Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRACTTalasemia adalah penyakit yang disebabkan oleh adanya kelainan dalam hemoglobin. Penyakit talasemia merupakan penyakit herediter atau penyakit keturunan dimana pembawa gen talasemia adalah orang tua dari penderita. Di Indonesia, pada tahun 2015 diketahui jumlah kasus talasemia mencapai 7.029 kasus. Sampai saat ini talasemia belum dapat disembuhkan namun dapat dikenali sifat pembawanya dengan skrining. Dalam tugas akhir ini, akan dibandingkan performa dari dua metode yang digunakan untuk mengklasifikasikan data talasemia, yaitu K-Nearest Neighbor dan Naive Bayes. Data yang digunakan adalah 82 data pasien talasemia dan 68 data pasien non-talasemia dari Rumah Sakit Anak dan Bunda Harapan Kita, Jakarta Barat. Hasil akhir menunjukkan bahwa metode Naive Bayes memberikan nilai akurasi yang lebih besar dari K-Nearest Neighbor dalam mengklasifikasikan talasemia. Rata-rata akurasi Naive Bayes sebesar 99.775% dengan rata-rata waktu running 0.0554 detik dan rata-rata akurasi K-Nearest Neighbor adalah 97.142% dengan rata-rata waktu running 0.081 detik. Untuk nilai spesifikasi, keduanya memberikan performa yang sama, yaitu dari K-Nearest Neighbor diperoleh ketika K=3 yaitu sebesar 100% dan dari Naive Bayes sebesar 100%. Hasil rata-rata sensitivitas tertingi diberikan oleh Naive Bayes yaitu sebesar 99.59%, sedangkan K-Nearest Neighbor sebesar 96.25% untuk K=1.

---

ABSTRACTThalassemia is a disease caused by abnormalities in the hemoglobin. Thalassemia is a hereditary disease which the thalassemia gene carriers are parents of sufferers. In Indonesia, in 2015 it was found that the number of thalassemia cases reached 7,029 cases. Until now thalassemia has not been cured, but it can be recognized the nature of its carrier by screening. In this final project, the performance of the two methods will be compared to classify thalassemia data, namely K-Nearest Neighbor and Naive Bayes. The data used were 82 data on thalassemia patients and 68 data on non-thalassemia patients from Harapan Kita Children and Womans Hospital, West Jakarta. The final results show that the Naive Bayes method provides greater accuracy value than K-Nearest Neighbor in classifying thalassemia. The average accuracy of Naive Bayes is 99.775% with an average running time of 0.0554 seconds and the average accuracy of K-Nearest Neighbor is 97.142% with an average running time of 0.081 seconds. For specification values, both give the same performance. The result of specification values using K-Nearest Neighbor yield when K = 3 that is 100% and from Naive Bayes that is 100%. The highest average sensitivity results are given by Naive Bayes is 99.59%, while K-Nearest Neighbor is 96.25% for K = 1."

"Investor mempunyai tujuan untuk mendapatkan keuntungan setiap melakukan investasi. Saham adalah salah satu instrumen investasi yang menawarkan tingkat keuntungan yang menarik. Di Indonesia, saham sudah menjadi salah satu instrumen investasi yang populer. Namun, walaupun saham mempunyai keuntungan yang tinggi, saham juga mempunyai risiko yang tinggi. Hal ini disebabkan karena harga saham fluktuatif dan dipengaruhi oleh faktor-faktor yang rumit. Akibat dari harga saham yang fluktuatif, investor sulit untuk mendapatkan sebuah prediksi yang akurat. Jika investor dapat memprediksi pergerakan harga saham di masa depan, investor dapat membuat keputusan yang tepat untuk beli, jual, atau hold. Dalam skripsi ini digunakan tiga jenis data perusahaan berbeda yang tercatat di dalam Bursa Efek Indonesia dengan data historis dari tahun 2017 sampai 2018. Umumnya, investor menggunakan indikator teknikal untuk memprediksi pergerakan saham. Pada skripsi ini, sebanyak tujuh belas teknikal indikator digunakan dan indikator teknikal tersebut diproses ke dalam dua jenis pendekatan. Pendekatan pertama memanfaatkan nilai-nilai indikator teknikal dan pendekatan kedua menggunakan sifat-sifat tertentu dalam menggambarkan pergerakan saham. Dua jenis data tersebut dijadikan data input bagi model prediksi dengan menggunakan metode Fuzzy Kernel Robust C-Means yang mengkelompokkan data harga saham ke dalam dua kelas, yaitu naik atau turun. Pada skripsi ini digunakan sebanyak tiga jenis label kelas yang berbeda, yaitu label kelas berdasarkan harga harian penutupan saham, label kelas yang bergantung pada rata-rata harga mingguan penutupan saham, dan label kelas yang bergantung pada rata-rata keseluruhan harga penutupan saham.

---

Investors must achieve a goal to obtain benefit from every investment they made. Stock offers an interesting amount of benefit. In Indonesia, stock has becoming one of the most popular investment tools. Even though stock offers an interesting amount of benefit, stock is also have a high risk. The reason behind this is because stock movement has fluctuating nature and affected by complicated factors. Due to this situation, investors hardly obtain an accurate prediction. If investors could oversee the stock price movement, investors could make right decision whether to buy, sell, or hold. Three different companies stock price data listed in Bursa Efek Indonesia from 2017 to 2018 used in this undergraduate thesis. Investors usually use technical indicators to predict the stock price movement. In this undergraduate thesis, seventeen technical indicators are used and processed into two different approaches. The first approach use the values of technical indicators and the scond one utilizes certain criteria owned by each technical indicator in describing stock price movement. Both approaches are then used as input data for prediction model using the Fuzzy Kernel Robust C-Means method which classifies the stock price data into two classes, i.e. up and down. Three different class labels are used in this undergraduate thesis, i.e. day stock price movement class label, weekly average stock price movement class label, and whole average stock price movement class label."

"ABSTRAKVirus dengue merupakan masalah kesehatan yang dihadapi oleh dunia, terutama negara-negara tropis dan subtropics seperti Asia, Afrrika dan Amerika. Berdasarakan data yang dikumpulkan oleh WHO terdapat sekitar 50-100 juta kasus infeksi dengue diseluruh dunia setiap tahunnya, akan tetapi belum terdapat vaksin maupun antivirus yang mampu mencegah dan mengobati penyakit ini. Penelitian ini dilakukan untuk memanfaatkan bahan alam untuk menginhibisi aktivitas enzimatis dari sisi aktif NS5 Methyltransferase yang berperan dalam mensintesis cap-RNA virus dengue. Senyawa inhibitor yang digunakan adalah senyawa bahan alam yang diunduh dari pangkalan data UNPD sebanyak 229.000. Metode insilico yang digunakan adalah metode penampisan (virtual screening) yang dikemudian dilakukan penambatan molekul (molecular docking) terhadap inhibitor pada sisi aktif protein target. Didapatkan sebanyak 3 senyawa inhibitor terbaik yang telah melalui tahap uji farmakologi untuk dapat dijadikan sebagai kandidat obat.

---

ABSTRACTDengue virus is a health problem faced by the world, especially tropical countries and subtropics such as Asia, Africa and America. Based on data collected by WHO there are around 50-100 million cases of dengue infection throughout the world each year, but there are no vaccines or antiviral agents that are able to prevent and treat this disease. This study was conducted to utilize natural materials to feed enzymatic activity from the active side of NS5 Methyltransferase which plays a role in synthesizing dengue virus RNA. The inhibitor compounds used were natural material compounds downloaded from UNPD database totaling 229,000. The insilico method used is a method of screening (virtual screening) which is carried out by molecular tethering (molecular docking) to the inhibitor on the active side of the target protein. The best 3 inhibitor compounds were obtained which had gone through the pharmacological test stage to be used as drug candidates."

"Demam Berdarah Dengue (DBD) masih menjadi masalah kesehatan yang utama di Indonesia.  Berdasarkan data dari Kemenkes RI, pada tahun 2022 jumlah insiden DBD dicatat sebanyak 131.265 yang mana sekitar 40% adalah anak-anak usia 0 sampai 14 tahun dengan jumlah kasus kematian mencapai 1.135 jiwa dengan 73% terjadi pada anak-anak usia 0 sampai 14 tahun. DBD disebabkan oleh virus dengue yang disebarkan melalui gigitan nyamuk Aedes aegypti  dan Aedes albopictus.. Selain faktor kebersihan lingkungan dan kebiasaan masyarakat, tingginya insiden DBD di Indonesia juga dipengaruhi oleh beberapa faktor iklim seperti curah hujan, temperatur, dan kelembapan. Memaksimalkan proses pencegahan DBD oleh pemerintah dan masyarakat dapat menekan tingginya kasus DBD di Indonesia. Salah satu cara untuk memaksimalkan proses pencegahan DBD adalah dengan melakukan prediksi jumlah insiden DBD yang akan terjadi kedepannya. Dengan mengetahui hasil prediksi jumlah insiden DBD, diharapkan masyarakat dan pemerintah dapat memaksimalkan proses pencegahan DBD. Pada tugas akhir ini, dilakukan prediksi jumlah insiden DBD menggunakan convolutional neural network dan extreme gradient boosting, dengan jumlah insiden sebelumnya dan faktor cuaca sebelumnya yang terdiri dari temperatur, curah hujan, dan kelembapan relatif sebagai variabel prediktor. Variabel prediktor yang digunakan ditentukan berdasarkan time lag dari masing-masing variabel prediktor terhadap jumlah insiden DBD menggunakan korelasi silang. Model convolutinal neural network dan extreme gradient boosting yang dibentuk dievaluasi dan dibandingkan berdasarkan nilai Root Mean Square Error (RMSE), Mean Absolute Error (MAE), dan waktu simulasi. Pada tugas akhir ini, convolutional neural network memberikan performa yang lebih baik dibandingkan dengan extreme gradient boosting berdasarkan nilai RMSE dan MAE dengan rata-rata 13,3586 untuk RMSE dan 9,2249 untuk MAE. Berdasarkan waktu simulasi, extreme gradient boosting memberikan performa yang lebih cepat dibandingkan convolutional neural network.

---

Dengue Hemorrhagic Fever (DHF) remains a major health problem in Indonesia. Based on data from the Ministry of Health of Indonesia, in 2022, the number of DHF incidents recorded was 131,265, of which approximately 40% were children aged 0 to 14 years, with a total of 1,135 deaths, 73% of which occurred in children aged 0 to 14 years. DHF is caused by the dengue virus, which is transmitted through the bites of Aedes aegypti and Aedes albopictus mosquitoes. In addition to environmental cleanliness and societal habits, the high incidence of DHF in Indonesia is also influenced by several climate factors such as rainfall, temperature, and humidity. Maximizing the DHF prevention process by the government and the community can help reduce the number of DHF cases in Indonesia. One way to maximize the DHF prevention process is by predicting the future number of DHF incidents. By knowing the predicted number of DHF incidents, it is hoped that the community and the government can maximize the DHF prevention process. In this final project, the prediction of the number of DHF incidents is carried out using convolutional neural network and extreme gradient boosting, with the previous incident counts and previous weather factors consisting of temperature, rainfall, and relative humidity as predictor variables. The predictor variables used are determined based on the time lag of each predictor variable on the number of DHF incidents using cross-correlation. In this final project, the convolutional neural network outperforms extreme gradient boosting based on the RMSE and MAE values, with an average of 13.3586 for RMSE and 9.2249 for MAE. However, in terms of simulation time, extreme gradient boosting demonstrates faster performance compared to the convolutional neural network."

"Prediksi klaim merupakan proses penting dalam industri asuransi karena perusahaan asuransi dapat menyiapkan jenis polis asuransi yang tepat untuk masing-masing pemegang polis potensial. Frekuensi prediksi klaim dewasa ini kian meningkat. Sehingga data prediksi klaim yang memiliki volume besar ini disebut big data, baik dari segi jumlah fitur maupun jumlah data pemegang polis. Salah satu alternatif solusi perusahaan asuransi untuk melihat pemegang polis melakukan klaim atau tidak, bisa menggunakan machine learning yang teruji dapat digunakan untuk klasifikasi dan prediksi. Salah satu metode machine learning untuk mengurangi jumlah fitur adalah dengan proses seleksi fitur, yaitu mencari urutan fitur berdasarkan tingkat pentingnya fitur. Metode seleksi fitur yang digunakan adalah Gram-Schmidt Orthogonalization. Metode ini sebelumnya digunakan untuk data tidak terstruktur namun pada penelitian ini diuji pada data terstruktur bervolume besar. Untuk menguji urutan fitur yang diperoleh dari proses seleksi fitur, digunakan Support Vector Machine karena termasuk metode machine learning yang popular untuk klasifikasi. Berdasarkan hasil simulasi, urutan yang diperoleh dari proses Gram-Schmidt Orthogonalization relatif konsisten. Selanjutnya, dapat diketahui fitur-fitur yang paling berpengaruh untuk menentukan pemegang polis klaim atau tidak. Simulasi juga menunjukkan bahwa hanya dengan menggunakan sekitar 26 % fitur, akurasi yang dihasilkan sebanding dengan menggunakan semua fitur.

---

Claim prediction is an important process in the insurance industry because insurance companies can prepare the right type of insurance policy for each potential policyholder. The frequency of today`s claim predictions is increasing. So that claim prediction data has a large volume called big data, both in terms of the number of features and the number of policyholders. One alternative solution for insurance companies to see whether policyholders claim or not, we can use machine learning that is proven to be used for classification and prediction. One of the machine learning methods to reduce the number of features is the feature selection process, which is to search for sequences of features based on their importance feature. The feature selection method used is Gram-Schmidt Orthogonalization. This method was previously used for unstructured data, but in this research is tested on large volume structured data. Support Vector Machine is used to test the ordered features obtained from the feature selection process because it is a popular machine learning method for classification. Based on a result, the ordered features obtained from the Gram-Schmidt Orthogonalization process is relatively stable. After that, it can also be seen the most important features to determine policyholders claim or not. The simulation also shows that using only about 26 % features, the resulting accuracy is comparable to using all features."

"ABSTRAKDemam dengue adalah penyakit menular yang ditransmisikan oleh nyamuk Aedes aegypti. WHO melaporkan bahwa wilayah Asia tenggara dan daerah Pasifik barat menanggung hampir 75% penyakit dengue secara global. Virus dengue menimbulkan ancaman global yang mempengaruhi 3,9 milyar orang di 128 negara dengan perkiraan 2,1 juta kasus demam berdarah dengue dan 21.000 kematian per tahun di seluruh dunia. Pada tahun 2015 tercatat terdapat 126.675 kasus DBD di 34 provinsi di Indonesia, dengan 1.229 orang di antaranya meninggal dunia. Enzim alfa-glukosidase merupakan target antiviral yang valid untuk enveloped virus. Inhibisi enzim RE alfa-glukosidase akan mengganggu proses pematangan dan fungsi glikoprotein envelop pada virus. Hal ini  menghambat proses perakitan partikel virus dan sekresinya. Hasil penelitian membuktikan bahwa inhibisi enzim alfa-glukosidase II  cukup dalam aktivitas antiviral sel inang  melawan demam dengue secara in vitro dan in vivo. Penemuan obat berbasis fragmen telah menjadi metode untuk menemukan kandidat obat baru. Pendekatan metode ini pertama-tama adalah mengidentifikasi fragmen yaitu molekul sangat kecil yang memiliki ukuran setengah dari ukuran obat-obatan secara umum. Fragmen-fragmen kemudian ditautkan bersama untuk membentuk obat baru. Pada penelitian ini digunakan enzim RE alfa-glukosidase II dengan kode 5IED. Sebanyak 281 senyawa baru berhasil diciptakan secara komputasi berdasarkan struktur 3D protein 5IED. Setelah dilakukan simulasi penambatan molekuler, uji toksisitas, uji druglikeness, uji farmakokinetika dan analisis interaksi protein-ligan, dipilih tiga senyawa terbaik yaitu LB.5 G2D, LO.1 G2D dan LX.23 G2D. Studi dinamika molekuler menunjukkan tiga residu asam amino yang berperan penting dalam pengikatan ligan LX.23 G2D dengan protein 5IED yaitu Asp451, Met565 dan Asp640.

---

Dengue fever is a contagious disease transmitted by Aedes aegypti mosquitoes. WHO reported that south east Asia and the western Pacific region bear nearly 75% of global dengue diseases. The dengue virus poses a global threat affecting 3.9 billion people in 128 countries with an estimated 2.1 million cases of DHF / DSS and 21,000 deaths per year worldwide. In 2015 there were 126,675 dengue cases recorded in 34 provinces in Indonesia, with 1,229 of them dying. The alpha-glucosidase enzyme is a valid antiviral target for enveloped viruses. Inhibition of ER alpha-glucosidase enzyme will interfere the maturation process and function of viral envelope glycoproteins. This inhibits the process of assembling virus particles and their secretions. Inhibition of ER alpha-glucosidase II enzyme is sufficient in antiviral activity of host cells against dengue fever in vitro and in vivo. Fragment-based drug discovery (FBDD) has become a tool for discovering drug leads. The approach first identifies fragments, tiny molecules, which are about half size of common drugs. The fragments are then linked together to generate drug leads. This research used ER alpha-glucosidase II enzyme with PDB ID 5IED. As much as 281 new compounds were developed computationally based on 3D structure of 5IED protein. After molecular docking simulations, toxicity tests, druglikeness tests, pharmacokinetic tests and protein-ligand interactions analyses, three best ligands were chosen namely LB.5 G2D, LO.1 G2D and LX.23 G2D. An LX.23 G2D molecular dynamics simulation showed that three amino acid residues played a very important role in ligand binding to 5IED protein. The amino acid residues were Asp451, Met565 and Asp640.     

"