Hasil Pencarian  ::  Simpan CSV :: Kembali

Hasil Pencarian

Ditemukan 83145 dokumen yang sesuai dengan query
cover
Ratna Aminah
Studi awal pengembangan sistem prediksi penyakit diabetes berbasis iridologi menggunakan machine learning = Early development of diabetes prediction system based on iridologi using machine learning / Ratna Aminah
"ABSTRAK
<

Diabetes merupakan penyakit kronis yang terjadi ketika terdapat peningkatan kadar glukosa dalam darah karena tubuh tidak dapat atau tidak cukup menghasilkan hormon insulin atau tidak dapat menggunakan insulin secara efektif. Umumnya untuk mendeteksi penyakit diabetes adalah dengan tes kadar gula darah atau hemoglobin HbA1c yang dilakukan oleh praktisi medis. Pada penelitian ini, dibangun sistem prediksi penyakit diabetes berbasis iridologi atau melalui citra mata, menggunakan machine learning. Sistem yang dikembangkan terdiri dari instrumen akuisisi citra mata dan algoritma pengolahan citra. Metode GLCM (Gray Level Co-Occurence Matrix) digunakan untuk proses ekstraksi ciri, dengan tujuan untuk mendapatkan ciri tekstur pada citra. Metode SVM (Support Vector Machine) dan kNN (k Nearest Neighbor) digunakan untuk proses klasifikasi kelas diabetes dan non-diabetes. Hasil klasifikasi kemudian dilakukan proses validasi dengan menggunakan metode k-fold cross validation. Hasil yang diperoleh menunjukkan bahwa metode kNN memiliki performa yang lebih baik dibandingkan dengan metode SVM. Performa terbaik didapatkan saat variasi kombinasi ukuran area segmentasi 30×360 dengan jarak antar tetangga 30 pixel. Tingkat akurasi yang diapatkan dari pengujian sebesar 79,6%, dengan nilai misclassification rate (MR) 20,4%, false positive rate (FPR) 20,6%, false negative rate (FNR) 20%, sensitivity 87,1%, dan specificity 70,0%.

 

ABSTRACT

Diabetes is a chronic disease that occurs when there is an increase in glucose levels in the blood because the body cannot produce enough of the hormone insulin or cannot use insulin effectively. Generally, to detect diabetes is by pengujian blood sugar levels or hemoglobin HbA1c carried out by medical practitioners. In this study, a diabetes prediction system based on iridology or through eye images was constructed using machine learning. The developed system consists of eye image acquisition instruments and image processing algorithms. The GLCM (Gray Level Co-Occurence Matrix) method is used for feature extraction processes, with the aim of obtaining texture characteristics in the image. The SVM (Support Vector Machine) and kNN (k Nearest Neighbor) methods are used to classify diabetic and non-diabetic classes. The classification results are then validated by using the k-fold cross validation method. The results show that kNN method has better performance compared to the SVM method. The best performance is when size of the segmentation area 30×360 pixel with the distance between neighbors 20 pixel. The results show that the accuracy from pengujian is 79.6%, misclassification rate (MR) 20.4%, false positive rate (FPR) 20.6%, false negative rate (FNR) 20.0%, sensitivity 87.1%, and specificity 70.0%.

 

"
Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2019
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Yuanita Rizky Inggarputri
Prediksi Kejadian Penyakit Jantung Pada Penderita Diabetes Melitus di Indonesia Berbasis Machine Learning = Prediction of Heart Disease in Diabetes Mellitus Patients in Indonesia Based on Machine Learning
"Penyakit jantung masih menjadi masalah kesehatan global di seluruh dunia termasuk Indonesia dan menjadi penyakit penyebab kematian tertinggi. Berdasarkan data Riskesdas 2018 prevalensi penyakit jantung mencapai 1,5%. Salah satu faktor resiko utama dari penyakit jantung adalah diabetes melitus (DM). Penelitian ini bertujuan untuk mendapatkan akurasi model prediksi kejadian penyakit jantung pada penderita DM di Indonesia. Penelitian ini menggunakan data sampel BPJS Kesehatan tahun 2015-2021 dengan pendekatan berbasis machine learning dan menggunakan metode random survival forest. Hasil penelitian pada kelompok penderita DM tipe 1, hasil akurasi tertinggi didapatkan nilai C-index sebesar 0,645 dengan nilai AUC sebesar 0,8. Maka disimpulkan bahwa dalam memprediksi kejadian jantung pada penderita DM dengan menggunakan data sampel BPJS Kesehatan Tahun 2015-2021, random survival forest memiliki kemampuan 64,5% untuk memprediksi dengan benar penderita DM tipe 1 yang mengalami kejadian penyakit jantung dan yang tidak mengalami kejadian penyakit jantung. Sedangkan pada kelompok penderita DM tipe 2, hasil akurasi tertinggi didapatkan nilai C-index sebesar 0,631 dengan nilai AUC sebesar 0,657. Maka disimpulkan bahwa dalam memprediksi kejadian jantung pada penderita DM dengan menggunakan data sampel BPJS Kesehatan Tahun 2015-2021, random survival forest memiliki kemampuan 63,1% untuk memprediksi dengan benar penderita DM tipe 2 yang mengalami kejadian penyakit jantung dan yang tidak mengalami kejadian penyakit jantung.
Heart disease is still a global health problem throughout the world including Indonesia and is the highest cause of death. Based on Riskesdas 2018 data, the prevalence of heart disease reached 1,5%. One of the main risk factors for heart disease is diabetes mellitus (DM). This study aims to obtain the accuracy of the prediction model of heart disease incidence in DM patients in Indonesia. This study used BPJS Kesehatan sample data for 2015-2021 with a machine learning-based approach and using the random survival forest method. The results of the study in the group of patients with T1D, the highest accuracy results obtained a C-index value of 0,645 with an AUC value of 0,8. So it was concluded that in predicting cardiac events in DM patients using BPJS Health sample data for 2015-2021, the random survival forest has the ability of 64,5% to correctly predict T1D patients who experience heart disease events and who do not experience heart disease events. While in the group of patients with T2D, the highest accuracy results obtained a C-index value of 0,631 with an AUC value of 0,657. So it was concluded that in predicting cardiac events in DM patients using BPJS Health sample data for 2015-2021, the random survival forest has the ability of 63,1% to correctly predict T2D patients who experience heart disease events and who do not experience heart disease events."
Depok: Fakultas Kesehatan Masyarakat Universitas Indonesia, 2023
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Livia Meristya Fitriani
Prediksi Klaim Asuransi Kesehatan Dengan Penyakit Diabetes Melitus Menggunakan Machine Learning = Prediction of Diabetes Mellitus Insurance Claim Models Using Machine Learning Methods
"Diabetes melitus merupakan peningkatan kadar gula darah disertai dengan gangguan metabolisme karbohidrat, lipid, dan protein sebagai akibat fungsi insulin yang tidak mencukupi. Pada tahun 2021 jumlah kematian akibat diabetes melitus di Indonesia mencapai 236.711 orang, menempati urutan keenam dunia dan pertama di Asia Tenggara. Di Indonesia penyakit ini meningkat sebesar 8,5% di tahun 2014 pada orang berusia di atas 18 tahun. Banyak faktor yang menjadi pemicu antara lain umur, jenis kelamin, serta diagnosa dokter terhadap penyakit bawaan. Meningkatnya jumlah kasus kematian akibat diabetes melitus setiap tahunnya membuat perusahaan asuransi harus mengantisipasi keadaan tersebut, termasuk menghitung cadangan klaim. Tulisan ini bertujuan untuk menghitung prediksi klaim yang dapat disiapkan dengan menggunakan batasan variabel umur, jenis kelamin, dan diagnosa dokter terhadap penyakit bawaan lainnya dengan melakukan klasifikasi menggunakan K-Modes clustering dan Metode Heuristik. Setelah mengklasifikasikan data, dilanjutkan dengan menghitung prediksi klaim menggunakan algoritma Random Forest, Naïve Bayes, dan Support Vector Machine. Hasil penelitian ini menunjukkan bahwa prediksi model terbaik diperoleh dengan menggunakan algoritma Naive Bayes, sedangkan kelompok klasifikasi terbaik menggunakan model Heuristik. Hasil penelitian ini diharapkan dapat menjadi pedoman bagi perusahaan asuransi dalam menentukan estimasi jumlah klaim yang mungkin terjadi.
Diabetes mellitus is an increase blood sugar levels accompanied by impaired metabolism of carbohydrates, lipids, and proteins as a result of insufficient insulin function. In 2021 the number of deaths due to diabetes mellitus in Indonesia reached 236,711 people, this is ranked sixth in the world and first in Southeast Asia. This disease increased by 8.5% in 2014 people over 18 years of age. Many factors influence this disease, including age, gender, also the doctor's diagnosis of congenital diseases. The increasing number of death from diabetes mellitus every year causes insurance companies anticipate the situation calculating claim reserves. This paper aims to calculate prediction of claims that can be generated using the variable limits of age, gender, and doctor's diagnosis of other congenital diseases by doing classification using K-Modes clustering and Heuristic Method. After that we calculate claim predictions using Random Forest, Naïve Bayes, and Support Vector Machine algorithms. The results of this study indicate that the best model predictions are using the Naive Bayes algorithm, while the best classification group uses the Heuristic model. The results of this study are expected to be a guideline for insurance companies in determining the estimated amount of claims that may occur."
Jakarta: Fakultas Ekonomi dan Bisnis Universitas Indonesia, 2023
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Shafy Satria Gusta Basuki
Sistem prediksi kondisi stunting pada anak balita berbasis machine learning = Machine learning-based stunting condition prediction system in toddlers
"Stunting adalah salah satu masalah gizi yang mengganggu perkembangan pada anak yang diakibatkan oleh asupan gizi buruk pada masa pertumbuhannya. Indonesia tergolong sebagai negara dengan prevalensi stunting yang tinggi dengan angka sebesar 30.8% untuk anak Balita dan 29.9% untuk anak Baduta berdasarkan hasil Riskesdas 2018. Berdasarkan penelitian yang dilakukan oleh Balitbangkes, stunting terbukti membahayakan garis keturunan. Bayi dengan kondisi stunting membuat pertumbuhan dan perkembangan terhambat dan juga membuka resiko terhadap menderita penyakit tidak menular seperti diabetes mellitus pada saat dewasa. Jika bayi stunting perempuan tumbuh besar sehingga menjadi ibu, maka ibu tersebut akan melahirkan bayi stunting lagi dan mengakibatkan kondisi stunting lintas generasi. Dalam skripsi ini, pemodelan sistem prediksi stunting memanfaatkan metode machine learning berdasarkan data sekunder dari Indonesian Family Life survey (IFLS) tahun 2014-2015. Pemodelan dilakukan menggunakan bahasa pemrograman Python. Dilakukan pre-processing dengan metode yang berbeda-beda, yaitu Principal Component Analysis (PCA) dan 3 jenis Feature Selection: Filter, Wrapper, dan Embedded. Ketidakseimbangan dataset ditangani dengan metode SMOTE. Dilakukan pemisahan data menjadi training set dan testing set dengan pembagian 80:20 masing-masing. Kemudian beberapa algoritma model machine learning diujikan untuk mengetahui kemampuan prediksinya untuk setiap metode pre-processing. Hasil penelitian menunjukan bahwa setidaknya 1 dari 4 model untuk tiap metode pre-processing memiliki kemampuan yang baik dengan menunjukan nilai metrik dan AUC di atas 0,8. PCA dengan Decision Tree Classifier menunjukan akurasi 85% dan AUC 0,849. Feature Selection–Wrapper dengan SVC menunjukan akurasi 98% dan AUC 0,981. Feature Selection-Filter menunjukan akurasi 98% dan AUC 0,979. Feature Selection–menunjukan akurasi 84% dan AUC 0,844. Hal ini menjadikan kombinasi algoritma terbaik dalam penelitian ini adalah metode pre-processing Feature Selection–Wrapper dengan model machine learning SVC.
Stunting is one of the nutritional problems that interfere with development in children caused by poor nutritional intake during their growth period. Indonesia is classified as a country with a high prevalence of stunting with a figure of 30.8% for under-five children and 29.9% for under-two children based on the results of Riskesdas 2018. Based on research conducted by Balitbangkes, stunting has proven to endanger lineage. Babies with stunting conditions would have their growth and development stunted and also open the risk of suffering from non-communicable diseases such as diabetes mellitus in adulthood. If the female stunting baby grows up to become a mother, then the mother will give birth to another stunting baby and results in cross-generational stunting conditions. In this bachelor’s thesis, the stunting prediction system modeling utilizes machine learning methods based on secondary data from the 2014-2015 Indonesian Family Life Survey (IFLS). The modeling is carried out using the Python programming language. Pre-processing is carried out with different methods, namely Principal Component Analysis (PCA) and 3 types of Feature Selections: Filter, Wrapper, and Embedded. Dataset imbalance is handled by the SMOTE method. Separate the data into training sets and testing sets with a distribution of 80:20 each. Then several machine learning model algorithms were tested to determine their predictive ability for each pre-processing method. The results showed that at least 1 of the 4 models for each pre-processing method had a good ability indicated by the metric and AUC values ​​above 0.8. PCA with Decision Tree Classifier shows an accuracy of 85% and AUC 0.849. Feature Selection–Wrapper with SVC showed 98% accuracy and AUC 0.981. Feature Selection–Filter shows 98% accuracy and AUC 0.979. Feature Selection–Embedded shows an accuracy of 84% and AUC 0.844. The result shows that best combination of algorithms in this study is the Feature Selection–Wrapper pre-processing method with the SVC machine learning model."
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dea Amrializzia
Studi prediksi kegagalan pipa transmisi gas onshore menggunakan machine learning = Prediction study of onshore gas transmission pipeline failure using machine learning
"Pipa transmisi adalah cara teraman dan paling efektif untuk mengangkut gas alam dalam jumlah besar dalam jarak jauh. Meskipun transportasi menggunakan pipa adalah yang paling aman, kegagalan pipa transmisi dapat menyebabkan kerusakan, kerugian finansial, dan cedera. Kegagalan pipa perlu diprediksi untuk untuk menentukan prioritas pemeliharaan pipa sebagai salah satu strategi membuat jadwal pemeliharaan prefentif yang tepat sasaran dan efisien agar pipa dapat diperbarui atau direhabilitasi pipa sebelum terjadi kegagalan. Metode yang ditawarkan pada studi ini adalah machine learning, dimana metode merupakan bagian dari insiatif transformasi digital (Hajisadeh, 2019). Model dikembangkan berdasarkan data kegagalan historis dari jaringan pipa transmisi gas darat sekitar 2010-2020 yang dirilis oleh Departemen Transportasi AS dengan karakteristik data yang tidak terstruktur dan kompleks. Proses pembelajaran mesin dapat dibagi menjadi beberapa langkah: pra-pemrosesan data, pelatihan model, pengujian model, pengukuran kinerja, dan prediksi kegagalan. Pengembangan model pada studi ini dilakukan menggunakan dua algoritma yaitu regresi logistik dan random forest. Pola perilaku dari faktor-faktor yang paling berpengaruh adalah usia dan panjang segmen pipa meiliki korelasi positif terhadap kegagalan pipa. Kedalaman pipa, ketebalan, dan diameter pipa memiliki korelasi negatif. Kegagalan pipa paling sering terjadi pada pipa dengan class location 1 dan class location 4, pipa yang ditempatkan di bawah tanah, serta pipa dengan tipe pelapis coal tar. Hasil pengembangan model menggunakan machine learning menunjukan hasil performa model akurasi prediksi 0.949 dan AUC 0.950 untuk model dengan algoritma regresi logistik. Sedangkan akurasi prediksi 0.913 dan AUC 0.916 untuk model dengan algoritma random forest. Berdasrkan hasil uji performa kita dapat menyimpulkan bahwa machine learning adalah metode yang efektif untuk memprediksi kegagalan pipa. Berdasarkan model yang dilatih pada dataset nyata pipa transmisi gas, hasil prediksi pada studi kasus dapat menghindari 29% dari kegagalan pipa pada 2025, 53% kegagalan pipa pada tahun 2030, dan 64% pada tahun 2035.
Transmission pipe is the safest and most effective way to transport large amounts of natural gas over long distances. Although transportation using pipelines is the safest, transmission pipeline failures can cause damage, financial losses, and injuries. Pipeline failures need to be predicted to determine the priority of pipeline maintenance as one of the strategies to create a schedule of maintenance targets that is right on target and efficient so that the pipeline can be rehabilitated before a failure occur. The method offered in this study is machine learning, where the method is part of the digital transformation initiative (Hajisadeh, 2019). The model was developed based on historical failure data from the onshore gas transmission pipeline around 2010-2020 released by the US Department of Transportation with unstructured and complex data characteristics. The machine learning process can be divided into several steps: data pre-processing, model training, model testing, performance measurement, and failure prediction. The development of the model in this study was carried out using two algorithms namely logistic regression and random forest. The correaltion of the factors that most influence the failure of an onshore gas transmission pipeline is the age and length of the pipe segment has a positive correlation with pipe failure. Depth of cover, thickness, and diameter of pipes have a negative correlation with pipe failures. Pipe failures most often occur in pipes with class location 1 and class location 4, undersoil, and pipes with coal tar coating types. The results of the development of the model using machine learning showed the results of the model performance prediction accuracy is 0.949 and AUC is 0.950 for models with logistic regression algorithms. Whereas the accuracy of prediction is 0.913 and AUC is 0.916 for models using the random forest algorithm. Based on the results of performance tests we can conclude that machine learning is an effective method for predicting pipe failures. Based on the model trained on a real dataset of gas transmission pipelines, the prediction results in case studies can avoid 29% of pipe failures in 2025, 53% of pipe failures in 2030, and 64% in 2035. "
Depok: Fakultas Teknik Universitas Indonesia, 2020
T-pdf
UI - Tesis Membership  Universitas Indonesia Library
cover
Ibnu Rais Syukran
Prediksi Sifat Mekanis pada Paduan Super Berbasis Nikel Menggunakan Pembelajaran Mesin dengan Metode Deep Learning = Mechanical Properties Prediction of Ni-based Superalloy Using Machine Learning with Deep Learning Methods
"Paduan super merupakan jenis paduan yang dapat mempertahankan kekuatan mekanis dan kestabilan permukaannya pada temperatur yang sangat tinggi sehingga cocok diaplikasikan pada bidang kedirgantaraan, khususnya turbin gas. Jenis paduan super yang paling banyak digunakan adalah paduan super berbasis nikel karena memiliki struktur kristal FCC yang stabil di segala temperatur. Agar dapat digunakan dalam jangka waktu yang lama, kegagalan pada paduan super berbasis nikel dapat dicegah dengan mengetahui kekuatan tarik dari paduannya. Selain itu untuk mencegah terjadinya keausan pada komponen mesin, kekerasan pada paduan super berbasis nikel juga harus diketahui. Adapun titik leleh dari paduan super berbasis nikel juga harus dapat diketahui untuk mencegah terjadinya pelunakan paduan super pada temperatur yang sangat tinggi. Biaya produksi paduan super berbasis nikel tergolong mahal, karena dibuat berdasarkan pendekatan trial and error yang memakan waktu. Pada penelitian ini, dilakukan pembuatan sebuah program yang dapat memprediksi sifat mekanis paduan super berbasis nikel menggunakan pembelajaran mesin dengan metode deep learning. Melalui pembelajaran mesin, biaya produksi paduan super berbasis nikel dapat ditekan serta mempersingkat siklus perkembangan material. Penelitian ini menghasilkan suatu program deep learning dengan jenis model regresi yang dapat memprediksi kekuatan tarik, kekerasan, dan titik leleh paduan super berbasis nikel dengan keakurasian model menurut metrik R2 sebesar 98,77% berdasarkan variasi hyperparameter yang ditetapkan sebanyak tiga hidden layer dengan dense 256, 128, 64, test size sebesar 25%, random state dengan nilai 75, batch size sebesar 32, epoch sebanyak 300, dan learning rate sebesar 0,001.
A superalloy is a type of alloy that can maintain its mechanical strength and surface stability at very high temperatures so that it is suitable for application in the aerospace field, especially in gas turbines. The most widely used type of superalloy is Ni-based superalloy because it has a stable FCC crystal structure at all temperatures. The failure of Ni-based superalloys can be prevented by knowing the tensile strength of the alloy for a longer-term used. In addition, to prevent wear on the engine components, the hardness of Ni-based superalloys must also be known. The melting point of Ni-based superalloys must also be known to prevent softening of the superalloy at very high temperatures. The production cost of Ni-based superalloys is quite expensive because they are made based on a time-consuming trial and error approach. In this research, a program is developed that can predict the mechanical properties of Ni-based superalloys using machine learning with deep learning methods. Through machine learning, the production cost of Ni-based superalloys can be reduced, and the material development cycle can be shortened. The result of this research is a deep learning program with a regression model which can predict the tensile strength, hardness, and melting point of Ni-based superalloys with a model accuracy of 98.77% according to the R2 metric based on the hyperparameter variations set as three hidden layers wi"
Depok: Fakultas Teknik Universitas Indonesia, 2022
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Dyla Velia
Perancangan sistem deteksi diabetes mellitus berbasis iridologi dengan pemodelan convolutional neural network = Designing diabetes mellitus detection system based on iridology with convolutional neural network modeling
"Diabetes mellitus merupakan salah satu penyakit tidak menular dengan angka kematian tertinggi di dunia. Hal ini terjadi karena tingginya resiko komplikasi yang disebabkan pernyakit tersebut. Salah satu cara pencegahan yang dapat dilakukan adalah dengan melakukan pendeteksian lebih awal, salah satunya dengan menggunakan metode iridologi. Metode ini dapat mendeteksi kerusakan organ tubuh melalui tanda-tanda yang muncul pada iris. Dengan menggunakan metode tersebut penelitian ini dilakukan untuk mengklasifikasi penyakit diabetes menggunakan Convolutional Neural Network. Sistem ini mengevaluasi sebanyak 35 subjek normal dan 14 subjek diabetes. Adapun beberapa tahapan yang dilakukan untuk mengelola citra, di antaranya filtering, grayscaling, normalisasi, segmentasi, dan klasifikasi. Selain itu, sistem ini juga melakukan berbagai variasi untuk memperoleh konfigurasi terbaik, seperti variasi citra segmentasi dan tanpa segmentasi, variasi lebar iris, variasi bagian-bagian pankreas, variasi jumlah k-fold, dan variasi algoritma pengoptimalan menggunakan SGDM, Adam dan RMSProp. Sistem ini memperoleh akurasi sebesar 96,43% dengan variasi citra tanpa segmentasi berukuran  piksel menggunakan algoritma Adam dengan learning rate 0,001.
Diabetes mellitus is one of the uncontagious diseases with the highest mortality rate in the world. This happens because of the high risk of complications caused by this disease. One of the preventative ways is to do early detection, one of which is by using the iridology method. This method detects damage to the body's organs through the signs that appear on the iris. Using that method, this study was conducted to classify diabetes using Convolutional Neural Network. This system evaluates 35 normal subjects and 14 diabetes subjects. Several steps are taken to process the image, such as filtering, grayscaling, normalization, segmentation, and classification. Other than that, this system also performs various variations to obtain the best configuration, such as variations in image segmentation and without segmentation, variations in iris width, variations in parts of the pancreas, variations in the number of k-fold, and variations in optimization algorithms using SGDM, Adam and RMSProp. This system obtained an accuracy of 96.43% with variations image without segmentation size pixel using Adam's algorithm with a learning rate of 0.001."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Prediksi Lorenz's chaotic system menggunakan jaringan saraf tiruan radial basis function extreme learning machine = Prediction of Lorenz's chaotic system using radial basis function extreme learning machine neural network
"[Kondisi chaotic merupakan kondisi dimana sistem selalu berkembang. Prediksi dari sistem yang memiliki kondisi chaotic sangat penting untuk menentukan keputusan yang akan diambil. Dalam skripsi ini dibahas mengenai prediksi dari Lorenz’s Chaotic System, dimana prediksi yang dilakukan menggunakan jaringan saraf tiruan Radial Basis Function Extreme Learning Machine. Jaringan saraf tiruan dipilih karena kemampuannya untuk dapat beradaptasi dengan sistem sehingga diharapkan dapat melakukan prediksi dengan baik. Hasil penelitian ini menunjukkan bahwa jaringan saraf tiruan Radial Basis Function Extreme Learning Machine dapat melakukan prediksi dengan baik yaitu dengan waktu pembelajaran yang sangat cepat dan tingkat akurasi yang tinggi., Chaotic condition is a condition where the system is always evolving. Prediction of the system that has chaotic condition is very important for determining the decisions to be taken. In this thesis discussed about the prediction of Lorenz's Chaotic System, where the predictions are made using Radial Basis Function Extreme Learning Machine neural network. Artificial neural network is chosen for its ability to be able to adapt to a system that is expected to do well prediction. The results of this study indicate that the Radial Basis Function Extreme Learning Machine neural network can perform good prediction with very fast learning time and high accuracy.]"
Fakultas Teknik Universitas Indonesia, 2014
S-Pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Rifqi Hari Putranto
Rancang Bangun Sistem Pengawasan Kinerja WiFI Berbasis Machine Learning = Development of WiFi Performance Monitoring System Based on Machine Learning
"Penelitian yang dilakukan pada laporan ini ditujukan untuk membuat suatu sistem yang dapat melakukan monitoring performa Wi-Fi, sehingga bila ada salah satu jaringan yang memiliki masalah dapat ditindak lanjuti dengan cepat untuk dianalisis lebih lanjut. Dalam penelitian ini juga ditambahkan peerbandingan kinerja machine learning untuk melakukan prediksi tentang bagaimana traffic wifi dapat berjalan ke depannya. Model machine learning yang dipakai pada penelitian ini adalah linear regression, Extreme Gradient Boost XGB regression, dan Light Gradient Boosting Machine (LGBM) regression. XGB dan LGBM merupakan pengembangan dari Gradient Boosting Decision Tree (GBDT). LGBM menerapkan dua Teknik yaitu Gradient-based One-Side Sampling (GOSS) dan Exclusive Features Bundling (EFB). GOSS berguna untuk mengecualikan gradien data kecil, sedangkan EFB berguna untuk memilih fitur eksklusif dengan tujuan pengurangan fitur. Peneliti menggunakan metrik evaluasi untuk mengetahui akurasi prediksi masing-masing model. Dari penelitian yang dilakukan metode machine learning LGBM lebih baik 3,09 % dari XGB regression dan 16,57 % lebih baik dari linear regression.
This research in this report is aimed to create a system that can monitor WiFi performance, so that if one of the networks has problems it can be followed up quickly for further analysis. This research also add machine learning performance comparison to make predictions about how the WiFi traffic run in the future. The machine learning models used in this study are linear regression, Extreme Gradient Boost XGB regression, and Light Gradient Boosting Machine (LGBM) regression. LGBM applies two techniques namely Gradient-based One-Side Sampling (GOSS) and Exclusive Features Bundling (EFB). GOSS is useful for excluding small data gradients, whereas EFB is useful for selecting exclusive features with the goal of feature reduction. Researchers use evaluation metrics to determine the prediction accuracy of each model. From research conducted the LGBM machine learning method is 3.09% better than XGB regression and 16.57% better than linear regression."
Depok: Fakultas Teknik Universitas Indonesia, 2023
S-pdf
UI - Skripsi Membership  Universitas Indonesia Library
cover
Aziz Setia Aji
Predictive Maintenance pada Sistem Integrasi Data Magnet Berbasis Machine Learning Menggunakan Metode Random Forest Regression = Predictive Maintenance on Magnet Data Integration System Based Machine Learning Using Random Forest Method.
"ABSTRAK
Badan Meteorologi Klimatologi dan Geofisika (BMKG) memiliki tugas pengamatan terhadap magnet bumi yang tersebar di Indonesia. Sensor magnetik bumi BMKG menghasilkan output data real-time. Penelitian ini berfokus pada model predictive maintenance pada sensor magnetik bumi berdasarkan output data sensor. Output data yang dihasilkan adalah dalam bentuk format delimited-space sehingga mudah untuk diproses. Komponen magnetik yang digunakan dalam penelitian ini adalah data komponen total magnet bumi (F) dari sensor. Pemrosesan data menggunakan bahasa pemograman python dan algoritma yang digunakan adalah metode random forest regression dengan membandingkan perbedaan nilai yang dihasilkan dengan data Indoesian Geomagnetic Maps for Epoch 2015.0 untuk kemudian dibuatkan model prediksi terhadap waktu. Proses tersebut digunakan untuk mengetahui apakah data yang dihasilkan masih dalam toleransi atau tidak. Tahapan dalam penelitian ini mulai dari pengumpulan data, pre-processing data, pembuatan model, hingga pengujian model dan validasi terhadap model. Penelitian ini menghasilkan estimasi waktu pemeliharan sebesar 14 hari pada data baseline nilai F dan sebesar 3 hari pada data delta F (ΔF).
ABSTRACT
The Meteorological, Climatological, and Geophysical Agency (BMKG) has the task of observing the earth magnets spread across Indonesia. Earth magnetic sensor of BMKG delivers real-time data output. The study focuses on the predictive maintenance model on the earth's magnetic sensor based on sensor data output. The resulting data output is in the form of delimited-space format so it is easy to process. The magnetic component used in this study is data on the earth's total magnetic component (F) from the sensor. Data processing uses python programming language and the algorithm used is a random forest regression method by comparing the value difference generated with the Indoesian Geomagnetic Maps for Epoch 2015.0 data for later created predictive models against time. The process is used to determine whether the resulting data is still in tolerance or not. The stages in this study range from data collection, pre-processing data, create model, model testing, and model validation. The study resulted in a 14-day maintenance time estimate of the baseline data F-value and 3-day in the delta F (ΔF) data."
Depok: Fakultas Matematika dan Ilmu Pengetahuan Alam Universitas Indonesia, 2020
T-Pdf
UI - Tesis Membership  Universitas Indonesia Library
<<   1 2 3 4 5 6 7 8 9 10   >>