Proses deteksi tumor otak dengan komputer dilakukan melalui empat tahapan utama. Pada tahap awal dilakukan pra-proses dengan median filter untuk memperbaiki kualitas citra. Kemudian dilanjutkan dengan ekstraksi fitur menggunakan dekomposisi wavelet haar bertingkat tiga agar ukuran citra tidak terlalu besar, hanya 1/8 dari ukuran citra asalnya. Setelah itu dilakukan proses reduksi dimensi menggunakan Principal Component Analysis (PCA). PCA menentukan komponen penting dari citra dengan melihat dari varians yang direpresentasikan oleh nilai eigen, sehingga jumlah komponen yang akan dimasukkan ke proses pembelajaran tidak terlalu banyak, untuk menghindari curse of dimentionality. Baru setelah itu dilakukan proses pembelajaran menggunakan metode Backpropagation Neural Network (BPNN) dengan 10 hidden neuron, dimana proses pelatihan dan pengujian dilakukan untuk mendapatkan bobot dan bias yang terbaik dan kemudian diuji. Hasil akurasi pengenalan pada kondisi awal ini mencapai 87%, sementara pada kondisi ideal yang menggunakan dekomposisi wavelet haar bertingkat empat dan 3 hidden neuron pada BPNN mencapai akurasi pengenalan 100%.
Brain tumor detection process by the computer is going through four main step. First is pre-processing that using median filter to enhance the image quality. The second is feature extraction using level-3 haar wavelet decomposition, so that the image is not too big, only 1/8 of the original size . The third is dimentionality reduction using Principal Component Analysis (PCA). PCA determine the principal component of the image from variances, which represented by eigen value. So the component that will be used in learning step is much fewer, to avoid the curse of dimentionality. And the last step is learning, using Backpropagation Neural Network (BPNN) with 10 hidden neuron. The BPNN going through training and testing phase. BPNN will find its optimal weight and bias, and those weight and bias are being tested. The result from BPNN could distinguish images into normal and tumor, with accuracy 87% in default condition. In ideal condition, which is using level-4 haar wavelet decomposition and 3 hidden neuron in BPNN, the accuracy is 100%.
"Untuk menunjang pemantauan konsentrasi manusia, perlu adanya pemahaman mengenai respon sinyal dari EEG terhadap dua kondisi manusia ya itu saat sedang konsentrasi penuh dan konsentrasi tidak penuh (adanya distraksi). Dalam mengolah data sinyal EEG tersebut, dibutuhkan metode algoritma dan klasifikasi sinyal untuk mendapatkan hasil data sinyal dari dua kondisi tersebut. Pada penelitian ini akan dijelaskan tentang sistem perancangan pendeteksian konsentrasi manusia berdasarkan sinyal EEG. Metode yang digunakan adalah Fast Fourier Transform (FFT) dan Discrete Wavelet Transform (DWT) sedangkan dalam algoritma klasifikasinya menggunakan Support Vector Machine (SVM). Hasil yang telah didapatkan dalam pengujian ini adalah SVM lebih mampu untuk mengklasifikasikan sistem dengan kernel RBF menggunakan 30% holdout validation. Keakurasian dari sistem ini adalah 91% pada metode DWT dan 72% pada metode FFT. Sehingga, dari kedua ekstraksi metode FFT dan DWT, yang memiliki nilai ekstraksi terbaik adalah DWT.
"
Sejak tahun 2017 hingga Oktober 2023, telah terjadi peningkatan jumlah investor Indonesia sebesar 959%, yang menyoroti kebutuhan akan model peramalan untuk membantu mereka mendapatkan keuntungan dari pasar modal. Diversifikasi investasi, seperti pasar modal syariah dengan tolak ukur Jakarta Islamic index (JII) yang relatif lebih rendah risiko, telah menjadi alternatif yang penting. Penelitian ini bertujuan untuk menentukan model terbaik untuk meramalkan harga Jakarta Islamic Index (JII) dengan membandingkan metode tunggal dan hibrida yang menggabungkan transformasi Discrete Wavelet Transform (DWT), model ekonometrik ARIMA, dan model artificial intelligence LSTM, berdasarkan evaluasi Mean Absolute Percentage Error (MAPE) dan akurasi ketepatan arah pergerakan indeks saham. Selain itu, penelitian ini juga mengevaluasi strategi investasi terbaik di pasar modal syariah antara strategi market timing dan buy-and-hold. Metodologi yang digunakan adalah pendekatan prediktif-eksploratif untuk menggali informasi dari data JII dan mengolahnya dengan enam model. Temuan menunjukkan bahwa model tunggal ARIMA sendiri mencapai MAPE terendah sebesar 0.631%. Nilai MAPE untuk model-model lainnya adalah sebagai berikut: ARIMA-LSTM sebesar 0.643%, DWT-ARIMA sebesar 0.736%, DWT-ARIMA-LSTM sebesar 0,744%, LSTM sebesar 0.992%, dan DWT-LSTM sebesar 1.609%. Selain itu, akurasi ketepatan arah peramalan tertinggi dicapai oleh model DWT-ARIMA-LSTM dengan 50.48% sedangkan ARIMA hanya 45.47%, menunjukkan pentingnya mempertimbangkan tidak hanya nilai MAPE tetapi juga akurasi arah dalam evaluasi model peramalan. Dengan menggunakan model DWT-ARIMA-LSTM untuk meramalkan harga JII yang diterapkan pada strategi market timing, ditemukan bahwa pendekatan ini menghasilkan simple return sebesar 19.78%, secara signifikan mengungguli strategi buy-and-hold, yang menghasilkan pengembalian negatif sebesar -5.44%. Namun, ketika disesuaikan dengan biaya transaksi simple return yang didapatkan dengan strategi market timing menjadi -28.08%. Dengan demikian, meskipun melakukan peramalan dapat menghasilkan return yang menarik, penting untuk mempertimbangkan biaya transaksi sebagai faktor krusial dalam strategi investasi.
"
