Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Ledakan batu merupakan kecelakaan destruktif yang cukup sering terjadi pada tambang bawah tanah. Seiring dengan berkembangnya teknologi, machine learning hadir sebagai alternatif solusi yang dapat dimanfaatkan dalam langkah preventif atas kasus ledakan batu. Penelitian ini menggunakan GWO-SVM dan XGBoost sebagai model machine learning dalam klasifikasi ledakan batu dan intensitasnya pada tambang bawah tanah. Grey Wolf Optimization (GWO) digunakan sebagai optimizer dari parameter SVM. Intensitas ledakan batu dibedakan atas tidak ada ledakan batu, lemah, sedang dan kuat. Dalam implementasi model, digunakan 467 kasus ledakan batu yang dikumpulkan dari berbagai sumber. Fitur yang digunakan pada penelitian ini meliputi tegangan maksimal tangensial, kekuatan tekan uniaksial, kekuatan tarik uniaksial, koefisien tegangan, koefisien kerapuhan batuan, dan indeks regangan elastis. Sebelum implementasi model dilakukan data preprocessing yang meliputi imputasi missing values, menghapus outlier, normalisasi fitur dan resampling data. Kinerja model dievaluasi berdasarkan nilai metrik accuracy, precision, recall, dan f1-score dengan memerhatikan running time dan proporsi data training berkisar dari 50% hingga 90%. Hasil penelitian menunjukkan bahwa GWO-SVM mengungguli XGBoost baik dalam klasifikasi ledakan batu dengan accuracy 98.0392%, precision 97.8495%, recall 98.2609%, dan f1-score 98.0161% serta klasifikasi intensitas ledakannya dengan accuracy 75.8242%, precision 75.1473%, recall 75.3115%, dan f1-score 75.2150%. ...... Rockburst is a destructive accident that frequently occurs in underground mines. With the advancement of technology, machine learning has emerged as an alternative solution that can be utilized to measures against rockbursts. This research employs GWO-SVM and XGBoost as machine learning models for the classification of rockburst and its intensity in underground mines. Grey Wolf Optimization (GWO) is used as an optimizer for SVM parameters. The intensity of a rockburst is classified into four categories: no rockburst, weak, moderate, and strong. The implementation of the model utilizes 476 cases of rockburst collected from various sources. The features used in this study include maximum tangential stress, uniaxial compressive strength, uniaxial tensile strength, stress coefficient, rock brittleness coefficient, and elastic strain index. Before implementing the model, data preprocessing is conducted, which includes imputing missing values, removing outliers, feature normalization, and data resampling. The performance of the model is evaluated based on metrics such as accuracy, precision, recall, and f1-score with various training data proportions ranging from 50% to 90%. The research results indicate that GWO-SVM outperforms XGBoost in both the classification of rockburst with 98.0392% accuracy, 97.8495% precision, 98.2609% recall, and 98.0161% f1-score as well as intensity with 75.8242% accuracy, 75.1473% precision, 75.3115% recall, and 75.2150% f1-score.

Abstrak :
Stroke adalah tanda-tanda klinis gangguan fungsi otak yang penyebabnya berasal dari pembuluh darah. Hal tersebut dapat terjadi karena bagian otak tidak menerima aliran darah yang dibutuhkan karena suatu alasan, baik suplai darah ke bagian otak terganggu, atau karena pembuluh darah di otak pecah dan darah menyebar ke daerah sekitarnya. Sejumlah tes klinis telah dikembangkan selama bertahun-tahun untuk membantu menentukan keberadaan stroke. Salah satunya dengan brain imaging, yaitu menggunakan CT (Computed Tomography) scan dan MRI (Magnetic Resonance Imaging). Pemeriksaan ini dilakukan oleh dokter guna melakukan diagnosa pasien terhadap jenis stroke yang diderita. Dua jenis utama dari penyakit stroke ini ada dua, yaitu stroke iskemik dan stroke hemoragik. Sebagai tes pencitraan untuk mendiagnosa stroke, CT scan dan MRI memiliki kelebihan dan kekurangannya masing-masing. Kemudian selain tes pecintraan, terhadap pasien stroke juga dilakukan pemeriksaan laboratorium yang berisi fitur-fitur dari pemeriksaan laboratorium tersebut. Oleh karena itu, dalam penelitian akan dilakukan pengklasifikasian dengan pendekatan menggunakan machine learning menggunakan data pemeriksaan laboratorium pasien stroke. Metode klasifikasi yang digunakan adalah Grey Wolf Optimization-Support Vector Machine (GWO-SVM), dimana Grey Wolf Optimization (GWO) digunakan sebagai optimisasi parameter yang akan digunakan pada Support Vector Machine (SVM). Untuk mengukur performa GWO-SVM, hasil akurasi, spesifisitas, dan sensitivitas dari klasifikasi dengan GWO-SVM akan dibandingkan dengan SVM. Data stroke yang digunakan dalam penelitian ini diperoleh dari Departemen Medik Penyakit Syaraf, Rumah Sakit Umum Pusat Nasional (RSUPN) Dr. Cipto Mangunkusumo. Hasil menujukan bahwa klasifikasi dengan menggunakan Grey Wolf Optimization-Support Vector Machine (GWO-SVM) menghasilkan performa yang lebih baik jika dibandingkan dengan Support Vector Machine (SVM) tanpa optimisasi parameter. ...... Stroke is clinical signs of impaired brain function whose causes originate from vascular. It occurs when part of the brain does not receive the needed blood flow for a reason, either the blood supply to the brain is disrupted, or because a blood vessel in the brain burst and blood spreads to the surrounding area. Several clinical tests have been developed over the years to help determine the presence of a stroke. One of them is by brain imaging, which uses CT (Computed Tomography) scan and MRI (Magnetic Resonance Imaging). This examination is carried out by the doctor to diagnose the patient for the type of stroke suffered. There are two main types of stroke, namely ischemic stroke and hemorrhagic stroke. As an imaging test to diagnose stroke, CT scan and MRI have their respective advantages and disadvantages. Then, in addition to the imaging test, the stroke patient has also carried out a laboratory examination that contains the features of the laboratory examination. Therefore, in this research a classification approach using machine learning will be carried out using laboratory examination data of stroke patients. The classification method that will be used is Grey Wolf Optimization-Support Vector Machine (GWO-SVM), where Grey Wolf Optimization (GWO) is used as an optimization parameter to be used in Support Vector Machine (SVM). To measure the performance of GWO-SVM, the results of accuracy, specificity, and sensitivity of the classification with GWO-SVM will be compared with SVM. Stroke data used in this study were obtained from the Department of Neurology, National Center General Hospital Dr. Cipto Mangunkusumo. The results showed that the classification using GWO-SVM produces better performance when compared to SVM without parameter optimization.