Hasil Pencarian  ::  Simpan CSV :: Kembali

"This article discusses the development of the online sequential circular extreme learning machine (OS-CELM) and structural tolerance OS-CELM (STOS-CELM). OS-CELM is developed based on the circular extreme learning machine (CELM) to enable sequential learning. It can update a new chunk of data by spending less training time to update the chunk than the batch CELM. STOS-CELM is developed based on an idea similar to that of OS-CELM, but with a Householder block exact inverse QR decomposition (QRD) recursive least squares (QRD-RLS) algorithm to allow sequential learning and mitigate the criticality of deciding the number of hidden nodes. In addition, our experiments have shown that given the same hidden node setting, STOS-CELM can deliver accuracy comparable to a batch CELM approach and also has higher accuracy than the original online sequential extreme learning machine (OS-ELM) and structural tolerance OS-ELM (STOS-ELM) in classification problems, especially those involving high dimension datasets."

"A successful understanding on how to make computers learn would open up many new uses of computers and new levels of competence and customization. A detailed understanding on inform-ation- processing algorithms for machine learning might lead to a better understanding of human learning abilities and disabilities. There are many type of machine learning that we know, which includes Backpropagation (BP), Extreme Learning Machine (ELM), and Support Vector Machine (SVM). This research uses five data that have several characteristics. The result of this research is all the three investigated models offer comparable classification accuracies. This research has three type conclusions, the best performance in accuracy is BP, the best performance in stability is SVM and the best performance in CPU time is ELM for bioinformatics data.

---

Keberhasilan pemahaman tentang bagaimana membuat komputer belajar akan membuka banyak manfaat baru dari komputer. Sebuah pemahaman yang rinci tentang algoritma pengolahan informasi untuk pembelajaran mesin dapat membuat pemahaman yang sebaik kemampuan belajar manusia. Banyak jenis pembelajaran mesin yang kita tahu, beberapa diantaranya adalah Backpropagation (BP), Extreme Learning Machine (ELM), dan Support Vector Machine (SVM). Penelitian ini menggunakan lima data yang memiliki beberapa karakteristik. Hasil penelitian ini, dari ketiga model yang diamati memberikan akurasi klasifikasi yang sebanding. Penelitian ini memiliki tiga kesimpulan, yang terbaik dalam akurasi adalah BP, yang terbaik dalam stabilitas adalah SVM dan CPU time terbaik adalah ELM untuk data bioinformatika."

"ABSTRAKTantangan aliran data besar membutuhkan mesin pembelajaran khusus. Ragam, variabilitas dan kompleksitas berkaitan dengan masalah pergeseran konsep CD . Jumlah dan kecepatan berkaitan dengan masalah skalabilitas. Kami mengusulkan pendekatan integrasi jaringan syaraf konvolusi CNN dengan mesin pembelajaran ekstrem ELM yang menggunakan banyak CNNELM secara paralel. Solusi CD pendekatan pertama, CNNELM adaptif ACNNELM-1 menggunakan ELM tunggal dengan banyak CNN dengan menerapkan Adaptif Online Sequential ELM. Pendekatan ke- dua ACNNELM-2 menggunakan paduan penggabungan matriks dari banyak CNNELM. Solusi skalabilitas, Distributed averaging DA CNNELM bekerja dengan konsep MapReduce. CNNELM mulai dengan cetakan bobot yang sama kemudian dilatih secara asinkronus menggunakan partisi dari data pelatihan. Hasil akhir didapat dengan merata-ratakan bobot kernel dan ELM output. Ini menghemat waktu pelatihan dibandingkan satu CNNELM dengan pelatihan keseluruhan data. Kami mempelajari metoda pelatihan propagasi balik untuk memperbaiki akurasi dengan iterasi. Kami melakukan verifikasi dengan data extended MNIST, Not-MNIST dan CIFAR10. Kami men-simulasikan pergeseran virtual, pergeseran nyata , dan pergeseran hibrid. Pelatihan DA membagi data pelatihan menjadi beberapa himpunan partisi lebih kecil. Perangkat yang dipakai adalah Deep Learning toolbox dengan CPU parallel, dan Matconvnet dengan GPU. Kelemahan metoda ini memerlukan pemilihan penambahan parameter pembelajaran dan distribusi data pelatihan.

---

ABSTRACTBig stream data challenges need special machine learning. Variety, variability and complexity are related with concept drift CD problem. Volume and velocity are related with scalability problem. We proposed integration approach Convolutional Neural Network CNN with Extreme Learning Machine ELM that used multi parallel CNNELM. For CD, the 1st approach, the Adaptive CNNELM ACNNELM 1 used single ELM with multi CNN by employing Adaptive Online Sequential ELM. The 2nd approach ACNNELM 2 used matrices concatenation ensemble from multi CNNELM. For scalability solution, the distributed averaging DA CNNELM worked with MapReduce concept. CNNELM started with the same weight template afterward trained asynchronously using the partition of training data. Final result obtained by averaging all kernel and ELM output weights. This saved training time instead of single CNNELM trained by the whole data. We studied the backpropagation method to improve the accuracy through iterations. We verified using extended MNIST, not MNIST and CIFAR10 data set. We simulated virtual drift, real drift, and hybrid drift. The DA training divided the training data set to be some smaller partition set. The tools are Deep Learning toolbox with CPU parallel enhancement, and Matconvnet with GPU. The drawbacks need additional learning parameters and the distribution of training data selection."

"Meningkatnya jumlah pengguna internet saat ini memberikan banyak dampak pada kehidupan manusia, karena internet menghubungkan banyak perangkat setiap hari. Perkembangan ini membawa berbagai dampak positif maupun dampak negatif. Salah satu dampak negatifnya adalah adanya aktivitas berbahaya yang dapat menyerang jaringan. Intrusion detection system merupakan sebuah sistem manajemen keamanan pada jaringan komputer. Data yang dimiliki intrusion detection system mempunyai fitur yang cukup banyak tetapi tidak semua fitur yang ada relevan dengan data yang digunakan dan jika data tersebut diolah akan memakan waktu yang cukup lama. Oleh karena itu, diperlukan pemilihan fitur untuk meningkatkan akurasi serta memperpendek waktu pembelajaran. Beberapa metode pembelajaran sudah pernah diterapkan untuk menyelesaikan masalah intrusion detection system, seperti Na ? ve Bayes, Decision Tree, Support Vector Machines dan Neuro-Fuzzy Methods. Metode pemilihan fitur yang digunakan untuk skripsi ini adalah metode Chi-Square. Setelah dilakukan pemilihan fitur, akan didapatkan hasil berupa sebuah dataset baru yang kemudian akan diklasifikasi menggunakan metode Extreme Learning Machines. Hasilnya menunjukkan setelah dilakukan pemilihan fitur dengan metode Chi-Square, tingkat akurasi akan meningkat serta waktu yang dibutuhkan algoritma pembelajaran untuk menyelesaikan metode tersebut menjadi semakin singkat.

---

The increasing rates of internet users nowadays must be give much impacts to our lifes, because the internet things can connect more devices every day. This growth carriers several benefits as well as can attack the network. Intrusion detection system IDS are used as security management system. IDS can be used to detect suspicious activity or alert the system. IDS involves large number of data sets with several different features but not all features are relevant with the data sets and it takes long computational time to solve IDS data sets. Therefore, it has to do feature selection to remove the irrelevant features, to increase the accuracy and to shorten the computational time for the learning methods.

Many researches about learning method to solve intrusion detection system problem have been done to develop and test the best model from various classifiers, such as Na ve Bayes, Decision Tree, Support Vector Machines, and Neuro Fuzzy Methods. For this thesis, the feature selection methods will be used is Chi Square methods to reduce dimentionality of IDS data sets. The new IDS data sets with the best selected features are obtained afterwards, and then these new data sets will be classified with Extreme Learning Machines methods. The result denotes that Extreme Learning Machines classification methods provides better accuracy level while combined with Chi Square feature selection."

"Prevalensi stroke di Indonesia berdasarkan diagnosis tenaga kesehatan sebesar 7? dan yang mempunyai riwayat gejala sebesar 12,1?. Pemeriksaan awal menggunakan CT Scan menimbulkan dampak radiasi serta membutuhkan biaya operasional yang tinggi, sedangkan prevalensi stroke berdasarkan diagnosis atau gejala lebih tinggi pada kuintil indeks kepemilikan terbawah (13,1?) dan menengah bawah (12,6?).Penelitian ini mencoba melakukan analisis sinyal EEG secara otomatis berdasarkan data EEG pasien normal dan pasien stroke iskemik akut dengan pemrosesan sinyal digital berupa transformasi Wavelet serta jaringan saraf tiruan jenis feedforward dengan algoritma Extreme Learning Machine (ELM). Jordan mengemukakan bahwa elektroensefalografi dapat membantu mengkonfirmasi atau mendeteksi adanya stroke iskemik akut yang ditunjukkan dengan adanya perlambatan gelombang serta adanya ketidaksimetrisan antara gelombang otak kanan dan kiri.Penelitian ini menggunakan nilai Delta/Alpha Ratio (DAR), (Delta+Theta)/(Alpha+Beta) Ratio (DTABR) dan Brain Symmetry Index (BSI) sebagai nilai fitur masukan ELM yang diperoleh dengan transformasi Wavelet (Daubechies 4) serta metode Welch untuk mengidentifikasi stroke iskemik akut. Hasil penelitian ini diperoleh nilai akurasi di atas 85% dengan nilai sensitivitas di atas 86%

---

The prevalences of stroke in Indonesia are 7? based on the health professionals? statement and 12.1? based on patients' symptoms' history. Early examination using CT scan causes radiation effects and spent high operational cost while the prevalence of stroke based on diagnosis or symptoms were higher in the lowest (13.1 ?) and mid lower (12.6 ?) quintile of ownership index.

This study tried to analyze the signals of EEG automatically based on training data sets from normal patients and patients with acute ischemic stroke (AIS) using digital signal processing such as Wavelet transform and feedforward type of neural network with Extreme Learning Machine (ELM) algorithm. It was claimed that electroencephalography could help to confirm or detect acute ischemic stroke which is shown by the presence of the slow wave and the asymmetrical wave of right and left hemisphere.

This study uses Delta Alpha Ratio (DAR), (Delta+Theta)/(Alpha+Beta) Ratio (DTABR) and Brain Symmetry Index (BSI)'s value as the ELM input feature score which were obtained by Wavelet (Daubechies 4) transformation and Welch's method to identify acute ischemic stroke. In this study, the average performances of system test accuracy were above 85% with 86% sensitivity."

"ABSTRAKBerdasarkan data WHO tahun 2012, stroke merupakan penyebab kematian pertama di Indonesia dan kedua di dunia. Hasil Riset Kesehatan Dasar tahun 2013 menunjukkan peningkatan penderita stroke dibandingkan tahun 2007. Sebagian besar kasus stroke yang terjadi merupakan kasus iskemia. Elektroensefalografi EEG memiliki keuntungan biaya yang lebih murah dan resolusi temporal yang baik. Kerusakan jaringan di otak menyebabkan perubahan synchrony dan variabilitas sinyal EEG. Analisis synchrony yang direpresentasikan phase synchronization index PSI diperoleh dengan metode phase synchronization. Sedangkan, analisis variabilitas melalui dua scaling exponent diperoleh dengan detrended fluctuation analysis DFA . Extreme learning machine digunakan sebagai pengklasifikasi stroke iskemia dan normal. Tujuan riset ini adalah mengetahui performa synchrony dan variabilitas sinyal EEG dalam deteksi stroke iskemia. Deteksi berdasarkan synchrony sinyal EEG diperoleh akurasi 84,52 , sensitivitas 76,67 dan F-score adalah 0,84. Sedangkan, deteksi berdasarkan variabilitas sinyal EEG diperoleh akurasi 89,05 , sensitivitas 95,00 dan F-score adalah 0,91. Deteksi berdasarkan gabungan dari keduanya diperoleh akurasi 80,95 , sensitivitas 75,00 dan F-score adalah 0,81. Deteksi stroke iskemia ringan, sedang, berat dan normal berdasarkan variabilitas sinyal EEG diperoleh akurasi 62,88 .

---

ABSTRACTBased on WHO rsquo s data in 2012, stroke is the first in Indonesia and the second causes of death in the world. Results of Basic Health Research in 2013 showed an increase in stroke patients compared to 2007. Ischemic stroke accounts for most of all stroke cases. Electroencephalography EEG offers cheaper cost and good temporal resolution. Tissue damage in the brain cause changes synchrony and variability of EEG signals. Synchrony analysis through the phase synchronization index PSI is obtained by phase synchronization. Whereas, Detrended fluctuation analysis DFA through two scaling exponent used to analyze variability. Extreme learning machine is used as a classifier of ischemic stroke patients and normal subjects. The aim of this research is to investigate synchrony and variability capabilities to perform ischemic stroke detection. Detection based on synchrony of EEG signal was obtained 84,52 for accuracy, 76,67 for sensitivity and 0,84 for F score. Meanwhile, detection based on variability of EEG signal was obtained 89.05 for accuracy, 95.00 for sensitivity and 0,91 for F score. Detection based synchrony and variability of signal EEG was obtained 80.95 for accuracy, 75.00 for sensitivity and 0,81 for F score. Detection of mild, moderate, severe ischemic stroke and normal based on variability of EEG signal was obtained 62.88 accuracy."

"Umumnya, acute ischaemic stroke AIS didiagnosis menggunakan MRI Magnetic Resonance Imaging, CT Computed Tomography atau fMRI Functional MRI. Namun, MRI, fMRI dan CT tidak tersedia di rumah sakit komunitas rumah sakit tipe C, PUSKESMAS. Selain itu, MRI, fMRI dan CT tidak dapat mengukur untuk waktu yang lama atau tidak mungkin melakukan continuous scanning. Di sebagian besar rumah sakit komunitas, mereka memiliki mesin EEG Electroencephalogram untuk merekam gelombang otak. Sasaran dari penelitian ini adalah kemungkianan mengdiagnossa stroke iskemik dengan menggunakan EEG. Ada beberapa metode yang tersedia untuk mendeteksi AIS, yaitu BSI Brain Symmetry Index, DAR delta/alpha dan DTABR delta theta/alpha beta yang menganalisis rasio gelombang otak dari seluruh otak. Metode-metode ini perlu disempurnakan. Oleh karena itu, penulis mencoba menggunakan metode baru: specific asymmetry BSI. Metode ini membandingkan frekuensi bukan untuk 1-25 Hz melainkan mencari frekuensi band tertentu gelombang otak dari otak kanan dan kiri. Untuk mengembangkan sistem pendeteksian stroke, penulis menggunakan algoritma Extreme Machine Learning ELM karena ELM memberikan data akurat dengan kecepatan tinggi yang susah dibaca oleh mata manusia. Semua data diperoleh dari RS PON Rumah Sakit Pusat Otak Nasional, Jakarta dalam format edf. Ada 66 data pasien strke dan normal dan dianalisis dengan Matlab. BSI dan BSI asimetri spesifik dihitung menggunakan metode pwelch, dan DARs dan DTABR dihitung menggunakan wavelet db4. Algoritma ELM dikonfirmasi menggunakan CT-scan, yang didiagnosis oleh dokter. Diharapkan bahwa metode ini akan berguna untuk mendeteksi AIS di rumah sakit komunitas. Hasil penelitian ini diperoleh nilai akurasi deteksi stroke di atas 87.5.

---

Generally, acute ischaemic stroke AIS are diagnosed using MRI Magnetic Resonance Imaging, CT Computed Tomography or fMRI Functional MRI. However, MRI, fMRI and CT are not available in community hospitals C type hospitals, PUSKESMAS. In addition, MRI, fMRI and CT cannot measure for a long time or are unlikely to do continuous scanning. In most community hospitals, they have EEG Electroencephalogram machines to record brain waves. There are several methods available for detecting AIS, namely BSI Brain symmetry Index, DAR delta alpha and DTABR delta theta alpha beta that analyze the power ratio of brain waves from whole brain. These methods need to be refined. Therefore, authors attempt to use new method specific asymmetry BSI. This method compares the frequencies not for 1 25 Hz like BSI method, but looking for specific frequency band and the power ratio of brain wave from right and left hemisphere. To develop a stroke detection system, author uses the algorithm Extreme Machine Learning ELM because ELM provides accurate data with high speed rather read by human eye. All data were obtained from RS PON Rumah Sakit Pusat Otak Nasional, Jakarta in edf format. There were 66 voluntary subjects and analyzed with Matlab. The BSIs and specific asymmetry BSIs were calculated using pwelch methods, and the DARs and DTABRs were calculated using wavelet db4. The ELM algorithm was confirmed using CT scan, which was diagnosed by qualified doctors. It is expected that this method would be useful for detecting AIS in community hospitals. This research obtained 87.5 accuracy for detecting stroke."

"Keberadaan COVID-19 di Indonesia saat ini bukanlah satu-satunya wabah penyakit yang harus diwaspadai. Menteri Kesehatan mengatakan ada penyakit yang tidak kalah  berbahaya dan juga tidak kalah mematikan dibandingkan dengan wabah penyakit COVID-19, yaitu Demam Berdarah Dengue. Penyakit ini sudah sepatutnya untuk diwaspadai mengingat jumlah kasusnya yang semakin meningkat dan melebihi jumlah kasus penyakit COVID-19. Faktor cuaca seperti curah hujan, temperatur, dan kelembapan merupakan faktor yang sangat berpengaruh dalam penyebaran parasit dan vektor penular DBD. Untuk mengoptimalkan upaya pencegahan dan penanganan DBD, perlu dilakukannya prediksi terkait jumlah insiden DBD. Dalam tugas akhir ini dilakukan proses prediksi jumlah insiden DBD di DKI Jakarta dengan memperhitungkan faktor iklim (curah hujan, kelembapan, dan temperatur) menggunakan metode Extreme Learning Machine dan metode Artificial Neural Network-Back Propagation serta membandingkan kinerja dari kedua metode tersebut.  Berbeda dari Artificial Neural Network-Back Propagation, Extreme Learning Machine tidak membutuhkan proses iterasi untuk update parameter. Dengan menggunakan data variabel cuaca dan data jumlah insiden DBD kumulatif, Extreme Learning Machine dapat memberikan hasil prediksi yang lebih akurat dibandingkan dengan  Artificial Neural Network - Back Propagation. Extreme Learning Machine dengan persentase data training sebesar 90% menunjukkan hasil prediksi yang lebih baik dibandingkan dengan persentase data training lainnya yang digunakan dalam tugas akhir ini yaitu sebesar 80% dan 70%.

---

The existence of COVID-19 currently in Indonesia is not the only disease which must be watched out. The Health Ministry has said that there was a disease that is as dangerous as COVID-19. That disease is Dengue Fever. Dengue Fever also must be given an extra caution because it is noted that until now the number of dengue cases continues to increase and exceeds COVID-19 cases. The weather factors, such as rainfall, temperature, and humidity, are a very influential factor in the spread of parasites and infectious vectors of dengue fever.  To optimize the dengue handling and prevention effort, it is important to make the dengue cases prediction.

In this final paper, the number of dengue incidences will be predicted by involving weather factors (rainfall, temperature, and humidity) using Extreme Learning Machine and Artificial Neural Network-Back Propagation and also comparing the both of their performance. Unlike the Artificial Neural Network-Back Propagation, Extreme Learning Machine does not need the iteration process to update the parameter.

The result shows that Extreme Learning Machine can give the dengue incidences prediction  which is more accurate than the dengue incidences prediction that is given by using Artificial Neural Network-Back Propagation. Extreme Learning Machine by using 90% training data can show the better prediction result than other training data percentage which is used in this final paper, 80% and 70%."