Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyakit jantung, seperti yang didefinisikan oleh World Health Organization (WHO) sebagai kumpulan berbagai gangguan yang memengaruhi kesehatan jantung, merupakan salah satu masalah kesehatan global yang memerlukan deteksi dini dan penanganan yang efektif. Faktor risiko yang menyebabkan penyakit jantung seperti usia, jenis kelamin, nyeri dada (chest pain), tekanan darah (resting blood pressure), kolesterol (cholesterol), kadar gula darah (fasting blood sugar), hasil elektrokardiogram (resting electrocardiogram), detak jantung maksimum yang dicapai (maximum heart rate achieved), keberadaan angina yang diinduksi (exercise-induced angina), depresi segmen ST (oldpeak), bentuk kelengkungan pada kurva (slope of the peak exercise st segment), jumlah pembuluh darah utama yang diwarnai oleh flourosopy (Number of Major Vessels Colored by Fluoroscopy/CA), dan jenis thalassemia (thalassemia), memiliki peran signifikan dalam meningkatkan risiko terjadinya penyakit jantung. Penelitian ini dilakukan menggunakan dataset yang berasal dari Klinik Cleveland, yang terdiri dari 303 entri data. Dataset ini digunakan untuk melakukan deteksi terhadap keberadaan atau ketidakhadiran penyakit jantung berdasarkan sejumlah atribut klinis yang diukur. Atribut-atribut ini, atau fitur-fitur, mencakup berbagai informasi seperti tekanan darah, kadar kolesterol, usia, jenis kelamin, dan lainnya. Tujuan dari penelitian ini adalah untuk melakukan deteksi yang dapat memprediksi penyakit jantung berdasarkan informasi klinis pasien dengan akurasi terbaik. Untuk mencapai tujuan ini, model Random Forest dilatih dan dibandingkan dengan model lain meliputi Naive Bayes, Decision Tree, Logistic Regression, Support Vector Machine (SVM), Neural Network dan XGBoost. Hasil evaluasi menunjukkan bahwa Random Forest Algorithm memiliki akurasi yang paling tinggi, mencapai 96,77%. Ini berarti bahwa model Random Forest mampu memprediksi keberadaan atau ketidakhadiran penyakit jantung dengan tingkat keberhasilan yang sangat tinggi. Sebagai hasilnya, Random Forest dipilih sebagai model yang paling sesuai untuk melakukan deteksi penyakit jantung dalam dataset ini. Model ini diharapkan dapat memberikan kontribusi yang signifikan dalam deteksi dini, pencegahan, dan pengelolaan penyakit jantung secara global.

---

Heart disease, as defined by the World Health Organization (WHO) as a collection of various disorders affecting heart health, is one of the global health issues requiring early detection and effective management. Risk factors contributing to heart disease such as age, gender, chest pain (angina), blood pressure (trestbps), cholesterol (cholesterol), blood sugar levels (fbs), electrocardiogram results (restecg), maximum heart rate achieved (thalach), presence of induced angina (exang), ST segment depression (oldpeak), slope of the ST segment (slope), number of major vessels colored by fluoroscopy (ca), and type of thalassemia (thal), play a significant role in increasing the risk of heart disease. This research was conducted using a dataset obtained from the Cleveland Clinic, consisting of 303 data entries. This dataset was utilized to classify the presence or absence of heart disease based on various measured clinical attributes, including blood pressure, cholesterol levels, age, gender, among others. The aim of this study is to perform detection that can predict heart disease based on patient clinical information with the highest accuracy. To achieve this objective, the Random Forest model was trained and compared with other models, including Naive Bayes, Decision Tree, Logistic Regression, Support Vector Machine (SVM), Neural Network, and XGBoost. Evaluation results demonstrate that the Random Forest Algorithm achieved the highest accuracy, reaching 96,77%. This implies that the Random Forest model can predict the presence or absence of heart disease with a very high success rate. Consequently, Random Forest was chosen as the most suitable model for classifying heart disease in this dataset. This model is anticipated to significantly contribute to the early detection, prevention, and management of heart disease globally."

"Penyakit mata berat yang telat tertangani seperti katarak, glaukoma, serta retinopati diabetik merupakan salah satu penyebab utama gangguan penglihatan dan kebutaan. Pencegahan dapat dilakukan dengan melakukan pendektesian dini melalui citra fundus. Untuk mengatasi minimnya dokter mata dan persebarannya yang masih belum merata, dilakukan pendektesian penyakit mata secara otomatis melalui gambar mata dengan pendekatan deep learning. Dalam penelitian ini, digunakan metode Transfer Learning U-Net dengan VGG16 sebagai pretrained model (V-Unet) yang telah dilatih pada online database, ImageNet. Data yang digunakan dalam penelitian ini merupakan data citra fundus yang diperoleh dari platform Kaggle. Preprocessing data pada citra fundus yang dilakukan untuk meningkatkan kinerja model adalah centered crop, resize, dan rescale. Fungsi optimasi Adam digunakan untuk meminimalkan fungsi loss ketika melatih model. Pada penelitian ini, dilakukan pemisahan data training, validasi, testing dengan 3 rasio berbeda, yaitu kasus I dengan rasio 60:20:20, kasus II dengan rasio 70:20:10, dan kasus III dengan rasio 80:10:10. Hasil penelitian ini menunjukkan bahwa V-Unet memiliki kinerja paling baik pada kasus II berdasarkan skor AUC dan running time dengan nilai rata-rata skor AUC 0,8622 dan rata-rata running time 3,7079 detik sedangkan berdasarkan nilai akurasinya V-Unet memiliki kinerja paling baik pada kasus III dengan rata-rata nilai akurasi sebesar 66,34%.

---

Untreated severe eye diseases such as cataracts, glaucoma, and diabetic retinopathy is one of the main causes of visual impairment and blindness. Prevention can be done by doing early detection through fundus images. To overcome the lack of ophthalmologists and their uneven distribution, an automatic detection of eye diseases is carried out through eye images using a deep learning approach. In this study, Transfer Learning U-Net method was used with VGG16 as a pre-trained model (V-Unet) which had been trained on the online database, ImageNet . The data used in this study is fundus image data that obtained from the Kaggle platform. Preprocessing data on the fundus image that is carried out to improve model performance is centered crop, resize, and rescale. Adam's optimization function used to minimize the loss function when training the model. In this study, the training, validation, testing data was separated with 3 different ratios, namely case I with a ratio of 60:20:20, case II with a ratio of 70:20:10, and case III with a ratio of 80:10:10. The results of this study indicate that V-Unet has the best performance in case II based on the AUC score and running time with an average AUC score of 0.8622 and an average running time of 3.7079 seconds while based on accuracy value the best case is case III with an average accuracy value of 66.34%."

"Popularitas K-pop tidak hanya di negaranya sendiri, namun juga di luar negeri. Beberapa penelitian tentang karakter musik telah dilakukan untuk melihat bagaimana karakter lagu-lagu populer, namun belum ada yang membahas mengenai K-pop. Karakter musik dapat diketahui dengan menggunakan pendekatan music mining, seperti dengan Random Forest yang dianggap sebagai metode klasifikasi paling akurat dibandingkan dengan metode lainnya. Oleh karena itu, penelitian ini bertujuan untuk menemukan karakter lagu-lagu K-pop populer dengan memanfaatkan hasil ekstraksi fitur audio dan ekstraksi lirik lagu sebagai input untuk membangun model klasifikasi Random Forest. Lagu-lagu K-pop yang dikumpulkan sebanyak 195 lagu dari daftar putar “K-Pop ON! (온)” dibagi menjadi 117 data untuk training dan 68 data untuk testing. Fitur audio yang diekstraksi dalam penelitian ini terdiri dari danceability, energy, loudness, mode, acoustic, instrumental, liveness, dan valence. Selain itu, lirik diekstraksi dan dikelompokkan menjadi 8 kelompok topik yang juga dijadikan sebagai input model. Model yang dihasilkan menunjukkan bahwa karakter lagu-lagu K-pop populer cenderung membawakan perasaan bahagia dan energi yang tinggi, cocok untuk digunakan menari, serta membahas mengenai interaksi antar individu atau tindakan seseorang. Evaluasi model menunjukkan akurasi model yang cukup baik dengan nilai accuracy sebesar 61,53% dan ketepatan model yang cukup baik dengan nilai precision 63,82%, serta sensitivitas model yang cukup baik dengan nilai recall 69,76%. Fitur yang paling banyak berkontribusi dalam model adalah valence, sedangkan fitur yang paling sedikit berkontribusi adalah topic 3.

---

The popularity of K-pop is not only happening in its own country, but also abroad. Some research on music character has been done to see how the character of popular songs is, but no one has studied K-pop’s character. Music character can be known by using music mining approaches, such as Random Forest which is considered the most accurate classification method compared to other methods. Therefore, this research aims to find the character of popular K-pop songs by utilizing the results of audio feature extraction and song lyrics extraction as input to build a Random Forest classification model. The 195 K-pop songs collected from the “K-Pop ON! (온)” playlist are divided, where 117 data for training and 68 data for testing. The audio features extracted in this study consist of danceability, energy, loudness, mode, acoustic, instrumental, liveness, and valence. In addition, the lyrics are extracted and clustered into 8 topic groups which were also used as model input. The resulting model shows that the characters of popular K-pop songs tend to bring feelings of happiness and high energy, are suitable for dancing, and describe the interaction between individuals or actions of a person. The model’s evaluation shows that the model’s accuracy is quite good with an accuracy value of 61.53%, the model’s precision is quite good with a precision value of 63.82%, and the model’s sensitivity is quite good with a recall value of 69.76%. The most contributing feature in the model is valence, while the least contributing feature is topic 3."

"ABSTRAKDiabetik Retinopati adalah kelainan retina akibat komplikasi diabetes yang menyebabkan kebutaan. Seiring berkembangnya teknologi pengolahan citra, pendeteksian Diabetik Retinopati DR dimungkinkan melalui gambar retina yang disebut citra fundus dengan menggunakan ekstraksi ?tur. Dalam penelitian ini, diusulkan metode ekstraksi ?tur menggunakan Gray Level Co-occurrence Matrix GLCM . Penelitian ini mengusulkan sebuah metode dengan enam ?tur tekstur GLCM dengan klasi?kasi Naive Bayes. Dengan menggunakan tiga metode pengujian dan offset GLCM untuk dibandingkan, offset GLCM menghasilkan hasil yang lebih baik dengan accuracy 82.05 pada metode pengujian 70 train 30 test, accuracy 80 pada metode pengujian 5-Fold Cross Validation, accuracy 80.77 pada metode pengujian 10-Fold Cross Validation. Hasil ini akan menjelaskan seberapa akurat Naive Bayes untuk mengklasi?kasikan citra fundus normal atau citra DR.

---

ABSTRAKDiabetic Retinopathy is retinal disorders resulting from diabetes complications that lead to blindness. As the development of technology in image processing, detection of Diabetic Retinopathy DR was possible through retinal images called fundus image using feature extraction. In this paper, a feature extraction method using Gray Level Co occurrence Matrix GLCM is proposed. This paper proposed a method with six textural features of GLCM with Naive Bayes classifier. Using three testing methods and offset of GLCM to compare with, the offset of GLCM achieves a better result with an Accuracy of 82.05 for 70 training data and 30 testing data method, Accuracy of 80.00 for 5 fold Cross Validation method, Accuracy of 80.77 for 10 fold Cross Validation method. These results will explain how accurate Naive Bayes to classify normal fundus image or DR fundus image."

"ABSTRAKDalam beberapa dekade terakhir, pencitraan sinar-X menggunakan film-screen mulaidigantikan oleh digital radiography. Sistem pencitraan digital salah satunya adalahcomputed radiography (CR). Sejauh ini di Indonesia, perkembangan yang pesat dari CRbelum dibarengi dengan penelitian untuk memperoleh kondisi optimum dalamaplikasinya.Telah dilakukan penelitian di RS X menggunakan CR Agfa tipe PSP MD 4.0 danfantom Rando Man untuk menentukan optimasi pembentukan citra. Juga dilakukanpengukuran Entrance Surface Dose (ESD) menggunakan thermoluminescent dosimeter(TLD) dengan berbagai variasi nilai kV. Pemeriksaan yang dipilih adalah kepala PA,thorax PA, dan abdomen AP. Citra fantom dievaluasi berdasarkan panduan dariEuropean Commission dibantu oleh dokter spesialis radiologi. Optimasi citra didasarkanpada nilai kV dengan nilai ESD yang rendah dan hasil evaluasi citra.Hasil penelitian menunjukkan bahwa untuk pemeriksaan kepala PA optimasi terjadipada ESD 3,580 mGy dan 3,834 mGy untuk kondisi 80 kV dan 83 kV dengan 0,224 ?0,274 mGy/mAs. Untuk pemeriksaan thorax PA teknik kV standar optimasi terjadi padaESD 1,341 mGy dan 2,378 mGy untuk kondisi 50 kV dan 55 kV dengan 0,134 ? 0,297mGy/mAs. Sedangkan untuk teknik kV tinggi yang menggunakan 100 kV, optimasiterjadi pada ESD 2,960 mGy dengan 0,947 mGy/mAs. Dan untuk pemeriksaanabdomen AP optimasi terjadi pada ESD 4,090 mGy dan 4,268 mGy untuk kondisi 70kV dan 80 kV dengan 0,204 ? 0,267 mGy/mAs. Selain nilai kV, optimasi jugamengikutsertakan nilai kontras tinggi dan rendah, serta karakter CR Agfa yang diwakilioleh nilai lgM (log Median).

---

AbstractFor the last few decades, X-ray imaging using film screen has been replaced by digitalradiography. One of digital imaging systems is computed radiography (CR). So far inIndonesia, the rapid development of CR is not ensued with research to obtain optimumcondition in its application.Has been performed a research in hospital X using Agfa CR Type PSP MD 4.0 andRando Man phantom to determine optimization of image development. Also conductedmeasurement of Entrance Surface Dose (ESD) using thermoluminescent dosimeter(TLD) for various kV values. The examinations were selected for skull PA, thorax PA,and abdomen AP. Image phantom assessment was carried out using guideliness fromEuropean Commission with assistance of radiologist. Optimization of image was donebased on kV value with low ESD value and image assessment.The results showed that for skull PA examination, optimization occured on ESD 3.580mGy and 3.834 mGy for exposure condition of 80 kV and 83 kV with 0.224 to 0.274mGy/mAs. For standard kV technique thorax PA examination, optimization occured onESD 1.341 mGy and 2.378 mGy at 50 kV and 55 kV with 0.134 to 0.297 mGy/mAs. Asfor the high kV technique of which used a 100 kV, ESD optimization occured at 2.960mGy with 0.947 mGy/mAs. While for abdomen AP examination, optimization occuredon ESD 4.090 mGy and 4.268 mGy for 70 kV and 80 kV with 0.204 to 0.267mGy/mAs. In addition to values of kV, optimization also included high and low contrastvalues as consideration and Agfa CR character that was represented by the lgM (logMedian) value."

"Perkembangan terkini dari perangkat pencitraan medik computerized tomography (CT) scan telah memungkinkan dihasilkannya citra dari penampang melintang secara multi irisan dalam orde beberapa detik. Citra medik digital yang dihasilkan merepresentasikan penampang melintang dari berbagai struktur jaringan dari irisan yang dicitrakan. Salah satu tantangan yang dapat membantu dalam proses diagnosis berbasis citra adalah ekstraksi informasi dari struktur anatomi tertentu dengan suatu metode segmentasi citra serta visualisasi volumetrik dengan bantuan komputer. Untuk kasus visualisasi volumetrik tulang pelvis pada citra CT-scan multi irisan, seluruh citra yang mengandung bagian struktur tulang pelvis harus disegmentasi. Pada penelitian ini, satu teknik segmentasi citra berbasis active contour akan diimplementasikan untuk melakukan segmentasi citra multi irisan secara semi otomatis. Proses segmentasi citra diawalidengan menentukan model kurva 2D yang dilakukan secara manual pada citra irisan pertama. Kemudian model kurva tersebut secara iterasi akan berdeformasi sampai dengan bentuk kurva yang berhimpit pada batas tepian citra tulang pelvis. Hari akhir kurva 2D pada irisan pertama akan digunakan sebagai inisialisasi model kurva 2D pada proses segmentasi citra irisan berikutnya. Proses tersebut akan berlanjut sampai dengan citra irisan terakhir. Metode segmentasi citra berbasis active contour akan dibandingkan dengan metode segmentasi secara nilai ambang dari homogenitas distribusi intensitas dan metode segmentasi secara manual. Analisis secara kualitatif terhadap hasil segmentasi tiap irisan dan analisis kualitatif pada representasi visualisasi volumetrik digunakan pada penelitian ini.

---

AbstractThe current development of computerized tomography (CT) has enable us to obtain cross sectional image using multi slicing techniques in an order of few seconds. The obtained images represent several tissue structures on cross section slice being imaged. One challenge to help diagnosis using CT images is extracting an anatomic structure of interest using a method of image segmentation and volumetric visualization with the assistance of computers. In case of volumetricvisualization of pelvis bones extracted from multi-slice CT images, whole images which are containing part of pelvis bone structures must be segmented. In this research, an image segmentation technique based on active contour is implemented for semi-automatic multi slice image segmentation. Image segmentation steps are initialized with a define model of 2D curve on the first slice image manually. Next, its model curve is deformed to reach the final result of 2D curve that fits to boundary edges of pelvis bone image. The final result of 2D curve on previous slice image was used as an initialization model of 2D curve on the next slice images. This process will continue until the final slice image. This segmentation method was compared with the segmentation method based on threshold from homogenous intensitydistribution and manual segmentation method. Quantitative analysis from the results of segmentation on each slice and qualitative analysis on the representation of volumetric visualization are performed in this research."

"Kanker adalah salah satu penyebab kematian utama di dunia,dengan jumlah kematian sekitar sepuluh juta kematian setiap tahun. Kanker hati menempati peringkat keenam untuk jenis kanker yang umum terjadi pada pria dan wanita. Menurut penelitian, pendeteksian dini penting untuk mencegah penyebaran kanker ke organ lain. Hal ini menyebabkan penggunaan machine learning di bidang medis untuk mengklasifikasikan data kanker agar manghasilkan diagnosis yang tepat. Namun ada kalanya dibutuhkan lebih dari satu algoritma untuk meningkatkan akurasi. Maka dari itu, penelitian ini bertujuan untuk menganalisis pengaruh Genetic Algorithm sebagai penyetelan hyperparameter untuk nilai akurasinya, Penggunaan Random Forest dengan Genetic Algorithm sebagai penyetel hyperparameter memberikan akurasi sebesar 85% dengan data testing 90%. Sementara untuk Random Forest saja, hasil akurasi tertinggi adalah 73% dengan data testing sebesar 40%.

---

Cancer is one of the leading causes of mortality worldwide, with approximately ten million deaths each year. Liver cancer is the sixth most common type that occurs in both men and women. According to scientific studies, early detection is important to prevent the spread of this ailment to other organs. This led to Machine Learning in medical fields for classifying cancer data to produce an accurate diagnosis. However, there are times where just one machine learning algorithm is not giving a good accuracy score. Therefore, this study aims to analyze the effect of using Genetic Algorithm as hyperparameter tuning in terms of the accuracy level. The usage of  Random Forest with Genetic Algorithm as the hyperparameter tuning algorithm gives the accuracy of 85% with 90% data testing. Meanwhile, with Random Forest alone, the highest accuracy score is 73% with 40% testing data."

"Paralisis diafragma pasca operasi penyakit jantung bawaan dapat meningkatkan mortalitas dan morbitas pasien. Penegakkan diagnosa kelainan ini menjadi kunci untuk pengambilan keputusan tindak lanjut seperti plikasi diafragma. Fluoroskopi sebagai baku emas memiliki keterbatasan untuk dilakukan pada pasien pasca operasi penyakit jantung bawaan. Dari 2.287 operasi penyakit jantung yang dilakukan di RSJPDHK terdapat 41 pasien yang memenuhi kriteria inklusi dan eksklusi. Median usia pasien 10 (1-119) bulan dan 43,9% berjenis kelamin laki-laki. Terdapat perbedaan bermakna pada jenis operasi yang dijalani. Dari hasil perhitungan didapatkan sensitivitas dan spesifisitas USG diafragma dibandingkan fluoroskopi pada subjek penelitian sebesar 100%(95%CI 82,35%-100%) untuk sensitivitas, dan 95.5%(95% CI 77,16%-99,88%) untuk spesifisitas. Lebih lanjut dilakukan perhitungan nilai prediksi positif dengan hasil 95%(95%CI 73,68%-99,27%) dan nilai prediksi negatif 100% (95% CI 83,89%-100%). Ultrasonografi memiliki sensitivitas dan spesifisitas yang baik dibandingkan fluoroskopi sebagai metode diagnostik pada populasi dengan kecurigaan paralisis diafragma pasca operasi penyakit jantung bawaan dengan sensitivitas 100% dan spesifisitas 95.5%.

---

Diaphragmatic paralysis after congenital heart disease surgery can increase patient mortality and morbidity. Establishing a diagnosis of this disorder is key for making follow-up decisions such as diaphragm plication. Fluoroscopy as the gold standard has limitations for performing post-surgical patients with congenital heart disease.This study is a comparative diagnostic study that evaluates the ability of diaphragmatic ultrasound to diagnose diaphragmatic paralysis in patients with suspected diaphragmatic paralysis after surgery for congenital heart disease at RSJPDHK from June 2022 to May 2024. Each diaphragmatic ultrasound result was recorded and compared with the findings on fluoroscopy examination. Of the 2,287 heart surgery performed at RSJPDHK, there were 41 patients who met the inclusion and exclusion criteria. The median patient age was 10 (1-119) months and 43.9% were male. There are significant differences in the type of surgery undertaken. From the calculation results, it was found that the sensitivity and specificity of diaphragm ultrasound compared to fluoroscopy in research subjects was 100% (95% CI 82.35% - 100%) for sensitivity, and 95.5% (95% CI 77.16% - 99.88%) for specificity. Furthermore, the positive predictive value was calculated with results of 95% (95% CI 73.68%-99.27%) and negative predictive value of 100% (95% CI 83.89%-100%). Ultrasonography has good sensitivity and specificity compared to fluoroscopy as a diagnostic method in the population with suspected diaphragmatic paralysis after surgery for congenital heart disease with a sensitivity of 100% and a specificity of 95.5%."

"Kebakaran hutan dan lahan merupakan bencana yang memiliki dampak negatif dalam berbagai sektor. Identifikasi area bekas terbakar diperlukan dengan cepat untuk mengendalikan kebakaran hutan dan lahan. Penginderaan jauh merupakan teknologi yang umum digunakan untuk identifikasi area bekas terbakar, namun tidak banyak penelitian terkait kombinasi data penginderaan jauh optis dan SAR untuk identifikasi area bekas terbakar. Di samping itu, data penginderaan jauh SAR memiliki keunggulan sebagai teknologi yang dapat digunakan dalam berbagai kondisi cuaca. Penelitian ini bertujuan untuk mengevaluasi model area bekas terbakar menggunakan integrasi convolutional neural network (CNN) sebagai feature extractor dan random forest (RF) sebagai pengklasifikasi dengan pendekatan feature learning pada data Sentinel-1 dan Sentinel-2. Penelitian ini menguji lima skema yaitu: (1) hanya menggunakan data penginderaan jauh optis; (2) hanya menggunakan data penginderaan jauh SAR; (3) kombinasi data penginderaan jauh optis dan SAR hanya pada polarisasi VH; (4) kombinasi data penginderaan jauh optis dan SAR hanya pada polarisasi VV; serta (5) kombinasi data penginderaan jauh optis dan SAR dual polarisasi VH dan VV. Pengujian juga dilakukan terhadap pengklasifikasi CNN, pengklasifikasi RF, dan pengklasifikasi neural network (NN). Berdasarkan hasil overall accuracy pada lokasi penelitian, metode integrasi CNN dan RF memberikan hasil terbaik pada lima skema yang diujikan dengan overall accuracy tertinggi mencapai 92%. Hal ini menunjukan potensi metode integrasi CNN dan RF untuk digunakan dalam mengidentifikasi area bekas terbakar. Hasil estimasi luas area bekas terbakar pada lokasi penelitian dengan metode integrasi CNN dan RF pada model terbaik diperoleh seluas 57.899,91 hektar

---

Forest and land fires are disasters that have large impacts in various sectors. Burned area identification is needed to control forest and land fires. Remote sensing is used as common technology for rapid burned area identification. However, there are not many studies related to the combination of optical and SAR remote sensing data for burned area. In addition, SAR remote sensing data has the advantage of being a technology that can be used in various weather conditions. This study aims to evaluate burned area model using the integration of Convolutional Neural Network (CNN) as a feature extractor and Random Forest (RF) as classifiers on Sentinel-1 and Sentinel-2 data. This study tests five schemes: (1) using optical remote sensing data; (2) using SAR remote sensing data; (3) combination of optical and SAR data with VH polarization only; (4) combination of optical and SAR data with VV polarization only; and (5) combination of optical and SAR data with dual VH + VV polarization. The studies were also carried out on CNN classifier, RF classifier, and neural network (NN) classifier. Based on the results of the overall accuracy at the research site, the integration of CNN and RF method gave the best results in the five schemes tested with the highest overall accuracy reaching 92%. This shows the potential of the CNN and RF integration method to be used in identifying burned areas. The estimation result of the burned area at the research site using the best model of CNN and RF integration method is ​​57,899.91 hectares"