Hasil Pencarian  ::  Simpan CSV :: Kembali

"Fraud atau kecurangan merupakan salah satu permasalahan yang masih dihadapi oleh industri asuransi dan masih memberikan kerugian yang sangat besar bagi industri ini. Biaya yang dikeluarkan pun untuk mengatasi permasalahan ini masih cukup besar, untuk itu dikembangkanlah sebuah model machine learning untuk membantu pencegahan terjadinya fraud pada asuransi. Salah satu model yang sedang sangat berkembang adalah model Imbalance-XGBoost, penelitian ini dilakukan untuk meninjau kemampuan model Imbalance-XGBoost dalam mendeteksi fraud sebagai langkah pencegahan fraud pada asuransi. Penelitian ini berhasil mendapati bahwa Imbalance-XGBoost memiliki performa yang lebih baik jika dibandingkan dengan model dasarnya yaitu XGBoost tanpa penanganan kelas tidak seimbang.

---

Fraud or dishonesty is one of the persistent challenges faced by the insurance industry and continues to result in significant losses for the industry. The costs incurred to address this issue are also quite substantial. Therefore, a machine learning model has been developed to assist in preventing insurance fraud. One of the models that is currently gaining traction is the Imbalance-XGBoost model. This research was conducted to assess the ability of the Imbalance-XGBoost model in detecting fraud as a preventive measure in insurance. The study found that Imbalance-XGBoost performs better compared to its base model, XGBoost, which does not handle imbalanced classes."

"Event Extraction merupakan salah satu tugas dalam sistem ekstraksi informasi yang bertujuan untuk menemukan kumpulan informasi event dari suatu dokumen. Informasi tersebut dapat berupa informasi pihak-pihak yang terlibat, tempat kejadian, waktu, dan segala informasi yang terkait dengan event. Penelitian ini bertujuan untuk melakukan proses ekstraksi event (event pertemuan) pada teks berbahasa Indonesia. Dari event pertemuan tersebut, informasi yang dicari adalah informasi pihak yang terlibat (person), tempat (location), serta waktu (time) terjadinya event. Ekstraksi dilakukan dengan menggunakan pendekatan machine learning. Sedangkan metode machine learning yang digunakan adalah association rules, decision tree, dan neural networks. Penelitian bertujuan untuk melihat perbandingan kinerja ketiga metode tersebut terhadap ekstraksi event. Uji coba dilakukan pada artikel-artikel media massa online dari Kompas, Jawa Pos, Republika, dan Sinar Harapan. Pada ekstraksi event, diketahui bahwa metode decision tree menunjukkan kinerja yang lebih baik dibandingkan metode association rules dan metode neural networks dengan F-measure mencapai 83,95%. Metode association rules menunjukkan kinerja yang lebih baik dibandingkan dengan metode neural networks dengan F-measure masing-masing sebesar 82,41% dan 81,57%."

"ABSTRAKTren Ekspor Perhiasan Indonesia yang terus meningkat belum sejalan dengan peningkatan Tren Output Produksi dari perusahaan di Industri Perhiasan Indonesia. Penelitian ini menggunakan salah satu perusahaan yang bergerak di bidang manufaktur perhisasan di propinsi Bali sebagai studi kasus.Penelitian ini menggunakan metode DMAIC yang bertujuan untuk dapat meningkatan produktivitas melalui fase terintegrasi dari sebuah proyek DMAIC. Pada tahap Define, digunakan diagram SIPOC. Kemudian pada tahap Measure, digunakan kuesioner untuk data primer dan data perusahaan untuk data sekundernya. Kuesioner didapat dari 4 Expert yang bergerak di bidang Continuous Improvement dan 5 Expert yang bergerak di bidang Industri Perhiasan. Pada tahap Analyze, digunakan metode kombinasi TOPSIS dan AHP, serta Decision Tree untuk melihat pendekatan berbeda. Terakhir, pada tahap Improve dan Control, digunakan pendekatan penggunaan Indikator Kinerja.Dari penelitian ini dihasilkan faktor produktivitas terpenting yaitu faktor Produktivitas Tenaga kerja dengan urutan peringkat dari 9 Alternatif Peningkatan Produktivitas berdasarkan Solusi Ideal. Alternatif dengan rasio prioritas terbesar adalah Implementasi Sistem Perencanaan Harian (Daily Activity Planning) bagi seluruh Karyawan, dengan peningkatan produktivitas yang ditaksir sebesar 47%. Untuk menunjang alternatif tersebut diperlukan Implementasi Indikator Kinerja OWE.

---

ABSTRACTIndonesia's exports of jewellery trends that continue to rise are not in line with the increase in Production Output Trends from companies in Indonesia’s industry. This research uses one of jewellery manufacturing company in Bali province as a case study.This research used a Six Sigma DMAIC (Define-Measure-Analyze-Improve-Control) method which the objective is to improve productivity through integrated DMAIC phase of a project. On the Define phase, this research used a SIPOC (Supplier-Input-Process-Output-Customer) Diagram. On the following Measure phase, a questionnaire used to collect primary data and company data for the secondary data. The questionnaires obtained from 4 Experts in Continuous Improvement and 5 Experts in Jewellery Manufacturing Industry. On the Analyze phase, a combination of Technique for Order of Preference by Similarity to Ideal Solution (TOPSIS)-Analytic Hierarchy Process (AHP), and Decision Tree are used to be able to see a result from different approach. Lastly, at the Improve and Control phases, a Perfomance Indicator approach were used.The obtained result from this research, are the most important Productivity Factor for a jewellery manufacturing company which is Labor Producitvity with the ranked order of 9 alternatives based on Ideal Solution on the increase of productivity. The chosen alternative with the highest priority ratio is the Implementation of the daily activity planning system for all employees, with an estimated increase in productivity at the level of 47%. To support the success of alternatif implementation Overall Worker Efficiency (OWE) performance indicator were being proposed."

"ABSTRAKAda banyak model mengenai pengambilan keputusan dalam manajemen bencana, terutama dalam alokasi sumber daya darurat sehingga alokasi personil pencarian dan penyelamatan dapat berjalan secara efisien. Namun, di Indonesia sendiri, penggunaan teknologi untuk membantu dalam mengambil keputusan dalam fase respons masih belum secara umum diimplementasikan sehingga keputusan masih dibuat secara subyektif. Makalah ini memberikan model pengambilan keputusan yang dapat membantu tim pencarian dan penyelamatan untuk menentukan jumlah personel dan alat berat yang digunakan. Model ini dapat memudahkan alokasi personel di area pencarian. Jumlah yang diperoleh ditentukan berdasarkan luas, kepadatan penduduk, jumlah korban prioritas, dan jumlah gedung tinggi. Variabel-variabel tersebut diproses menggunakan Fuzzy Inference System dan decision tree. Model yang Diajukan juga akan diintegrasikan ke dalam Sistem Informasi dan Komunikasi Operasi Pencarian dan Penyelamatan Indonesia. Data dan pengetahuan yang diperoleh sebagai referensi diperoleh dari para ahli dalam manajemen Bencana dan praktisi berpengalaman di bidang Pencarian dan Penyelamatan

---

ABSTRACTLast mile delivery is the last trip of an item before arriving at the final destination. There have been many models regarding decision making in disaster management, especially in emergency resources allocation so that the allocation of search and rescue personnel can run efficiently. However, in Indonesia itself, the use of technology to help in making decisions in response phase is still not generally implemented that decisions are still made subjectively. This paper gives a decision making model that can help search and rescue teams to determine the number of personnel and heavy equipment deployed. This can streamline the allocation of personnel in a search area. The amount obtained is determined based on area, population density, number of priority victims, and the number of tall buildings. Those variables are processed using a fuzzy expert system and decision tree. The model Proposed will also integrated into the Information and Communication System of Indonesias Search and Rescue Operation. Data and knowledge obtained as a reference are obtained from experts in Disaster management and experienced practitioners in the field of Search and Rescue"

"ABSTRACTKlasifikasi adalah proses menugaskan satu set data ke dalam kelas yang ada berdasarkan nilai setiap atribut. Pengklasifikasi pohon keputusan diklaim lebih cepat dan berproduksi akurasi yang lebih baik. Namun, ia memiliki beberapa kelemahan di mana pengklasifikasi rentan untuk overfitting. Overfitting adalah suatu kondisi di mana model tidak mampu menarik kesimpulan data baru dengan cara yang benar. Overfitting di pohon keputusan dapat dihindari dengan memotong subtree pengaruh kecil dalam melakukan klasifikasi ketika pohon ditanam, disebut post-pruning, yang bertujuan untuk meningkatkan kinerja model dalam memprediksi data. Tesis ini mengusulkan metode pasca pemangkasan dengan menerapkan Risiko Bayes, di mana estimasi risiko setiap simpul induk dibandingkan dengan simpul daunnya. Sebagai perbandingan, pemangkasan pasca lainnya Metode yang diterapkan, yaitu Reduced Error Pruning (REP). Kedua metode tersebut diterapkanuntuk tiga dataset klasifikasi churn pelanggan dari situs Kaggle dan IBM Datasets. Untuk hasilnya, Bayes Risk Post-Pruning dapat meningkatkan kinerja Decision Tree lebih baik dari Reduced Error Pruning dengan meningkatkan nilai akurasi, presisi, dan daya ingat. Kedua metode juga diterapkan pada tiga proporsi berbeda untuk data pelatihan (60%, 70% dan 80%). Hasilnya menunjukkan bahwa semakin besar ukuran dataset pelatihan dikaitkan akurasi, presisi, dan daya ingat model yang lebih tinggi.

---

ABSTRACTClassification is the process of assigning a set of data to an existing class based on the value of each attribute. Decision tree classifiers are claimed to be faster and produce better accuracy. However, it has several disadvantages where the classifier is prone to overfitting. Overfitting is a condition in which the model is unable to draw new data conclusions in the right way. Overfitting in the decision tree can be avoided by cutting the subtree of small influence in classifying when the tree is planted, called post-pruning, which aims to improve the performance of the model in predicting data. This thesis propose a post-pruning method by applying Bayes Risk, where the estimated risk of each parent node is compared to the leaf node. As a comparison, other post pruning methods are applied, namely Reduced Error Pruning (REP). Both methods are applied for three customer churn classification datasets from the Kaggle site and IBM Datasets. For the results, Bayes Risk Post-Pruning can improve Decision Tree performance better than Reduced Error Pruning by increasing the value of accuracy, precision, and memory. Both methods are also applied to three different proportions for training data (60%, 70% and 80%). The results show that the greater the size of the training dataset is associated with higher model accuracy, precision, and recall."

"Abstrak. Imputasi missing values berperan penting dalam pre-processing data untuk menghasilkan data yang lengkap dan berkualitas. Dalam penelitian ini, dilakukan kombinasi dari Decision Tree dan algoritma Expectation Maximization (EM) sebagai metode imputasi dalam mengestimasi missing values. Namun, terdapat kekurangan pada metode ini, yaitu algoritma Expectation Maximization (EM) cenderung memberikan hasil imputasi yang lebih akurat jika terdapat banyak kemiripan antar atribut. Hal ini dapat diatasi dengan mempartisi segmen horisontal menggunakan algoritma Decision Tree. EM diterapkan pada berbagai segmen horisontal dari data set agar diperoleh banyak kemiripan antar atribut. Metode yang diusulkan ini kemudian dievaluasi dengan membandingkan kinerjanya dengan imputasi menggunakan mean dalam mengestimasi missing values data numerik dan dipilih Decision Tree sebagai classifier. Data yang digunakan untuk simulasi dalam penelitian ini yaitu data set PPOK-OSA. Penelitian ini menunjukkan bahwa metode imputasi missing values yangdiusulkan menghasilkan akurasi yang lebih tinggi jika dibandingkan menggunakan nilai mean dalam mengestimasi missing values. Hasil akurasi tertinggi dari metode ini yaitu83.3%, diperoleh pada saat persentase data training 10% dan rata-rata akurasi pada berbagai persentase data training sebesar 70.3%, sedangkan hasil akurasi tertinggi menggunakan nilai mean yaitu 58.3%, diperoleh pada saat persentase data training 20% dengan rata-rata akurasipada berbagai persentase data training sebesar 50.5%.

---

Abstract. Missing values imputation plays a vital role in data pre-processing for ensuring good quality of data. In this study, we present a combination of Decision Tree andExpectation Maximization (EM) algorithm as imputation method to estimate missing values. However, there are shortcomings of method, where the Expectation Maximization algorithm tends to give more accurate imputation results if there are many similarities among attributes. Therefore, this can be overcome by partitioning the horizontal segments using the DecisionTree algorithm. We applied EM on various horizontal segments of a data set where there are many similarities among attributes. Besides, we evaluate our proposed method by comparing its performance with mean values to impute missing values, and we choose the Decision Treeas a classifier. Data used in this research is COPD-OSA data set. In this study shows that ourproposed method leads to higher accuracy than mean imputation. The highest accuracy results obtained from our proposed method is 83.3% when the percentage of training data is10% and average accuracy in various percentage of training data is 70.3%, while the highest accuracy results using the mean value is 58.3% when the training data percentage is 20% and the average accuracy in various percentage of training data is 50.5%."

"Glukosa adalah salah satu indikator kesehatan tubuh yang dapat dideteksi oleh urin yang dapat membantu pendeteksian dini penyakit diabetes dan glikosuria. Glukosa dapat dideteksi oleh urine analyzer menggunakan metode pembacaan perubahan warna pada strip uji urin. Namun sayangnya, akses terhadap urine analyzer masih sangat terbatas dikarenakan ukurannya yang terlalu besar dan harganya yang terlalu mahal. Dalam penelitian ini sistem pengukuran kadar gula urin yang lebih murah dan lebih portabel dibuat menggunakan analisis citra berbasis ponsel pintar yang dipadukan dengan pemrosesan melalui komputer. Ponsel pintar yang digunakan pada penelitian ini adalah Huawei Nova 5T dan Samsung Galaxy A51 dengan bantuan aplikasi kamera OpenCamera. Citra strip uji diambil dengan menggunakan kotak khusus yang ditambahkan papan warna sebagai alat bantu untuk mengoreksi warna. Papan warna tersebut telah diuji menggunakan standar papan warna X-Rite ColorChecker. Citra yang telah diambil akan dikoreksi warnanya menggunakan metode Root-Polynomial Color Correction (RPCC) -yang telah diuji kemampuan koreksi warnanya pada variasi suhu warna lampu 2500K-8500K. Citra yang telah dikoreksi kemudian diprediksi kadar gulanya dengan model regresi Decision Tree menggunakan LSBoost. Hasil penelitian menunjukkan, Metode RPCC menunjukkan performa yang baik dengan nilai evaluasi koreksi warna (delta e) sebesar 1,8 – 2,6 ΔE. Hasil koreksi warna terbaik dimiliki oleh citra dengan suhu warna 4500K-7000K. Model regresi menghasilkan nilai evaluasi sebesar 0,21 – 0,01 RRMSE. Hasil ini menunjukkan bahwa sistem pengukuran kadar gula urin dengan metode pembacaan strip uji berbasis ponsel pintar yang menggunakan model Decision Tree-LSBoost dapat digunakan untuk mendeteksi nilai kadar gula.

---

Glucose is one of the health indicators that can be detected from urine and it can be an early detection for diabetes and glycosuria. Glucose can be detected using a urine analyzer that uses the method of reading the color change on a urine test strip. However, access to urine analyzers is still very limited due to their large size and expensive price. In this study, a cheaper and more portable urine sugar measurement system was created using smartphone-based image analysis combined with computer processing. The smartphones that were used in this study are Huawei Nova 5T and Samsung Galaxy A51 who used the OpenCamera application. The image of the test strip is taken by using a special box with a color board inside as a tool for correcting colors. The color boards have been tested using the X-Rite ColorChecker standard. The image that has been taken will be color corrected using the Root-Polynomial Color Correction (RPCC) method, which has been tested for its color correction ability at the color temperature variation of the 2500K-8500K lamp. The corrected image then used to predict the sugar content using Decision Tree-LSBoost regression model. The results showed the RPCC method has a good performance with a color correction evaluation value (delta e) of 1.8 - 2.6 ΔE. The best color correction result is an image with a color temperature of 4500K-7000K. The regression model produces an evaluation value of 0,21 - 0,01 RRMSE. These results indicate that the urine sugar level measurement system with a smartphone-based test strip reading method using the Decision Tree-LSBoost model can be used to detect the value of sugar levels."

"Proses mencari pola atau informasi yang berguna pada suatu kumpulan data dengan menggunakan metode tertentu, saat ini telah menjadi topik yang menarik. Salah satu manfaatnya yaitu dapat menunjang pengambilan keputusan dalam suatu organisasi baik itu organisasi profit maupun non profit. Pada makalah ini akan dilakukan pengujian terhadap sekumpulan data yang diambil dari kejadian nyata untuk diolah, guna mendapatkan informasi atau pola yang dapat berguna untuk penentuan pengambilan sebuah keputusan. Pengujian pada makalah ini merupakan prediksi terhadap pengguna jasa sebuah operator seluler akan kehadirannya pada suatu acara berdasarkanbeberapa indicator, cuaca, jarak relative terhadap lokasi acara, serta apakah pengguna jasa tersebut merupakan termasuk pelanggan pasca bayar atau tidak. Pengujian dilakukan dengan menggunakan tiga metode klasifikasi, yakni naïve bayes, decision tree, dan oneR. Hasil dari percobaan ini bisa menunjukkan prediksi dari setiap percobaan dengan tingkat akurasi prediksi yang berbeda-beda disetiap metode yang digunakan."

"ABSTRAKIndustri pelayaran diketahui memiliki potensi atau resiko tinggi yang terkait dengan keselamatan. Dari data kecelakaan kapal yang terjadi di Indonesia dari tahun 2005 hingga 2018, berdasarkan data yang diambil dari Komite Nasional Kecelakaan Kapal (KNKT), penelitian ini mengembangkan model untuk metode pengambilan keputusan dengan pohon keputusan untuk memprediksi kemungkinan kecelakaan kapal fatal dan mengakibatkan kematian. Hasil dari pemodelan menunjukkan bahwa kecelakaan fatal dan kematian sebagian besar disebabkan oleh faktor teknis dan manusia, dan hanya beberapa kecelakaan yang terjadi di perairan yang disebabkan oleh cuaca buruk. Selain itu, jumlah kecelakaan kapal telah meningkat dalam 7 tahun terakhir. Persentase terbesar dari kecelakaan kapal ditempati oleh kapal penumpang.Sebagian besar kecelakaan kapal terjadi di Laut Jawa dan Selat Bangka.Dari uraian data dan model pohon keputusan yang telah dibuat, akan diukur tingkat risiko kecelakaan kapal. Hasil penelitian ini bermanfaat bagi pembuat kebijakan dalam mengusulkan strategi yang efisien untuk mencegah kecelakaan pengiriman fatal, juga untuk pemilik kapal, operator dan lembaga asuransi.

---

ABSTRACTThe shipping industry is known to have high potential or risk associated with safety. From ship accident data that happened in Indonesia from 2005 until 2018, based on the data taken from National Transportation Safety Comittee (NTSC), this study develops a model for decision making methods with a decision tree to predict the probability of fatal shipping accidents and corresponding mortalities. The model results show that both the fatal accidents and mortalities are mainly caused by technical and human factors, and only a few accidents occur in the waters caused by weathers. In addition, the number of ship accidents has increased in the past 7 years. The biggest portion of ship accidents is occupied by passenger ships. Mostly the ship accident occured in Java Sea and Bangka Strait.From the description of the data and the decision tree model that has been made, it will be measured the level of risk of ship accidents. The results of this study are beneficial for policy-makers in proposing efficient strategies to prevent fatal shipping accidents, also for ship owner, operator and insurance institution."

"ABSTRACTOsteoartritis adalah penyakit sendi kronis pada tulang rawan yang sering terjadi pada orang berusia lanjut. Penyaki ini umumnya terjadi pada tulang rawan sendi lutut Orang berusia lanjut sering menyepelekan perasaan sakit di sekitar sendi mereka atau tidak menyadari bahwa mereka telah terkena osteoartritis lutut, sehingga penyakit osteoartritis lutut yang mereka alami menjadi semakin kronis. Menurut beberapa penelitian, melakukan tindakan sejak stadium dini dapat mencegah penyakit. Salah satu tindakan untuk mencegah osteoartritis lutut agar tidak semakin kronis adalah mendeteksi penyakit tersebut sejak dini, sehingga pasien osteoartritis lutut dapat mendapatkan pengobatan yang tepat dan dapat memperbaiki kehidupan mereka di masa yang akan datang. Pada penelitian ini, osteoartritis lutut dideteksi dengan mengklasifikasikan stadium pasien osteoartritis lutut menggunakan AdaBoost Support Vector Machine dan AdaBoost Decision Tree. Klasifikasi osteoartritis lutut menggunakan AdaBoost Support Vector Machine dibandingkan dengan klasifikasi oteoartritis lutut menggunakan AdaBoost Decision Tree berdasarkan nilai akurasi klasifikasi yang dihasilkan dari kedua metode tersebut.

---

ABSTRACTOsteoarthritis is a chronic joint disease of cartilage that often occurs in elderly people. One of the joints that can be infected is the knee. Older people often underestimate painful feeling around their joint or do not realize that they have been affected by knee osteoarthritis, so the knee osteoarthritis disease becomes more chronic. According to some studies, preventive measure from an early stage are very crucial to overcome the disease. One of the preventive measure to overcome knee osteoarthritis is to detect the current stage of the disease, so the knee osteoarthritis patient can have the right treatment and can improve their lives in the future. In this research, knee osteoarthritis was detected by classifying the stage of knee osteoarthritis patients by using AdaBoost Support Vector Machine and AdaBoost Decision Tree. The classification of knee osteoarthritis using AdaBoost Support Vector Machine was compared with the classification of knee osteoarthritis using AdaBoost Decision Tree based on the classification accuracy value generated from both methods."