Hasil Pencarian  ::  Simpan CSV :: Kembali

"Stroke merupakan penyebab utama kematian dan kecacatan di Indonesia. Mengingat sempitnya jendela waktu pengobatan stroke iskemik hiperakut dan potensi komplikasi yang terkait dengan intervensi trombolisis, prognostikasi yang akurat esensial dalam memastikan terapi yang cepat dan tepat. Penelitian ini memanfaatkan pembelajaran mesin, khususnya Random Forest (RF), bertujuan untuk mengembangkan model yang mampu memprediksi hasil klinis (Δ NIHSS) pasien stroke iskemik hiperakut setelah trombolisis, berdasarkan CT scan otak, data klinis, dan nilai laboratorium. Klasifikasi Δ NIHSS menggunakan tiga skenario berbeda —CT, CT + Data klinis, dan CT + Data klinis + Data lab— dan dikategorikan menjadi 2 dan 3 kelas yang akan digunakan dalam pemantauan model prediksi mana yang memberikan performa paling optimal. Pengumpulan data studi kohort ini diperoleh saat kedatangan awal pasien, terdiri dari data klinis, laboratorium, dan data CT otak non-kontras dari rekam medis dan Picture Archiving Communication System (PACS) Rumah Sakit Cipto Mangunkusumo Jakarta dengan periode 10 tahun sejak November 2014 hingga Februari 2023 dan total 145 pasien. Arsitektur dari Bacchi et al.1 yakni convolutional neural network (CNN) dan model pembelajaran mesin konvensional lainnya juga dianalisis sebagai pendekatan alternatif. Hasil penelitian menunjukkan bahwa algoritma RF (2 kelas) menggunakan data validasi dan skenario CT + Data klinis + Data lab menampilkan akurasi tertinggi (75%) dan unggul dalam sensitivitas dan spesifisitas (0,61 dan 0,59). Performa metrik juga menunjukkan tren peningkatan dari setiap skenario. Model ini diharapkan dapat meningkatkan efisiensi penatalaksanaan stroke iskemik hiperakut dengan memberikan informasi tambahan kepada klinisi dalam pengambilan keputusan terkait intervensi trombolisis.

---

Stroke is the leading cause of both mortality and disability in Indonesia. Given the narrow time frame for treating acute ischemic stroke and the potential complications associated with thrombolysis intervention, accurate prognostication is essential to ensure a prompt and appropriate treatment. The National Institutes of Health Stroke Scale (NIHSS) can be utilized to identify individuals who may benefit from reperfusion therapy. The data for this cohort study acquired during the initial presentation, comprising clinical, laboratory, and non-contrast brain CT data from the medical records and Picture Archiving Communication System (PACS) of Cipto Mangunkusumo Hospital Jakarta. The study included 145 patients who experienced acute ischemic stroke and received thrombolysis treatment from November 2014 to February 2023. Currently, there is no clinical outcome prediction model for hyperacute ischemic stroke using data from Indonesia. By utilizing machine learning, specifically Random Forest, the author aims to develop a model capable of predicting the clinical outcome (Δ NIHSS) of hyperacute ischemic stroke patients following thrombolysis, based on brain CT scans, clinical data, and laboratory values. The classification of Δ NIHSS used three distinctive scenarios —CT, CT + Clinic, and CT + Clinic + Lab— and is categorized by 2 and 3 classes will be used in monitoring which prediction model gives optimal performance. Architecture derived from the research conducted by Bacchi et al.1 employed a convolutional neural network (CNN) and other conventional machine learning models were also analyzed as alternative approach. Result revealed that RF algorithm (2 classes) using data validation and CT + Clinic + Lab scenario displays the highest accuracy (75%) and excels in sensitivity and specificity (0,61 and 0,59). The performance metrics show continuous improvement, indicating that this model can enhance hyperacute ischemic stroke management by providing clinicians with additional decision-making support for thrombolysis intervention."

"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."

"This state-of-the-art survey offers a collection of papers from the workshop on Machine Learning and Interpretation in Neuroimaging, MLINI 2011, held at the 25th Annual Conference on Neural Information Processing, NIPS 2011, in the Sierra Nevada, Spain, in December 2011. Additionally, invited speakers agreed to contribute reviews on various aspects of the field, adding breadth and perspective to the volume. The 32 revised papers were carefully selected from 48 submissions. At the interface between machine learning and neuroimaging the papers aim at shedding some light on the state of the art in this interdisciplinary field. They are organized in topical sections on coding and decoding, neuroscience, dynamcis, connectivity, and probabilistic models and machine learning."

"Latar Belakang: Trombolisis merupakan terapi definitif pada stroke iskemik hingga saat ini. Efektivitas trombolisis sangat bergantung waktu pemberian. Salah satu faktor yang memengaruhi luaran trombolisis pada stroke iskemik akut adalah waktu door to needle. Tujuan dari penelitian ini adalah untuk mencari faktor-faktor yang memengaruhi waktu DTN pada penderita yang mendapat terapi trombolisis. Metode: Penelitian berupa potong lintang untuk melihat faktor klinis dan logistik yang memengaruhi waktu DTN pada penderita stroke iskemik yang mendapat terapi trombolisis periode November 2014 hingga Oktober 2018 di rumah sakit Cipto Mangunkusumo. Hasil: Total 94 subjek didapatkan proporsi waktu DTN > 60 menit sebanyak 68(71,3%). Faktor yang secara dependen berpengaruh terhadap waktu DTN adalah: nilai NIHSS awal (OR: 0,29; CI: 0,091-0,938), penggunaan antitrombotik (OR: 0,128; IK: 0,024-0,692), dan lokasi CT scanner (OR: 0,168; IK: 0,046-0,611). Simpulan: Nilai NIHSS awal, penggunaan antirombotik, dan lokasi CT scan berhubungan terhadap waktu DTN.

---

Background: Thrombolysis is the definitive therapy in ischemic stroke to date. The effectiveness of thrombolysis is very time-dependent. One of the factors that influence the outcome of thrombolysis in acute ischemic stroke is the door to needle time. The aims of this study was to look for factors that influence DTN times in patients receiving thrombolysis therapy.

Methods: A cross-sectional study to look at clinical and logistical factors that influence DTN times in patients with acute ischemic stroke who received thrombolysis therapy from November 2014 to October 2018 at Cipto Mangunkusumo Hospital.

Results: A total of 94 subjects obtained a proportion of DTN time > 60 minutes of 68 (71.3%). Factors that are dependent on DTN times are: initial NIHSS (OR: 0.29; CI: 0.091-0.938), antithrombotic use (OR: 0.128; CI: 0.024-0.692), and CT scanner location (OR: 0.168; CI: 0.046-0.611).

Conclusions: Initial NIHSS, antithrombotic use, and CT scan location are associated to DTN times."

"Indonesia, sebagai salah satu negara pengekspor ikan terbesar di dunia, menghadapi tantangan serius dalam sektor perikanan akibat illegal, unreported, unregulated (IUU) fishing. Meskipun telah ada pengawas yang ditugaskan, namun praktik ini masih ditemukan, sehingga perlu teknologi pengawasan di atas kapal. Telah dikembangkan model yang dapat mengklasifikasikan jenis ikan di kapal melalui video CCTV namun masih perlu dilengkapi dengan kemampuan memprediksi berat ikan. Dengan metode ensemble learning yang dipilih karena memiliki kinerja yang lebih baik dibanding model individual, penelitian ini bertujuan untuk membangun model prediksi berat melalui citra dari sistem CCTV. Kemampuan untuk memprediksi berat ikan akan memberikan metode bagi pemerintah untuk melakukan pengecekan apakah hasil tangkapan yang dilaporkan sesuai dengan tangkapan yang terjadi di lapangan. Dari pengujian yang dilakukan, algoritma Catboost Regression menunjukkan kinerja terbaik di antara semua model yang diuji. Pada dataset gabungan, dengan rasio data split 90:10, CatBoost mencapai  score 0.986, MAE 9.794, MSE 293.493, dan RMSE 17.132. Untuk dataset cumi dengan rasio 90:10, nilai metrik yang diperoleh adalah  0.025, MAE 18.451, MSE 660.629, dan RMSE 25.702. Sementara pada dataset ikan dengan rasio 90:10, CatBoost menunjukkan kinerja sangat baik dengan  0.980, MAE 5.825, MSE 146.713, dan RMSE 10.129. Model yang dipilih dengan kinerja yang paling baik adalah model dengan dataset ikan dengan MAE 5.825, yang berarti nilai error dari rata-rata berat ikan yang ditimbang adalah 1.29%. Hasil ini menunjukkan bahwa Catboost Regression mampu memprediksi berat ikan dengan akurasi yang tinggi dibandingkan model regresi lainnya pada dataset yang digunakan, dengan pemilihan rasio data split yang optimal.

---

Indonesia, as one of the largest fish-exporting countries in the world, faces serious challenges in its fisheries sector due to illegal, unreported, and unregulated (IUU) fishing. Despite having monitoring officers assigned, these practices are still found, necessitating the use of surveillance technology on vessels. A model has been developed that can classify fish species on ships using CCTV footage, but it still needs to be enhanced with the ability to predict the weight of the fish. Ensemble learning methods, chosen for their superior performance compared to individual models, are being used in this research to build a weight prediction model using images from the CCTV system. The ability to predict fish weight will provide the government with a method to verify whether the reported catches match what is caught at sea. From the tests conducted, the Catboost Regression algorithm demonstrated the best performance among all tested models. On the combined dataset with a 90:10 train-test split ratio, CatBoost achieved an  score of 0.986, MAE of 9.794, MSE of 293.493, and RMSE of 17.132. For the squid dataset with a 90:10 ratio, the metrics obtained were an  of 0.025, MAE of 18.451, MSE of 660.629, and RMSE of 25.702. Meanwhile, for the fish dataset with the same ratio, CatBoost showed excellent performance with an  of 0.980, MAE of 5.825, MSE of 146.713, and RMSE of 10.129. The best-performing model is the one with the fish dataset, achieving an MAE of 5.825, which translates to an error rate of 1.29% in the average weight of the fish weighed. These results indicate that Catboost Regression can predict fish weight with high accuracy compared to other regression models used on the dataset, with optimal data split ratio."

"Latar Belakang: Trombolisis merupakan terapi definitif pada stroke iskemik hingga saat ini. Efektivitas trombolisis sangat bergantung waktu pemberian. Salah satu faktor yang memengaruhi luaran trombolisis pada stroke iskemik akut adalah waktu door to needle. Tujuan dari penelitian ini adalah untuk mencari faktor-faktor yang memengaruhi waktu DTN pada penderita yang mendapat terapi trombolisis. Metode: Penelitian berupa potong lintang untuk melihat faktor klinis dan logistik yang memengaruhi waktu DTN pada penderita stroke iskemik yang mendapat terapi trombolisis periode November 2014 hingga Oktober 2018 di rumah sakit Cipto Mangunkusumo. Hasil: Total 94 subjek didapatkan proporsi waktu DTN > 60 menit sebanyak 68(71,3%). Faktor yang secara dependen berpengaruh terhadap waktu DTN adalah: nilai NIHSS awal (OR: 0,29; CI: 0,091-0,938), penggunaan antitrombotik (OR: 0,128; IK: 0,024-0,692), dan lokasi CT scanner (OR: 0,168; IK: 0,046-0,611). Simpulan : Nilai NIHSS awal, penggunaan antirombotik, dan lokasi CT scan berhubungan terhadap waktu DTN.

---

Thrombolysis is the definitive therapy in ischemic stroke to date. The effectiveness of thrombolysis is very time-dependent. One of the factors that influence the outcome of thrombolysis in acute ischemic stroke is the door to needle time. The aims of this study was to look for factors that influence DTN times in patients receiving thrombolysis therapy. Methods: A cross-sectional study to look at clinical and logistical factors that influence DTN times in patients with acute ischemic stroke who received thrombolysis therapy from November 2014 to October 2018 at Cipto Mangunkusumo Hospital. Results: A total of 94 subjects obtained a proportion of DTN time > 60 minutes of 68 (71.3%). Factors that are dependent on DTN times are: initial NIHSS (OR: 0.29; CI: 0.091-0.938), antithrombotic use (OR: 0.128; CI: 0.024-0.692), and CT scanner location (OR: 0.168; CI: 0.046-0.611). Conclusions: Initial NIHSS, antithrombotic use, and CT scan location are associated to DTN times."

"

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.

"

"The 33 revised full papers presented were carefully reviewed and selected from 67 submissions. The main aim of this workshop is to help advance the scientific research within the broad field of machine learning in medical imaging. It focuses on major trends and challenges in this area, and it presents work aimed to identify new cutting-edge techniques and their use in medical imaging."

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belumdapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekappada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masastudi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empatmodel pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifierterbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data

queries with APIs created using Express.js and Flask."

"Warung kopi atau coffee shop kian mengalami peningkatan dalam tren dan permintaan di Indonesia. Pandemi Covid-19 membuat pemberlakuan pembatasan sosial yang membuat penjualan dan permintaan menjadi susah diprediksi sehingga pengelolaan stok biji kopi menjadi masalah. Melakukan peprediksi menggunakan model machine learning dapat menjadi solusi untuk mengatasi masalah tersebut. Data yang digunakan adalah permintaan biji kopi yang didapatkan dari sistem POS (Point-of-Sales). Untuk membuat performa model yang lebih baik, ditambahkan beberapa variabel eksternal seperti cuaca, hari raya dan pembatasan sosial. Model prediksi yang digunakan adalah Multiple Linear Regression (MLR), Decision Tree (DT), Support Vector Regressor (SVR) dan Neural Network (NN). Hasil pelatihan model menunjukan model-model yang menggunakan semua variabel menghasilkan hasil prediksi yang lebih baik dibandingkan dengan model-model dengan menggunakan hanya variabel tanggal. Model DT menunjukan hasil prediksi yang terbaik berdasarkan pola prediksi dan error yang dihasilkan. Implementasi hasil prediksi dapat diterapkan dengan perhitungan Reorder Point (ROP) yang ditampilkan dalam dashboard, Expected Value Analysis untuk penentuan tingkat pemesanan, danpencatatan pemesanan bahan baku untuk perkiraan biaya yang dibutuhkan dihitung menggunakan metode FIFO (First in First Out).

---

The trend of Coffee shops in Indonesia keeps increasing as well as its. COVID-19 pandemic has caused the establishment of social restriction which creates hindrance in predicting the sales and demand, as a result disrupts the coffee beans inventory management. Forecasting using machine learning models could offer a solution to overcome those problems. The data used in this research is the coffee beans demand from POS (Point-of-Sales) system. Various external variables such as weather, event and social restrictions are added to increase model performance. Predictions models used are Multiple Linear Regression (MLR), Decision Tree (DT), Support Vector Regressor (SVR) and Neural Network (NN). The result of model training shows that models that use all variables produce better prediction than models that use date variables only. DT model generates the best prediction based on its pattern and error measurement. The prediction result from the chosen model is implemented to calculate the Reorder Point (ROP)  and visualized using  dashboard, Expected Value Analysis to determine the stock level estimation. Subsequently, material stock register calculated using FIFO (First in First Out). "