Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Tingkat morbiditas penyakit tuberkulosis pada suatu populasi wilayah dan waktu tertentu. Ukuran ini digunakan untuk membantu lembaga kesehatan dalam merencanakan kebijakan pencegahan penyakit tuberkulosis di Indonesia. Selain itu, tingkat morbiditas digunakan dalam menentukan premi asuransi yang tepat bagi perusahaan asuransi sehingga dapat memprediksi cadangan dana yang cukup untuk menutupi klaim dari tertanggung pada periode selanjutnya. Penentuan tingkat morbiditas pada periode yang akan datang dapat ditentukan dengan menggunakan teknik peramalan runtun waktu. Beberapa metode peramalan yang dapat meramalkan data runtun waktu diantaranya seperti metode Autoregressive Integrated Moving Average (ARIMA) dan metode Fuzzy Time Series (FTS). Kedua metode peramalan ini masing-masing memiliki kelemahan tersendiri dalam prakteknya. Kelemahan dari metode ARIMA adalah adanya asumsi klasik yang harus dipenuhi agar metode ARIMA dapat digunakan dengan baik. Berdasarkan penelitian terdahulu, kelemahan dari metode FTS adalah model peramalan yang dibentuk bergantung pada penentuan banyaknya subinterval dan terkadang akurasinya tidak sebaik metode ARIMA. Penelitian ini menggunakan metode peramalan dengan Error Variation-Fuzzy Time Series (EV-FTS) berdasarkan ARIMA untuk mengatasi kekurangan dari metode ARIMA dan FTS. Hasil dalam penelitian ini menunjukkan bahwa metode peramalan dengan EV-FTS berdasarkan ARIMA memberikan nilai Mean Absolute Percentage Error (MAPE) yang lebih kecil dibandingkan nilai MAPE yang dihasilkan dari metode ARIMA dan metode FTS. Selain itu, untuk nilai pengamatan yang ekstrim diperoleh bahwa nilai peramalan yang dihasilkan dari metode EV-FTS berdasarkan ARIMA dapat mendekati nilai aktualnya. Hasil dari penelitian ini menunjukkan bahwa tingkat morbiditas tuberkulosis dengan menggunakan EV-FTS berdasarkan ARIMA diramalkan meningkat dari periode tahun 2022 hingga tahun 2031. ......The tuberculosis morbidity rate measures the rate of tuberculosis disease in a population in a particular area and time. This measure is used to assist health institutions in planning policies to prevent tuberculosis in Indonesia. In addition, the morbidity rate is used in determining the right insurance premium for the insurance company so that it can predict sufficient fund reserves to cover claims from the insured in the next period. Determination of the morbidity rate in the future period can be determined using time series forecasting techniques. Several forecasting methods that can predict time series data include the Autoregressive Integrated Moving verage (ARIMA) method and the Fuzzy Time Series (FTS) method. Both of these forecasting methods have their weaknesses in practice. The weakness of the ARIMA method is that there are classical assumptions that must be met so that the ARIMA method can be used properly. Based on a previous study, the weakness of the FTS method is that the forecasting model formed is dependent on determining the number of subintervals and sometimes the accuracy is not as good as the ARIMA method. This study uses a forecasting method with Error Variation-Fuzzy Time Series (EV-FTS) based on ARIMA to overcome the drawbacks of the ARIMA and FTS methods. The results of this study indicate that the EV-FTS forecasting method based on ARIMA provides a Mean Absolute Percentage Error (MAPE) value which is smaller than the MAPE value generated from the ARIMA method and the FTS method. In addition, the forecast value generated from the EV-FTS method based on ARIMA can approach the extreme actual value. This forecasting method can be an alternative forecasting method to obtain the tuberculosis morbidity rate from next year 2022 and 2031.

Abstrak :
Coronavirus Disease 2019 (COVID-19) pertama kali diidentifikasi di Wuhan, Thiongkok pada akhir Desember 2019. COVID-19 disebabkan oleh coronavirus baru yaitu The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Sejak 11 Maret 2020, WHO secara resmi menyatakan pandemi COVID-19. COVID-19 ini menginfeksi saluran pernapasan manusia yaitu sel epitel alveolus paru-paru yang menyebabkan pneumonia. Dengan bantuan metode dari Deep learning yaitu Convolutional Neural Network (CNN) dapat digunakan dalam mendeteksi kasus COVID-19 melalui tanda-tanda pneumonia pada data citra Chest X-ray. Deteksi dini kasus COVID-19 sangat diperlukan sebagai langkah meminimalkan penularan dan mengurangi resiko kematian pasien. Oleh karena itu, penelitian ini membangun metode CNN transfer learning model DenseNet121, MobileNet dan ResNet50 dengan pendekatan pseudo-colouring (RGB) dalam mengklasifikasi kasus COVID-19 ke dalam tiga kelas yaitu: COVID-19 pneumonia, sehat dan viral pneumonia. Pendekatan pseudo-colouring (RGB) dilakukan pada tahap praproses dengan memanipulasi warna pada data citra Chest X-ray sebagai sarana untuk membantu meningkatkan hasil akurasi, presisi dan sensitivitas. Hasil evaluasi pada terbaik terdapat pada model DenseNet121 menunjukkan peningkatan akurasi total 99%, presisi total 99% dan sensitivitas total 99%. Pada model MobileNet menunjukkan peningkatan pada akurasi total 97%, presisi total 97% dan sensitivitas total 95% dan pada model ResNet50 menunjukkan peningkatan pada akurasi total 97%, presisi total 98% dan sensitivitas total 94%. ......Coronavirus Disease 2019 (COVID-19) was first identified in Wuhan, China at the end of December 2019. COVID-19 is caused by a new coronavirus, namely The Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). Since March 11, 2020, WHO has officially declared a COVID-19 pandemic. This COVID-19 infects the human respiratory tract, namely the alveolar epithelial cells of the lungs which causes pneumonia. With the help of methods from Deep learning, the Convolutional Neural Network (CNN) can be used to detect cases of COVID-19 through signs of pneumonia in Chest X-ray image data. Early detection of COVID-19 cases is important to minimize transmission and reduce the risk of patient death. Therefore, this study builds the CNN transfer learning model DenseNet121, MobileNet and ResNet50 with a pseudo-coloring (RGB) approach in classifying COVID-19 cases into three classes, namely: COVID-19 pneumonia, healthy and viral pneumonia. The pseudo-coloring (RGB) approach at the preprocessing stage by manipulating the colors in the Chest X-ray image data as a means to help improve accuracy, precision and sensitivity results. The evaluation results on the DenseNet121 model showed an increase in total accuracy of 99%, total precision of 99% and total sensitivity of 99%. The MobileNet model showed an increase in total accuracy of 97% , total precision of 97% and total sensitivity of 95% and the ResNet50 model showed an increase in total accuracy of 97%, total precision of 98% and total sensitivity of 94%.

Abstrak :
Indonesia masuk kedalam 20 besar Negara terbanyak tekonfirmasi kasus COVID-19. Hingga 17 Mei 2021, sudah tercatat lebih dari 1 juta kasus COVID-19 terkonfirmasi dengan jumlah kematian mencapai lebih dari 48 ribu orang. tes Reverse transcriptionpolymerase chain reaction (RT-PCR) merupakan standarisasi alat pendeteksian dini COVID-19. Namun, tes RT-PCR membutuhkan waktu waktu yang lama dan biaya yang mahal dalam mengidentifikasi tahap awal kasus COVID-19. Hal ini mengakibatkan peningkatan jumlah pasien COVID-19 terjadi terus menerus secara eksponensial dan terjadi antrian panjang dalam menggunakan Intensive Care Unit (ICU) pada rumah sakit. Oleh karena itu, dibutuhkan alat pendeteksian dini yang cepat dan akurat salah satunya menggunakan citra chest X-ray. Deep learning merupakan salah satu metode klasifikasi citra yang populer dan terbukti baik dalam melakukan klasifikasi citra medis, salah satunya adalah Capsule Network (CapsNet) yang merupakan pengembangan dari Convolutional Neural Network (CNN). Pada penelitian ini, penulis menggunakan model CapsNet berbasis Inception V3 dengan optimasi AdaBelief (Adapting Stepsizes by the Belief in Observed Gradients) untuk mengklasifikasikan citra chest X-ray COVID-19. Data yang digunakan dalam penelitian ini diambil dari situs kaggle yang berisi citra chest X-ray COVID-19. Selanjutnya, dilakukan tahap pra-pengolahan pada citra seperti resize dan menerapkan normalisasi agar semua citra dapat diinput ke dalam model dengan ukuran yang sama serta meningkatkan kinerja model. Hasil penelitian ini menunjukkan model CapsNet berbasis Inception V3 dengan optimasi AdaBelief pada dataset citra chest X-ray COVID-19 dapat mengklasifikasikan data menjadi dua kelas, yaitu normal dan COVID-19, sehingga dapat membantu untuk mendiagnosis COVID-19 dengan baik. Selain itu, hasil terbaik juga diperoleh oleh model CapsNet berbasis Inception V3 dengan optimasi AdaBelief berdasarkan nilai loss sebesar 0,2703 dan akurasi 88,75% dibandingkan metode CapsNet tradisional dan berbagai optimasi lainnya untuk mengklasifikasikan dataset citra chest X-ray COVID-19. ......Indonesia is in the top 20 countries with the most confirmed cases of COVID-19. As of May 17, 2021, there have been more than 1 million confirmed cases of COVID-19 with the death toll reaching more than 48 thousand people. Reverse transcription polymerase chain reaction (RT-PCR) test is a standardization tool for early detection of COVID-19. However, the RT-PCR test takes a long time and is expensive to identify early stages of COVID-19 cases. This resulted in an exponential increase in the number of COVID-19 patients and long queues for using the Intensive Care Unit (ICU) at the hospital. Therefore, a fast and accurate early detection tool is needed, one of which is using chest X-ray images. Deep learning is one of the popular image classification methods and has proven good in classifying medical images, one of which is the Capsule Network (CapsNet) which is the development of the Convolutional Neural Network (CNN). In this study, the authors used the Inception V3-based CapsNet model with AdaBelief optimization (Adapting Stepsizes by the Belief in Observed Gradients) to classify COVID-19 chest X-ray images. The data used in this study was taken from the kaggle site which contains COVID-19 chest Xray images. Furthermore, pre-processing is carried out on the image such as resizing and applying normalization so that all images can be inputted into the model with the same size and improve model performance. The results of this study show that the Inception V3-based CapsNet model with AdaBelief optimization on the COVID-19 chest X-ray image dataset can classify data into two classes, namely normal and COVID-19, so that it can help to diagnose COVID-19 properly. In addition, the best results were also obtained by the Inception V3-based CapsNet model with AdaBelief optimization based on a loss value of 0,2703 and 88,75% accuracy compared to traditional CapsNet methods and various other optimizations to classify COVID-19 chest X-ray image datasets.

Abstrak :
ABSTRAK Dalam mendukung pendidikan di Indonesia, pemerintah telah memberikan perhatian dengan cara mengalokasikan Anggaran Pendapatan dan Belanja Negara (APBN). Namun, masalah pendidikan pada jenjang Sekolah Menengah Atas (SMA) masih ditemukan, dimana salah satu akar permasalahannya adalah kurangnya fasilitas pendidikan. Jumlah SMA yang relatif banyak merupakan salah satu penghambat dalam penyaluran dana APBN tersebut. Dengan demikian, analisis pengelompokan SMA berdasarkan fasilitas pendidikan di Indonesia diharapkan dapat menjadi salah satu alternatif bagi pemerintah dalam memprioritaskan penyaluran dana APBN secara cepat dan tepat. Banyaknya observasi yang digunakan adalah 13.486 SMA dengan 9 variabel kategorik fasilitas pendidikan yang tercatat di website Kementerian Pendidikan dan Kebudayaan pada bulan Agustus tahun 2019. Adapun metode yang digunakan adalah Robust Clustering Using Link (ROCK) yang diyakini mempunyai tingkat akurasi yang baik dan mampu menangani data kategorik dalam jumlah yang besar. Untuk mendapatkan profil kelompok yang lebih jelas, metode ROCK dimodifikasi dengan melakukan Nested Clustering. Hasil dari penelitian ini menunjukkan bahwa terbentuk 14 kelompok SMA yang memiliki karakteristik masing-masing. Diperoleh kelompok 3 merupakan kelompok yang relatif baik dan kelompok 1a merupakan kelompok yang relatif kurang baik. Secara umum, SMA di Indonesia membentuk kelompok yang memiliki kebutuhan fasilitas pendidikan yang berbeda dan memerlukan perhatian dari pemerintah.

---

ABSTRACT The government has given attention to support education in Indonesia by allocating the state budget (APBN). However, the problem of education at the senior high school level is still found, which one of the root problems is the lack of educational facilities. The large number of senior high schools in Indonesia becomes one of the barriers to distributing APBN funds. Thus, the analysis of the grouping of senior high schools based on educational facilities in Indonesia is expected to be an alternative for the government in prioritizing the distribution of APBN funds quickly and accurately. The number of observations is 13,486 with nine categorical variables recorded on a website of the Ministry of Education and Culture in August 2019. The method used is Robust Clustering Using Link (ROCK), which is believed has good accuracy and good to handle many categorical data. To get clearer profile of cluster, ROCK method modified with do Nested Clustering. The results of this study indicate that 14 clusters were formed and have their profiles. Cluster 3 is relatively good cluster while cluster 1a is relatively poor cluster. In general, high schools in Indonesia consist of groups that have different educational facility needs and require attention from the government.

Abstrak :
Value-at-Risk (VaR) merupakan suatu metode dalam manajemen risiko yang kerap digunakan untuk mengkuantifikasi risiko finansial yang disebabkan oleh perubahan harga saham. Guna mendapatkan nilai VaR yang akurat dalam mengkuantifikasi risiko pada saham, perhitungan VaR dapat dimodifikasi dengan terlebih dahulu memanfaatkan model Generalized AutoRegressive Conditional Heteroscedasticity (GARCH) pada runtun return dari saham tersebut. GARCH adalah model runtun waktu yang dapat menangkap fenomena pengelompokan volatilitas yang biasa ditemukan pada data-data finansial. Pada skripsi ini, akan dibahas mengenai perhitungan VaR suatu saham dengan terlebih dahulu membentuk model GARCH untuk volatilitas return. Pembahasan dalam tahap pembentukan model volatilitas akan fokus pada tahap estimasi parameter model GARCH dengan metode estimasi maximum likelihood. Metode perhitungan VaR yang dibahas diaplikasikan dalam perhitungan VaR dari Indeks Harga Saham Gabungan (IHSG). ...... Value-at-Risk (VaR) is a method in risk management commonly used for quantifying financial risk caused by changes in stock prices. In order to get an accurate value of VaR, the estimation of VaR can be modified by utilizing Generalized AutoRegressive Conditional Heteroscedasticity (GARCH) in modelling return series of the stock. GARCH is a time series model that can capture the volatility clustering phenomenon found in most financial datas. This skripsi will describe a method in VaR estimation by first using GARCH in modelling return?s volatility. The discussion about modelling volatility will focus on parameter estimation of GARCH model using the method of maximum likelihood estimation. This VaR estimation method is used in estimating VaR of Jakarta Composite Index or Indeks Harga Saham Gabungan (IHSG).

Abstrak :
Pada perusahaan asuransi bisnis long-tail (penyelesaian klaim ≥ 1 tahun), perusahaan harus memiliki cadangan klaim untuk membayar klaim pada masa yang akan datang. Metode yang sering digunakan untuk perhitungan prediksi cadangan klaim adalah Chain Ladder (CL) yang dihitung berdasarkan pola dari klaim yang sudah dibayarkan. Namun, CL tidak dapat memberikan hasil prediksi cadangan klaim yang akurat, karena dari pendefinisiannya CL sangat bergantung dengan data. Padahal, data tersebut dapat mengandung outlier, atau tidak memadai. Ketika hal ini terjadi, maka aktuaris seringkali menggunakan penilaian subyektif mereka dengan menyesuaikan perhitungan dan dapat memberikan hasil yang berbeda-beda. Hasil yang berbeda-beda menyebabkan adanya ketidakpastian akan hasil yang didapat. Pada skripsi ini, dikenalkan metode Fuzzy Chain Ladder (FCL) yang menggabungkan metode CL dengan triangular fuzzy number (TFN) agar dapat mempertimbangkan ketidakpastian terhadap perhitungan. Berbeda dengan CL yang menghasilkan satu nilai cadangan klaim, FCL menerapkan TFN pada perhitungannya sehingga menghasilkan besar cadangan klaim dalam bentuk kisaran atau range. Dalam range tersebut, aktuaris dapat memilih nilai cadangan klaim berdasarkan penilaian subyektif mereka sehingga diharapkan metode FCL dapat mempertimbangkan adanya ketidakpastian tersebut. Selanjutnya, dilakukan analisis perhitungan prediksi cadangan klaim dari data klaim asuransi umum kelautan menggunakan FCL dibandingkan dengan metode CL.

---

In long-tail business insurance (settlement period ≥ 1 year), companies must have claim reserve to pay claims in the future. The method often used for calculating claims reserve is Chain Ladder (CL) that is calculated based on the pattern of paid claims. However, CL cannot provide accurate claims reserve predictions, because the definition of CL is dependent on data. In fact, these data can contain outliers, inadequate. When this happens, actuaries often use their subjective judgment by adjusting calculations and can produce different results. Different results cause uncertainty about the obtained results. In this thesis, a method called Fuzzy Chain Ladder (FCL) is introduced which combines CL with triangular fuzzy number (TFN) to consider uncertainty regarding calculations. In contrast to CL which produces a single value of claim reserves, FCL applies TFN to its calculation to produce many claims reserves in the form of ranges. Within that range, actuaries can choose the value of claims reserves based on their subjective judgement so that the FCL method can be expected to consider the existence of these uncertainties. Furthermore, an analysis of the prediction of claim reserves from the general marine insurance claim data is analyzed using FCL compared to the CL method.

Abstrak :

Penyakit Parkinson merupakan salah satu penyakit sistem saraf yang terjadi karena kerusakan atau kematian sel saraf yang mengandung dopamin di bagian otak yang berfungsi mengkoordinasikan kerja sistem motorik. Terdapat gejala motorik dan gejala non-motorik yang muncul pada penyakit Parkinson. Salah satu gejala non-motorik yang muncul, yaitu Impulse-Control Disorder (ICD). Pada penyakit Parkinson terdapat 4 symptoms utama ICD yang sering terjadi, yaitu pathological gambling, binge-eating, compulsive buying, dan compulsive sexual behavior. Kejadian ICD kerap kali ditemukan ketika pengobatan penyakit Parkinson dimulai, sehingga pada penelitian ini difokuskan pada kejadian ICD sebagai akibat pengobatan penyakit Parkinson. Tujuan dari penelitian ini adalah untuk mengidentifikasi faktor risiko dari jenis maupun banyaknya ICD symptoms yang muncul pada penderita penyakit Parkinson. Metode decision tree digunakan untuk mengidentifikasi faktor risiko yang berasosiasi dengan kejadian ICD pada penderita Penyakit Parkinson. Hasil yang diperoleh menunjukkan bahwa total skor STAI-Trait merupakan faktor risiko yang selalu muncul untuk setiap jenis maupun banyaknya ICD symptoms yang muncul. Selain itu, faktor risiko yang hanya muncul di beberapa symptom tertentu adalah lamanya pendidikan yang ditempuh, total skor STAI­-State, usia, lamanya mengidap penyakit Parkinson, total skor SCOPA-AUT, total skor MOCA, dan total skor MDS-UPDRS 3. Sementara faktor risiko yang hanya muncul untuk suatu symptom tertentu adalah histori keluarga mengidap penyakit Parkinson, rasio pengikat DAT, dan pengobatan Dopamine Agonist.

---

Parkinson's disease is one of motoric neurodegenerative disorders that occurs due to damage or death of cells that contain dopamine in a part of the brain that functions to coordinate the work of the motor system. There are several motor symptoms and non-motor symptoms that occur in Parkinson's disease. One of the non-motor symptoms that occur is Impulse-Control Disorder (ICD). In Parkinson's disease, there are 4 main symptoms of ICD that often occur such as pathological gambling, binge-eating, compulsive buying, and compulsive sexual behavior. ICD are often discovered when the treatment of Parkinson's disease begins, so this research focused on the incidence of ICD as a result of the treatment of Parkinson's disease. The purpose of this study is to identify risk factors for the type and number of ICD symptoms that occur in patients with Parkinson's disease. Decision tree method is used to identify risk factors associated with the incidence of ICD for patients with Parkinson's disease. The results obtained show that the total STAI-Trait score is a risk factor that always appears for each type and number of ICD symptoms that occur in patients with Parkinson's disease. Moreover, risk factors that only appear in certain symptoms are the length of education taken, STAI-State total score, age, duration of Parkinson's disease, SCOPA-AUT total score, total MOCA score, and MDS-UPDRS 3 total score. While risk factors that only appear for a particular symptom are family history of Parkinson's disease, DAT binding ratio, and dopamine agonist treatment.

Abstrak :

Parameter keberhasilan pendidikan dapat diukur dengan melakukan penilaian pendidikan berupa evaluasi. Dalam melakukan evaluasi, khususnya evaluasi hasil belajar, umumnya guru menggunakan sistem ujian. Penelitian ini dilakukan untuk menganalisis kualitas soal ujian Matematika yang dibuat oleh guru dan memprediksi kemampuan Matematika siswa SMA Negeri A Kota Bekasi. Data yang digunakan merupakan soal, kunci jawaban dan jawaban ujian akhir semester SMA Negeri A Kota Bekasi mata pelajaran Matematika dengan subjek 148 siswa SMA Negeri A Kota Bekasi kelas 10 tahun ajaran 2019/2020. Metode yang digunakan untuk mencapai tujuan tersebut adalah Item Response Theory dengan 4 parameter. Hasil yang diperoleh menunjukkan bahwa dari 30 butir soal ujian yang dibuat oleh pihak sekolah, terdapat 19 butir soal yang berkualitas cukup baik untuk mengukur kemampuan siswa. Hasil analisis berdasarkan seluruh item, diperoleh bahwa dari 148 orang peserta yang mengikuti ujian Matematika SMA Negeri A Kota Bekasi terdapat 25 orang peserta yang memiliki tingkat kemampuan rendah, 97 orang peserta yang memiliki tingkat kemampuan sedang, dan 26 orang peserta yang memiliki tingkat kemampuan tinggi. Hasil analisis berdasarkan item berkualitas baik, diperoleh bahwa dari 148 orang peserta yang mengikuti ujian Matematika SMA Negeri A Kota Bekasi terdapat 21 orang peserta yang memiliki tingkat kemampuan rendah, 103 orang peserta yang memiliki tingkat kemampuan sedang, dan 24 orang peserta yang memiliki tingkat kemampuan tinggi.

---

The parameters of educational success can be measured by conducting an educational assessment in the form of an evaluation. In the process of evaluation, especially learning outcomes evaluation, teachers generally use the examination system. The purposes of this research are to analyze the quality of Mathematics exam questions made by teachers and predict the Mathematics ability of A High School students in Bekasi City. The data used are the exam questions, answer keys of exam questions and students answers to the Mathematics final exam of the A High School in Bekasi City with 148 subjects of 10th grade of A High School students in Bekasi 2019/2020. The method used to achieve these purposes is Item Response Theory with 4 parameters. The results of this study obtained show that from 30 exam questions made by the school, there are 19 items with good quality to measure the ability of students. The results of the analysis based on all items, it was found that from 148 students who took the Mathematics Examination at the A High School in Bekasi, there are 25 students with low levels of ability, 97 students with medium levels of ability, and 26 students with high levels of ability. The results of the analysis based on good quality items, it was found that from 148 students who took the Mathematics Examination at the A High School in Bekasi, there are 21 students with low levels of ability, 103 students with medium levels of ability, and 24 students with high levels of ability.

Abstrak :
Penyakit Parkinson adalah penyakit neurodegeneratif kedua yang paling umum dan menyerang sekitar 2-3% populasi di atas 65 tahun di seluruh dunia. Salah satu gejala yang sering muncul pada penderita Parkinson adalah depresi. Depresi terjadi pada sekitar 40 - 50% penderita Parkinson dan sangat umum terjadi pada tahap awal perkembangan Penyakit Parkinson. Terdapat berbagai perbedaan dalam mengidentifikasi faktor-faktor risiko depresi dalam berbagai studi yang telah dilakukan dan belum diketahui mekanisme depresi secara rinci pada Penyakit Parkinson. Oleh karena itu, akan dilakukan identifikasi faktor-faktor risiko depresi dengan metode klasifikasi, yaitu metode Decision Tree dan regresi logistik. Namun, depresi sangat umum terjadi pada Penyakit Parkinson stadium awal sehingga dapat menimbulkan masalah data yang tidak seimbang, yaitu proporsi kelas tidak depresi yang terlalu kecil dibandingkan dengan proporsi kelas depresi. Hal ini mengakibatkan model klasifikasi yang dihasilkan memiliki tingkat kepekaan yang minimum terhadap kelas minoritas. Salah satu strategi rebalancing untuk mengatasi masalah kelas data tidak seimbang adalah SMOTE (Synthetic Minority Over-sampling TEchnique). Pada tugas akhir ini, akan dilakukan analisis data mengenai depresi pada penderita Parkinson stadium awal dengan metode decision tree, dimana data tidak seimbang akan diatasi dengan metode SMOTE. Kuantifikasi risiko untuk setiap faktor teridentifikasi akan dilakukan dengan regresi logistik. Performa model diukur dari nilai precision, recall, AUC, dan F1-score . Data sejumlah 257 penderita Parkinson stadium awal pada database Parkinson’s Progression Markers Initiative (PPMI) digunakan pada tugas akhir ini. Berdasarkan analisis, diperoleh secara keseluruhan faktor-faktor risiko penting yang berasosiasi dengan depresi pada penderita Parkinson stadium awal adalah kadar alpha synuclein (α-syn), jenis kelamin, skor SEADL (Schwab & England – Activities on Daily Living), skor STAI-State, binding ratio putamen pada bagian kiri otak, skor RBDSQ (REM Sleep Behavior Disorder-Questionnaire), dan umur saat terdiagnosis Parkinson. Model classification tree dengan rebalancing menggunakan SMOTE memberikan nilai akurasi, precision, recall, AUC dan F1-score masing – masing sebesar 95.18%, 0.9215, 0.9412, 0.949, dan 0.9312. Peningkatan kadar alpha synuclein (α-syn), perempuan, penurunan skor SEADL, penurunan skor STAI-State, penurunan binding ratio putamen pada bagian kiri otak, peningkatan skor RBDSQ, dan usia lebih tua saat terdiagnosis Parkinson secara rata-rata memiliki risiko lebih tinggi untuk terdiagnosis depresi pada Penderita Parkinson ......Parkinson's disease is the second-most common neurodegenerative disease and affects about 2-3% of the population over 65 years worldwide. One of the symptoms that often occurs in patients with Parkinson's is depression. Depression occurs in about 40-50% of Parkinson's sufferers and is very common in early stages of the development of Parkinson's Disease. Various difference in identifying risk factors for depression in various studies that have been conducted and the mechanism of depression is not yet known in detail in Parkinson's Disease. This study identifies risk factors for depression using decision tree and logistic regression methods. However, depression is common in early-stage Parkinson's disease causing unbalanced data problems, that is the proportion of non-depressed classes is too small compared to the proportion of depressed classes. This resulted in classification model having a minimum level of sensitivity to the minority class. One of rebalancing strategy to overcome the problem of unbalanced data classes is SMOTE (Synthetic Minority Over-sampling TEchnique). In this final project, data analysis on depression in patients with early stage Parkinson's was conducted using decision tree method, with SMOTE to handle imbalanced data. Risk quantification for each of the identified factors was carried out using logistic regression. Model performance is measured by the values of precision, recall, AUC, and F1-score. Data on 257 patients with early stage Parkinson's in the Parkinson's Progression Markers Initiative (PPMI) database were used in this final project. Based on the analysis, the overall important risk factors associated with depression in patients with early-stage Parkinson's are alpha synuclein (α-syn) levels, gender, SEADL (Schwab & England - Activities on Daily Living) scores, STAI-State scores , putamen binding ratio on the left side of the brain, RBDSQ (REM Sleep Behavior Disorder-Questionnaire) score, and age at diagnosis of Parkinson's. Classification tree model with rebalancing using SMOTE produced the accuracy, precision, recall, AUC and F1-score of 95.18%, 0.9215, 0.9412, 0.949, and 0.9312, respectively. Increased levels of alpha synuclein (α-syn), women, decreased SEADL scores, decreased STAI-State scores, decreased putamen binding ratio on the left side of the brain, increased RBDSQ score, and older age when diagnosed with Parkinson's on average have a higher risk for being diagnosed with depression in Parkinson's sufferers