Kanker usus merupakan salah satu penyakit yang dapat dicegah melalui kesadaran kesehatan yang baik dan deteksi dini. Namun, kurangnya edukasi kesehatan di kalangan remaja menjadi tantangan dalam upaya pencegahan penyakit ini. Program kemitraan masyarakat (PKM) ini bertujuan untuk memberikan edukasi dan meningkatkan pemahaman siswa SMP Ibu Kartini Semarang tentang pola hidup bersih dan sehat (PHBS), faktor risiko, serta deteksi dini kanker usus. Selain itu, program ini juga memperkenalkan aplikasi mobile Oncodoc sebagai sarana untuk deteksi dini kanker secara mandiri. Kegiatan dalam program ini mencakup sesi edukasi kesehatan, demonstrasi penggunaan aplikasi mobile Oncodoc, serta evaluasi pemahaman peserta melalui diskusi dan tanya jawab. Hasil evaluasi menunjukkan bahwa setelah mengikuti program, pemahaman siswa mengenai faktor risiko kanker usus, pentingnya pola hidup sehat, dan manfaat deteksi dini meningkat secara signifikan. Siswa juga menunjukkan ketertarikan terhadap penggunaan teknologi sebagai alat bantu dalam menjaga kesehatan. Temuan dari program ini mengindikasikan bahwa edukasi berbasis teknologi dapat menjadi metode yang efektif dalam meningkatkan kesadaran kesehatan remaja. Oleh karena itu, program serupa direkomendasikan untuk diperluas ke sekolah lain dengan tambahan sesi tindak lanjut guna memastikan pemanfaatan aplikasi secara optimal dalam mendukung edukasi kesehatan

Pembuatan model klasifikasi memerlukan beberapa hal yang penting untuk diperhatikan demi mendapatkan model yang memiliki performa terbaik. Indikator suatu model disebut baik dapat dilihat salah satunya dari tingginya nilai akurasi dan f1-score yang dihasilkan dari model tersebut. Rendahnya nilai loss juga merupakan salah satu indikator model tersebut memiliki performa yang baik. Untuk dapat membuat model yang baik, diperlukan beberapa syarat seperti arsitektur yang tepat dan data yang berkualitas. Pemilihan model yang terlalu sederhana akan mengakibatkan model memiliki performa yang buruk, begitupun jika model terlalu kompleks tidak akan menghasilkan performa yang baik pula, oleh karena itu model yang dipilih haruslah model yang tepat  dan sesuai dengan jenis data yang digunakan. Data yang berkualitas juga merupakan faktor penting agar model memiliki performa maksimal. Data dapat dikatakan berkualitas jika memenuhi syarat seperti jumlahnya cukup, distribusi datanya seimbang tiap kelas, memiliki keanekaragaman dan memiliki kebersihan yang baik.  Pada penelitian ini, dilakukan pembuatan model klasifikasi CT Kidney Stone dengan dataset yang imbalance. Dataset diperoleh dari sumber publik yaitu Kaggle. Pembuatan model menggunakan algoritma CNN karena CNN merupakan salah satu algoritma yang terbaik dalam membuat klasifikasi gambar. Pembuatan model menggunakan 3 cara untuk melihat model yang memiliki performa paling baik. Model pertama dibuat dengan data train yang imbalance. Model kedua dibuat dengan melakukan augmentasi data untuk menambah keragaman data. Model ketiga dibuat dengan SMOTE oversampling untuk menyeimbangkan distribusi data. Setelah itu ketiga model tersebut akan diuji dengan menggunakan data privat untuk melihat performa pengujian dan melihat tingkat overfitting yang terjadi. Penelitian ini menghasilkan bahwa model yang memiliki performa terbaik adalah model ketiga yang menggunakan SMOTE.

Kista ginjal adalah pertumbuhan jaringan berbentuk kantong yang berisi carian pada sekitar ginjal. Seringkali kista ginjal tidak menimbulkan gejala, sehingga memerlukan pantauan reguler dokter. Dokter dapat melakukan pemeriksaan dan merencanakan tindakan penelitian lebih lanjut. Penelitiaan ini fokus pada model klasifikasi kista menggunakan model Deep Learning dengan arsitektur Convolution Neural Network (CNN), jenis jaringan syaraf tiruan untuk analisis gambar CT scan kista ginjal. Selain itu, penggunaan teknik pre-processing untuk meningkatkan performa model dengan memperbanyak varisasi data. Dalam membuat model klasifikasi perlu memperhatikan pemahaman data, tingkat interpretabilitas model, dan penanganan overfitting. Overfitting terjadi ketika model terlalu fokus pada data latih, sehingga tidak dapat memproses data uji dengan baik. Solusi untuk menangani masalah distribusi kelas adalah dengan penyeimbang kelas (resampling). Resampling dibagi menjadi dua jenis yaitu, undersampling dan oversampling. Undersampling merupakan metode sampling secara acak memilih di kelas mayoritas dan menambahkannya di kelas minoritas. Dan oversampling merupakan menggandakan sampel di kelas minoritas secara acak. Pada hasil pengujian model yang dilakukan dapat ditarik kesimpulan bahwa penggunaan teknik undersampling RUS memiliki tingkat akurasi tertinggi dengan nilai 30,82% untuk klasifikasi kista ginjal pada dataset tidak seimbang.