Hasil Pencarian  ::  Simpan CSV :: Kembali

"Investasi saham merupakan salah satu jenis investasi yang paling populer karena saham memberikan tingkat keuntungan yang tinggi dibandingkan dengan jenis investasi lainnya, tetapi saham juga memiliki tingkat risiko yang tinggi. Fluktuasi harga saham memberikan peluang bagi investor untuk mendapatkan keuntungan yang tinggi. Dibutuhkan sebuah model prediksi harga saham untuk melihat pergerakan harga saham di masa yang akan datang, sehingga investor dapat menentukan waktu yang tepat untuk membeli, menahan, dan menjual saham mereka. Dengan demikian, mereka terlepas dari risiko kerugian dan memperoleh keuntungan yang besar. Terdapat beberapa studi yang membahas tentang prediksi harga saham menggunakan machine learning. Salah satunya yaitu menggunakan Support Vector Regression (SVR). Oleh karena itu, pada skripsi ini akan diuji penerapan SVR menggunakan Particle Swarm Optimization (PSO) sebagai seleksi fitur dalam memprediksi harga saham di Indonesia. Pada skripsi ini digunakan data historis saham harian dari Jakarta Stock Index dan beberapa saham pada sektor real estate dan properti. Beberapa indikator teknikal digunakan sebagai fitur dalam memprediksi harga saham. Studi ini menunjukkan bahwa prediksi harga saham menggunakan SVR dengan PSO sebagai seleksi fitur memiliki kinerja yang baik untuk semua data, fitur, dan jumlah data training yang digunakan pada skripsi ini memiliki nilai error yang kecil. Oleh karena itu, diperoleh model yang akurat untuk memprediksi harga saham di Indonesia.

---

Stock investing is one of the most popular types of investments since it provides the highest return among all investment types, although it is associated with considerable risk. Fluctuating stock prices provide an opportunity for investors to make a high profit. A stock price prediction model is needed to see future stock price movements, so investors can decide the right time to buy, hold, and sell their stocks which regardless of the risk of loss and gain a big profit. Several studies have focused on the prediction of stock prices using machine learning. One of them is Support Vector Regression (SVR). Therefore, this study examines the application of SVR using Particle Swarm Optimization (PSO) as feature selection in predicting Indonesian stock price. This thesis used historical daily stock data from Jakarta Stock Index (JKSE) and several real estates and property stock sectors. Some technical indicators are used as a feature in predicting stock price. The study found that stock price prediction using SVR with PSO as feature selection showed good performances for all data, features and the amount of training data used by the study have relatively low error probabilities. Therefore, an accurate model is obtained to predict stock price in Indonesia."

"Retinopati Diabetik adalah salah satu penyakit pada retina disebabkan oleh komplikasi diabetes yang dapat berujung pada kebutaan. Retinopati Diabetik tidak bisa dideteksi langsung secara kasat mata karena tanda-tandanya berada di bagian syaraf retina. Dari beberapa penelitian yang telah dilakukan pendeteksian Retinopati Diabetik dimungkinkan dapat dilakukan dengan melakukan klasifikasi menggunakan data citra retina atau yang biasa disebut sebagai citra fundus. Dalam penelitian ini diterapkan metode segmentasi citra yaitu Watershed dan Efficient Graph-Based beserta metode klasifikasi yaitu K-Nearest Neighbor dan Support Vector Machine dalam pendeteksian Retinopati Diabetik. Dari hasil implementasi, metode untuk segmentasi Efficient Graph-Based menggunakan data citra fundus dari DIARETDB0 diperoleh nilai akurasi, recall, dan precision lebih tinggi dibandingkan dengan metode segmentasi Watershed.

---

Diabetic Retinopathy is one of disease on retina because of Diabetic complication that can cause blindness. Diabetic Retinopathy cant detected directly from the eyes because sign of Diabetic Retinopathy itself is in the eyes nerve. From several research that has been done prove that Diabetic Retinopathy can be detected by using retinas image or usually called fundus image.

In this research use segmentation method that is Watershed and Efficient Graph-Based with classification method that is K-Nearest Neighbor and Support Vector Machine for detection of Diabetic Retinopathy. From the implementation result, the Efficient Graph-Based segmentation method using fundus image data from the DIARETDB0 obtained that the accuracy, recall, and precision score is higher than Watershed segmentation method."

"ABSTRACTMalaria adalah penyakit yang ditularkan oleh nyamuk Anopheles yang sudah terinfeksi oleh parasit Plasmodium. Parasit Plasmodium Falciparum yang menjadi penyebab terbesar kasus  malaria di Indonesia memiliki empat fase yaitu Ring, Tropozoite, Schizont, dan Gametocyte. Deteksi fase merupakan langkah yang penting untuk dilakukan karena pengobatan yang diberikan harus sesuai dengan jenis fase yang dialami oleh pasien. Deteksi biasanya dilakukan menggunakan mikroskop atas apusan sel darah merah, namun hal tersebut membutuhkan waktu yang tidak sebentar, sehingga dibutuhkan metode alternatif. Dalam penelitian ini, penulis mengusulkan penggunaan metode segmentasi Otsu Thresholding dan metode preprocessing. Median Filter pada ruang warna HSI dan CIE dalam mendeteksi fase malaria. Data yang digunakan berasal dari Center for Disease Control and Prevention (CDC) dengan total 26 citra. Positive Predictive Value( PPV) dan Sensitivity dipilih sebagi alat ukur untuk mengevaluasi kinerja melalui metode yang diusulkan. Dari hasil eksperimen, didapatkan nilai PPV pada ruang warna HSI mengungguli PPV pada ruang CIE. Sedangkan, pada nilai Sensitivity tidak tampak adanya perbedaan yang signifikan. Sehingga, segmentasi pada ruang warna HSI menghasilkan citra yang lebih baik dibandingkan pada ruang warna CIE.

---

ABSTRACTMalaria is a disease transmitted by Anopheles mosquitoes that has been infected by Plasmodium parasits. Plasmodium Falciparum is the leading cause of Malaria in Indonesia has four phases including Ring, Trophozoite, Schizont, and Gametocyte. Malaria Phase Detection is an important step to be done because the treatment given must be in accordance with the Malaria Phase experienced by the patients. Detection is usually done by using microscope to detect red blood cells, but this method needs a long time, so alternative method is needed. In this research, we present Otsu Thresholding segmentation method and Median Filter preprocessing method on HSI and CIE color space.Positive Predictive Value (PPV) and Sensitivity are chosen as a measurement to evaluate performance of our proposed method. From the experiment result, the PPV value on HSI color space is higher than PPV on CIE color space, while there is not significant different in Sensitivity Value for both color spaces."

"Pada asuransi, tingkat risiko menjadi hal utama dalam menentukan ketentuan-ketentuan yang diterapkan oleh perusahaan asuransi seperti ketentuan besarnya premi yang harus dibayarkan pemegang asuransi. Pada asuransi kendaraan bermotor, salah satu cara untuk melihat tingkat risiko pemegang asuransi adalah dengan memprediksi apakah pemegang asuransi tersebut akan mengajukan klaim asuransi kendaraannya selama satu tahun ke depan. Banyaknya pemegang asuransi kendaraan menghasilkan data yang besar. Metode machine learning mampu mengolah data yang besar dan menghasilkan akurasi yang cukup tinggi. Sudah banyak metode-metode machine learning yang digunakan untuk prediksi klaim asuransi salah satunya neural network yang terinspirasi dari pengolahan informasi pada jaringan syaraf biologis. Terdapat metode deep neural network yang merupakan pengembangan neural network dengan struktur yang lebih kompleks dan menghasilkan akurasi yang lebih tinggi. Penelitian ini menerapkan metode deep neural network untuk memprediksi pengajuan klaim asuransi kendaraan bermotor dan menganalisa akurasi hasil simulasi. Pada penelitian ini juga dibandingan hasil akurasi antara metode deep neural network dengan metode neural network tandar. Hasil simulasi pada penelitian ini menunjukkan bahwa akurasi metode deep neural network lebih tinggi dibandingkan dengan metode neural network standar.

---

In insurance, the level of risk is the main thing in determining the conditions applied by insurance companies. In automobile insurance, one way to see the risk level of insurance holders is to predict whether the insurance holder will submit an insurance claim for the vehicle for the next year. The number of automobile insurance holders produces large data. Machine learning method can process large data and produce high accuracy to predict claims. There have been many machine learning methods used for insurance claim prediction, for example is neural network. Neural network in machine learning inspired by information processing on biological neural network. Deep neural network which is the development of neural network with structures that are more complex and produce higher accuracy. This research uses deep neural network to predict claim automobile insurance and analyze the accuracy of the simulation result. We also compare the accuration of deep neural network with standart neural network. Our simulation show that the accuration of deep neural network is better than standart neural network."

"

Analisis triclustering merupakan pengembangan dari analisis clustering dan biclustering. Analisis triclustering bertujuan mengelompokkan data tiga dimensi secara simultan yang menghasilkan submatriks dinamakan tricluster. Pendekatan yang digunakan dalam analisis triclustering di antaranya adalah pendekatan berdasarkan greedy dan pattern. Salah satu contoh pendekatan analisis triclustering berdasarkan greedy adalah metode  Î´ – Trimax. Sedangkan salah satu contoh analisis triclustering berdasarkan pattern adalah metode Timesvector. Metode δ – Trimax bertujuan menghasilkan tricluster yang memiliki mean square residual kecil dari threshold  dengan volume data tricluster yang maksimal. Metode Timesvector bertujuan mengelompokkan matriks data yang menunjukkan pola yang sama atau berbeda pada data tiga dimensi. Implementasi metode  Î´ – Trimax dan metode Timesvector pada penelitian ini dilakukan pada data ekspresi gen pasien penderita penyakit periodontitis. Ekspresi gen diukur pada 14 titik kondisi dan 4 titik waktu. Berdasarkan beberapa skenario yang telah diterapkan, metode Î´ – Trimax memberikan hasil terbaik pada saat menerapkan skenario dengan nilai threshold =0,0028564 dan =1,25 dengan jumlah tricluster yang dihasilkan adalah 260 tricluster. Dari 260 tricluster tersebut, dipilih tricluster ke-216 yang dianalisis dengan menggunakan metode Timesvector. Hasil tricluster yang diperoleh dapat menambah wawasan bagi ahli medis dalam memberikan periodontal treatment kepada pasien penderita periodontitis berikutnya.

---

Triclustering analysis is the development of clustering and biclustering. Triclustering analysis aims to group three-dimensional data simultaneously, forming the initial subspace known as a tricluster. It utilizes two main approaches that are greedy-based and pattern-based approaches, exemplified by the δ – Trimax and Timesvector methods, respectively. The δ – Trimax method aims for triclusters with smaller mean square residuals than the threshold δ, while Timesvector groups data matrices with similar or different patterns. In a study on periodontitis patients gene expression data, comprising 14 condition points and 4 time points, both methods were implemented. The δ – Trimax method yielded optimal results under specific conditions (δ = 0.0028564, λ = 1.25), producing 260 triclusters. Among these, the 216th tricluster was selected for further analysis using the Timesvector method. The insights gained from these triclusters can enhance periodontal treatment strategies for patients with subsequent periodontitis, providing valuable guidance to medical experts.

 

"

"Demam Berdarah Dengue (DBD), penyakit menular berbahaya yang ditularkan oleh nyamuk Aedes Aegypti, merupakan salah satu penyakit yang memiliki laju penyebaran tercepat di dunia. Karena penggunaan vaksin DBD masih diperdebatkan di berbagai negara, maka pencegahan penyakit dengue sangat bergantung terhadap pengendalian vektor dengue. Salah satu kesulitan dalam melakukan pengendalian vektor dengue adalah sulitnya menemukan daerah sumber vektor. Untuk meningkatkan akurasi dari usaha pengendalian vektor, maka penelitian mengenai analisis hot spot mengenai daerah berpotensi wabah perlu dilakukan. Pada penelitian ini, hot spot merupakan daerah yang berpotensi menjadi sumber penyebaran wabah DBD. Dengan menggunakan analisis hot spot, makadaerah potensial sumber penyakit DBD dapat dideteksi. Data yang digunakan adalah data spasial jumlah insiden DBD di Jakarta. Statistik Getis-Ord Gi* digunakan sebagai teknik dalam melakukan analisis hot spot. Metode ini menggunakan parameter dalam bentuk matriks bobot spasial yang menggambarkan relasi penyebaran penyakit DBD dari satu daerah ke daerah lain. Matriks bobot spasial yang digunakan pada penelitian ini adalah matriks Queen’s Contiguity, matriks Inverse Distance, dan matriks model radiasi.Hasil yang diperoleh dari penelitian ini mampu menggambarkan daerah-daerah yangberpotensi menjadi prioritas dalam pengendalian vektor DBD. Penelitian ini diharapkan mampu membantu pihak dinas kesehatan di provinsi DKI Jakarta dalam meningkatkan akurasi dalam usaha pengendalian vektor DBD.

---

Dengue fever is one of the most rapidly spreading mosquito-borne diseases in the world.

Since the use of dengue vaccines is still debatable in many countries, dengue control

mainly depends on vector control measures. One of the difficulties of dengue vector

control is the detection of vector breeding sites. To improve the accuracy of dengue

vector control measures, a study on hot spots of dengue is conducted. In this research,

hot spot refers to a site which is potentially became an epidemic source of the disease. By

applying hot spot analysis, it is possible to detect areas with high risk of dengue outbreak.

We analyze dengue incidence in Jakarta using geospatial data of dengue fever incidence

in the region on year 2016 calculated by district. Getis-Ord Gi* statistic is used as the

tool for conducting hot spot analysis. This method requires a parameter in the form of a

weight matrix representing the possibility of dengue spreading from one district to other

districts. The weight matrix is generated using Queen’s Contiguity, inverse distance, and

radiation model weight matrix. The results of the study could show the area which has the

highest potential of being a vector breeding site at a district level. The map visualization

generated by the hot spot analysis will help public health officials achieve greater accuracy

in dengue control measures. We expect that this research can be a scientific back up for

the real implementation of dengue prevention in the field."

"Teknologi microarray merupakan alat terapan ilmu bioinformatika dalam bidang biologi molekuler yang dapat menghasilkan suatu data ekspresi gen. Namun, pada data ekspresi gen sering ditemukan missing value yang dapat mengganggu proses analisis data. Untuk mengatasi masalah tersebut, missing value dapat diestimasi menggunakan teknik imputasi. Penelitian ini menggunakan metode NCBI-SSSim-QR yang merupakan metode imputasi biclustering berbasis Shifting-and-Scaling Similarity (SSSim) dan menggunakan regresi kuantil dalam mengestimasi missing values. Metode ini merupakan modifikasi dari metode NCBI-SSSim-LS yang menggunakan regresileast square dalam proses imputasinya. Regresi kuantil pada metode NCBI-SSSim-QR digunakan untuk menangani keberadaan outlier pada data karena regresi kuantil dapat menyesuaikan kemiringan distribusi data pada titik-titik kuantil tertentu. Pada penelitian ini, metode NCBI-SSSim-QR diimplementasikan pada data ekspresi gen kanker serviks yang mengandung outlier dan diujikan pada missing rate 5%, 10%, 15%, 20%, 25%, 30%, dan 35% dengan mekanisme MCAR (Missing Completely at Random) dalam pembentukan missing values. Terdapat beberapa titik kuantil yang diuji yaitu kuantil ke = 0,3, 0,4, 0,5, 0,6, 0,7 yang kemudian performanya dibandingkan dengan metode NCBI-SSSim-LS yang berbasis mean. Penelitian menunjukkan bahwa proses estimasi missing values pada data ekspresi gen kanker serviks paling baik dilakukan oleh metode NCBI-SSSim-QR dengan kuantil 0,5 berdasarkan nilai Root Mean Square Error (RMSE).

---

Microarray technology is a bioinformatics tools in molecular biology that capable for quantitating hundreds or thousands of gene transcripts called gene expression data. However, the presence of missing values is often found in gene expression data which can interfere the further analysis process. Therefore, imputation technique used for estimating missing values. This research used NCBI-SSSim-QR method which is a Shifting-and-Scaling Similarity (SSSim)-based biclustering imputation method using quantile regression to estimate the missing values. This method is a modification of the NCBI-SSSim-LS method that using the least square regression for imputation process. Quantile regression in the NCBI-SSSim-QR method is used to handle the presence of outliers in the data because quantile regression can follow the skewness of the data distribution at certain quantile points. In this research, the NCBI-SSSim-QR method will be implemented on cervical cancer gene expression data containing outliers and tested on missing rate of 5%, 10%, 15%, 20%, 25%, 30%, and 35% with MCAR (Missing Completely at Random) mechanism in generating missing values. There are several quantile points to be tested, = 0,3, 0,4, 0,5, 0,6, 0,7 which will then be compared with the NCBI-SSSim-LS method which is mean-based. The research shows that the estimation process for missing values in cervical cancer gene expression data is better estimated by NCBI-SSSim-QR method with a quantile of 0,5 based on the Root Mean Square Error (RMSE) value."

"Penyakit mata kering adalah suatu kondisi yang bersifat multifaktorial kronis yang sering terjadi pada permukaan mata. Mata kering diklasifikasikan menjadi dua, yaitu mata kering defisiensi aqueous dan mata kering evaporatif. Penyakit mata kering evaporatif yang disebabkan oleh disfungsi kelenjar meibom sudah terjadi pada lebih dari 85% kasus penyakit mata kering. Disfungsi kelenjar meibom adalah kelainan difus dan kronis dari kelenjar meibom yang umumnya ditandai dengan adanya perubahan kualitatif atau kuantitatif dalam sekresi kelenjar. Area kerusakan pada kelenjar meibom dibagi menjadi 4 tingkat atau skala, yaitu normal (meiboscore 0), meiboscore 1, meiboscore 2, dan meiboscore 3. Proses dalam mendiagnosis penyakit mata kering masih dilakukan secara subjektif oleh tenaga medis, hal tersebut dapat mengakibatkan perbedaan dalam menilai tingkat disfungsi kelenjar meibom. Penulis menggunakan data science untuk mendiagnosis penyakit mata kering dengan melakukan pendekatan Artificial Intelligence (AI) yang di dalamnya terdapat metode deep learning. Pada penelitian ini, penulis melakukan klasifikasi pada data citra yang merupakan hasil segmentasi model U-Net dengan 4 kelas skala meiboscore menggunakan metode Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Data citra yang digunakan pada penelitian ini adalah sebanyak 417 data citra yang dilatih menggunakan ResNet50 dengan epoch sebanyak 30 dan learning rate sebesar 0,001. Pembagian data dilakukan dengan masing-masing data training, data testing, dan data validation sebanyak 80%, 20%, dan 10% dari data training. Dari hasil simulasi, diperoleh masing-masing nilai rata-rata akurasi dan AUC adalah 92,62% dan 0,99 dengan running time yang didapat selama 1,8 detik.

---

Dry eye disease is a chronic multifactorial condition that often occurs on the ocular surface. Dry eye is classified into two, namely aqueous deficiency dry eye and evaporative dry eye. Evaporative dry eye disease caused by meibomian gland dysfunction already occurs in more than 85% of dry eye disease cases. Meibomian gland dysfunction is a diffuse and chronic disorder of the meibomian glands that is generally characterized by qualitative or quantitative changes in glandular secretions. The area of damage to the meibomian glands is divided into 4 levels or scales, namely normal (meiboscore 0), meiboscore 1, meiboscore 2, and meiboscore 3. The process of diagnosing dry eye disease is still done subjectively by medical personnel, which can lead to differences in assessing the level of meibomian gland dysfunction. The author uses data science to diagnose dry eye disease by taking an Artificial Intelligence (AI) approach in which there is a deep learning method. In this research, the author classifies image data which is the result of segmentation of the U-Net model with 4 classes of meiboscore scale using the Convolutional Neural Network (CNN) method with ResNet50 architecture. The image data used in this research is 417 image data trained using ResNet50 with 30 epochs and a learning rate of 0.001. Data division is done with each training data, testing data, and validation data as much as 80%, 20%, and 10% of the training data. From the simulation results, the average accuracy and AUC values are 92.62% and 0.99 respectively with a running time of 1.8 seconds."