Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Menurut badan kesehatan dunia World Health Organization (WHO) pada tahun 2015, sebanyak 70% penyebab kematian pada penyakit jantung disebabkan oleh penyakit jantung koroner (PJK). Tercatat 17,5 juta kematian atau setara dengan 30,0 % dari total kematian di dunia disebabkan oleh penyakit jantung koroner (WHO, 2017). Penyakit jantung koroner merupakan gangguan fungsi jantung yang disebabkan adanya plaque yang menumpuk di dalam pembuluh darah arteri sehingga mengganggu supply oksigen ke jantung. Hal ini menyebabkan aliran darah ke otot jantung menjadi berkurang dan terjadi defisiensi oksigen. Pada keadaan yang lebih serius dapat mengakibatkan serangan jantung. Faktor risiko penyakit jantung koroner diantaranya adalah Usia, Jenis Kelamin, Hipertensi, Kolesterol, Riwayat Keluarga dan sebagainya. Jika kemungkinan seseorang untuk menderita penyakit jantung koroner dapat diprediksi sejak awal berdasarkan faktor risiko yang ada, maka tingkat kematian akibat penyakit jantung koroner dapat ditekan menjadi lebih rendah. Tesis ini mengusulkan Model Regresi Logistik Fuzzy untuk memprediksi kemungkinan seseorang untuk menderita penyakit jantung koroner. Tahap pertama dari penelitian ini adalah membangun model prediksi, kemudian mengestimasi nilai parameter dengan menggunakan metode least square. Selanjutnya pada tahap ketiga mengaplikasikan model yang didapatkan untuk memprediksi penyakit jantung koroner. Setelah itu melakukan uji kelayakan atau kesesuaian model dengan metode Mean Degree of Membership dan yang terakhir menghitung akurasi prediksi dengan menggunakan Confusion Matrix. ......According to the World Health Organization (WHO) in 2015, as many as 70% of the causes of death in heart disease were caused by coronary heart disease (CHD). It was recorded that 17.5 million deaths or the equivalent of 30.0% of the world's total deaths were caused by coronary heart disease (WHO, 2017). Coronary heart disease is a disorder of heart function caused by plaque that builds up in the arteries so it interferes with oxygen supply to the heart. This causes blood flow to be reduced and oxygen deficiency occurs. In more serious situations it can prevent heart attacks. Risk factors for coronary heart disease are Age, Gender, Hypertension, Cholesterol, Family History and so on. If there is someone who is a victim of coronary heart disease can be predicted from the beginning, then there is likely to arise more. This thesis proposes a Fuzzy Logistic Regression Model to predict the possibility of a person suffering from coronary heart disease. The first stage of this research is to build a predictive model, then estimate the parameter values using the least square method. Furthermore, in the third stage, apply a model to predict coronary heart disease. After that, test the feasibility or suitability of the model with the Mean Degree of Membership method and finally calculate the prediction accuracy using the Confusion Matrix.

Abstrak :
Prediksi klaim merupakan proses penting dalam industri asuransi karena perusahaan asuransi dapat menyiapkan jenis polis asuransi yang tepat untuk masing-masing pemegang polis potensial. Frekuensi prediksi klaim dewasa ini kian meningkat. Sehingga data prediksi klaim yang memiliki volume besar ini disebut big data, baik dari segi jumlah fitur maupun jumlah data pemegang polis. Salah satu alternatif solusi perusahaan asuransi untuk melihat pemegang polis melakukan klaim atau tidak, bisa menggunakan machine learning yang teruji dapat digunakan untuk klasifikasi dan prediksi. Salah satu metode machine learning untuk mengurangi jumlah fitur adalah dengan proses seleksi fitur, yaitu mencari urutan fitur berdasarkan tingkat pentingnya fitur. Metode seleksi fitur yang digunakan adalah Gram-Schmidt Orthogonalization. Metode ini sebelumnya digunakan untuk data tidak terstruktur namun pada penelitian ini diuji pada data terstruktur bervolume besar. Untuk menguji urutan fitur yang diperoleh dari proses seleksi fitur, digunakan Support Vector Machine karena termasuk metode machine learning yang popular untuk klasifikasi. Berdasarkan hasil simulasi, urutan yang diperoleh dari proses Gram-Schmidt Orthogonalization relatif konsisten. Selanjutnya, dapat diketahui fitur-fitur yang paling berpengaruh untuk menentukan pemegang polis klaim atau tidak. Simulasi juga menunjukkan bahwa hanya dengan menggunakan sekitar 26 % fitur, akurasi yang dihasilkan sebanding dengan menggunakan semua fitur. ......Claim prediction is an important process in the insurance industry because insurance companies can prepare the right type of insurance policy for each potential policyholder. The frequency of today`s claim predictions is increasing. So that claim prediction data has a large volume called big data, both in terms of the number of features and the number of policyholders. One alternative solution for insurance companies to see whether policyholders claim or not, we can use machine learning that is proven to be used for classification and prediction. One of the machine learning methods to reduce the number of features is the feature selection process, which is to search for sequences of features based on their importance feature. The feature selection method used is Gram-Schmidt Orthogonalization. This method was previously used for unstructured data, but in this research is tested on large volume structured data. Support Vector Machine is used to test the ordered features obtained from the feature selection process because it is a popular machine learning method for classification. Based on a result, the ordered features obtained from the Gram-Schmidt Orthogonalization process is relatively stable. After that, it can also be seen the most important features to determine policyholders claim or not. The simulation also shows that using only about 26 % features, the resulting accuracy is comparable to using all features.

Abstrak :
Ilmu Data adalah irisan dari matematika dan statistika, komputer, serta keahlian domain. Dalam beberapa tahun terakhir inovasi pada bidang ilmu data berkembang sangat pesat, seperti Artificial Intelligence (AI) yang telah banyak membantu kehidupan manusia. Deep Learning (DL) sebagai bagian dari AI merupakan pengembangan dari salah satu model machine learning yaitu neural network. Dengan banyaknya jumlah lapisan neural network, model deep learning mampu melakukan proses ekstrasi fitur dan klasifikasi dalam satu arsitektur. Model ini telah terbukti mengungguli teknik state-of-the-art machine learning di beberapa bidang seperti pengenalan pola, suara, citra, dan klasifikasi teks. Model deep learning telah melampaui pendekatan berbasis AI dalam berbagai tugas klasifikasi teks, termasuk analisis sentimen. Data teks dapat berasal dari berbagai sumber, seperti sumber dari media sosial. Analisis sentimen atau opinion mining merupakan salah satu studi komputasi yang menganalisis opini dan emosi yang diekspresikan pada teks. Pada penelitian ini analisis peforma machine learning dilakukan pada metode deep learning berbasis representasi data BERT dengan metode CNN dan LSTM serta metode hybrid deep learning CNN-LSTM dan LSTM-CNN. Implementasi model menggunakan data komentar youtube pada video politik dengan topik terkait Pilpres 2024, kemudian evaluasi peforma dilakukan menggunakan confusion metric berupa akurasi, presisi, dan recall. ......Data Science is the intersection of mathematics and statistics, computing, and a domain of expertise. In recent years innovation in the field of data science has developed very rapidly, such as Artificial Intelligence (AI) which helped a lot in human life. Deep Learning (DL) as part of AI is the development of one of the machine learning models, namely neural network. With the large number of neural network layers, deep learning models are capable of performing feature extraction and classification processes in a single architecture. This model has proven to outperform state-of-the-art machine learning techniques in areas such as pattern recognition, speech, imagery, and text classification. Deep learning models have gone beyond AI-based approaches in a variety of text classification task, including sentiment analysis. Text data can come from various sources, such as source from social media. Sentiment analysis or opinion mining is a computational study that analyze opinions and emotions expressed in text. In this research, machine learning performance analysis is carried out on a deep learning method based on BERT data representation with the CNN and LSTM and hybrid deep learning CNN-LSTM and LSTM-CNN method. The implementation of the model uses YouTube commentary data on political videos related to the 2024 Indonesia presidential election, then performance analysis is carried out using confusion metrics in the form of accuracy, precision, and recall.

Abstrak :
ABSTRAK

Pada penelitian ini diterapkan algoritma FABIAS (Factor Analysis for Bicluster Acquisition: Sparseness Projection) untuk mendeteksi biomarker penyakit Alzheimer pada dataset berupa 54675 data microarray ekspresi gen penyakit Alzheimer dari 161 sampel. Penelitian ini terdiri dari ekstraksi data dan seleksi gen, ekstraksi bicluster, interpretasi biologis untuk setiap bicluster, dan pendeteksian biomarker penyakit Alzheimer pada dataset yang diteliti. Hasil yang diperoleh dari penelitian ini ditemukan pada 3 daerah otak yakni daerah HIP, daerah PC, dan daerah VCX. Gen-gen biomarker penyakit Alzheimer tersebut antara lain gen BIN1, SORL1, dan CLU. Penemuan tiga gen biomarker penyakit Alzheimer dari beberapa bicluster yang dihasilkan dari penerapan algoritma FABIAS ini membuka kemungkinan adanya gen biomarker penyakit Alzheimer yang baru dari bicluster lain dengan sampel berkondisi sakit.

---

ABSTRACT

---

In this research, FABIAS algorithm (Factor Analysis for Bicluster Acquisition: Sparseness Projection) was applied to detect biomarkers of Alzheimer`s Disease in a dataset of 54.675 gene expression microarray data from 161 samples. This study consisted of data extraction and gene selection, bicluster extraction, biological interpretation of each bicluster, and biomarker detection of Alzheimer`s disease in the dataset. The results obtained from this study were found in 3 brain regions namely the HIP area, PC area, and VCX area. The biomarker of Alzheimer`s disease include BIN1, SORL1, and CLU genes. The discovery of three biomarker genes from some biclusters resulting from implementation of the FABIAS algorithm opens up the possibility of finding new Alzheimer`s disease biomarker gene from other bicluster with sick condition samples.

Abstrak :
ABSTRAK

Peramalan tingkat mortalitas sangat dibutuhkan oleh perusahaan asuransi pada perencanaan kebijakan dalam penentuan premi untuk mengurangi risiko kerugian di masa mendatang. Dalam tesis ini, model Cairns-Blake-Dowd (CBD) digunakan untuk meramalkan tingkat mortalitas di Indonesia. Model CBD memuat dua parameter runtun waktu. Parameter-parameter dari model CBD diestimasi dengan menggunakan metode Least Square. Kemudian, peramalan parameter model CBD untuk beberapa periode ke depan dilakukan dengan menggunakan metode Bivariate Random Walk with Drift. Hasil dari peramalan parameter ini disubstitusi ke model CBD untuk mendapatkan tingkat mortalitas di Indonesia dalam beberapa periode ke depan. Keakuratan dari hasil estimasi dan peramalan diukur dengan menggunakan Mean Squared Error (MSE).

---

ABSTRACT

---

Forecasting mortality rates is needed by insurance companies in policy planning to determine premiums to reduce the risk of losses in the future. In this thesis, the Cairns-Blake-Dowd (CBD) model is used to forecast Indonesian mortality rates.  The CBD model contains two-time series parameters. The CBD model`s parameters are estimated by using the Least Square method. Then, parameters prediction for the next few periods used the Bivariate Random Walk with Drift method. The results of parameters prediction will be substituted to the CBD model to obtain Indonesian mortality rates for the next few periods. The accuracy of the estimation and forecasting results are measured by using Mean Squared Error (MSE).

Abstrak :

Alzheimer Disease (AD) merupakan salah satu gangguan saraf yang menyerang otak manusia yang lambat namun progresif yang menyebabkan masalah serius pada otak, sikap, dan masalah percakapan pasien. Penyakit itu sampai sekarang belum ada obatnya tetapi perkembangannya bisa dihambat. Untuk membantu menghambat perkembangan AD, analisis studi tentang Alzheimers diperlukan. Dalam penelitian ini kami bertujuan menganalisis data microarray penyakit AD dengan menyeleksi gen yang signifikan pada enam daerah otak manusia untuk mengidentifikasi adanya kandidat biomarker AD dengan pendekatan metode sparse biclustering berbasis factor analysis. Dengan metode biclustering ini kami menggelompokkan secara simultan baris yang mewakili gen dan kolom yang mewakili sampel, sehingga terbentuklah bicluster-bicluster. Model metode kami adalah multiplikatif generative yaitu metode yang menguraikan matriks menjadi dua faktor matriks sparse plus noise. Dengan analisis gen hasil bicluster dengan gen ontology (GO) maka diketahui fungsi biologi bicluster tersebut. Hasil dari sparse biclustering berbasis factor analysis akhirnya terdeteksi kandidat biomarker AD di dua  daerah otak yaitu EC dan SFG. Hasil dari penelitian ini diharapkan dapat memberikan masukan buat kemajuan analisis pengembangan obat dan diagnosis Alzheimer di bidang medis.

 

---

Alzheimer's Disease (AD) is one of the nervous disorders that attacks the slow but progressive human brain that causes serious problems in the brain, attitudes, and problems with patient conversation. There is no cure for the disease but the development can be inhibited. To help inhibit AD development, an analysis of studies on Alzheimers is needed. In this study we aimed to analyze AD microarray data by selecting genes that were significant in six regions of the human brain to identify candidates for biomarker AD with a factor analysis sparse biclustering method approach. With this biclustering method, we group together the rows representing genes and columns that represent the sample, so that bicluster-bterluster is formed. Our model method is a generative multiplicative method that describes the matrix into two sparse plus noise matrix factors. By analyzing the gene produced by bicluster with the ontology (GO) gene, the biological function of the bicluster is known. The results from sparse biclustering based factor analysis finally detected AD biomarker candidates in two brain regions namely EC and SFG. The results of this study are expected to provide input for the progress of the analysis of drug development and Alzheimer`s diagnosis in the medical field.

 

Abstrak :
ABSTRAK
Protein merupakan bagian penting dari organisme dan memiliki fungsi yang berbeda. Fungsi dan sifat interaksi protein dapat diketahui dengan mengelompokkan protein-protein yang saling berinteraksi. Objek penelitian ini adalah interaksi antara protein HIV-1 dan manusia. Biclustering merupakan metode yang dapat digunakan untuk menyelesaikan permasalahan interaksi protein. Interaksi dibagi menjadi dua, yaitu interaksi positif dan negatif, selanjutnya diubah menjadi graf bipartit dengan simpul merupakan protein HIV-1 dan protein manusia, sedangkan busur merupakan jenis interaksi yang terjadi. Algoritma POLS merupakan algoritma biclustering yang menggunakan pendekatan teori graf. Hasil bicluster dianalisis menggunakan Gene Ontology (GO) untuk memperoleh fungsi protein pada satu bicluster. Proses terakhir adalah prediksi interaksi protein berdasarkan analisis fungsi-fungsi protein. Metode yang digunakan adalah Support Vector Machine (SVM) karena SVM merupakan metode prediksi machine learning yang robust. Berdasarkan hasil penelitian, dataset interaksi positif terdapat 297 bicluster dengan bicluster terbanyak berukuran 2 X 2 dan bicluster terbesar berukuran 7 X 7. Dataset interaksi negatif diperoleh 203 bicluster dengan 110 bicluster berukuran 2 X 2 dan satu bicluster berukuran 7 X 7. Berdasarkan hasil analisis GO, terdapat protein dalam satu bicluster yang belum diketahui fungsinya. Akurasi model prediksi untuk interaksi positif = 92% dan interaksi negatif = 88%.

---

ABSTRACT
Protein is an important part of the organism. The function of protein can be known by grouping the interact proteins. This research discusses the interaction between HIV-1 and human protein. Biclustering is a method to solve protein interaction problem. The interaction is divided into two types, called positive and negative interactions The interaction is transformed into a bipartite graph with vertices are HIV-1 and human protein, while the edges are the interaction. POLS algorithm is a biclustering method based on graph theory. The result of a bicluster is analyzed using Gene Ontology (GO). The last process is the prediction of protein interactions based on analysis of GO. We used Support Vector Machine (SVM) because SVM is a robust machine learning method for perdiction. Based on the results, we get 297 biclusters, with 171 biclusters sized 2 X 2 and the largest bicluster sized 7 X 7 for the positive interactions. For the negative interaction, we get 203 biclusters, with 110 biclusters sized 2 X 2 and the largest bicluster sized 7 X 7. Based on GO analysis there were an unknown function in a bicluster. Accuracy of prediction models for positive and negative interaction are 92% and 88% respectively.

Abstrak :
ABSTRAK

Misalkan $G$ adalah graf sederhana. Jarak antara dua simpul $u$ dan $v$ di $G$ adalah panjang lintasan terpendek yang menghubungkan kedua simpul tersebut. Himpunan simpul pada graf $G$ yang berjarak kurang dari atau sama dengan $d$ dari simpul $v$ dinotasikan dengan $N_d(v)$. Pelabelan simpul tak teratur jarak-$d$ inklusif pada graf $G$ merupakan pelabelan simpul dengan bobot-bobot simpul yang berbeda. Bobot suatu simpul $v$ pada pelabelan tersebut diperoleh dari jumlah semua label simpul pada $N_d(v)$ dan label simpul $v$ itu sendiri. Nilai terkecil dari label terbesar yang digunakan pada semua pelabelan yang mungkin untuk graf $G$ disebut bilangan ketakteraturan simpul jarak-$d$ inklusif dari $G$ dan dinotasikan dengan $\dis_d^0(G)$. Nilai $\dis_1^0(G)$ dari beberapa kelas graf telah diselidiki pada beberapa penelitian lain. Pada penelitian ini, penyelidikan dilakukan terhadap nilai $\dis_d^0(G)$ untuk beberapa kelas graf dengan $d\in \mathbb{Z}^+$. Berdasarkan penyelidikan tersebut, diperoleh nilai eksak dari $\dis_d^0(G)$ untuk graf tangga segitiga $\mathbb{L}_n$ dengan $d=1$ untuk beberapa nilai $n \pmod 5$ dan dengan $d=2$ untuk beberapa nilai $n \pmod 9$. Secara umum diperoleh nilai $\dis_d^0(\mathbb{L}_n)$ dengan $d\in \mathbb{Z}^+$ untuk $n\equiv 2d+1 \pmod{4d+1}$. Hasil lain yang diperoleh adalah nilai $\dis_d^0(G)$ untuk graf lintasan $P_n$, dengan $d$ dan $n$ adalah bilangan genap, yang disimpulkan berdasarkan hasil observasi hubungan antara graf lintasan dan graf tangga segitiga. Penyelidikan lebih jauh terhadap graf lintasan menghasilkan kesimpulan terkait nilai $\dis_d^0(P_n)$ dengan $d=2$ dan 4 untuk beberapa bilangan ganjil $n$ serta $d=3$ untuk beberapa nilai $n \pmod 7$. Selanjutnya, memanfaatkan hasil pada graf lintasan, disimpulkan nilai $\dis_d^0(G)$ untuk graf kipas $f_n$. Terakhir, penyelidikan dilakukan terhadap hasil korona antara graf komplit $K_m$ dan komplemen graf komplit $\overline{K_n}$. Hasil yang diperoleh adalah nilai $\dis_d^0(K_m \circ \overline{K_n})$ dengan $d=1$.

---

ABSTRACT

---

Let $G$ be a simple graph. The distance between two vertices $u$ and $v$ in $G$ is the length of the shortest path between those vertices. The set of vertices in graph $G$ which have distance up to $d$ from vertex $v$ is denoted by $N_d(v)$. An inclusive $d$-distance vertex irregularity labeling of a graph $G$ is a vertex labeling where the weights of vertices are distinct. The weight of vertex $v$ in this labeling is the sum of all labels of vertices in $N_d(v)$ and the label of $v$ itself. The minimum value of the largest label used in such labeling is called inclusive $d$-distance vertex irregularity strength of $G$ and denoted by $\dis_d^0(G)$. The value of $\dis_1^0(G)$ of some graph classes are already investigated in some other researches. In this research, investigations are carried out on the value of $\dis_d^0(G)$ for some classes of graph with $d \in \mathbb{Z}^+$. Based on the investigations, the exact value of $\dis_d^0(G)$ for triangular ladder graph $\mathbb{L}_n$ for some value of $n \pmod 5$ with $d=1$ and for some value of $n \pmod 9$ with $d=2$ are obtained. In general, the value of $\dis_d^0(G)$ with $d\in \mathbb{Z}^+$ is obtained for $n\equiv 2d+1 \pmod{4d+1}$. Another result obtained is the value of $\dis_d^0(G)$ for path $P_n$, with $d$ and $n$ even numbers, that is concluded based on the observation result between path and triangular ladder graph. Further investigation on path concludes the value of $\dis_d^0(Pn)$ with $d=2$ and 4 for some odd numbers $n$ and $d=3$ for some value of $n\pmod 7$. Furthermore, using the result on path, the value of $\dis_d^0(G)$ for the fan graph $f_n$ is concluded. Finally, an investigation is carried out on the result of corona operation between complete graph $K_m$ and its complement graph $\overline{K_n}$. The result obtained is the value of $\dis_d^0(K_m \circ \overline{K_n})$ with $d=1$.

Abstrak :
Misalkan $G=(V,E)$ adalah suatu graf terhubung tak trivial dan misalkan pada $G$ didefinisikan pewarnaan $c$ : $E(G)\rightarrow\{1,2,3,\ldots,k\},k\in \mathbb{N}}$, dengan busur-busur yang bertetanggaan dapat diwarnai dengan warna yang sama. Suatu lintasan $u-v$ dengan $u$ dan $v$ adalah dua simpul di $G$ adalah lintasan pelangi jika busur-busur pada lintasan $u-v$ diwarnai dengan warna berbeda. Graf $G$ disebut terhubung pelangi, jika $G$ memuat suatu lintasan pelangi $u-v$ untuk setiap dua simpul ${u,v\in G}$. Pewarnaan $c$ ini disebut pewarnaan-$k$ pelangi dan $k$ adalah banyaknya warna yang digunakan. Nilai minimum $k$ sehingga terdapat pewarnaan-$k$ pelangi pada graf $G$ disebut bilangan keterhubungan pelangi $rc(G)$ pada $G$. Jika untuk setiap dua simpul ${u,v\in G}$, terdapat satu lintasan geodesik pelangi ${u-v}$, maka $G$ disebut terhubung pelangi kuat. Nilai minimum $k$ sehingga terdapat pewarnaan $c$ yang menyebabkan $G$ bersifat terhubung pelangi kuat disebut bilangan keterhubungan pelangi kuat ${src(G)}$ pada $G$. Pada tesis ini dibuktikan bilangan keterhubungan pelangi pada graf grid-3D dan graf perahu. ......Let $G=(V,E)$ is a nontrivial connected graph on which is defined a coloring $c$ : $E(G)\rightarrow\{1,2,3,\ldots ,k\},k\in \mathbb{N}}$, of the edges of $G$, where adjacent edges may be colored the same. A path $u-v$ in $G$ is a rainbow path if there are no two edges of $u-v$ are colored the same. The graph $G$ is rainbow-connected if $G$ contains a rainbow ${u-v}$ path for every two vertices ${u,v \in G}$. The coloring $c$ is called a rainbow $k$-coloring of $G$ where $k$ is the number of color used. The minimum value of $k$ for which there exists a rainbow $k$-coloring of the edges of $G$ is called the rainbow connection number ${rc(G)}$ of $G$. If for every pair ${u,v\in G}$, $G$ contains a rainbow $u-v$ geodesic, then $G$ is called strongly rainbow-connected. The minimum $k$ for which there exist a coloring $c$ of $G$ such that $G$ is strongly rainbow-connected is called strong rainbow connection number $src(G)$ of $G$. In this thesis will be determined rainbow connection number of grid 3D graph and boat graph.

Abstrak :
ABSTRAK
Hotspot merupakan daerah yang memiliki intensitas kejadian yang lebih tinggi dibandingkan dengan daerah lain dalam suatu lokasi tertentu. Manfaat dari pendeteksian hotspot adalah memberikan informasi terkait daerah yang memiliki intensitas kejadian paling tinggi dibandingkan dengan lokasi sekitarnya. Upper Level Set (ULS) Scan Statistic adalah salah satu metode pendeteksian hotspot yang merupakan pengembangan dari scan statistic. Daerah yang ingin dideteksi adalah daerah di Jawa Tengah Tahun 2015 untuk kasus penyakit menular. Keberadaan penyakit menular harus mendapat perhatian lebih dibandingkan dengan penyakit tidak menular. Hal ini disebabkan karena penyakit menular cepat berkembang dengan pesat sehingga angka kesakitan maupun kematian terus bertambah. Salah satu cara untuk memutus mata rantai penyebaran penyakit tersebut dengan mengetahui dimana daerah yang memiliki tingkat intensitas tertinggi penyebaran penyakit tersebut. Penelitian ini menggunakan data sekunder yang diperoleh dari Dinas Kesehatan Provinsi Jawa Tengah Tahun 2015. Hasil pendeteksian hotspot dapat dijadikan bahan masukan untuk instansi pemerintahan untuk dapat mengambil tindakan sehingga tingkat kesehatan yang rendah dapat diminimalisir. Kasus yang diperhatikan adalah jumlah kasus HIV, malaria, DBD, dan campak yang diasumsikan berdistribusi poisson.

---

ABSTRACT
Hotspot is an area that has an unusual case occurrence compared to other areas in a certain location. The benefit of hotspot detection is to provide information related to the area that has the highest cases intensity compared to the surrounding area. Upper Level Set (ULS) scan statistic is one of hotspot detection method which is further development of Kulldorf's scan statistic. To do the detection area hotspot is an area that has an infectious disease cases in Central Java for 2015. Hotspot detection was performed in the area Central Java province which has communicable disease issue in 2015. The existence of a communicable disease should gain more attention than non-communicable diseases since it could spread quickly so that morbidity and mortality number increase rapidly as the consequence. One of the solutions to stop the spread of a certain communicable disease is to detect the area which is the most severe. This study used secondary data obtained from the Central Java Provincial Health Office in 2015. The results of hotspot detection can be used as recommendation for government agencies to take precise action for upgrading people health quality. The data analyzed in this study were the number of cases of HIV, AIDS, Malaria and dengue and assumed to have Poisson distribution.