Publication Search

Demam berdarah dengue merupakan tantangan kesehatan masyarakat yang terus berulang di wilayah tropis, termasuk Indonesia. Penelitian ini bertujuan untuk memprediksi jumlah kasus tahunan dengan memanfaatkan lima algoritma pembelajaran mesin, yaitu Regresi Linier, Decision Tree, Random Forest, Support Vector Machine (SVM), dan Neural Network. Data historis tahun 2017–2024 diolah menggunakan teknik windowing deret waktu untuk menghasilkan fitur lag yang sesuai bagi pembelajaran terawasi. Evaluasi kinerja dilakukan melalui metrik Mean Absolute Error (MAE), Mean Squared Error (MSE), Root Mean Squared Error (RMSE), serta koefisien determinasi (R²). Model Decision Tree menunjukkan performa paling unggul pada sebagian besar indikator. Prediksi untuk tahun 2025 mengindikasikan adanya peningkatan moderat jumlah kasus. Namun, rendahnya nilai R² pada seluruh model mengisyaratkan perlunya pendekatan multivariat yang lebih kompleks dengan mempertimbangkan faktor iklim, lingkungan, dan demografi. Hasil penelitian ini menegaskan pentingnya kualitas data dan pemilihan fitur yang tepat dalam peramalan epidemiologis guna mendukung perencanaan kesehatan yang lebih efektif.

Abstrak Penelitian ini mengembangkan sistem deteksi aritmia pada lansia menggunakan sinyal elektrokardiogram (EKG) 5-lead dan algoritma Support Vector Machine (SVM). Data EKG yang diperoleh melalui perangkat Smart Holter direkam secara kontinu dan diproses melalui tahapan praproses, meliputi koreksi baseline, filtering dengan metode Butterworth, ekstraksi fitur, normalisasi, serta pelabelan manual oleh dokter spesialis jantung untuk validitas klinis. Model SVM kemudian dilatih dan diuji dengan hasil akurasi sebesar 95,80% pada data pelatihan dan 94,57% pada data pengujian. Evaluasi performa model menggunakan confusion matrix, nilai presisi, recall, dan kurva ROC menunjukkan kemampuan klasifikasi empat kategori aritmia secara akurat dan seimbang dengan nilai AUC antara 0,98 hingga 1,00. Hasil ini menunjukkan potensi sistem sebagai alat bantu diagnosis dini aritmia khususnya pada pasien lansia. Untuk penelitian selanjutnya, disarankan peningkatan variasi data, perbandingan dengan metode lain seperti CNN atau LSTM, peningkatan kualitas sinyal dan fitur, serta pengujian di lingkungan klinis guna mengoptimalkan penerapan sistem dalam praktik medis.    Kata Kunci: Elektrokardiogram (EKG), Aritmia, Support Vector Machine (SVM), Lansia

Tingkat keberhasilan deteksi penyakit jantung sangat bergantung pada akurasi model klasifikasi yang digunakan. Penelitian ini bertujuan membandingkan kinerja dua algoritma klasifikasi, yaitu K-Nearest Neighbor (KNN) dan Support Vector Machine (SVM), dalam mendeteksi penyakit jantung menggunakan dataset berjumlah 1025 sampel dengan dua kelas target, yakni sehat dan penyakit jantung. Proses pra-pemrosesan data meliputi pembersihan dan normalisasi fitur medis seperti usia, tekanan darah, serta kadar kolesterol. Evaluasi performa model dilakukan menggunakan metode Confusion Matrix, K-Fold Cross Validation, kurva Receiver Operating Characteristic (ROC), dan kurva Precision-Recall untuk mengukur akurasi, presisi, recall, serta keseimbangan antara presisi dan recall. Hasil pengujian menunjukkan bahwa algoritma KNN unggul dalam menghasilkan akurasi tinggi yaitu 99% dengan AUC ROC sempurna 1.00 dan presisi yang hampir konsisten sepanjang recall, sementara SVM menunjukkan performa stabil dengan akurasi 91%, AUC ROC 0.97, dan AP Precision-Recall sebesar 0.96. Penelitian ini menegaskan efektivitas KNN dalam menghasilkan prediksi penyakit jantung yang sangat akurat dengan potensi risiko overfitting pada parameter k kecil, sedangkan SVM memberikan kestabilan model dengan kemampuan generalisasi yang lebih baik. Temuan ini diharapkan dapat menjadi referensi dalam pemilihan algoritma klasifikasi yang sesuai untuk mendukung diagnosis penyakit jantung secara klinis.

Bitcoin sebagai salah satu cryptocurrency paling populer yang menawarkan peluang investasi besar namun disertai dengan volatilitas harga yang tinggi. Penelitian ini bertujuan untuk memprediksi harga Bitcoin menggunakan model Support Vector Machine (SVM) dan menganalisis risiko pasar yang melekat. Dataset historis Bitcoin digunakan untuk melatih model dengan fitur seperti harga pembukaan, harga tertinggi, harga terendah, dan volume perdagangan. Penelitian menggunakan model SVM yang dioptimalkan melalui tuning parameter untuk meningkatkan akurasi prediksi. Evaluasi model dilakukan menggunakan metrik Mean Absolute Error (MAE) dan Root Mean Squared Error (RMSE). Hasil evaluasi menunjukkan performa model yang baik dengan MAE sebesar 0,0036 dan RMSE sebesar 0,0050. Korelasi fitur menunjukkan hubungan yang kuat antara harga penutupan dengan variabel harga lainnya, sementara volume memiliki hubungan moderat. Analisis risiko menggunakan pengembalian harian mengidentifikasi volatilitas signifikan, yang menjadi tantangan dalam pengambilan keputusan investasi. Penelitian ini menyimpulkan bahwa model SVM efektif dalam memprediksi tren harga Bitcoin. Namun, analisis risiko tetap penting untuk mendukung strategi investasi yang lebih bijaksana.    

Kontaminasi bakteri patogen dalam produk makanan mahal bagi masyarakat dan industri. Metode tradisional untuk mendeteksi dan mengidentifikasi patogen bawaan makanan seperti Listeria monocytogenes biasanya memakan waktu 3-7 hari. Pada makalah ini, sistem klasifikasi dikembangkan untuk mengidentifikasi pengambilan citra bakteri menggunakan alat optical light scattering dan menghasilkan citra berbentuk grayscale. Algoritma klasifikasi yang diusulkan didasarkan pada Invariant Zernike Moment berbasis Support Vector Machine pada kernel Radial Chebyshev Moments yang dihitung dari dataset citra bakteri apda 4 genus yang digunakan sebagai dataset. Sebanyak 400 citra bakteri dengan 100 citra pada masing-masing jenis genus telah di uji dan menghasilkan akurasi pada proses indetifikasi dengan capaian sebesar 78,33% pada 5-fold Cross Validation.