Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyakit stroke adalah penyebab kematian terbesar kedua di dunia. Pasien stroke harus menjalani perawatan berupa latihan rehabilitasi secara rutin untuk memulihkan fungsi motorik mereka. Sering kali pasien stroke kesulitan mendapatkan perawatan karena keterbatasan ekonomi dan mobilisasi. Selain itu, kondisi pandemi COVID-19 sekarang ini membuat pasien takut untuk pergi ke rumah sakit. Telehealth sebagai pelayanan kesehatan jarak jauh merupakan salah satu solusi untuk kondisi tersebut. Aplikasi telehealth untuk rehabilitasi stroke dapat dikembangkan dikombinasikan dengan teknologi human motion detection. Penelitian ini bertujuan untuk mengetahui model human motion detection yang dapat mendeteksi gerakan secara stabil serta untuk mengetahui model klasifikasi yang dapat mengklasifikasi gerakan stroke dan non stroke secara akurat. Penelitian dilakukan menggunakan data video gerakan pasien stroke dan orang sehat sebagai input model human motion detection. Keypoints hasil ekstraksi dari model human motion detection kemudian ditransformasi menjadi gambar RGB dan digunakan sebagai input model klasifikasi. Penelitian ini membandingkan tiga model human motion detection, yaitu PoseNet, BlazePose, dan MoveNet, serta dua model klasifikasi gambar, yaitu AlexNet dan SqueezeNet.Beberapa eksperimen dilakukan untuk mengklasifikasi gerakan stroke dan non stroke. Terdapat eksperimen dengan pembagian data tanpa 3-Fold Cross Validation, eksperimen dengan pembagian data 3-Fold Cross Validation, eksperimen menggunakan semua keypoints hasil ekstraksi model human motion detection, dan eksperimen menggunakan beberapa keypoints yang relevan. Model human motion detection dan model klasifikasi terbaik dari hasil penelitian ini diharapkan dapat berkontribusi kepada para pihak yang ingin mengembangkan aplikasi telehealth sebagai sarana rehabilitasi stroke. Berdasarkan hasil penelitian ini, didapatkan bahwa MoveNet adalah model human motion detection yang paling stabil dalam memantau pergerakan pasien dan AlexNet adalah model klasifikasi terbaik untuk mengklasifikasikan pasien stroke dan non stroke berdasarkan gerakan upper body dan gerakan lower body.

---

Stroke is the second biggest cause of death in the world. Stroke patients must undergo rehabilitation on regular basis to exercise and restore their motor functions. Oftentimes, stroke patients find it difficult to get their treatment because of economic and mobility limitations. In addition, the current state of the COVID-19 pandemic makes patients afraid to go to the hospital. Telehealth as a long-distance health service is one of the solution for this condition. Telehealth applications for stroke rehabilitation can be developed in combination with human motion detection technology. This study aims to determine the human motion detection model that can detect movement steadily and determine the classification model that can classify stroke and non-stroke motions accurately. The study was conducted using video data of stroke patients and healthy people as input for the human motion detection model. Keypoints extracted from the human motion detection model are then transformed into RGB images and used as input for the classification model. This study compares three models of human motion detection, namely PoseNet, BlazePose, and MoveNet and two image classification models, namely AlexNet and SqueezeNet.

Several experiments were conducted to classify stroke and non-stroke motions. There are experiments without data splitting 3-Fold Cross Validation, experiments with data splitting 3-Fold Cross Validation, experiments using all keypoints extracted from the human motion detection model, and experiments using several relevant keypoints. The most steady human motion detection model and the best classification model from the results of this study are expected to contribute to those who want to develop telehealth applications as a means of stroke rehabilitation. Based on the results of this study, it was found that MoveNet is the most steady human motion detection model for monitoring the patients motions and AlexNet is the best classification model for classifying stroke and non stroke patients based on upper body and lower body movements."

"

Penyakit stroke adalah penyebab kematian terbesar kedua di dunia. Pasien stroke harus menjalani perawatan berupa latihan rehabilitasi secara rutin untuk memulihkan fungsi motorik mereka. Sering kali pasien stroke kesulitan mendapatkan perawatan karena keterbatasan ekonomi dan mobilisasi. Selain itu, kondisi pandemi COVID-19 sekarang ini membuat pasien takut untuk pergi ke rumah sakit. Telehealth sebagai pelayanan kesehatan jarak jauh merupakan salah satu solusi untuk kondisi tersebut. Aplikasi telehealth untuk rehabilitasi stroke dapat dikembangkan dikombinasikan dengan teknologi human motion detection. Penelitian ini bertujuan untuk mengetahui model human motion detection yang dapat mendeteksi gerakan secara stabil serta untuk mengetahui model klasifikasi yang dapat mengklasifikasi gerakan stroke dan non stroke secara akurat. Penelitian dilakukan menggunakan data video gerakan pasien stroke dan orang sehat sebagai input model human motion detection. Keypoints hasil ekstraksi dari model human motion detection kemudian ditransformasi menjadi gambar RGB dan digunakan sebagai input model klasifikasi. Penelitian ini membandingkan tiga model human motion detection, yaitu PoseNet, BlazePose, dan MoveNet, serta dua model klasifikasi gambar, yaitu AlexNet dan SqueezeNet. Beberapa eksperimen dilakukan untuk mengklasifikasi gerakan stroke dan non stroke. Terdapat eksperimen dengan pembagian data tanpa 3-Fold Cross Validation, eksperimen dengan pembagian data 3-Fold Cross Validation, eksperimen menggunakan semua keypoints hasil ekstraksi model human motion detection, dan eksperimen menggunakan beberapa keypoints yang relevan. Model human motion detection dan model klasifikasi terbaik dari hasil penelitian ini diharapkan dapat berkontribusi kepada para pihak yang ingin mengembangkan aplikasi telehealth sebagai sarana rehabilitasi stroke. Berdasarkan hasil penelitian ini, didapatkan bahwa MoveNet adalah model human motion detection yang paling stabil dalam memantau pergerakan pasien dan AlexNet adalah model klasifikasi terbaik untuk mengklasifikasikan pasien stroke dan non stroke berdasarkan gerakan upper body dan gerakan lower body.

---

Stroke is the second biggest cause of death in the world. Stroke patients must undergo rehabilitation on regular basis to exercise and restore their motor functions. Oftentimes, stroke patients find it difficult to get their treatment because of economic and mobility limitations. In addition, the current state of the COVID-19 pandemic makes patients afraid to go to the hospital. Telehealth as a long-distance health service is one of the solution for this condition. Telehealth applications for stroke rehabilitation can be developed in combination with human motion detection technology. This study aims to determine the human motion detection model that can detect movement steadily and determine the classification model that can classify stroke and non-stroke motions accurately. The study was conducted using video data of stroke patients and healthy people as input for the human motion detection model. Keypoints extracted from the human motion detection model are then transformed into RGB images and used as input for the classification model. This study compares three models of human motion detection, namely PoseNet, BlazePose, and MoveNet and two image classification models, namely AlexNet and SqueezeNet. Several experiments were conducted to classify stroke and non-stroke motions. There are experiments without data splitting 3-Fold Cross Validation, experiments with data splitting 3-Fold Cross Validation, experiments using all keypoints extracted from the human motion detection model, and experiments using several relevant keypoints. The most steady human motion detection model and the best classification model from the results of this study are expected to contribute to those who want to develop telehealth applications as a means of stroke rehabilitation. Based on the results of this study, it was found that MoveNet is the most steady human motion detection model for monitoring the patients motions and AlexNet is the best classification model for classifying stroke and non stroke patients based on upper body and lower body movements.

"

"Dengan memperhatikan serta menyusun pola makan, kesehatan tubuh dapat meningkat dikarenakan nutrisi yang didapatkan oleh tubuh. Pemanfaatan machine learning, melalui model deteksi multiobjek, dapat membantu pendeteksian berbagai jenis makanan hanya dengan input sebuah gambar. Dengan terdeteksinya jenis makanan digabungkan dengan output berupa nutrisi yang terkandung dalam makanan dapat membantu dalam mengatur pola makan. Pengaturan pola makan dengan memanfaatkan deteksi objek dapat dilakukan dengan pelatihan sebuah dataset dengan menggunakan algoritma YOLO. Pendeteksian makanan yang dilakukan dengan menggunakan algoritma YOLO memerlukan acuan evaluasi dengan tujuan meningkatkan akurasi dari deteksi yang dilakukan, yang mana merupakan alasan dari pengukuran mAP. Penggunaan arsitektur YOLOv7 terlihat dapat menghasilkan model yang lebih baik dibandingkan YOLOv5 dengan mAP 0,947. Penggabungan YOLOv7 dengan dataset yang berisikan multiclass single image juga berhasil dalam melakukan deteksi multi-object makanan sesuai dengan kategori yang telah ditentukan. Dengan tujuan penggunaan model oleh masyarakat luas, model deteksi jenis makanan diimplementasikan dalam bentuk aplikasi mobile dengan basis Java. Implementasi dalam bentuk aplikasi membuat masyarakat luas dapat memanfaatkan model deteksi objek sebagai salah satu acuan pemilihan pola makan yang lebih sehat.

---

By paying attention to and compiling a diet, body health can improve due to the nutrients the body gets. Utilization of machine learning, through a multi-object detection model, can help detect various types of food only by inputting an image. Diet adjustment using object detection can be done by training a dataset using the YOLO algorithm. Food detection carried out using the YOLO algorithm requires an evaluation reference with the aim of increasing the accuracy of the detection carried out, which is the reason for using mAP.. The use of the YOLOv7 architecture seems to produce a better model than YOLOv5 with a mAP of 0.947. Merging YOLOv7 with a dataset containing multiclass single images was also successful in detecting multi-object food according to predetermined categories. With the aim of using the model by the wider community, a food type detection model is implemented in the form of a mobile application based on Java. Implementation in the form of an application allows the general public to utilize the object detection model as a reference for choosing a healthier diet."

"Indonesia merupakan salah satu negara pengekspor ikan terbesar di dunia yang membuat sektor perikanan Indonesia memiliki banyak ancaman. Illegal, unreported, unregulated (IUU) fishing adalah salah satu permasalahan yang memiliki dampak yang cukup signifikan karena membuat kerugian yang cukup besar di sektor perikanan Indonesia. Untuk mencegah permasalahan tersebut, sudah banyak solusi yang diajukan, salah satunya adalah penerapan teknologi seperti kamera pengawas, tetapi solusi tersebut belum memiliki dampak yang signifikan dalam mengurangi dan menghilangkan IUU fishing. Oleh karena itu, penelitian ini dilakukan untuk mengembangkan sistem deteksi multi objek untuk pendeteksian jenis ikan berbasis YOLOv7, sebuah model kecerdasan buatan yang dapat melakukan pendeteksian jenis ikan untuk melakukan pengawasan terhadap jumlah ikan yang ditangkap oleh nelayan sehingga IUU fishing dapat berkurang secara signifikan. Dari pengujian yang dilakukan, model YOLOv7 menjadi varian model YOLOv7 terbaik yang dapat digunakan untuk melakukan pendeteksian jenis ikan dengan nilai mAP yang dapat mencapai 86,1% dan inference time hingga 14,5 ms sehingga menghasilkan jumlah FPS yang dapat mencapai 69 FPS. Nilai tersebut berhasil didapatkan dengan menggunakan bentuk data polygon annotation, metode object detection, ukuran citra 800 piksel, dan jumlah epochs sebesar 1000 dengan patience 50. Namun, model YOLOv7 memiliki inference time yang sangat lambat hingga 797.6 ms ketika dipasang pada Jetson Nano meskipun akurasi pendeteksian memiliki hasil yang sama.

---

Indonesia is one of the world's largest exporters of fish, which exposes Indonesia's fishing sector to many threats. Illegal, unreported, unregulated (IUU) fishing is one of the problems that resulted in a significant impact in a form of a big loss that is created for the Indonesian fisheries sector. To prevent that problem, there are a lot of solutions that have been proposed, one of which is the application of technology such as surveillance cameras, but it still doesn't have a big impact to reduce and eliminate IUU fishing. Therefore, this research is conducted to develop a multi-object detection system for the detection of fish species based on YOLOv7, an artificial intelligence model that can detect a fish to supervise the number of fish that is caught by the fisherman so IUU fishing can reduce significantly. From the testing, the YOLOv7 model becomes the best YOLOv7 model variant that can be used to detect a fish with the value of mAP that can reach up to 86.1% and the value of inference time up to 14.5 ms that can produce an FPS total up to 69 FPS. The value can be achieved by doing some modifications in data annotation, the training model method, image size, and iteration on training. However, the YOLOv7 model has a very slow inference time up to 797.6 ms when it’s installed in Jetson Nano even though the detection accuracy has the same value."

"Terumbu karang merupakan organisme laut yang memberikan keuntungan untuk banyak mahluk hidup lainnya. Semakin parahnya polusi pada air dan perubahan iklim yang tidak menentu menyebabkan kesehatan terumbu karang terancam. Proyeksi untuk tahun 2050 menunjukkan bahwa 95% terumbu karang kemungkinan akan mengalami pemutihan. Penelitian ini mengusulkan untuk menerapkan deep learning untuk mengklasifikasikan tipe dan level kesehatan terumbu karang yang klasifikasinya dibagi berdasarkan bagan kesehatan CoralWatch, yaitu dibagi menjadi level 1 – 6. Klasifikasi kesehatan terumbu karang pada penelitian ini dibagi menjadi 6 label, yaitu lv.6, lv.5, lv.4, lv.3, lv.2, dan lv.1. Sedangkan untuk klasifikasi tipe terumbu karang terdapat 3 kelas, yaitu Boulder, Table, dan Branching. Hasil akhir penelitian ini adalah model untuk klasifikasi tipe dan level kesehatan terumbu karang. Bahasa pemograman yang digunakan adalah python, dan arsitektur yang digunakan adalah ResNet, MobileNetV2, DenseNet, dan VGG19. Pada penelitian ini didapat akurasi terbaik sebesar 100% untuk klasifikasi tipe terumbu karang dengan arsitektur DenseNet dan untuk klasifikasi kesehatan terumbu karang didapat akurasi sebesar 55% dengan arsitektur DenseNet.

---

Coral reefs are marine organisms that provide benefits to many other living creatures. The worsening pollution in the water and unpredictable climate changes threaten the health of coral reefs. Projections for 2050 indicate that 95% of coral reefs are likely to experience bleaching. This research proposes to apply deep learning to classify the types and health levels of coral reefs, with classifications divided based on the CoralWatch health chart, ranging from level 1 to 6. The health classification of coral reefs in this study is divided into 6 labels: lv.6, lv.5, lv.4, lv.3, lv.2, and lv.1. Meanwhile, for the classification of coral reef types, there are 3 classes: Boulder, Table, and Branching. The final outcome of this research is a model for classifying the types and health levels of coral reefs. The programming language used is Python, and the architectures used are ResNet, MobileNetV2, DenseNet, and VGG19. In this study, the best accuracy obtained for the classification of coral reef types is 100% with the DenseNet architecture, while for the classification of coral reef health, the accuracy obtained is 55% with the DenseNet architecture."

"Di dunia kesehatan, tenaga medis dituntut untuk mengatasi berbagai jenis penyakit dengan gejala yang beragam. Oleh karena itu, diperlukan suatu teknologi untuk membantu mereka menyelesaikannya dengan baik. Penelitian ini mendukung mereka dengan menggunakan machine learning sebagai pemecah masalah. Metode machine learning yang digunakan pada penelitian ini adalah metode klasifikasi. Penulis membahas tentang stroke yang merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Penelitian ini mengamati perubahan densitas pada otak penderita stroke iskemik. Stroke iskemik merupakan salah satu jenis stroke yang terjadi ketika pembuluh darah tersumbat oleh trombus atau emboli. Penelitian ini menggunakan data CT scan dari Departemen Radiologi, Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Data yang berupa citra CT scan diubah menjadi data numerik dengan metode Gray Level Co-Occurrence Matrix dan Local Binary Pattern yang dibandingkan performanya pada saat melakukan proses klasifikasi. Penelitian ini menerapkan Support Vector Machines sebagai metode klasifikasi. Didapatkan hasil bahwa Support Vector Machines dengan Local Binary Pattern menghasilkan performa yang lebih baik dibandingkan Support Vector Machines dengan Gray Level Co-Occurrence Matrix.

---

In the health sector, the medical staffs are challenged to overcome many types of diseases with various symptoms. Therefore, a technology is needed to help them solving it well. This study is supporting them by using a machine learning as the problem solver. The machine learning method that is used in this study is classification method. The author discusses about stroke which is one of the diseases with the highest mortality rate in the world. This study observed the density changes in the brain of ischemic stroke sufferers. Ischemic stroke is one of the stroke types that occurs when the arteries are blocked by thrombus or embolism. This study used data of CT scan from Department of Radiology, Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The image data of the CT scan is changed into a numerical data by using the Gray Level Co-Occurrence Matrix method and the Local Binary Pattern which is being compared when processing the classification. This study applies Support Vector Machines as the classification method. The results showed that Support Vector Machines with Local Binary Pattern has a better performance than Support Vector Machines with Gray Level Co-Occurrence Matrix."

"Kasus illegal fishing yang marak di Indonesia menyebabkan kerugian besar bagi industri perikanan. Selain itu, proses klasifikasi jenis ikan dan penentuan beratnya memakan waktu yang lama. Penelitian ini mengembangkan sistem prediksi jenis ikan dan beratnya untuk meningkatkan efisiensi hasil tangkapan. Model object detection dan segmentation menggunakan arsitektur YOLOv8 (You Only Look Once), sementara prediksi berat ikan dilakukan dengan decision tree, random forest, XGBoost, dan ANN. Ada 5 metode eksperimen yang dilakukan untuk mendapatkan model object detection dan instance segmentation terbaik, yaitu yang pertama membandingkan arsitektur small, medium, dan large dari model YOLOv8 untuk mengetahui arsitektur terbaik terhadap kemampuan mendeteksi dan mengsegmentasi objek, yang kedua melakukan tunning hyperparameter dari model terbaik di eksperimen 1 dengan mengubah variasi optimuzer serta dropout, yang ketiga membandingkan algoritma decision tree, random forest, dan XGBoost untuk mengetahui algoritma regresi terbaik untuk melakukan prediksi berat ikan, yang keempat adalah melakukan evaluasi dengan dataset tanpa dan dengan cumi untuk mengetahui pengaruh kelas cumi dalam kemampuan prediksi model, dan yang terakhir adalah melakukan hyperparameter tunning terhadap model terbaik dari eksperimen tiga, yaitu random forest dan ANN. Dari kelima eksperimen yang dilakukan didapatkan hasil model object detection dan instance segmentation terbaik menggunakan YOLOv8seg-m (medium) dengan optimizer SGD dan tanpa dropout mencapai metrics mAP0.5 sebesar 0.994, mAP0.5:0.95 sebesar 0.886, F1-score sebesar 0.985, IoU (mask) sebesar 0.828, dan IoU (box) sebesar 0.846. Model prediksi berat terbaik adalah random forest dengan R2 sebesar 0.994, MAE sebesar 6.051, MSE sebesar 124.058, dan RMSE sebesar 11.138. Kata kunci: fish monitoring, computer vision, deep learning, object detection, instance segmentation, YOLOv8.

---

The widespread occurrence of illegal fishing in Indonesia has caused significant losses to the fishing industry. Additionally, the process of classifying fish species and determining their weight is time-consuming. This study develops a system to predict fish species and weight to improve the efficiency of catch results. The object detection and segmentation model uses the YOLOv8 (You Only Look Once) architecture, while fish weight prediction is performed using decision tree, random forest, XGBoost, and ANN. Five experimental methods were conducted to obtain the best object detection and instance segmentation model: the first compared the small, medium, and large architectures of the YOLOv8 model to determine the best architecture for object detection and segmentation capabilities; the second tuned the hyperparameters of the best model from experiment 1 by varying the optimizer and dropout; the third compared decision tree, random forest, and XGBoost algorithms to determine the best regression algorithm for fish weight prediction; the fourth evaluated the dataset with and without squid to understand the influence of the squid class on the model's prediction ability; and the last performed hyperparameter tuning on the best models from experiment three, namely random forest and ANN. From the five experiments conducted, the best object detection and instance segmentation model was found using YOLOv8seg-m (medium) with the SGD optimizer and no dropout, achieving metrics of mAP0.5 of 0.994, mAP0.5:0.95 of 0.886, F1-score of 0.985, IoU (mask) of 0.828, and IoU (box) of 0.846. The best weight prediction model was random forest with an R2 of 0.994, MAE of 6.051, MSE of 124.058, and RMSE of 11.138."

"Di Indonesia, stroke merupakan penyakit dengan angka kematian tertinggi yaitu menempati urutan pertama selamalebih dari dua dekade, 1990-2017. Stroke dibagi menjadi dua jenis, iskemik dan hemoragik, namun 87% penderitastroke adalah stroke iskemik. Sementara itu, jika pasien menderita stroke iskemik dan hal tersebut baru pertama kaliterjadi, maka penderita harus segera mungkin mendapatkan penanganan. Hal ini dikarenakan adanya golden periodpada penanganan stroke yaitu selama 4.5 jam, agar penderita dapat tertolong dan mengurangi risiko kematian ataukecacatan permanen. Oleh karena itu, penting adanya deteksi dini, sehingga banyak penelitian yang dilakukankhususnya di bidang teknologi untuk melakukan diagnosis otomatis guna membantu dokter. Machine learning dandeep learning adalah metode yang sering digunakan karena kemampuannya memberikan hasil prediksi dengan akurasi tinggi. Pada penelitian ini penulis akan memberikan pembaruan dalam pendeteksian stroke iskemik berdasarkan CT scan pasien dengan mengganti peran neural networks untuk klasifikasi pada CNN dengan random forest, support vector machines and k-nearest neighbors. Berdasarkan metode yang dirancang, akurasi pada data training didapatkan 100% untuk RF dan SVM. Dalam validasi data, RF (94,07%) menghasilkan akurasi yang lebih tinggi pada nilai rata-rata dibandingkan dengan SVM (93,20%) dan kNN (79,01%).

---

In Indonesia, stroke is a disease with the highest mortality rate, which ranks first for more than two decades, 1990-

2017. Stroke is divided into two types, ischemic and hemorrhagic, but 87% of stroke patients are ischemic stroke.

Meanwhile, if the patient suffers from an ischemic stroke and this is the first time it has happened, then the patient

should get treatment as soon as possible. This is because there is a golden period in stroke treatment, which is 4.5

hours, so that patients can be helped and reduce the risk of death or permanent disability. Therefore, early detection is important, so that a lot of research has been carried out, especially in the field of technology to carry out automatic diagnosis to help doctors. Machine learning and deep learning are methods that are often used because of their ability to provide predictive results with high accuracy. In this study, the authors will provide an update in the detection of ischemic stroke based on CT scans of patients by replacing the role of neural networks for classification on CNN with random forests, support vector machines and k-nearest neighbors. Based on the designed method, the accuracy of the training data is 100% for RF and SVM. In data validation, RF (94.07%) resulted in higher accuracy in the average value compared to SVM (93.20%) and kNN (79.01%)."

"Hemoglobin adalah komponen darah yang penting untuk mengikat oksigen di paru paru dan mendistribusikannya ke seluruh tubuh. Metode invasif tidak memungkinkan pengukuran real-time dalam situasi darurat. Pengembangan metode noninvasif untuk pemeriksaan hemoglobin menghadapi tantangan dalam hal akurasi, ketepatan, dan keringkasan alat. Pada penelitian menggunakan sensor MAX30102 sebagai pembaca gelombang merah dan inframerah, OLED sebagai alat yang menampilkan hasil prediksi, dan Nvidia Jetson Nano sebagai processor. Alat juga dilengkapi dengan pembacaan detak jantung, SpO2, dan dua tombol untuk mengulang pembacaan dan mematikan alat. Pelatihan model dilakukan menggunakan dataset yang diperoleh dari riset sebelumnya, "Pengembangan Instrumentasi Pengukur Konsentrasi Hemoglobin Non-Invasif Berbasis Photoplethysmography dan Machine Learning" oleh Ester Vinia (2023). Setelah melakukan pelatihan pada lima jenis model (Dense Neural Network, Decision Tree, Support Vector, Gradient Boosting, dan Random Forest), didapatkan model dengan metode Dense Neural Network memiliki akurasi R2 sebesar 96%, loss MAE sebesar 0,2 dan MSE sebesar 0,11, metode Decision Tree memiliki akurasi R2 sebesar 90%, loss MAE sebesar 0,27 dan MSE sebesar 0,3, metode Support Vector memiliki akurasi R2 sebesar 17%, loss MAE sebesar 1,2 dan MSE sebesar 2,61, metode Gradient Boosting memiliki akurasi R2 sebesar 89%, loss MAE sebesar 0,43 dan MSE sebesar 0,3, dan metode Random Forest memiliki akurasi R2 sebesar 99%, loss MAE sebesar 0,05 dan MSE sebesar 0,02. Prototipe alat kemudian dibuat menggunakan pembelajaran mesin bermodel Random Forest Regressor. Model kemudian ditanam di Nvidia Jetson Nano sehingga alat dapat dioperasikan dengan efisien dan cepat. Pada pengujian alat, didapatkan nilai akurasi sebesar 93,27%.

---

Hemoglobin is a vital blood component responsible for binding oxygen in the lungs and distributing it throughout the body. Invasive methods do not allow real-time measurement in emergency situations. Developing noninvasive methods for hemoglobin examination faces challenges in accuracy, precision, and device compactness. In this research, a MAX30102 sensor was used for reading red and infrared waves, an OLED for displaying prediction results, and an Nvidia Jetson Nano as the processor. The device also includes heart rate and SpO2 readings, and two buttons for repeating readings and turning off the device. The model was trained using a dataset obtained from previous research, "Development of Non Invasive Hemoglobin Concentration Measurement Instrumentation Based on Photoplethysmography and Machine Learning" by Ester Vinia (2023). After training on five types of models (Dense Neural Network, Decision Tree, Support Vector, Gradient Boosting, and Random Forest), the Dense Neural Network model achieved an R2 accuracy of 96%, MAE loss of 0.2, and MSE loss of 0.11; the Decision Tree method achieved an R2 accuracy of 90%, MAE loss of 0.27, and MSE loss of 0.3; the Support Vector method achieved an R2 accuracy of 17%, MAE loss of 1.2, and MSE loss of 2.61; the Gradient Boosting method achieved an R2 accuracy of 89%, MAE loss of 0.43, and MSE loss of 0.3; and the Random Forest method achieved an R2 accuracy of 99%, MAE loss of 0.05, and MSE loss of 0.02. The device prototype was then developed using the Random Forest Regressor model. The model was embedded in the Nvidia Jetson Nano, allowing the device to operate efficiently and quickly. During testing, the device achieved an accuracy of 93.27%."

"Banyaknya ulasan aplikasi Info BMKG yang belum pernah diolah menyulitkan pengembang aplikasi dalam mengembangkan fitur berdasarkan masukan pengguna. Ulasan pengguna aplikasi terdapat informasi penting yang dapat dijadikan rujukan oleh pengembang untuk meningkatkan kualitas layanan aplikasi. Penelitian ini bertujuan untuk membuat model klasifikasi terbaik terhadap ulasan pengguna aplikasi Info BMKG. Dataset yang digunakan berasal dari ulasan pengguna aplikasi Info BMKG di Google Play Store sebanyak 10.286 data. Klasifikasi ulasan dibagi ke dalam dua label, yaitu label relevansi dan label kategori. Label relevansi terdiri atas kelas relevan dan tidak relevan. Untuk label kategori terbagi empat kelas yaitu bug report, user request, weather information performance (layanan cuaca), dan earthquake information performance (layanan gempa bumi). Algoritme klasifikasi yang digunakan adalah Naïve Bayes, Support Vector Machine (SVM), Logistic Regression, dan Random Forest. Penelitian ini menghasilkan dua model untuk klasifikasi relevansi dan klasifikasi kategori. Hasil pemodelan klasifikasi terbaik untuk relevansi diraih oleh SVM dengan nilai akurasi sebesar 92,61%. Sedangkan untuk klasifikasi kategori, hasil pemodelan terbaik diraih oleh Random Forest dengan nilai akurasi sebesar 87,69%. Kedua model terbaik melalui teknik over-sampling pada dataset dan normalisasi koreksi ejaan pada tahap prapemrosesan. Untuk ekstraksi fitur terbaik pada model klasifikasi relevansi menggunakan unigram dengan TF-IDF dan panjang teks. Sementara pada model klasifikasi kategori hanya menggunakan unigram dengan TF-IDF saja.

---

A large number of unprocessed Info BMKG app reviews makes it difficult for app developers to develop features based on user input. App user reviews contain important information that can be used as a reference by developers to improve the service quality of the app. This study aims to create the best classification model for user reviews of the Info BMKG app. Dataset used comes from user reviews of the Info BMKG app on the Google Play Store of 10,286 data. Review classification is divided into two labels, namely the relevance label and the category label. The relevance label consists of relevant and irrelevant classes. Category labels are divided into four classes, namely bug reports, user requests, weather information performance (weather services), and earthquake information performance (earthquake services). The classification algorithm used is Naïve Bayes, Support Vector Machine (SVM), Logistic Regression, and Random Forest. This research produces two models for relevance classification and category classification. Best classification modeling results for relevance were achieved by SVM with an accuracy value of 92.61%. For category classification, the best modeling results were achieved by Random Forest with an accuracy value of 87.69%. The two best models are over-sampling techniques on the dataset and normalization of spelling corrections at the pre-processing stage. The best feature extraction in the relevance classification model was carried out with the TF-IDF unigram and text length. Meanwhile, the category classification model only uses the TF-IDF unigram.

"