Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sistem prediksi kadar fenolik pada daun Bisbul (Diospyros discolor Willd.) berbasis citra hiperspektral visible and near-infrared (VNIR) terbukti mampu dibuat dan mendapatkan hasil dengan nilai yang baik. Kamera hiperspektral dengan rentang panjang gelombang 400-1000 nm digunakan dalam mengakuisisi citra VNIR pada daun Bisbul. Penelitian ini membahas mengenai komparasi dari beberapa model regresi baru dengan penelitian terdahulu yang diharapkan bisa mendapatkan hasil yang lebih baik dalam memprediksi kadar fenolik pada daun Bisbul. Digunakan tiga model regresi dalam membuat sistem prediksi ini yaitu model Partial Least Square Regression (PLSR), Random Forest, dan XGBoost Regressor. Sistem Prediksi menggunakan PLSR menghasilakan sebesar 3,62 (RMSE test), 0,81 (R2 test), nilai akurasi sebesar 91,3%, dan waktu training 0,27 detik. Sistem Prediksi menggunakan Random Forest tanpa menggunakan seleksi fitur menghasilakan sebesar 4,04 (RMSE test), 0,81 (R2 test), nilai akurasi sebesar 90,86%, dan waktu training 17,81 detik. Sistem Prediksi menggunakan Random Forest dengan seleksi fitur menghasilakan sebesar 3,84 (RMSE test), 0,79 (R2 test), nilai akurasi sebesar 91,31%, dan waktu training 19,05 detik. Sistem Prediksi menggunakan XGBoost Regressor dengan menghasilakan sebesar 3,48 (RMSE test), 0,83 (R2 test), nilai akurasi sebesar 91,1%, dan waktu training 24,9 detik. Performa terbaik dihasilkan oleh model XGBoost Regressor dengan sedikit perbedaan dengan PLSR. Model XGBoost Regressor berhasil meningkatkan performa sebesar 14% pada RMSE dan 2% pada R2 berbanding dengan PLSR.

---

Phenolic levels prediction system on Bisbul leaves (Diospyros discolor Willld.) Based on visible and near-infrared (VNIR) hyperspectral images proved to be able to be made and get results with good values. Hyperspectral camera with a wavelength range of 400-1000 nm is used in acquiring VNIR images on Bisbul leaves. This study discusses the comparison of several new regression models with previous studies that are expected to get better results in predicting phenolic levels in Bisbul leaves. Three regression models are used in making this prediction system, namely the Partial Least Square Regression (PLSR), Random Forest, and XGBoost Regressor models. The prediction system using PLSR produces 3.62 (RMSE test), 0.81 (R2 test), an accuracy of 91.3%, and a training time of 0.27 seconds. The prediction system uses Random Forest without using the selection feature with results of 4.04 (RMSE test), 0.81 (R2 test), an accuracy of 90.86%, and a training time of 17.81 seconds. The prediction system using Random Forest with feature selection resulted in 3.84 (RMSE test), 0.79 (R2 test), an accuracy of 91.31%, and a training time of 19.05 seconds. The prediction system using the XGBoost Regressor produces 3.48 (RMSE test), 0.83 (R2 test), an accuracy of 91.1%, and training time of 24.9 seconds. The best performance is produced by XGBoost Regressor with a slight difference from PLSR. The XGBoost Regressor model managed to improve performance by 14% on RMSE and 2% on R2 compared to PLSR."

"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%.

 

"

"

Pemanfaatan Intrusion Detection System (IDS) untuk mengamankan infrastruktur jaringan internet masih memiliki masalah yang belum terselesaikan, yaitu kurangnya akurasi deteksi serangan sehingga mengakibatkan terjadinya permasalahan false positif dan banyaknya alarm palsu. Salah satu pendekatan yang banyak digunakan untuk mengatasi permasalahan yang terjadi dalam implementasi IDS adalah dengan menggunakan pendekatan machine learning. Pada penelitian ini, penulis mengusulkan sistem yang menggunakan pendekatan machine learning untuk mendeteksi serangan jaringan dan mengirim peringatan serangan. Dataset CSE-CICIDS2018 dan Model-Based Feature Selection digunakan untuk mengevaluasi kinerja delapan algoritma klasifikasi dalam mengidentifikasi serangan jaringan guna menentukan algoritma terbaik. Hasilnya, Model XGBoost dipilih sebagai model yang memberikan hasil kinerja algoritma terbaik dalam perbandingan model machine learning ini, dengan tingkat akurasi untuk klasifikasi two-class sebesar 99%, dan multi-class sebesar 98,4%.

---

Utilization of the Intrusion Detection System (IDS) to secure internet network infrastructure still has unresolved problems, namely the lack of attack detection accuracy, resulting in false positives and many false alarms. One approach that is widely used to overcome the problems that occur in the implementation of IDS is to use a machine learning approach. In this study, the authors propose a system that uses a machine learning approach to detect network attacks and send attack warnings. The CSE-CICIDS2018 dataset and Model-Based Feature Selection were used to evaluate the performance of eight classifier algorithms in identifying network attacks to determine the best algorithm. As a result, the XGBoost model was chosen as the model that gives the best algorithm performance results in this machine learning model comparison, with an accuracy rate of 99% for two-class classification and 98.4% for multi-class.

"

"Dalam melakukan pengamatan gerak Brown untuk mencari nilai koefisien difusi, dibutuhkan sebuah sistem yang memiliki akurasi tinggi untuk pendeteksian koordinat partikel dalam orde mikrometer. Pada penelitian ini dibuat sebuah sistem untuk menganalisa pergerakan partikel microbead dalam larutan nanogold dengan variasi temperatur dalam bentuk input berupa video dan menghasilkan output berupa nilai koefisien difusi dari partikel yang terdapat pada video. Sistem ini memanfaatkan machine learning sebagai detektor koordinat partikel. Digunakan TensorFlow Object Detection API sebagai backend sistem ini dan CenterNet sebagai aristektur model yang digunakan. Koordinat partikel berhasil dideteksi dengan rata-rata error pada pendeteksian senilai 0.6 piksel. Metode mean squared displacement digunakan untuk menghitung koefisien difusi. Didapatkan nilai koefisien difusi untuk microbead pada suhu 36, 37, 38, 39, 40oC secara berurutan sebesar 8.581 x 10-14, 9.925 x 10-14, 10.113 x 10-14, 10.374 x 10-14, 14.875 x 10-14 m2/s. Didapati nilai kenaikan koefisien difusi setiap kenaikan 1oC sebesar 1.3037 x 10-14 m2/s.

---

In observing Brownian motion to find the value of the diffusion coefficient, a system that has high accuracy is needed for the detection of particle coordinates in domain of micrometers. In this study, a system was created to analyze the movement of microbead particles in a nanogold solution with temperature variations with video file as an input and produce diffusion coefficient value of the particles in the video as the output. This system utilizes machine learning as a particle coordinate detector. The TensorFlow Object Detection API is used as the backend of this system and CenterNet as the model architecture. The particle coordinates were detected successfully with an average detection error of 0.6 pixels. The mean squared displacement method is used to calculate the diffusion coefficient. The diffusion coefficient values ​​for microbeads at a temperature of 36, 37, 38, 39, 40oC respectively were 8,581 x 10-14, 9.925 x 10-14, 10,113 x 10-14, 10,374 x 10-14, 14,875 x 10-14m2/s. It was found that the value of the increase in the diffusion coefficient for every 1oC increase was 1.3037 x 10-14 m2/s."

"Dalam pengamatan gerak Brown untuk mencari nilai koefisien difusi, dibutuhkan sebuah sistem yang memiliki akurasi tinggi untuk pendeteksian koordinat partikel dalam orde mikrometer. Pada penelitian ini dibuat sebuah sistem untuk menganalisa pergerakan partikel microbead dalam larutan nanogold dengan variasi temperatur dalam bentuk input berupa video dan menghasilkan output berupa nilai koefisien difusi dari partikel yang terdapat pada video. Sistem ini memanfaatkan machine learning sebagai detektor koordinat partikel. Digunakan TensorFlow Object Detection API sebagai backend sistem ini dan CenterNet sebagai aristektur model yang digunakan. Koordinat partikel berhasil dideteksi dengan rata-rata error pada pendeteksian senilai 0.6 piksel. Metode mean squared displacement digunakan untuk menghitung koefisien difusi. Didapatkan nilai koefisien difusi untuk microbead pada suhu 36,37,38,39,40oC secara berurutan sebesar 8.581 x 10-14, 9.925 x 10-14, 10.113 x 10-14, 10.374 x 10-14, 14.875 x 10-14 m2/s. Didapati nilai kenaikan koefisien difusi setiap kenaikan 1oC sebesar 1.3037 x 10-14 m2/s.

---

In observing Brownian motion to find the value of the diffusion coefficient, a system that has high accuracy is needed for the detection of particle coordinates in domain of micrometers. In this study, a system was created to analyze the movement of microbead particles in a nanogold solution with temperature variations in the form of video input and produce output in the form of the diffusion coefficient value of the particles in the video. This system utilizes machine learning as a particle coordinate detector. The TensorFlow Object Detection API is used as the backend of this system and CenterNet as the model architecture. The particle coordinates were detected successfully with an average detection error of 0.6 pixels. The mean squared displacement method is used to calculate the diffusion coefficient. The diffusion coefficient values for microbeads at a temperature of 36,37,38,39,40oC respectively were 8,581 x 10-14, 9.925 x 10-14, 10,113 x 10-14, 10,374 x 10-14, 14,875 x 10-14m2/s. It was found that the value of the increase in the diffusion coefficient for every 1oC increase was 1.3037 x 10-14 m2/s"

"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."

"Dalam beberapa tahun terakhir, keamanan data pada sistem informasi organisasi telah menjadi perhatian serius. Banyak serangan menjadi kurang terdeteksi oleh firewall dan perangkat lunak antivirus. Untuk meningkatkan keamanan, intrusion detection systems (IDS) digunakan untuk mendeteksi serangan dalam lalu lintas jaringan. Saat ini, teknologi IDS memiliki masalah kinerja mengenai akurasi deteksi, waktu deteksi, pemberitahuan alarm palsu, dan deteksi jenis serangan baru atau belum diketahui. Beberapa studi telah menerapkan pendekatan pembelajaran mesin (machine learning) sebagai solusi, dan mendapat beberapa peningkatan. Penelitian ini menggunakan pendekatan pembelajaran ensemble (ensemble learning) yang dapat mengintegrasikan manfaat dari setiap algoritma pengklasifikasi tunggal. Pada penelitian ini, dibandingkan tujuh pengklasifikasi tunggal untuk mengidentifikasi pengklasifikasi dasar yang digunakan untuk model ensemble learning. Kemudian dataset IDS terbaru dari Canadian Institute for Cybersecurity yaitu CSE-CIC-IDS2018 digunakan untuk mengevaluasi model ensemble learning. Hasil percobaan menujukan bahwa implementasi metode ensemble learning khususnya majority voting dengan tiga algoritma dasar (gradient boosting, decision tree dan logistic regression) dapat meningkatkan nilai akurasi lebih baik dibandingkan implementasi algoritma klasifikasi tunggal, yaitu 0,988. Selanjutnya, implementasi teknik pemilihan fitur spearman-rank order correlation pada dataset CSE-CIC-IDS2018 menghasilkan 23 dari 80 fitur, dan dapat meningkatkan waktu pelatihan model, yaitu menjadi 11 menit 4 detik dibanding sebelumnya 34 menit 2 detik.

---

In recent years, data security in organizational information systems has become a serious concern. Many attacks are becoming less detectable by firewall and antivirus software. To improve security, intrusion detection systems (IDSs) are used to detect anomalies in network traffic. Currently, IDS technology has performance issues regarding detection accuracy, detection times, false alarm notifications, and unknown attack detection. Several studies have applied machine learning approaches as solutions. This study used an ensemble learning approach that integrates the benefits of each single classifier algorithms. We made comparisons with seven single classifiers to identify the most appropriate basic classifiers for ensemble learning. Then the latest IDS dataset from the Canadian Institute for Cybersecurity, CSE-CIC-IDS2018, was used to evaluate the ensemble learning model. The experimental results show that the implementation of the ensemble learning method, especially majority voting with three basic algorithms (gradient boosting, decision tree and logistic regression) can increase the accuracy rate better than the implementation of a single classification algorithm, which is 0.988. Furthermore, the implementation of the spearman-rank order correlation feature selection technique in the CSE-CIC-IDS2018 dataset produced 23 of the 80 features, and could increase the model training time, which was 11 minutes 4 seconds compared to 34 minutes 2 seconds before."

"Risiko serangan siber berbanding lurus dengan pertumbuhan aplikasi dan jaringan komputer. Intrusion Detection System (IDS) diimplementasikan agar dapat mendeteksi serangan siber dalam lalu lintas jaringan. Akan tetapi terdapat permasalahan pada pendeteksian serangan yang belum diketahui atau jenis serangan baru. Selain itu juga terdapat masalah kinerja tentang waktu deteksi, akurasi deteksi, dan false alarm. Dibutuhkan deteksi anomali dalam lalu lintas jaringan untuk mengurangi permasalahan tersebut dengan pendekatan machine learning. Pengembangan dan pemanfaatan IDS dengan machine learning telah diterapkan dalam beberapa penelitian sebagai solusi untuk meningkatkan kinerja dan evaluasi prediksi deteksi serangan. Memilih pendekatan machine learning yang tepat diperlukan untuk meningkatkan akurasi deteksi serangan siber. Penelitian ini menggunakan metode homogeneous ensemble learning yang mengoptimalkan algoritma tree khususnya gradient boosting tree - LightGBM. Dataset Communications Security Establishment dan Canadian Institute of Cybersecurity 2018 (CSE-CIC-IDS 2018) digunakan untuk mengevaluasi pendekatan yang diusulkan. Metode Polynom-fit SMOTE (Synthetic Minority Oversampling Technique) digunakan untuk menyelesaikan masalah ketidakseimbangan dataset. Penerapan metode spearman’s rank correlation coefficient pada dataset menghasilkan 24 fitur subset dari 80 fitur dataset yang digunakan untuk mengevaluasi model. Model yang diusulkan mencapai akurasi 99%; presisi 99,2%, recall 97,1%; F1-score 98,1%; ROC-AUC 99,1%; dan average-PR 98,1% serta meningkatkan waktu pelatihan model dari 3 menit 25,10 detik menjadi 2 menit 39,68 detik.

---

The risk of cyberattacks is directly proportional to the growth of applications and computer networks. An Intrusion Detection System (IDS) is implemented to detect cyber attacks in network traffic. However, there are problems detecting unknown attacks or new types of attacks. In addition, there are performance issues regarding detection time, detection accuracy, and false alarms. A machine learning approach takes anomaly detection in network traffic to reduce these problems. The development and utilization of IDS with machine learning have been applied in several studies to improve performance and evaluate attack detection predictions. Choosing the right machine learning approach is necessary to improve the accuracy of cyberattack detection. This research uses a homogeneous ensemble learning method that optimizes tree algorithms, especially gradient boosting tree - LightGBM. The Communications Security Establishment and Canadian Institute of Cybersecurity 2018 (CSE-CIC-IDS 2018) dataset evaluated the proposed approach. The Polynom-fit SMOTE (Synthetic Minority Oversampling Technique) method solved the dataset imbalance problem. The application of spearman's rank correlation coefficient method to the dataset resulted in 24 subset features of the 80 dataset features used to evaluate the model. The proposed model achieves 99% accuracy; precision 99.2%, recall 97.1%; F1-score 98.1%; ROC-AUC 99.1%; and an average-PR of 98.1% and increased the training time of the model from 3 minutes 25.10 seconds to 2 minutes 39.68 seconds."

"Stunting merupakan masalah kesehatan yang menjadi perhatian semua negara di dunia bahkan pada desa lokus stunting di indonesia khususnya di propinsi tertinggi kejadian stunting Nusa Tenggara Timur yang belum pernah diteliti. Penelitian cross sectional dilakukan untuk mengetahui hubungan determinan stunting dengan kejadian stunting di desa lokusstunting. Jumlah sampel dalam penelitian ini adalah 166 ibu balita yang dipilih melalui metode proportional random sampling pada empat desa lokus stunting. Instrumen yang digunakan adalah kuesioner yang telah diuji validitas dan reliabilitas. Ditribusi frekuensi digunakan untuk melihat hasil univariat setiap variabel yang diteliti. Uji Chi Square digunakan untuk melihat analisis bivariat dan menunjukkan ada hubungan antara pengetahuan ibu (p=0,033), pola asuh ibu (p=0,016), pendapatan orang tua (p=0,025), pemanfaatan pelayanan kesehatan (p=0,022), rumah tangga sanitasi (p=0,025), jenis kelamin (p=0,036), jarak kelahiran (p=0,000) dan riwayat penyakit infeksi (p=0,025) dengan kejadian stunting. Hasil analisis multivariat menggunakan regresi logistik ganda menunjukkan bahwa faktor yang paling berhubungan dengan kejadian stunting di desa lokus stunting adalah pengetahuan ibu (p=0,000 OR 35,167; CI 95% 6,064-295,438). Pemberian asuhan keperawatan pada komunitas balita stunting sebagai populasi rentan dapat dilakukan dengan meningkatkan pengetahuan ibu tentang stunting sehingga peningkatan pengetahuan dapat berdampak pada pemahaman stunting pada balita dan menurunkan angka kejadianstuntingdi desa lokus stunting

---

Stunting is a health problem that is of concern to all countries in the world, even in the village of stunting locus in Indonesia, especially in the province with the highest incidence of stunting in East Nusa Tenggara which has never been studied. A cross sectional study was conducted to determine the relationship between the determinants of stunting and the incidence of stunting in the stunting locus village. The number of samples in this study were 166 mothers of children under five who were selected through the proportional random sampling method in four stunting loci villages. The instrument used is a questionnaire that has been tested for validity and reliability. Frequency distribution is used to see the univariate results of each variable studied. Chi Square test was used to see bivariate analysis and showed that there was a relationship between mother's knowledge (p=0.033), mother's parenting pattern (p=0.016), parents' income (p=0.025), utilization of health services (p=0.022), household sanitation (p=0.025), gender (p=0.036), birth spacing (p=0.000) and history of infectious disease (p=0.025) with stunting. The results of multivariate analysis using multiple logistic regression showed that the factor most related to the incidence of stunting in the stunting locus village was maternal knowledge (p = 0.000 OR 35.167; 95% CI 6,064-295,438). The provision of nursing care to the stunting toddler community as a vulnerable population can be done by increasing mother's knowledge about stunting so that increased knowledge can have an impact on understanding stunting in toddlers and reduce the incidence of stunting in the stunting locus village."