Publication Search

Penelitian ini menganalisis distribusi dan perubahan Total Fertility Rate (TFR) dan Infant Mortality Rate (IMR) di Kalimantan Tengah selama 2020-2025 berdasarkan data proyeksi SP2020. Hasilnya menunjukkan penurunan rata-rata TFR dari 2.29 menjadi 2.23, dan IMR dari 18.02 menjadi 15.91, mencerminkan keberhasilan program keluarga berencana dan layanan kesehatan. Variasi TFR antar kabupaten/kota relatif kecil, sementara IMR menunjukkan ketimpangan yang lebih besar, dengan beberapa wilayah seperti Kotawaringin Timur dan Barito Timur mencatat penurunan signifikan. Penelitian ini merekomendasikan peningkatan layanan kesehatan di wilayah dengan IMR tinggi, penguatan program keluarga berencana, dan monitoring berbasis data untuk memastikan pemerataan pembangunan kesehatan.

Penelitian ini adalah untuk meningkatkan efisiensi layanan transportasi kereta api di Jabodetabek dengan melakukan prediksi jumlah penumpang menggunakan metode Monte Carlo. Dengan menggunakan simulasi ini, data dari tahun 2019-2023 telah dianalisis untuk memprediksi tren pertambahan jumlah penumpang. Prediksi yang telah dibuat akan dimanfaatkan dalam perencanaan kapasitas serta peningkatan kualitas layanan. Maka diharapkan bahwa studi ini akan berkontribusi positif terhadap peningkatan kualitas transportasi kereta api dan efisiensi ekonomi negara. Tujuan khususnya yaitu untuk menyiapkan basis data yang solid untuk merencanakan operasional kereta api, mengenali kecenderungan penggunaan, dan memaksimalkan pemanfaatan sumber daya yang tersedia. Dengan metode ini, pengelola transportasi dapat membuat keputusan yang lebih cerdas dan proaktif untuk mengatasi kenaikan jumlah penumpang di masa depan, sambil meningkatkan tingkat kenyamanan dan kepuasan pengguna layanan kereta api di wilayah Jabodetabek.

Alzheimer's and Parkinson's diseases are neurodegenerative conditions that affect the brain, with Alzheimer's causing cognitive and behavioral decline, while Parkinson's leads to motor and non-motor impairments. Both diseases have significant impacts on the health and quality of life of patients, with prevalence increasing in recent years. Although the exact causes of these diseases are still unknown, MRI (Magnetic Resonance Imaging) is widely used to detect brain activity and serves as one of the diagnostic methods. With technological advancements, intelligent systems in image processing for image classification have been extensively used and have become a popular field due to their ability to replicate human visual capabilities. Image classification is performed using various supervised learning machine learning algorithms based on the shape, texture, and color of the images. This study employs two Convolutional Neural Network (CNN) architectures, ResNet50 and GoogLeNet, to compare the performance of these models in classifying MRI scans of patients with Alzheimer's and Parkinson's diseases. The results show that the ResNet50 model outperforms the GoogLeNet model, with parameters set to 100 epochs, a batch size of 128, a learning rate of 0.0001, and the Adam optimizer, achieving an accuracy rate of 90%.