diadaptasi pada algoritma deteksi dalam Intrusion Detection System (IDS) sebagai perangkat untuk memeriksa semua traffic jaringan karena dapat membawa manfaat dalam pengembangan performanya yang berskala besar dalam meningkatkan detection rate dan pengurangan processing time. Salah satu metode machine learning pada IDS adalah decision tree, yaitu metode yang dapat bekerja dengan cepat, menghasilkan akurasi yang baik, dan mudah untuk diinterpretasi. Penelitian ini bertujuan untuk melakukan klasifikasi jenis serangan cyber-attack terhadap jaringan Wi-Fi dan Internet of Things melalui penerapan teknik machine learning dengan metode decision tree. Untuk menghindari overfitting pada model, akan digunakan teknik lanjutan yaitu post-pruning dengan menggunakan algoritma reduced error pruning. Hasil yang diperoleh dari penelitian ini adalah pengembangan performa model decision tree setelah dilakukan metode reduced error pruning dibanding model yang tidak dilakukan pruning. Evaluasi kinerja model yang sudah dilakukan pruning dengan ukuran nilai metrik accuracy, F1 score, recall, dan precision pada data testing masing-masing adalah sebesar 94.67%, 94.79%, 94.9%, dan 94.69%.

---

The trend of cyber-attacks continues to increase every year. According to data from patrolsiber.id, there are 61 reports of fraud via e-mail with a total loss of more than 144 billion rupiahs and is the mode of fraud with the biggest losses in 2019. Machine learning techniques have been adapted to the detection algorithms in the Intrusion Detection System (IDS) as a tool to examine all network traffic because they can bring benefits in the development of large-scale performance in increasing the detection rate and reducing processing time. One of the machine learning methods in the IDS is the decision tree, which is a method that works quickly, produces good accuracy, and is easy to interpret. This study aims to classify types of cyber-attacks against Wi-Fi networks and the Internet of Things through the application of machine learning techniques with the decision tree method. To avoid overfitting on the model, an advanced technique will be used, namely post-pruning using the reduced error pruning algorithm. The results obtained from this study are the development of the performance of the decision tree model after the reduced error pruning method is used compared to the model without pruning. Evaluation of the performance of the model that has been pruned with the metrics measurement of accuracy, F1 score, recall, and precision in data testing is 94.67%, 94.79%, 94.9%, and 94.69%, respectively."

"Salah satu hal penting dalam bisnis asuransi adalah bagaimana perusahaan asuransi dapat menetapkan premi yang sesuai dengan ekspektasi kerugian dari pelanggan dan dapat bersaing di pasar. Untuk menetapkan premi tersebut, salah satu hal penting untuk dilakukan adalah memperkirakan besar klaim agregat. Masalah perkiraan besarnya klaim agregat merupakan masalah regresi. Salah satu metode yang sudah cukup berkembang untuk permasalahan regresi adalah Gradient Tree Boosting. Salah satu kekurangan dari metode Gradient Tree Boosting adalah metode ini tidak mengimplementasikan asumsi bahwa data memiliki distribusi. Sementara untuk data klaim agregat, dapat digunakan asumsi bahwa frekuensi klaim berdistribusi Poisson, severitas klaim berdistribusi Gamma, dan keduanya saling independen sehingga klaim agregat diasumsikan berdistribusi Tweedie. Gradient Tree Boosted Tweedie Model merupakan salah satu metode untuk menyelesaikan masalah regresi untuk klaim dengan asumsi-asumsi tersebut. Metode ini menggunakan algoritma Gradient Tree Boosting dengan menjadikan negatif fungsi log-likelihood dari distribusi Tweedie sebagai fungsi loss-nya. Didapatkan hasil bahwa asumsi klaim agregat berdistribusi Tweedie meningkatkan akurasi dari metode Gradient Tree Boosting.

---

One of the important things in insurance business is how will insurance company set a premium that could correspond insured’s expected loss while also being competitive in market. To set a proper premium for insurance customer, one of the important tasks is to estimate total loss or aggregate claim of the insured. Estimating the aggregate claim is a regression problem. One of many methods for regression problem is Gradient Tree Boosting. One of the weaknesses of Gradient Tree Boosting is, this method does not implement the assumption that the data might be distributed. While for aggregate claim, one can assume that the claim frequency is Poisson distributed, claim severity is Gamma distributed, and both are independent so that the aggregate claim could be assumed to be Tweedie distributed. Gradient Tree Boosted Tweedie Model is one of many methods for solving a regression problem for a claim with the assumption mentioned. This method uses Gradient Tree Boosting algorithm with the log-likelihood function of Tweedie distribution as it’s loss function. It was found that the assumption that the aggregate claim is Tweedie distributed improves the accuracy of Gradient Tree Boosting method."

"Klasifikasi adalah proses menugaskan satu set data ke dalam kelas yang ada berdasarkan nilai setiap atribut. Pengklasifikasi pohon keputusan diklaim lebih cepat dan berproduksi akurasi yang lebih baik. Namun, ia memiliki beberapa kelemahan di mana pengklasifikasi rentan untuk overfitting. Overfitting adalah suatu kondisi di mana model tidak mampu menarik kesimpulan data baru dengan cara yang benar. Overfitting di pohon keputusan dapat dihindari dengan memotong subtree pengaruh kecil dalam melakukan klasifikasi ketika pohon ditanam, disebut post-pruning, yang bertujuan untuk meningkatkan kinerja model dalam memprediksi data. Tesis ini mengusulkan metode pasca pemangkasan dengan menerapkan Risiko Bayes, di mana estimasi risiko setiap simpul induk dibandingkan dengan simpul daunnya. Sebagai perbandingan, pemangkasan pasca lainnya Metode yang diterapkan, yaitu Reduced Error Pruning (REP). Kedua metode tersebut diterapkan untuk tiga dataset klasifikasi churn pelanggan dari situs Kaggle dan IBM Datasets. Untuk hasilnya, Bayes Risk Post-Pruning dapat meningkatkan kinerja Decision Tree lebih baik dari Reduced Error Pruning dengan meningkatkan nilai akurasi, presisi, dan daya ingat. Kedua metode juga diterapkan pada tiga proporsi berbeda untuk data pelatihan (60%, 70% dan 80%). Hasilnya menunjukkan bahwa semakin besar ukuran dataset pelatihan dikaitkan akurasi, presisi, dan daya ingat model yang lebih tinggi.

---

Classification is the process of assigning a set of data to an existing class based on the value of each attribute. Decision tree classifiers are claimed to be faster and produce better accuracy. However, it has several disadvantages where the classifier is prone to overfitting. Overfitting is a condition in which the model is unable to draw new data conclusions in the right way. Overfitting in the decision tree can be avoided by cutting the subtree of small influence in classifying when the tree is planted, called post-pruning, which aims to improve the performance of the model in predicting data.

This thesis propose a post-pruning method by applying Bayes Risk, where the estimated risk of each parent node is compared to the leaf node. As a comparison, other post pruning methods are applied, namely Reduced Error Pruning (REP). Both methods are applied for three customer churn classification datasets from the Kaggle site and IBM Datasets. For the results, Bayes Risk Post-Pruning can improve Decision Tree performance better than Reduced Error Pruning by increasing the value of accuracy, precision, and memory. Both methods are also applied to three different proportions for training data (60%, 70% and 80%). The results show that the greater the size of the training dataset is associated with higher model accuracy, precision, and recall."

"Penjualan produk fesyen merupakan penjualan dengan tingkat kompetisi yang sangat tinggi dimana inventris merupakan faktor penting yang mempengaruhi permintaan produk dan keuntungan perusahaan. Produk fesyen merupakan produk dengan siklus hidup yang sangat singkat dimana suatu produk dapat digantikan dengan produk yang baru dalam jangka waktu yang sangat cepat. Kendala berupa kelebihan stok maupun kekurangan stok merupakan masalah yang sering terjadi. Perkiraan permintaan yang akurat untuk produk-produk tersebut sangat penting dalam mendorong operasi bisnis yang efisien dan mencapai keunggulan kompetitif yang berkelanjutan. Metode peramalan yang akurat sangat diperlukan dalam meramalkan produk fesyen karena beragamnya produk fesyen, selain itu produk fesyen memiliki data historis yang terbatas karena siklus hidupnya yang pendek. Oleh karena itu, sangat penting untuk mengembangkan metode peramalan yang berbeda untuk menganalisis tren permintaan produk ini. Dalam penelitian ini, skema peramalan dilakukan meggunakan metode hibrida klastering K-Means untuk melakukan agregasi terhadap beberapa jenis produk fesyen pada produk lama/produk historis, klasifikasi decision tree untuk meramalkan produk baru berdasarkan karakteristik produk lama, serta metode moving average untuk meramalkan penjualan berdasarkan time series pada produk baru.

---

Indonesian local fashion products are currently common in Indonesia because of highly level of competition where many business owner start their business in fashion local, higher demand from Indonesian citizen, efficient product development timeline and increasingly product diversity. The significant growth of Indonesian fashion local product has caused of a competitive business with the scope of Indonesian fashion local business. Accurate demand forecasting of such products become important in driving effective business especially in local fashion product and achieving a sustainable competitive advantage. In this study, forecasting demand of Indonesian local fashion product using hybrid method clustering K-means algorithm, classification method decision tree and moving average was conducted. Five independent variable/attribute descriptive was conducted to classify the item using decision tree classification method. They are color, size, material, price, and motif. In this research, the forecasting was performed as mid-term forecasting method. "

"Tanaman karet berperan sebagai komoditas penting di Indonesia karena menghasilkan karet alami yang memiliki banyak manfaat dan mampu bersaing di pasar internasional. Namun, sejak tahun 2017, produksi karet mengalami hambatan karena timbul serangan penyakit gugur daun baru yang berbeda dari penyakit terdahulu. Penyakit tersebut dapat menyebabkan gugur daun hingga 90% dan penurunan produksi lateks hingga 45%. Setelah ditelusuri, penyakit gugur daun baru ini disebabkan oleh patogen Pestalotiopsis sp. dan diberi nama penyakit gugur daun Pestalotiopsis. Sebagai penyakit baru, perlu dilakukan penelitian lebih lanjut untuk memonitor laju pertumbuhan penyakit ini. Salah satu penelitian ini adalah melakukan klasifikasi indeks atau level keparahan penyakit gugur daun Pestalotiopsis. Keparahan penyakit ini dapat dikelompokkan berdasarkan perubahan warna daun dan lesi khas yang timbul pada permukaan daun tanaman karet. Pada penelitian sebelumnya, pengukuran intensitas keparahan dilakukan dengan observasi secara langsung bercak gejala yang muncul pada daun atau pohon dalam jangka waktu tertentu. Pengamatan secara konvensional ini memerlukan tenaga yang banyak dan waktu yang cukup lama. Diperlukan suatu metode yang mampu melakukan klasifikasi level keparahan ini secara tepat dan cepat terhadap sampel daun yang berjumlah banyak. Saat ini, implementasi Artificial Intelligence (AI) melalui algoritma machine learning dapat menjadi solusi untuk menyelesaikan suatu permasalahan seperti klasifikasi multikelas secara otomatis dan efisien. Penelitian ini memanfaatkan salah satu teknik machine learning, yaitu artificial neural network berupa deep learning dengan arsitektur convolutional neural network (CNN). Dengan mempertimbangkan penelitian sebelumnya, maka penelitian ini mengajukan sebuah pengembangan dari CNN, yaitu arsitektur DenseNet121 sebagai metode untuk melakukan klasifikasi level keparahan penyakit gugur daun Pestalotiopsis menggunakan data citra daun karet. Klasifikasi level keparahan dibagi menjadi lima kelas, yaitu Level 0 (daun sehat atau tidak terinfeksi penyakit gugur daun Pestalotiopsis) dan Level 1-4 (menunjukkan tingkat keparahan penyakit gugur daun Pestalotiopsis). Pada Penelitian ini, digunakan 257 data citra daun karet yang dikumpulkan mahasiswa Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia ketika berkunjung ke Pusat Penelitian Karet Sembawa, Palembang pada tahun 2022. Data citra tersebut melalui preprocessing berupa crop dan resize agar dapat menjadi input yang diterima arsitektur.  Data dipisahkan menjadi data latih dan data uji dengan rasio 80:20. Model dilatih dengan pendekatan 5-fold cross validation sehingga pengujian dilakukan terhadap lima model berbeda. Berdasarkan simulasi, diperoleh rata-rata lima model berupa ccuracy sebesar 56,16% , precision sebesar 54,2% , recall sebesar 55,6%, skor F1 sebesar 51% , dan running time 3,110 detik.

---

Rubber plant is an essential commodity in Indonesia since natural rubbers from this plant are very beneficial and have high international market potential. Unfortunately, since 2017, a new leaf fall disease has caused massive decline of the rubber production. This disease leads to at most 90% leaf fall percentage and production decline as high as 45%. Subsequently, researchers found that this new leaf fall disease is caused by Pestalotiopsis sp., thus, the name of this disease is Pestalotiopsis leaf fall disease. Studies must be conducted to further investigate the growth and pattern of this new leaf fall disesase. One of these studies is to classify the intensity of the Pestalotiopsis leaf fall disease.The intensity can be measure by observing distinct symptoms and lesion frequency that would appear on the rubber plant’s leave surface. In earlier works, intensity are measured by conventionally taking notes of the symptomps that appear on the leaves or trees and these methods was done on timely basis. These traditional approaches takes a lot of time and requires a handful of people. Hence, there must be new methods to classify this disease’s intensity with less time and resource when the amount of leaf samples increase. Recent studies implement Artificial Intelligence (AI) by using machine learning to solve classification problems efficiently. This study takes a technique of machine learning, that is, deep learning convolutional neural network (CNN) architectures. By comparing previous researches, we propose the architecture DenseNet121 to implement CNN in multiclass classification problem by using leaf image data. The classification consists of five classes, which are the intensity of the Pestalotiopsis leaf fall disease from level 0 to level 4. Level 0 corresponds to healthy leaves or leaves with other diseases whereas Level 1-4 refer to leaves with the intensity of lesion and discoloration caused by Pestalotiopsis leaf fall disease. This study uses 257 image data that was taken by students of the Math and Science Faculty from Universitas Indonesia when they visited Rubber Research Center, Sembawa in 2022. The data is split into train and test data with 80:20 ratio. Models are trained with 5-fold cross validation approach so the that each model will be trained and tested towards 5 folds of data. Then, five different models are tested by evaluating their predictions to the test data. The result of this simulation shows the average performance from five models, they are an accuracy of 56,16%, a precision of 54,2%, a recall of 55,6%, an F1-score of 51% , and an average running time of 3,110 seconds."

"Internet telah menjadi salah satu teknologi yang tidak bisa dipisahkan lagi dari kehidupan masyarakat modern. Penggunaan internet telah masuk ke seluruh lapisan masyarakat. Karena sifatnya yang serbaguna, internet telah menjadi salah satu infrastruktur paling esensial di dunia. Banyaknya pengguna akan menimbulkan pihak yang tidak bertanggung jawab. Mereka merupakan individu yang menyalahgunakan internet sebagai media untuk melakukan serangan siber demi mengeksploitasi pihak lain. Penyerang akan menggunakan berbagai metode untuk melakukan eksploitasi. Salah satu metode yang paling sering digunakan oleh penyerang adalah dengan mengirimkan serangan siber. Oleh karena itu, kita harus melindungi sistem kita dari serangan siber. Langkah pertama dapat kita lakukan adalah mengidentifikasi serangantersebut berdasarkan karakteristiknya. Namun untuk membedakannya dari traffic normal, dibutuhkan data yang bisa kita dapatkan dari konsep honeypot yang memancing penyerang untuk melakukan serangan dan mengirimkan data serangan. Untuk melakukan identifikasi secara satu per satu merupakan hal yang sulit dilakukan secara manual.dapat. Namun, hal ini dapat dimudahkan dengan menggunakan artificial intelligence untuk identifikasi pada skala besar. Oleh karena itu, penelitian ini dilakukan untuk membahas penggunaan artificial intelligence yaitu algoritma random forest untuk identifikasi serangan siber yang dikumpulkan melalui honeypot. Hasil penelitian menunjukkan bahwa algoritma random forest dapat memberikan hasil prediksi tipe serangan terbaik dengan parameter jumlah pohon 100 dan tanpa batas kedalaman sebesar 99,48% pada data yang dikumpulkan dengan TPOT.

---

The Internet has become an inseparable technology from modern society. The use of the internet has reached all layers of society. Due to its versatile nature, the internet has become one of the most essential infrastructures in the world. The large number of users also gives rise to irresponsible individuals who misuse the internet as a medium for cyber attacks to exploit others. Attackers employ various methods to carry out their exploitations. One of the most used methods by attackers is launching cyber attacks. Therefore, we need to protect our systems from these cyber attacks. The first step we can take is to identify the attacks based on their characteristics. However, distinguishing them from normal traffic requires data that we can obtain from a honeypot, which lures attackers to launch attacks and collects attack data. Performing manual identification one by one is a difficult task. However, this can be facilitated by using artificial intelligence for large-scale identification. Hence, this research is conducted to discuss the use of artificial intelligence, specifically the random forest algorithm, for identifying cyber attacks collected through a honeypot. The research results show that the random forest algorithm can provide the best prediction results for attack types with a parameter of 100 trees and no depth limit, achieving an accuracy of 99.48% on the data collected using TPOT."