Hasil Pencarian  ::  Simpan CSV :: Kembali

"Demam Berdarah Dengue (DBD) merupakan salah satu virus yang menginfeksimanusia melalui gigitan nyamuk Aedes aegypti dan Aedes albopictus. Menurut laporanCDC, Indonesia yang masuk dalam level 1 dari 3 yaitu level tertinggi, frequent orcontinuous kasus DBD. Perkiraan lebih awal dan akurat dari persebaran insiden DBDdapat meminimalkan ancaman dan membantu pihak yang berwenang untuk menerapkanlangkah-langkah pengendalian yang efektif. Pada penelitian ini, prediksi angka insidenDBD menggunakan faktor-faktor cuaca yang mempengaruhi perkembangan nyamuk itusendiri, yaitu temperatur, kelembapan, dan curah hujan sebagai variabel prediktor.Variabel prediktor ditentukan berdasarkan nilai korelasi silang dari time lag variabelprediktor terhadap jumlah insiden DBD. Penelitian dilakukan dengan memanfaatkansalah satu metode dalam machine learning, yaitu gated recurrent unit dalammembangun model prediksi insiden DBD tersebut. Performa model yang digunakandievaluasi dengan Root Mean Squared Error dan Mean Absolute Error. Hasil penelitianini menunjukkan bahwa prediksi angka insiden DBD terbaik, diperoleh denganmenggunakan proporsi data training-test: 90%-10%.

---

Dengue Fever (DF) is a virus that infects humans through the bite of Aedes aegypti andAedes albopictus mosquitoes. According to the CDC report, Indonesia is included inlevel 1 of 3, namely the highest level, frequent or continuous cases of DF. Early andaccurate estimates of the spread of dengue incidents can minimize threats and help theauthorities to implement effective control measures. In this study, the prediction of DFincidence uses weather factors that influence the development of mosquitoesthemselves, namely temperature, humidity, and rainfall as predictor variables. Predictorvariables are determined based on the value of the cross correlation of the time lagpredictor variable to the number of DF incidents. The study was conducted by utilizingone method in machine learning, namely the gated recurrent unit in building the DFincident prediction model. The performance of the model are evaluated by Root MeanSquared Error and Mean Absolute Error. The results of this study shows that the bestprediction model of DF incidence rate, obtained using the proportion of training-testdata: 90% -10%."

"Latar Belakang: Cedera kranioserebral merupakan penyebab kematian paling sering pada orang dewasa muda. Dari penelitian perkiraan keluaran pasien cedera kranioserebral sudah dapat diprediksi dalam 3 hari perawatan (3 x 24 jam). Skor Systemic Inflamatory Response Syndrome (SIRS) yang terdiri dari perubahan suhu tubuh, nadi, pernafasan dan peningkatan jumlah lekosit darah dapat memprediksi kejadian infeksi, kematian pada trauma. Pada penelitian sebelumnya bila digabung dengan SKG dapat memprediksi kematian cukup akurat sebanding dengan skala prediktor lain yang ada sebelumnya. Tujuan: Merumuskan model prediksi gabungan SKG dengan skor SIRS untuk mengetahui risiko kematian 3 hari pertama pada pasien dewasa cedera kranioserebral derajat sedang dan berat. Desain dan Metode: Studi dengan disain prospektif potong lintang yang dilanjutkan dengan nested case control tanpa pembanding antara pasien cedera kranioserebral derajat sedang dan berat yang mengalami kematian dalam 3 hari pertama sebagai kelompok studi dengan kelompok kontrol yang diambil secara acak dari pasien-pasien yang tidak mengalami kematian dini. Hasil: Dari 113 subyek penelitian didapatkan 18 (15.9%) penderita mengalami CKB dan 95 (84.1%) penderita mengalami CKS. Terdapat 27 (23.9%) penderita yang meninggal dalam 3 hari pertama. Skor SIRS 22 terjadi pada 83 (73.4%) penderita. Faktor yang berpengaruh terhadap kematian adalah SKG, skor SIRS ≥2 dan frekuensi nafas > 20 kali/menit (p 0.000). Hasil analisis multi variat enter menunjukan bahwa faktor risiko independen kematian 3 hari pertama adalah SKG<9 (p-0.000) dan skor SIRS 2 (p-0.001), dengan probabilitas kematian 99.9% Kesimpulan: Gabungan Skor SIRS ≥2 dan SKG <9 dapat memprediksi kematian dalam 3 hari pertama. Takipneu sebagai komponen SIRS berperan sebagai faktor risiko terjadinya kematian pasien dewasa cedera kranioserebral sedang dan berat."

"Prediksi vessel turnaround time (VTT) di pelabuhan merupakan langkah strategis untuk meningkatkan efisiensi operasional dan mendukung pengambilan keputusan berbasis data. Penelitian ini berfokus pada rancang bangun sistem prediksi berbasis machine learning untuk memperkirakan durasi waktu tunggu kapal, melalui pengembangan model regresi dengan pendekatan yang sistematis. Model dirancang dan dievaluasi dengan membandingkan rentang data historis (5 tahun vs 10 tahun), dua metode seleksi fitur—RFE (Recursive Feature Elimination) dan SHAP (SHapley Additive exPlanations)—serta penerapan hyperparameter tuning untuk mengoptimalkan performa.Evaluasi dilakukan secara menyeluruh menggunakan 50 variasi model seed dan pendekatan rolling time window. Hasil menunjukkan bahwa penggunaan dataset 10 tahun dan model LightGBM memberikan performa terbaik dengan RMSE validasi sebesar 2.7882 jam. SHAP menghasilkan performa hampir setara dengan RFE meskipun menggunakan jumlah fitur yang lebih sedikit. Setelah proses tuning, sistem prediktif yang dirancang menjadi jauh lebih stabil antar pengulangan (RMSE validasi: 2.7865, IQR RMSE: 0.0099), dan tetap menunjukkan hasil yang baik pada data uji serta evaluasi lintas waktu. Secara keseluruhan, rancang bangun sistem prediksi VTT ini membuktikan bahwa kombinasi data historis yang memadai, pemilihan fitur yang tepat, dan pengaturan parameter yang optimal mampu menghasilkan model yang akurat, konsisten, dan siap diterapkan dalam operasional pelabuhan secara nyata.

---

Predicting vessel turnaround time (VTT) at ports is a strategic effort to improve operational efficiency and support data-driven decision-making. This study focuses on the design and development of a predictive system based on machine learning to estimate vessel waiting durations, through a systematic approach to regression model construction. The models are designed and evaluated by comparing different historical data ranges (5 years vs. 10 years), two feature selection methods—RFE (Recursive Feature Elimination) and SHAP (SHapley Additive exPlanations)—as well as the implementation of hyperparameter tuning to optimize performance.

Comprehensive evaluation was carried out using 50 model seed variations and a rolling time window approach. The results show that the use of a 10-year dataset and the LightGBM model achieved the best performance, with a validation RMSE of 2.7882 hours. SHAP yielded nearly comparable performance to RFE, despite using fewer features. After tuning, the predictive system became significantly more stable across repetitions (validation RMSE: 2.7865, IQR RMSE: 0.0099), and consistently produced reliable results on the test set as well as in various time-based evaluation windows. Overall, this predictive system design for VTT demonstrates that the combination of sufficient historical data, appropriate feature selection, and optimal parameter configuration can produce a model that is accurate, robust, and ready for real-world port operations."

"Tugas akhir ini membahas tentang pembuktian Conjecture 1, yaitu sebuah masalah : Arboricity linier dari setiap graph regular-r adalah I(r + 1)/2 I dengan r adalah derajat setiap simpul pada graph regular. Pembuktian dilakukan untuk beberapa graph regular dengan cara membentuk forest linier yang dapat dibuat dan ruas pada graph regular. Jumlah minimum forest linien yang dapat dibentuk merupakan nilai arboricity liniernya."

"ABSTRAKSistem prediksi kedalaman memar dan distribusi kandungan SSC pada jambu berdasarkan waktu penyimpanan dengan menggunakan sistem citra Vis-NIR pada panjang gelombang 400-1000 nm dapat dikembangkan menjadi sistem non-destruktif. Sehingga informasi tambahan yang di dapat tidak hanya dapat membedakan daerah memar namun juga memberikan informasi kedalaman memar dan kandungan SSC pada daerah memar. Sistem yang diusulkan dievaluasi dengan menggunakan 160 sampel jambu dibagi dalam dua kelompok set data, yaitu set data training n = 140 dan set data testing n = 20 . Proses memar pada jambu dilakukan secara manual dengan dijatuhkan bola besi dari ketinggian 200 dan 500 mm dan kemudian sampel dianalisis dengan rentang waktu 0,3,4,5, dan 6 hari setelah dimemarkan. Sistem citra Vis-NIR yang digunakan terdiri dari satu set perangkat, diantaranya workbench, slider, dua sumber cahaya halogen 150W dan kamera citra Vis-NIR yang terhubung ke PC melalui Camera Link. Perangkat lunak sistem terdiri dari pengukuran profil gambar reflektansi, ekstraksi fitur, pemilihan fitur pada data spektral dan spasial, model prediksi kandungan SSC, dan model prediksi kedalaman memar. Model Partial Least Square Regression PLSR digunakan untuk mengembangkan model prediksi pada data spektral semua panjang gelombang. Model PLSR digunakan untuk mendapatkan prediksi nilai kandungan SSC dan kedalaman memar. Hasil yang diprediksi dibandingkan dengan hasil pengukuran uji lab kandungan SSC yang diperoleh dengan menggunakan refraktometer dan kedalaman memar yang diperoleh dengan menggunakan sifat measurement instrumental. Dari hasil kinerja model prediksi didapatkan nilai RMSE pada data testing 0,06 dan koefisien korelasi dari data testing 0,99.Kata kunci : Memar; PLSR; citra Vis-NIR.

---

ABSTRACTAbstract The prediction system of bruising depth in guava based on storage operation using Visual NIR image in the ranges 400 ndash 1000 nm ranges, which could be developed a nondestructive system to predicted the bruise depth of guava. The additional information gained not only the position of the bruised area but also provides depth bruising information. And then, the objective of the research was to develop a nondestructive method for predicting the profile mapping of soluble solid content on bruises guava. The soluble solids content SSC as the parameter fruits was determined and correlated with the bruises area.The proposed system was evaluated using 160 samples of guava were divided in two groups. All of the samples are prepared for the training n 140 and testing n 20 set data. Bruises were manually induced and samples were analyzed 0, 3rd, 4th, 5th and 6th days after bruising. Individual guavas were then subjected to impact test by a steel ball at one of the levels height of impact test, i.e.,200mm and 500mm. The system used consists of a set such as workbench, controllable slider, two halogen light sources and a Visual NIR imaging camera that is connected to PC via Camera Link. The software of system consists of reflectance image profile measurement, feature extraction, feature selection on spectral and spatial data, soluble solids content prediction model, and bruise depth prediction model. The partial least squares regression PLSR models was used to develop prediction models on full wavelengths spectral data. The prediction model is used to get value prediction of soluble solids content and bruising depth. The predicted results compared with the reference measurement result of soluble solids content which obtained using a refractometer and bruising depth which obtained using an optical properties. The full spectral data and parameter fruits were analyzed using the Partial Least Square PLS to obtained prediction model of bruising depth and SSC of bruises guava. The peformance of prediction model provided value of the root mean square error of testing set of 0.06 and the correlation coefficient of a testing set of 0.99. The results of our work indicate that there is a feasibility of implementing hyperspectral imaging technique on the nondestructive bruise depth prediction of guava and suitable in an industrial sorting system for fruit quality, which would be useful for postharvest handling of fruit. Keywords kelebaman bruising , non destructive, Profitability, hyperspectral image Vis NIR."

"ABSTRAKPada masa sekarang ini, teknologi semakin berkembang dan terus berkembang dengan cepat. Terutama kebutuhan adanya teknologi prediksi yang memerlukan pengembangan lebih dalam lagi sehingga dapat menghasilkan teknologi yang dapat memprediksi masa depan Multi-Step Ahead MSA secara lebih akurat. Salah satunya untuk teknologi prediksi peramalan cuaca sistem Chaos yang dapat membantu masyarakat dalam mempersiapkan aktifitas yang akan dilakukan. Penelitian ini melakukan simulasi percobaan penerapan Jaringan Saraf Tiruan berbasis Radial Basis Function RBF pada sistem prediksi data Chaos, data Lorenz dan data Mackey-Glass. Berdasarkan hasil percobaan dapat dilihat dari nilai bahwa penerapan jaringan saraf tiruan berbasis Radial Basis Function RBF memiliki tingkat keakuratan yang baik untuk memprediksi lebih dari 100 langkah kedepan.

---

ABSTRACT Recently, technologies have been growing and growing fast. Especially, the need of prediction technology that need to be developed more so that it could create a technology that is capable to predict the future Multi Step Ahead MSA more accurate. One of the applied field of this prediction method is for forecasting Chaotic System which help the society in order to prepare their activity that will be scheduled. This research performs simulation experiments in applying the Artificial Neural Network based on Radial Basis Function RBF of prediction system for chaotic data, Mackey Glass equation and Lorenz rsquo s system. As can be seen from the values of the experimental results, applying Artificial Neural Network based on Radial Basis Function results high accuracy for predicting more than 100 steps ahead. "

"This book constitutes the thoroughly refereed post-conference proceedings of the Second International ICST on Auctions, Market Mechanisms and Their Applications (AMMA 2011) held in New York, USA, August 22-23, 2011. The 22 revised full papers presented were carefully selected from numerous submissions covering topics such as school choice, markets for housing, energy, and advertising, prediction markets, and the theory of market design."