Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Implementasi Machine Learning dalam Deteksi Risiko Tinggi Diabetes Melitus pada Kehamilan
Get PDFDiabetes dalam kehamilan dapat meningkatkan berbagai risiko, baik pada maternal maupun neonatus. Adanya gangguan homeostasis glukosa dalam kehamilan dapat meningkatkan terjadinya malformasi kongenital, keguguran, risiko preeklampsia, Cepalo Pelvik Dispropotion (CPD), kelahiran prematur, kelainan letak, plasenta previa dan hipoglikemia neonatus. Oleh karena itu, diperlukan perhatian dan penanganan menyeluruh bagi ibu hamil yang menderita diabetes. Teknologi machine learning dapat dimanfaatkan dalam berbagai hal di bidang kesehatan. Salah satu dari pemanfaatan machine learning di bidang kesehatan adalah kemampuannya untuk mendeteksi risiko tinggi diabetus mellitus pada ibu hamil melalui berbagai data dan informasi seperti nama, usia, umur kehamilan, gravida, para, riwayat kehamilan, riwayat penyakit yang pernah diderita, faktor risiko, dan riwayat persalinan yang lalu. Proses persalinan ibu hamil dipengaruhi oleh faktor fisiologis dan faktor-faktor risiko lain yang dapat mempengaruhinya. Penelitian ini menggunakan dataset yang diperoleh dari data pemeriksaan ibu hamil di Puskesmas Lawang dari bulan Januari 2021 sampai dengan Agustus 2021 dan menggunakan16 atribut penting, yaitu: tanggal pengkajian, nama, tanggal HPHT, tanggal HPL, umur, GPA, usia kehamilan, KSPR, keterangan KSPR, IMT, kategori IMT, reduksi, albumin, hepatitis, HIV, dan IMS. Penelitian ini telah melakukan tahapan pengumpulan data, perancangan, implementasi, pengujian dan analisis data yang mengimplementasikan teknik machine learning K-Nearest Neighbor (KNN). Nilai akurasi tertinggi pada skenario pengujian pertama dengan atribut k=2 adalah 70.27%. Nilai akurasi tertinggi pada skenario pengujian kedua dengan k=3 adalah 75.68%. Nilai akurasi tertinggi pada skenario pengujian ketiga dengan k=4 adalah 78.38%. Sedangkan Nilai akurasi tertinggi pada skenario pengujian keempat dengan k=5 adalah 77.03%. Nilai akurasi tertinggi dicapai pada rasio sebesar 7:3 antara data latih dengan data testing. AbstractDiabetes in pregnancy can increase various risks, both maternal and neonatal. Disorders of glucose homeostasis in pregnancy can increase the occurrence of congenital malformations, miscarriage, risk of preeclampsia, Cepalo Pelvic Dispropotion (CPD), premature birth, malformations, placenta previa and neonatal hypoglycemia. Thorough attention and treatment is needed for pregnancy with diabetes. Machine learning technology can be used to detect the risk of diabetes mellitus in pregnancy. Several data such as name, age, gestational age, gravida, para, past pregnancy history, past medical history, risk factors, and past birth history were used in the risk detection. Delivery process in pregnancy is affected by the physiologic of prospective mother and several other risk factors.The dataset used in this study was 248 examination data of pregnancy check up at the Lawang Health Center from January 2021 to August 2021. The study used 16 attributes in determining the risk, i.e., date of assessment, name of mother, date of HPHT, date of HPL, age, GPA, gestational age, KSPR, KSPR information, BMI, BMI category, reduction, albumin, hepatitis, HIV, and STIs. This study has follow the implementation stages of data collection, design, implementation, testing and data analysis. The highest accuracy for the first test scenario with k=2 is 70.27%. The highest accuracy for the second test scenario with k=3 is 75.68%. The highest accuracy for the third test scenario with k=4 is 78.38%. While the highest accuracy for the fourth test scenario with k=5 is 77.03%. Highest accuracies were achieved with the distribution ratio of 7:3 between training and testing data
Easy Data Augmentation untuk Data yang Imbalance pada Konsultasi Kesehatan Daring
Get PDFPendekatan augmentasi teks sering digunakan untuk menangani imbalance data pada kasus klasifikasi teks, seperti teks Konsultasi Kesehatan Daring (KKD), yaitu alodokter.com. Teknik oversampling dapat mengatasi kondisi skewed terhadap kelas mayoritas. Namun, augmentasi teks dapat mengubah konten dan konteks teks karena kata-kata teks tambahan yang berlebihan. Penelitian kami menyelidiki algoritma Easy Data Augmentation (EDA), yang berbasis parafrase kalimat dalam teks KKD dengan menggunakan teknik Synonym Replacement (SR), Random Insertion (RI), Random Swap (RS), dan Random Deletion (RD). Kami menggunakan Tesaurus Bahasa Indonesia untuk mengubah sinonim di EDA dan melakukan percobaan pada parameter yang dibutuhkan oleh algoritma untuk mendapatkan hasil augmentasi teks yang optimal. Kemudian, percobaan menyelidiki proses augmentasi kami menggunakan pengklasifikasi Random Forest, Naïve Bayes, dan metode berbasis peningkatan seperti XGBoost dan ADABoost, yang menghasilkan peningkatan akurasi rata-rata sebesar 0,63. Hasil parameter EDA terbaik diperoleh dengan menambahkan nilai 0,1 pada semua teknik EDA mendapatkan 88,86% dan 88,44% untuk akurasi dan nilai F1-score. Kami juga memverifikasi hasil EDA dengan mengukur koherensi teks sebelum dan sesudah augmentasi menggunakan pemodelan topik Latent Dirichlet Allocation (LDA) untuk memastikan konsistensi topik. Proses EDA dengan RI memberikan koherensi yang lebih baik sebesar 0,55 dan dapat mendukung implementasi EDA untuk menangani imbalance data, yang pada akhirnya dapat meningkatkan kinerja klasifikasi.
Abstract
The text augmentation approach is often utilized for handling imbalanced data of classifying text corpus, such as online health consultation (OHC) texts, i.e., alodokter.com. The oversampling technique can overcome the skewed condition towards majority classes. However, text augmentation could change text content and context because of excessive words of additional texts. Our work investigates the Easy Data Augmentation (EDA) algorithm, which is sentence paraphrase-based in the OHC texts that often in non-formal sentences by using techniques of synonym replacement (SR), random insertion (RI), random swap (RS), and random deletion (RD). We employ the Indonesian thesaurus for changing synonyms in the EDA and do empirical experiments on parameters required by the algorithm to obtain optimal results of text augmentation. Then, the experiments investigate our augmentation process using classifiers of Random Forest, Naïve Bayes, and boosting-based methods like XGBoost and ADABoost, which resulted in an average accuracy increase of 0.63. The best EDA parameter results were acquired by adding a value of 0.1 in all EDA techniques to get 88.86% and 88.44% for accuracy and F1-score values. We also verified the EDA results by measuring coherences of texts before and after augmentation using a topic modeling of Latent Dirichlet Allocation (LDA) to ensure topic consistency. The EDA process with RI gave better coherences of 0.55, and it could support the EDA application to handle imbalanced data, eventually improving the classification performance
Seleksi Fitur dengan Particle Swarm Optimization pada Klasifikasi Penyakit Parkinson Menggunakan XGBoost
Get PDFPenyakit Parkinson merupakan gangguan pada sistem saraf pusat yang mempengaruhi sistem motorik. Diagnosis penyakit ini cukup sulit dilakukan karena gejalanya yang serupa dengan penyakit lain. Saat ini diagnosa dapat dilakukan menggunakan machine learning dengan memanfaatkan rekaman suara pasien. Fitur yang dihasilkan dari ekstraksi rekaman suara tersebut relatif cukup banyak sehingga seleksi fitur perlu dilakukan untuk menghindari memburuknya kinerja sebuah model. Pada penelitian ini, Particle Swarm Optimization digunakan sebagai seleksi fitur, sedangkan XGBoost akan digunakan sebagai model klasifikasi. Selain itu model juga akan diterapkan SMOTE untuk mengatasi masalah ketidakseimbangan kelas data dan hyperparameter tuning pada XGBoost untuk mendapatkan hyperparameter yang optimal. Hasil pengujian menunjukkan bahwa nilai AUC pada model dengan seleksi fitur tanpa SMOTE dan hyperparameter tuning adalah 0,9325, sedangkan pada model tanpa seleksi fitur hanya mendapat nilai AUC sebesar 0,9250. Namun, ketika kedua teknik SMOTE dan hyperparameter tuning digunakan bersamaan, penggunaan seleksi fitur mampu memberikan peningkatan kinerja pada model. Model dengan seleksi fitur mendapat nilai AUC sebesar 0,9483, sedangkan model tanpa seleksi fitur hanya mendapat nilai AUC sebesar 0,9366.
Abstract
Parkinson\u27s disease is a disorder of the central nervous system that affects the motor system. Diagnosis of this disease is quite difficult because the symptoms are similar to other diseases. Currently, diagnosis can be done using machine learning by utilizing patient voice recordings. The features generated from the extraction of voice recordings are relatively large, so feature selection needs to be done to avoid deteriorating the performance of a model. In this research, Particle Swarm Optimization is used as feature selection, while XGBoost will be used as a classification model. In addition, the model will also be applied SMOTE to overcome the problem of data class imbalance and hyperparameter tuning on XGBoost to get optimal hyperparameters. The test results show that the AUC value on the model with feature selection without SMOTE and hyperparameter tuning is 0.9325, while the model without feature selection only gets an AUC value of 0.9250. However, when both SMOTE and hyperparameter tuning techniques are used together, the use of feature selection is able to provide improved performance on the model. The model with feature selection gets an AUC value of 0.9483, while the model without feature selection only gets an AUC value of 0.9366
Klasifikasi Tenun Timor Menggunakan Metode SVM Berdasarkan Speeded Up Robust Features
No full textPenelitian ini dilakukan sebagai upaya untuk melestarikan kain tenun Timor di bidang teknologi informasi, kususnya bidang pengolahan citra digital, yaitu pengenalan pola yang merupakan solusi untuk mengenali citra tenun secara otomatis. Dalam penelitian ini, klasifikasi citra tenun Timor mengaplikasikan metode SURF (Speeded Up Robust Feature) sebagai ekstraksi fitur dengan representasi BoVW (Bag of Visual Words) sedangkan SVM (Support Vector Machine) digunakan sebagai metode classifier. Agar kinerja BoVW lebih baik, digunakan pendekatan untuk menentukan jumlah cluster yang tepat untuk mengelompokkan pola visual words. Penentuan parameter algoritma klasifikasi SVM dilakukan adalah kernel dan metode multi class SVM yang digunakan. Data citra tenun Timor digunakan sebanyak 420 dengan 7 kelas motif citra akan dibagi menjadi data latih dan data uji menggunakan 5-fold cross validation. Berdasarkan hasil percobaan yang dilakukan, diperoleh hasil yang berbeda pada pengujian nilai cluster dan parameter SVM yang digunakan. Pada visual words dengan nilai cluster 500 dengan algoritma klasifikasi multi class SVM yaitu metode OVO (One Versus All) menggunakan kernel linear memperoleh hasil terbaik pada penelitian ini dengan tigkat Accuracy mencapai 98,10%. Dari hasil penelitian ini didapatkan metode untuk klasifikasi citra motif tenun Timor yang lebih akurat.
Abstract
This research was conducted as an effort to preserve Timor woven fabrics in the field of information technology, especially in the field of digital image processing, namely pattern recognition which is a solution to recognize weaving images automatically. In this study, the classification of Timorese woven images applies the SURF (Speeded Up Robust Feature) method as feature extraction with BoVW (Bag of Visual Words) representation while SVM (Support Vector Machine) is used as a classifier method. For better BoVW performance, an approach is used to determine the right number of clusters to group visual words patterns. Parameters for the SVM classification algorithm are determined using the kernel and the SVM multi-class method used. 420 Timorese weaving image data are used with 7 classes of image motifs which will be divided into training data and test data using 5-fold cross validation. Based on the results of the experiments conducted, different results were obtained in testing the cluster values and SVM parameters used. In visual words with a cluster value of 500 with the SVM multi-class classification algorithm, namely the OVO (One Versus All) method using a linear kernel, the best results were obtained in this study with an accuracy level of 98.10%. From the results of this study, a more accurate method for classifying images of Timorese woven motifs was obtained.%
Pengembangan Gim Simulasi Kehidupan untuk Peningkatan Literasi Grafik Menggunakan Framework DPE
Get PDFLiterasi grafik merupakan kemampuan untuk memahami dan menginterpretasikan informasi yang ditampilkan dalam bentuk grafik. Berdasarkan survei yang dilakukan oleh Tiro pada 155 mahasiswa di Universitas Negeri Makassar, didapatkan bahwa tingkat pemahaman konsep tabel dan grafik hanya sebesar 43%, selain itu, terdapat juga riset yang dilakukan oleh Mustain pada 59 murid yang duduk di bangku kelas 8 SMP, pada risetnya, didapatkan bahwa kurang dari 15% dari 59 murid tersebut memiliki nilai yang cukup untuk mendapatkan nilai Kriteria Ketuntasan Minimal dalam pembelajaran grafik. Hal ini terbilang mengkhawatirkan karena kemampuan untuk menginterpretasikan data dari membaca grafik merupakan kemampuan yang sangat penting dimiliki. Solusi yang ditawarkan pada penelitian ini adalah sebuah alternatif pembelajaran grafik menggunakan gim serius sebagai sumber pembelajaran. Pengembangan gim serius akan menggunakan kerangka kerja DPE pada proses desainnya. Pada penelitian ini akan dilakukan dua pengujian, yaitu pengujian black box, dan juga uji kompetensi pre-test dan post-test. Hasil dari pengujian black box menunjukan 100% valid pada pengujiannya, sehingga sistem terbukti dapat berjalan dengan baik. Dari pengujian uji kompetensi juga dapat dilihat peningkatan rata-rata nilai dari 70.657 menjadi 81.090, hasil ini membuktikan bahwa gim simulasi kehidupan dapat dijadikan sarana pembelajaran alternatif untuk grafik.
Abstract
Graphic literacy is the ability to understand and interpret information presented in graphical form. Based on a survey conducted by Tiro on 155 students at Makassar State University, it was found that the level of understanding of the concept of tables and graphs was only 43%, besides that, there was also research conducted by Mustain on 59 students who were in grade 8 junior high school, in his research, it was found that less than 15% of the 59 students had sufficient scores to get the Minimum Mastery Criteria score in learning graphics. This is somewhat worrying because the ability to interpret data from reading charts is a very important ability to have. The solution offered in this study is an alternative to graphic learning using serious games as a learning resource. Serious game development will use the DPE framework in their design process. In this study, two tests will be carried out, namely black box testing, as well as pre-test and post-test competency tests. The results of the black box testing show 100% valid in the test, so the system is proven to work properly. From the competency tests it can also be seen that the average score has increased from 70,657 to 81,090. These results prove that life simulation games can be used as an alternative learning tool for graphics
Akuisisi Bukti Digital Tiktok Berbasis Android Menggunakan Metode National Institute of Justice
Get PDFSeiring mudahnya menjangkau internet maka masyarakat sangat mudah menggunakan media sosial. Media sosial sangat berdampak positif bagi khalayak ramai seperti mudahnya dijangkau informasi dan mengakses perkembangan zaman, meskipun demikian tidak menutup kemungkinan media sosial dapat mendatangkan pengaruh negatif seperti tindak kejahatan cyberbullying, penipuan, ancaman, dan pencemaran nama baik. Aplikasi TikTok merupakan media sosial yang paling banyak diunduh menurut We Are Social dan Hootsuite pada Januari 2022 dan aplikasi TikTok rentan menyebabkan terjadinya kejahatan pencemaran nama baik, dan terjadinya ancaman. Penelitian ini bertujuan melakukan proses forensik untuk mendapatkan bukti-bukti pencemaran nama baik dan ancaman pada media sosial TikTok. Penelitian ini menggunakan framework dari National Institute of Justice (NIJ) dengan tahap identification, collection, examination, analysis, dan reporting. Tools yang digunakan dalam penelitian yaitu MOBILedit forensic Express. Proses forensik yang dilakukan berhasil mendapatkan data pada smartphone yang belum di-root hanya bisa mendapatkan informasi aplikasi TikTok, images, dan waktu kejadian dengan persantase tingkat keberhasilan 42,8%. Sedangkan pada smartphone yang sudah di-root didapatkan data berupa informasi aplikasi TikTok, nama akun, Messanges, image, waktu kejadian, dan video serta hastag tidak dapat ditemukan dengan persantase tingkat keberhasilan 85,7%. AbstractAs it is easy to reach the internet, it is very easy for people to use social media. Social media has a very positive impact on the general public such as easy access to information and access to the times, however it is possible that social media can have negative effects such as cyberbullying, fraud, threats, and defamation. The TikTok application is the most downloaded social media according to We Are Social and Hootsuite in January 2022 and the TikTok application is vulnerable to causing crimes of defamation, and threats. This study aims to conduct a forensic process to obtain evidence of defamation and threats on TikTok social media. This study uses a framework from the National Institute of Justice (NIJ) with the stages of identification, collection, examination, analysis, and reporting. The tools used in this research are MOBILedit Forensic Express. The forensic process that was carried out succeeded in obtaining data on a smartphone that had not been rooted, only being able to get information on the TikTok application, images, and the time of the incident with a success rate of 42.8%. Meanwhile, on a rooted smartphone, data in the form of TikTok application information, account names, messages, images, time of occurrence, and videos and hashtags could not be found with a success rate of 85.7%
Modifikasi Fonem Vokal Pada Stemming Kata Tidak Baku
Get PDFBahasa Indonesia termasuk bahasa yang paling populer digunakan di dunia. Bahasa Indonesia dapat berupa bahasa baku dan tidak baku. Bahasa tidak baku dapat dikarenakan oleh penyerapan dari bahasa asing atau bahasa daerah. Penyerapan ini dapat terjadi perganti huruf vokal. Kontribusi pada penelitian ini adalah melakukan modifikasi fonem pada huruf vokal untuk mengembalikan kata tidak baku ke dalam bentuk kata dasar yang baku disebut sebagai Modified Vocal Phonemes Non Formal. Percobaan dilakukan dengan 60 kata tidak baku yang sudah dilakukan preprocessing pada penelitian sebelumnya terlebih dahulu. Penelitian ini membandingkan hasil algoritma dengan algoritma pada penelitian sebelumnya. Algoritma Modified Vocal Phonemes Non Formal telah berhasil melakukan stemming dengan presisi 90.00% dengan 54 kata tidak baku yang sukses dikonversi ke kata dasar sesuai dengan Kamus Besar Bahasa Indonesia (KBBI) dan 6 kata masih belum berhasil dikonversi. AbstractIndonesian is one of the most popular languages spoken in the world. Indonesian can be standard and non-standard language. Non-standard language can be caused by absorption of foreign languages or village languages. This absorption can occur as a substitute for vowels. The contribution to this research is to modify the phonemes of vowels to return non-formal words into formal root forms known as Modified Vocal Phonemes in Non-Formal. The experiment was carried out with 60 non-formal words that have been preprocessed in the previous research. This research will compare the results of the algorithm with the algorithm in previous research. Algorithm Modified Vocal Phenomes Non-Formal has succeeded in performing stemming with 90.0% precision with 54 words that were successfully converted to base words according to the Big Indonesian Dictionary and 6 words were still not converted
Pengembangan Tes Bentuk Soal Pilihan Ganda dan Uraian Berbasis Higher Order Thinking Skills (HOTS) pada Ranah Kognitif Mata Pelajaran Pemrograman Dasar (Studi pada SMK Negeri 12 Malang)
Get PDFHasil belajar siswa dapat diketahui dengan tes. Dilihat dari survei internasional pada tahun 2018 (PISA), negara Indonesia menempati nilai terendah di Dunia karena soal yang digunakan masih belum mengukur Higher Order Thinking Skillls (HOTS). Pada penelitian ini dilakukan pengembangan tes dengan bentuk soal pilihan ganda dan uraian yang menggunakan indikator HOTS pada ranah kognitif seperti menganalisis (C4), mengevaluasi (C5), dan mencipta (C6). Metode yang digunakan pada penelitian ini yaitu metode research and development (R&D) dengan model formative research dari Tessmer, yang terdiri dari 4 tahap pengembangan yaitu preliminary¸ self evaluation, protoyping, dan field test. Hasil tahap preliminary yaitu telah menentukan subjek dan tempat penelitian yang berada di SMK Negeri 12 Malang, namun pelaksanaan pengujian dilakukan secara daring karena adanya Pandemi COVID-19. Tahap self evaluation menghasilkan desain soal yang disebut dengan prototype I. Tahap Prototyping menghasilkan soal yang telah diperbaiki pada uji ahli dan uji one-to-one yang disebut dengan prototype II, pada Uji small group tidak terdapat perbaikan karena mendapatkan respon positif dari peserta didik. Hasil pengujian field test yaitu terkumpul data sebanyak 29 orang, lalu dilakukan penskoran dan analisis kualitas soal. Hasil analisis kognitif peserta didik memiliki rata-rata cukup baik, sedangkan hasil analisis HOTS pada indikator menganalisis, mengevaluasi, dan mencipta adalah sangat kurang. Hal tersebut disebabkan karena peserta didik tidak mampu menjawab soal dengan baik dan banyak menjawab secara asal-asalan. Oleh karena itu perlu adanya pembiasaan menjawab soal dengan kriteria HOTS agar dapat melatih kognitif dan kemampuan berpikir tingkat tinggi. AbstractThe result of student learning can be known by the test. From the international survey in 2018 (PISA), Indonesia has lowest score in the world, because the questions used still not measured Higher Order Thinking Skills (HOTS). In this study, the development of test was carried out with the type of multiple choice questions and descriptions, using HOTS indicators in the cognitive domain such as analyzing (C4), evaluating (C5), and creating (C6). The method used in this study is research and development (R&D) method with the formative research model from Tessmer, which consist of 4 development stages namely preliminary¸ self evaluation, protoyping, and field test. The result of the preliminary stage has been determined the subject and place of research at SMK Negeri 12 Malang, but the testing was carried out online because of the COVID-19 pandemic. The self-evaluation stage produces questions design called prototype I. The prototyping stage produces questions that have been corrected in the expert test process and one-to-one test was called prototype II, in the small group test there’s no improvement because it gets a positive response from students. The results of the field test were 29 people data was collected then scored and analyzed the quality of the questions. The results of the cognitive analysis of students have a fairly good average, while the results of HOTS analysis on indicators of analyzing, evaluating, and creating are very lacking. This is because students are not able to answer questions well and many answer carelessly. Therefore it is necessary to get used to answering questions with HOTS criteria in order to train cognitive and higher-order thinking skills
EpCare: Prototipe Sistem Detektor Pre-Iktal Pasien Epilepsi Berbasis Fitur CSI dari Sinyal EKG 1 Kanal Menggunakan AD8232
Get PDFKejang epilepsi dapat terjadi di sembarang waktu dan tempat, dan dalam kondisi tertentu dapat menyebabkan cedera fatal. Oleh karena itu, kebutuhan akan perangkat wearable yang dapat mengirimkan peringatan kepada pengguna akan kejang yang akan datang adalah penting. Perangkat ini harus dapat merasakan kelainan pada sinyal biomedis pengguna dan mengirimkan peringatan sebelum kejang. Penelitian ini mengembangkan sistem yang mendeteksi kondisi pre-iktal pasien epilepsi berdasarkan fitur Cardiac Sympathetic Index (CSI) dari sinyal Elektrokardiogram (EKG). Listrik jantung pasien diukur menggunakan 3 elektroda yang dihubungkan ke AD8232 untuk mewakili sinyal 1 kanal. Algoritma Pan-Tompkins diimplementasikan untuk mendapatkan interval RR dari sinyal EKG. Kemudian fitur CSI dihitung berdasarkan nilai RR-interval. Distribusi setiap 100 interval RR dijadikan sebagai dasar untuk menentukan nilai ambang batas CSI. Ketika nilai CSI melebihi ambang batas ini, sistem akan mengirimkan peringatan ke aplikasi seluler, yang disebut EpCare. Eksperimen dilakukan pada dua kelompok data, yaitu kelompok data primer dari non-penderita epilepsi dan kelompok data sekunder dari penderita epilepsi. F-measure dari eksperimen yang menggunakan ambang batas dari orang normal sebesar 0.64, sedangkan F-measures dari eksperimen yang menggunakan ambang batas individual penderita epilepsy sebesar 0.50. AbstractEpileptic seizures may occur at anytime and anywhere, and in certain conditions may lead to fatal injury. Therefore, the need for wearable device that can alert user to an impending seizure is important. This device should be able to sense abnormality in user’s biomedical signals and send alert prior to seizure. This research develops a system that detects pre-ictal condition of epilepsy patient based on Cardiac Sympathetic Index (CSI) feature from Electrocardiogram (ECG) signals. Patient’s heart electricity is measured using 3 electrodes which are connected to AD8232 to represent 1 channel signal. Pan-Tompkins algorithm is implemented to obtain RR intervals of ECG signals. Then, CSI feature is calculated based on the values of RR-intervals. A distribution of every 100 RR-intervals is made as basis to determine a threshold value of CSI. When CSI value exceeds this threshold, system will send alert to a mobile application, called EpCare. Experiments were conducted on two groups of data, which are primary one from non-epileptic persons, and secondary one from epileptic patients. F-measures of experiments used threshold of non-epileptic person is 0.64, while F-measures of experiments used individual threshold of epileptic person is 0.50.
Implementasi Algoritma Random Forest Untuk Menentukan Penerima Bantuan Raskin
Get PDFKemiskinan adalah salah satu perhatian mendasar dari setiap pemerintah. Program Beras Keluarga Miskin (Raskin) merupakan salah satu program pemerintah. Skema raskin mempunyai tujuan meminimalisir beban rumah tangga tidak mampu sebagai bentuk bantuan untuk menaikkan ketahanan pangan melalui perlindungan sosial. Tujuan penelitian ini adalah menemukan akurasi tertinggi di antara algoritma klasifikasi prediktif yang diusulkan penerima bantuan raskin menggunakan tools python machine learning dan di implementasikan melalui suatu website. Klasifikasi adalah metode penambangan data yang menentukan kategori pada kelompok data untuk mendukung prediksi dan analisa yang semakin akurat. Beberapa algoritma klasifikasi pembelajaran mesin seperti, SVM, NB dan RF, digunakan pada penelitian ini demi menentukan penerima bantuan raskin. Eksperimen dilakukan menggunakan dataset Raskin Kelurahan Gunungparang, Kota Sukabumi yang bersumber dari Kelurahan Gunungparang. Kinerja algoritma klasifikasi dievaluasi dengan beragam metrik seperti Precision, Accuracy, F-Measure, dan Recall. Akurasi diukur melalui contoh yang dikelompokan dengan benar atau salah. Hasil yang diperoleh menunjukkan algoritma klasifikasi RF memiliki nilai precision, recall, f-measure dengan nilai 97%, nilai accuracy sebesar 97,26% dan nilai ROC 0,970, lebih baik dari algoritma klasifikasi lainnya yaitu perbedaan sebesar 5,11% dengan algoritma klasifikasi support vector machine dan 8,87% dengan algoritma klasifikasi naive bayes. Akurasi sangat baik digunakan sebagai acuan kinerja algoritma apabila jumlah False Negative dan False Positive jumlah nya mendekati. Hasil penelitian ini dibuktikan secara akurat dan sistematis menggunakan Receiver Operating Characteristic (ROC). Abstract The problem of poverty is one of the fundamental concerns of every government. The Raskin program is one of the government\u27s programs. The Raskin scheme has the aim of minimizing the burden on poor households in the form of assistance to improve food security by providing social protection. The purpose of this study is to find the highest accuracy among the predictive classification algorithms proposed by Raskin beneficiaries using python machine learning tools and implemented through a website. Classification is a data mining method that determines categories in data groups to support more accurate predictions and analysis. Therefore, three machine learning classification algorithms such as, support vector machine, naive bayes and random forest, were used in this experiment. to determine recipients of Raskin assistance. The experiment was carried out using the Raskin dataset, Gunungparang Village, Sukabumi City, which was sourced from Gunungparang Village. The performance of the classification algorithm is evaluated by various metrics such as Precision, Accuracy, F-Measure, and Recall. Accuracy is measured by correctly and incorrectly grouped samples. The results obtained show that the random forest classification algorithm has precision, recall, f-measure values with a value of 97%, an accuracy value of 97.26% and an ROC value of 0.970, better than other classification algorithms, namely the difference of 5.11% with the support vector classification algorithm. machine and 8.87% with naive bayes classification algorithm. Very good accuracy is used as a reference for algorithm performance if the number of False Negatives and False Positives is close. These results were proven accurately and systematically using Receiver Operating Characteristics (ROC)