Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKInfark serebral merupakan salah satu penyebab terjadinya stroke iskemik di otak. Dalam mendiagnosis adanya infark serebral di otak, digunakan pembelajaran mesin karena tidak cukup hanya menggunakan CT scan untuk mendiagnosisnya. Support vector machine (SVM) merupakan salah satu metode pembelajaran mesin yang dikenal dengan nilai akurasinya yang tinggi. Namun SVM dapat memberikan hasil yang kurang optimal jika data yang digunakan tidak seimbang. Jika data yang digunakan tidak seimbang, model yang dihasilkan akan bias. Oleh karena itu, penelitian ini menggunakan metode Synthetic Minority Oversampling Technique (SMOTE) dalam menangani data infark serebral yang tidak seimbang sehingga menjadi data yang seimbang. SMOTE mensintesis sampel data baru dari kelas minoritas untuk menyeimbangkan kumpulan data. Metode ini bekerja dengan mencari nilai tetangga terdekat untuk setiap data di kelas minoritas. Data yang telah diimbangi dengan metode SMOTE akan diklasifikasikan menggunakan SVM. Hasil klasifikasi SVM pada data infark serebral imbalanced dan data infark serebral berimbang akan dibandingkan berdasarkan nilai akurasi, recall, spesifisitas, presisi dan f1-score. Data infark serebral diperoleh dari Bagian Radiologi RSUD Dr. Cipto Mangunkusumo.ABSTRACTCerebral infarction is one of the causes of ischemic stroke in the brain. In diagnosing cerebral infarction in the brain, machine learning is used because it is not enough to just use a CT scan to diagnose it. Support vector machine (SVM) is a machine learning method known for its high accuracy value. However, SVM can give less than optimal results if the data used is not balanced. If the data used is not balanced, the resulting model will be biased. Therefore, this study uses the Synthetic Minority Oversampling Technique (SMOTE) method in handling unbalanced cerebral infarction data so that it becomes a balanced data. SMOTE synthesizes a new data sample from a minority class to balance the data set. This method works by finding the value of the nearest neighbor for each data in the minority class. Data that has been balanced with the SMOTE method will be classified using SVM. The SVM classification results on imbalanced cerebral infarction data and balanced cerebral infarction data will be compared based on the accuracy, recall, specificity, precision and f1-score values. Cerebral infarction data were obtained from the Radiology Department of RSUD Dr. Cipto Mangunkusumo."

"Asuransi mobil adalah produk asuransi yang banyak digunakan di Indonesia. Namun, asuransi mobil memiliki potensi untuk kecurangan klaim yang menyebabkan kerugian bagi perusahaan dan pemegang polis. Penelitian ini bertujuan untuk merancang model prediksi deteksi kecurangan asuransi mobil di Indonesia menggunakan pendekatan machine learning. Supervised classifiers adalah salah satu teknik machine learning yang memiliki kemampuan untuk memprediksi kasus-kasus anomali. Supervised classifiers yang digunakan pada penelitian ini adalah Multilayer Perceptron (MLP), Decision Tree C4.5, dan Random Forest (RF). Penelitian ini menggunakan data real-world pada perusahaan asuransi mobil di Indonesia. Dataset memiliki distribusi tidak seimbang yang sangat tinggi antara data pemegang polis yang melakukan kecurangan dan pemegang polis yang sah. Penelitian ini menangani masalah dataset yang tidak seimbang dengan menggunakan Synthetic Minority Oversampling Technique (SMOTE) dan metode undersampling. Kinerja model dievaluasi melalui confusion matrix, Kurva ROC, dan parameter seperti sensitivitas. Penelitian ini menemukan bahwa Random Forest memberikan hasil terbaik dibandingkan dengan MLP dan Decision Tree C4.5.

---

Automobile insurance is widely used insurance product in Indonesia. However, automobile insurance has the potential for  fraudulent claim that leads to several consequences for the company and policyholder. This research aims to design a prediction model of automobile insurance fraud detection in Indonesia using a machine learning approach. Supervised classifiers is one of machine learning techniques that has the ability to predict anomaly cases. The proposed supervised classifiers are Multilayer Perceptron (MLP), Decision Tree C4.5, and Random Forest(RF). This research used real-world data on an automobile insurance company in Indonesia. The dataset has a high imbalanced distribution between the data of policyholders who commit fraud and legitimate. This study handles the imbalanced dataset problem by using the Synthetic Minority Oversampling Technique (SMOTE) and undersampling methods. The performance of models is evaluated through the confusion matrix, ROC Curve, and parameters such as sensitivity. This research found that Random Forest outperformed the results comparing to other classifiers."

"

Stroke merupakan salah satu penyakit dengan risiko kematian dan kecacatan yang tinggi. Secara umum, stroke diklasifikasikan menjadi dua jenis, yaitu stroke iskemik dan stroke hemoragik. Klasifikasi jenis stroke secara cepat dan tepat diperlukan untuk menentukan jenis pengobatan dan tindakan yang tepat guna mencegah terjadinya dampak yang lebih fatal pada pasien stroke. Pada penelitian ini, klasifikasi stroke dilakukan menggunakan pendekatan machine learning. Adapun data penelitian yang digunakan adalah data stroke yang terdiri atas pemeriksaan laboratorium. Pada data penelitian tersebut, terdapat berbagai komponen pemeriksaan laboratorium yang dicatat serta memungkinkan adanya suatu pemeriksaan yang kurang relevan atau informatif dalam mengklasifikasi stroke. Apabila data tersebut tidak ditangani, akan mempengaruhi kinerja serta waktu komputasi model dalam mengklasifikasi stroke. Oleh karena itu, pada penelitian ini, Random Forest (RF) dengan seleksi fitur Recursive Feature Elimination (RFE) digunakan dalam mengklasifikasi data stroke. Dengan menerapkan metode tersebut, diperoleh kinerja model yang lebih baik saat melakukan klasifikasi menggunakan sejumlah fitur yang diperoleh dari hasil seleksi fitur, dibandingkan menggunakan keseluruhan fitur dalam data stroke. Selain itu, pada penerapan metode tersebut, diperoleh kinerja model yang baik dalam mengklasifikasi data kelas stroke iskemik, akan tetapi tidak cukup baik dalam mengklasifikasi data kelas stroke hemoragik. Hal ini dikarenakan proporsi jumlah data pada kelas stroke iskemik lebih banyak dibandingkan stroke hemoragik. Dalam hal ini dibutuhkan suatu metode penanganan agar kinerja model tetap optimal dalam mengklasifikasi data kelas stroke iskemik dan stroke hemoragik. Pada penelitian ini, Synthetic Minority Oversampling Technique (SMOTE) digunakan untuk menyeimbangkan kedua kelas data stroke guna memperoleh kinerja model yang optimal dalam mengklasifikasi kedua kelas data stroke. Berdasarkan penerapan metode RF dengan RFE serta SMOTE dalam mengklasifikasi data stroke, diperoleh kinerja model yang lebih baik dibandingkan melakukan klasifikasi pada data stroke yang tidak diseimbangkan dengan SMOTE.

---

Stroke is one of the diseases with the high risk of death and disability. Stroke generally can be classified into two types, namely ischemic stroke and hemorrhagic stroke. A quick and accurate stroke classification is needed to find the right treatment to prevent a dangerous effect on the stroke patients. In this study, the stroke classification was applied using a machine learning approach. The data used in this study is stroke data that consists of laboratory examinations. The data consists of various laboratory examination components, therefore, it might be possible that some of the components are less relevant and has less informative related in classifying stroke. If the data is not well handled, it might affect the performance and computation time of the model in classifying stroke. Therefore, in this study, Random Forest (RF) with Recursive Feature Elimination (RFE) method is used to classify the stroke data. The result showed that by applying the method in classifying several amounts of features obtained from the feature selection results has better performance rather than classifying the method using all features in stroke data. Moreover, based on applying this method, the result showed that the model has better performance in classifying ischemic stoke class data but not good enough in classifying hemorrhagic stroke class data. This result might occur because the proportion of numbers the ischemic stroke more than hemorrhagic stroke class data. Therefore, the handling method is needed to obtain optimal model performance in classifying ischemic stroke and hemorrhagic stroke class data. In this study, Synthetic Minority Oversampling Technique (SMOTE) is applied to balance the two classes of stroke data so optimal performance of the classification model can be obtained. Based on the application of the RF with RFE methods and SMOTE in the classification of stroke data, better model performance is obtained compared to classifying the stroke data that is not balanced with SMOTE.

"

"Model deep learning adalah model dengan banyak lapisan jaringan saraf tiruan. Model Bidirectional Gated Recurrent Unit (BiGRU) adalah salah satu jenis model deep learning yang memproses urutan data dalam dua arah, yaitu arah maju dan arah mundur. Hal tersebut memungkinkan model BiGRU untuk mengakses informasi masa depan dan masa lalu dari setiap titik dalam urutan data untuk pemahaman konteks yang lebih baik. Model BiGRU dapat digunakan untuk analisis sentimen, yaitu proses mengategorikan sentimen opini dalam teks menjadi negatif, netral, atau positif. Representasi teks yang digunakan pada penelitian ini adalah Bidirectional Encoder Representations from Transformers (BERT) karena kemampuannya memahami kata secara kontekstual sehingga meningkatkan akurasi. Salah satu masalah umum pada analisis sentimen adalah ketidakseimbangan data Penggunaan data tidak seimbang mempengaruhi kinerja model dalam melakukan klasifikasi sentimen karena bias terhadap kelas mayoritas. Oleh karena itu, penggunaan Synthetic Minority Oversampling Technique (SMOTE) dalam mengatasi ketidakseimbangan kelas pada data dilakukan pada penelitian ini. SMOTE digunakan untuk melakukan oversampling pada data kelas minoritas dan dipasangkan dengan model BiGRU yang menggunakan fungsi kerugian categorical cross entropy menghasilkan kinerja dengan nilai akurasi sebesar 85,52% yang merupakan akurasi tertinggi dibandingkan dengan daripadamodel BiGRU dengan fungsi kerugian categorical cross entropy tanpa penanganan SMOTE (model standar dalam penelitian ini) dan model BiGRU dengan fungsi kerugian weighted cross entropy yang dibangun untuk memperkuat bukti bahwa model yang diajukan adalah model terbaik.

---

Deep learning models are models with multiple layers of artificial neural networks. The Bidirectional Gated Recurrent Unit (BiGRU) model is one type of deep learning model that processes data sequences in two directions, the forward direction and the backward direction. This allows the BiGRU model to access future and past information from each point in the data sequence for better context understanding. The BiGRU model can be used for sentiment analysis, which is the process of categorizing the sentiment of opinions in text into negative, neutral, or positive. The text representation used in this research is Bidirectional Encoder Representations from Transformers (BERT) because of its ability to understand words contextually to increase accuracy. One of the common problems in sentiment analysis is data imbalance. The use of unbalanced data affects the performance of the model in performing sentiment classification due to bias towards the majority class. Therefore, the use of Synthetic Minority Oversampling Technique (SMOTE) in overcoming class imbalance in the data is done in this study. SMOTE is used to perform oversampling on minority class data and paired with the BiGRU model using the categorical cross entropy loss function results in performance with an accuracy value of 85.52% which is the highest accuracy compared to the BiGRU model with the categorical cross entropy loss function without SMOTE handling (the standard model in this study) and the BiGRU model with the weighted cross entropy loss function built to strengthen the evidence that the proposed model is the best model."

"E-Learning Management Systems (EMAS) adalah sebuah platform belajar daring yang digunakan oleh Universitas Indonesia (UI). Dengan menggunakan platform EMAS, aktivitas akademik mahasiswa dapat dipantau. Berdasarkan aktivitas akademik mahasiswa, dimungkinkan untuk menentukan klasifikasi performa akademik mahasiswa. Aktivitas akademik yang dimaksud diantaranya adalah mahasiswa mengakses EMAS, mahasiswa mengerjakan quiz di EMAS, dan mahasiswa berpartisipasi forum di EMAS. Pada tugas akhir ini digunakan model klasifikasi Naïve Bayes, yaitu klasifikasi dengan asumsi kondisi antar fitur adalah saling bebas. Hasil performa model dilihat dari nilai Matthew’s Correlation Coefficient (MCC) terbesar. Sebelum implementasi, ditentukan proporsi data training dan data testing terbaik. Proporsi 80%:20% dengan periode data 4 minggu adalah proporsi dengan nilai MCC terbesar, yaitu 0,4745. Metode Mutual Information menghasilkan tujuh fitur terpilih, yaitu banyaknya tugas yang diunggah, banyaknya materi yang dikunjungi, banyaknya kunjungan ke start quiz, banyaknya quiz yang diunggah, banyaknya materi dokumen yang dikunjungi, banyaknya forum yang dikunjungi, dan lamanya durasi mengerjakan quiz. Dengan 7 fitur terpilih, performa model naik sebesar 15,15%, dan performa model meningkat lagi sebesar 26,5% jika dilakukan oversampling dengan metode Synthetic Minority Oversampling Technique. Hasil prediksi dari 47 mahasiswa adalah 43 mahasiswa diprediksi benar lulus, 2 mahasiswa diprediksi benar tidak lulus, dan 2 mahasiswa yang diprediksi salah yaitu mahasiwa diprediksi tidak lulus namun sebenarnya lulus.

---

E-Learning Management Systems (EMAS) is an online learning platform that used by the University of Indonesia (UI). By using the EMAS platform, student academic activities can be monitored. Based on the student's academic activities, it is possible to determine the classification of student academic performance. The academic activities in question include students accessing EMAS, students taking quizzes at EMAS, and students participating in forums at EMAS. In this final project, the Naïve Bayes classification model is used, namely classification with the assumption that the conditions between features are independent of each other. The results of the model's performance are seen from the largest Matthew's Correlation Coefficient (MCC). Prior to implementation, the proportion of the best training and testing data is determined. The proportion of 80%:20% with a data period of 4 weeks is the proportion with the largest MCC value, which is 0.4745. The Mutual Information method resulted in seven selected features, namely the number of tasks uploaded, the number of materials visited, the number of visits to the quiz start, the number of quizzes uploaded, the number of document materials visited, the number of forums visited, and the length of duration of taking the quiz. With 7 selected features, the performance of the model increases by 15.15%, and the performance of the model increases again by 26.5% if oversampling is carried out using the Synthetic Minority Oversampling Technique method. The prediction results from 47 students were 43 students were predicted to pass correctly, 2 students were predicted to fail correctly, and 2 students were predicted to be wrong, namely students predicted not to pass but actually passed."