Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kesehatan merupakan kebutuhan dasar setiap manusia untuk menjalani kehidupan sehari hari. Urinalisa merupakan pemeriksaan kesehatan tubuh berdasarkan cairan urin. Protein merupakan salah satu parameter yang dapat digunakan untuk mengetahui kondisi kesehatan tubuh. Keadaan protein yang tidak normal dalam tubuh dapat mengindikasikan adanya penyakit gangguan ginjal, gagal jantung dan proteinuria. Urine analyzer merupakan alat yang dapat mendeteksi adanya protein dalam urin. Keterbatasan akses menggunakan alat Urine Analyzer menjadi latar belakang dilakukan pengukuran protein dalam urin berbasis ponsel pintar. Ponsel pintar mempunyai kamera ponsel yang memungkinkan digunakan dalam pemrosesan gambar. Ponsel pintar yang digunakan untuk pengukuran protein pada urin dalam penelitian ini adalah Huawei Nova 5T dan Samsung Galaxy A51 dengan menggunakan aplikasi Opencamera untuk mengambil citra sampel strip uji dan papan warna. Pada penelitian ini dilakukan pula pengujian ukuran resolusi kamera terhadap algoritma koreksi warna dan segmentasi pada citra. Data citra kemudian dilakukan koreksi warna untuk menghasilkan warna citra yang optimal. Metode koreksi warna yang digunakan adalah metode Root-Polynomial Color Correction (RPCC). Citra hasil koreksi warna selanjutnya digunakan sebagai data masukan untuk pengukuran kadar protein pada urin menggunakan model regresi Artificial Neural Network dengan metode fungsi pelatihan Lavenberg-Marquardt. Hasil penelitian menunjukan bahwa, algortima koreksi warna bekerja optimal pada ukuran resolusi minimum sampai resolusi maksimum. Algortima koreksi warna yang digunakan menghasilkan performa yang baik dengan hasil evaluasi koreksi warna sebesar 1,13 – 1,83 ΔE. Model regresi menggunakan ANN menghasikan nilai evaluasi sebesar 0,05 – 0,04 RRMSE atau 95% - 96%. Hasil ini menyimpulkan bahwa algortima model regresi Artificial Neural Network dengan fungsi pelatihan Lavenberg-Marquardt dapat digunakan untuk pengukuran kadar protein pada urin berbasis ponsel pintar.

---

Health is a basic need of every human being. Urinalysis is an examination of the body's health based on urine. Protein is one of the parameters that can be used to determine the health condition of the body. The state of abnormal protein in the body can indicate kidney disorders, heart failure and proteinuria. Urine analyzer is a tool that can detect the presence of protein in urine. Limited access using Urine Analyzer is the background for measuring protein in urine based on smart phones. Smartphones have cell phone cameras that allow them to be used in image processing. The smart phones used for measuring protein in urine in this study were Huawei Nova 5T and Samsung Galaxy A51 using the application Opencamera to take sample images of test strips and color boards. In this study, the size of the camera resolution was also tested against color correction algorithms and image segmentation. The image data is then color corrected to produce the optimal color image. The color correction method use the Root-Polynomial Color Correction (RPCC) method. The color-corrected image then used as input data for measuring protein levels in urine using regression model Artificial Neural Network with training function method Lavenberg-Marquardt. The results show that the color correction algorithm works optimally at the minimum resolution to the maximum resolution. The color correction algorithm used produces good performance with the results of the color correction evaluation being 1,13 – 1,83 ΔE. The regression model using ANN produces an evaluation value of 0.05 – 0.04 RRMSE or 95% – 96%. These results conclude that the regression model algorithm Artificial Neural Network with training function Lavenberg-Marquardt can be used for smartphone-based urine protein measurement."

"Sistem perpipaan merupakan salah satu yang sering digunakan diindustri seperti industri petrokimia untuk mentransmisikan bahan dasar berupa minyak, air maupun gas. Jenis pengelasan yang cocok untuk sistem perpipaan adalah pengelasan pipa orbital. Dalam penelitian ini dilakukan pengelasan pipa orbital dengan pengelasan Gas Tungsten Arc Welding (GTAW) tanpa logam pengisi (autogenous) pada pipa baja tahan karat tipe SS316L. Dimensi dari material uji adalah diameter luar 114 mm dan ketebalan 3 mm. Empat metode pengelasan diterapkan untuk mencari metode yang terbaik untuk menghasilkan kualitas lasan. Metode pengelasan diantaranya metode konvensional, arus pulsa, urutan pengelasan dan kontrol artificial neural network (ANN). Keempat metode ini dilakukan dengan alat pengelasan pipa orbital secara fully mechanized yang dijalankan oleh operator las. Kualitas hasil lasan meliputi geometri las (lebar manik dan kedalaman penetrasi), distorsi pada pipa, struktur makro, struktur mikro dan sifat mekanik (kekuatan tarik dan kekerasan mikro). Tahap pertama membandingkan pengelasan dengan metode konvensional dan kontrol ANN terhadap kualitas hasil lasan. Kemudian tahap kedua adalah membandingkan pengelasan dengan metode arus pulsa, urutan pengelasan dan kontrol ANN. Terakhir adalah mencari metode pengelasan serta parameter pengelasan yang optimal untuk menghasilkan kualitas lasan yang optimal.Hasil penelitian ini menunjukkan bahwa pengelasan dengan metode kontrol ANN lebih baik daripada metode konvensional. Dilihat dari segi lebar manik lebih stabil dengan metode kontrol ANN yaitu 10±0,6 mm. Tetapi untuk kedalaman penetrasi lebih baik menggunakan metode konvensional. Kemudian untuk distorsi yang terjadi lebih kecil menggunakan metode kontrol ANN yang kurang dari 200 µm. Struktur mikro yang terbentuk untuk kedua metode ini hampir sama untuk daerah tengah lasan. Kekuatan tarik maksimal untuk setiap posisi pipa lebih stabil menggunakan metode kontrol ANN. Sedangkan kekerasan mikro lebih kecil jika menggunakan metode kontrol ANN.Perbandingan kualitas hasil lasan dengan metode arus pulsa, urutan pengelasan dan kontrol ANN menunjukkan bahwa metode kontrol ANN lebih baik dalam beberapa aspek. Aspek lebar manik menunjukkan metode kontrol ANN menghasilkan lebar manik yang lebih seragam yaitu 10±0,6 mm. Namun untuk kedalaman penetrasi lebih baik dengan metode arus pulsa. Distorsi pipa dengan metode kontrol ANN juah lebih kecil dibandingkan dengan kedua metode lainnya. Selanjutnya untuk struktur mikro yang teramati tidak jauh berbeda antara ketiga metode pengelasan. Kekuatan tarik maksimal untuk metode kontrol ANN lebih stabil untuk setiap posisi pipa dan kekerasan mikro terendah terjadi di daerah lasan dengan metode kontrol ANN.Metode optimasi yang diterapkan adalah response surface method (RSM) dan Taguchi method. Selain itu digunakan juga analysis of variance (ANOVA) untuk mengetahui tingkat signifikasi parameter pengelasan. Respon dari optimasi adalah kekuatan tarik yang maksimum, distorsi pipa yang minimum dan lebar manik yang ditargetkan 10 mm. Hasil metode optimasi menunjukkan bahwa metode kontrol ANN menghasilkan kualitas lasan yang paling baik diantara metode pengelasan lainnya. Metode kontrol ANN dengan parameter arus pengelasan 106 A dan kecepatan awal pengelasan 1,5 mm/d dapat menghasilkan kekuatan tarik maksimum sebesar 670 MPa, distorsi melintang, distorsi aksial, keovalan dan tapers masing-masing adalah 126 µm, 252 µm, 94 µm dan 168 µm serta lebar manik sebesar 9,97 mm.

---

The piping system is one that is often used in industries such as the petrochemical industry to transmit basic materials in the form of oil, water and gas. The type of welding suitable for piping systems is orbital pipe welding. In this study, welding of orbital pipes with Gas Tungsten Arc Welding (GTAW) welding without filler metal (autogenous) was carried out on stainless steel pipes of type SS316L. The dimensions of the test material are 114 mm outside diameter and 3 mm thickness. Four welding methods were applied to find the best method to produce quality welds. Welding methods include conventional methods, pulse current, welding sequences and artificial neural network (ANN) control. These four methods are carried out with an fully mechanized orbital pipe welding device operated by a welding operator. The quality of the welds includes weld geometry (bead width and penetration depth), pipe distortion, macrostructure, microstructure and mechanical properties (tensile strength and microhardness). In the first stage, comparing welding with conventional methods and ANN control on the quality of the welds. Then the second stage is to compare welding with pulse current method, welding sequence and ANN control. The last is to find the optimal welding method and welding parameters to produce optimal weld quality.

The results of this study indicate that the welding with the ANN control method is better than the conventional method. In terms of bead width, it is more stable with the ANN control method, which is 10±0.6 mm. But for the depth of penetration it is better to use conventional methods. Then for smaller distortion, use the ANN control method which is less than 200 m. The microstructure formed for both methods is almost the same for the center of the weld. The maximum tensile strength for each pipe position is more stable using the ANN control method. While the micro hardness is smaller when using the ANN control method.

Comparison of weld quality with pulse current, welding sequence and ANN control method shows that the ANN control method is better in several aspects. The bead width aspect shows that the ANN control method produces a more uniform bead width of 10±0.6 mm. However, the penetration depth is better with the pulse current method. The pipe distortion with the ANN control method is much smaller than the other two methods. Furthermore, the observed microstructure is not much different between the three welding methods. The maximum tensile strength for the ANN control method is more stable for each pipe position and the lowest microhardness occurs in the weld area with the ANN control method.

The optimization methods applied are the response surface method (RSM) and the Taguchi method. In addition, analysis of variance (ANOVA) is also used to determine the level of significance of welding parameters. The response of the optimization is maximum tensile strength, minimum pipe distortion and a targeted bead width of 10 mm. The results of the optimization method show that the ANN control method produces the best weld quality among other welding methods. The ANN control method with a welding current parameter of 106 A and an initial welding speed of 1.5 mm/s can produce a maximum tensile strength of 670 MPa, transverse distortion, axial distortion, ovality and tapers respectively 126 m, 252 m, 94 m and 168 m and a bead width of 9.97 mm.

"

"Tujuan penelitian ini adalah melakukan studi awal guna memprediksi nilai kerma udara dan half value layer (HVL) pesawat CT scan berdasarkan citra fantom homogen. Penelitian ini dilakukan dengan menggunakan citra homogen dari fantom standar CT scan yang dilakukan ekstraksi fitur GLCM (Gray Level Co-occurence Matrix), dengan data tambahan berupa nilai kVp pengambilan citra. Sebagai label output adalah hasil pengukuran kerma udara dan HVL. Model yang digunakan berbasis artificial neural network, dengan hyperparameter ditentukan berdasarkan teknik hyperparameter tuning dengan menggunakan Teknik Gridsearch. Pencarian hyperparameter berupa fungsi aktivasi, jumlah hidden layer, jumlah hidden unit, kernel initializer, dan optimizer dilakukan dengan Analisa performa hasil. Kualitas performa klasifikasi model artificial neural network menggunakan confusion matrix menunjukkan akurasi sebesar 84,4% pada model yang dilatih menggunakan input fitur GLCM, sedangkan pada model artificial neural network yang menggunakan input fitur GLCM dan kVp menunjukkan akurasi sebesar 100%. Hasil ini menunjukkan bahwa fitur GLCM mampu menghasilkan akurasi yang baik untuk melakukan prediksi kerma udara dan HVL. Namun, jika disertai dengan fitur kVp sebagai input, maka proses training akan menghasilkan akurasi yang sangat baik, dengan gejala dominasi fitur kVp terhadap fitur GLCM.

---

The goals of this research is to do preliminary study to predict air kerma and half value layer (HVL) of CT scan base on phantom image which has homogeneous characteristic. This research starts with GLCM (Gray Level Co-occurence Matrix) feature extraction process from the phantom image, the kVp value also extracted from the phantom image dicom information. While the target during training is air kerma and HVL measurement resulted from the dosimeter and solid state device. Machine learning model used for this research is artificial neural network (ANN) base Machine Learning model. However, the hyperparameter have not yet been found. Thus, this problem could be solved by using Hyperparameter tuning technique, specifically using Gridsearch with variety of activation function, hidden layers, hidden units, kernel initializer, and optimizer as the parameter guideline. The performance of classification model is measured using confusion matrix technique. The classification performance show that the model which trained using GLCM feature only has 84.4% accuracy to predict air kerma and HVL. While, the classification performance show that the model which trained using GLCM feature and kVp that extracted from the dicom information has 100% accuracy to predict air kerma and HVL. Although, the model that train using GLCM feature and kVp can predict much better than the model which trained using GLCM feature only, it shows that GLCM feature is dominated by kVp feature that extracted from the dicom information."

"Kanker kandung kemih pada citra Computed Tomography Scanner (CT-Scan) memiliki bentuk, lokasi dan tekstur yang berbeda untuk setiap citra. Kandung kemih setiap orang memiliki ukuran yang berbeda saat pengambilan gambar. Gambar kontras dan non-kontras yang diambil pada CT scan kandung kemih dapat digunakan untuk menentukan struktur dan bentuk kandung kemih. Namun, perbedaan gambar kontras antara kelainan dan kandung kemih yang sehat seringkali tidak terlihat secara visual, sehingga sulit untuk mengevaluasi. Walaupun sudah banyak penelitian tentang deteksi kanker kandung kemih berdasarkan citra CT yang telah dilakukan, namun dilaporkan bahwa tingkat keberhasilan pendeteksian kanker kandung kemih masih tergolong rendah. Dalam penelitian ini, Computer-Aided Diagnosis (CAD) digunakan untuk membantu mengevaluasi kelainan kandung kemih menggunakan metode segmentasi berdasarkan algoritma Active Contour. Fitur citra berbasis Gray Level Co-Occurrence Matrix (GLCM) digunakan sebagai masukan dari Artificial Neural Network (ANN) untuk mengklasifikasikan citra normal dan citra abnormal. Penelitian CAD ini menggunakan MATLAB. Sampel yang digunakan berjumlah 320 citra dengan ketentuan 200 citra abnormal (25 pasien) dan 120 citra normal (8 pasien) digunakan sebagai data latih dan pengujian. Hasil pengujian berdasarkan Receiver Operating Characteristic (ROC) didapatkan akurasi pelatihan sebesar 90.2 ± 2.68% dan akurasi pengujian sebesar 89.2 ± 2.95%. Hasil ini berarti bahwa sistem CAD yang dikembangkan ini dapat mengenali citra kandung kemih yang normal dan abnormal.

---

Bladder cancer on a Computed Tomography Scanner (CT-Scan) image has a different shape, location and texture for each image. Each person's bladder is different in size when the image is taken. Contrast and non-contrast image captured on a CT scan of the bladder can be used to determine the structure and shape of the bladder. However, the difference in contrast images between an abnormality and a healthy bladder is often not visually obvious, making the evaluation is difficult. In this study, Computer-Aided Diagnosis (CAD) is used to help evaluating bladder abnormalities using the segmentation method based on an active contour algorithm. The Gray Level Co-Occurrence Matrix (GLCM)-based features of the images are used as the inputs of the Artificial Neural Network (ANN) to classify the normal and abnormal images. The research CAD in this study using MATLAB. A total number of samples were 320 images with 200 abnormal (25 patient) and 120 normal (8 patient) images were used as training and testing data. The result based on Receiver Operating Characteristic (ROC) illustrated that the training accuracy was 90,2 ± 2.68% and the test accuracy was 89,2 ± 2,95%. These results mean that this developed CAD system can recognize normal and abnormal bladder images"

"Tuberkulosis (TB), yang disebabkan oleh Mycobacterium tuberculosis menjadi masalah kesehatan masyarakat yang signifikan di Indonesia. Permasalahan ini diperburuk oleh meningkatnya insiden resistensi antimikroba, terutama terhadap rifampisin sebagai obat lini pertama untuk tuberkulosis. Salah satu pendekatan yang menjanjikan untuk mengatasi masalah ini adalah eksplorasi obat-obatan baru. Aktinomiset, kelompok mikroorganisme yang dikenal menghasilkan berbagai senyawa bioaktif, telah banyak dilaporkan memiliki potensi dalam memproduksi antibiotik. Penelitian ini bertujuan untuk mengetahui potensi aktinomiset asal Indonesia sebagai penghasil senyawa bioaktif yang memiliki kemampuan menghambat M. tuberculosis resisten rifampisin. Penelitian ini menggunakan aktinomiset yang diisolasi dari Pulau Kalimantan, Indonesia, dan diseleksi menggunakan high-throughput screening dengan model Mycobacterium untuk menilai aktivitas anti-tuberkulosisnya. Ekstrak terpilih kemudian diuji lebih lanjut menggunakan metode uji kepekaan obat yang sudah divalidasi, seperti Resazurin Microtiter Assay (REMA) dan Drug Susceptibility Testing (DST-MGIT). Hasil penelitian menunjukkan bahwa satu spesies aktinomiset mampu menghambat strain Mycobacterium tuberculosis yang resistan terhadap rifampisin. High-resolution mass spectrometry (HRMS) dilakukan untuk mengidentifikasi senyawa kimia yang ditemukan dalam ekstrak aktif. Metabolit-metabolit ini dimurnikan lebih lanjut menggunakan kromatografi kolom untuk mengisolasi senyawa spesifik yang berperan dalam aktivitas anti-TB. Fraksi potensial dipisahkan menjadi dua senyawa, dan diperoleh fraksi dengan kode F12B yang memiliki satu spot pada KLT dan nilai MIC lebih rendah dibandingkan yang lain, yaitu 28 μg/mL melalui uji DST-MGIT dan 3 μg/mL melalui uji REMA.Metal-organic framework (MOF) telah menunjukkan potensi sebagai penyerap untuk penangkapan gas CO2, tetapi biaya pembuatannya tidak praktis untuk aplikasi industri. Peningkatan kapasitas adsorpsi CO2, penurunan biaya produksi, dan pengurangan energi regenerasi masih sedikit untuk diteliti. Dalam penelitian ini, kami membuat MOF dengan L-Glutamic Acid sebagai bio-ligan dan kobalt klorida sebagai sumber ion logam, yakni Bio-MOF Co-Glu. Keberhasilan fabrikasi Bio-MOF dievaluasi dengan scanning electron microscope, analisis isoterm adsorpsi-desorpsi N2, analisis gravimetri termal, X-ray difraksi, dan teknik Fourier-transform infrared spectroscopy. Pengukuran volumetrik diamati pada berbagai temperatur (27oC, 35oC, 50oC). Kalor isosterik adsorpsi dan selektivitas CO2/N2 juga dievaluasi dengan meregresi data eksperimen dengan teknik Persamaan Isotermal Langmuir-Freundlich dan IAST. Selanjutnya, pemodelan jaringan saraf menunjukkan validitas yang sangat tinggi (R = 0,99) dari data yang diprediksi. Optimasi multi-objektif dilakukan dengan tiga fungsi objektif. Titik optimum untuk mendapatkan kapasitas maksimum CO2 dan selektivitas dengan panas adsorpsi ringan berturut-turut adalah 0,158 g/g, 112,34 J/g, dan 2,105. Ini adalah studi pertama yang membuat prediksi dengan tiga fungsi objektif dalam adsorpsi gas dan melakukan optimasi multiobjektif untuk serapan CO2, panas adsorpsi, dan selektivitas. Hasil ini memberikan dasar untuk penggunaan algoritme pembelajaran mesin dalam hubungannya dengan pengoptimalan multi-objektif untuk menyelidiki kinerja adsorpsi gas di bawah persyaratan aplikasi industri.

---

Metal-organic frameworks (MOFs) have demonstrated potential as adsorbents for CO2 capture, but their cost makes them impractical for industrial applications. Increasing the CO2 adsorption capacity, lowering the MOF production cost, and reducing the energy regeneration have been less well studied. In the present study, we fabricate a MOF with L-Glutamic Acid as the bio-ligand and cobalt chloride as the metal-ion source, Bio-MOF Co-Glu. The success of Bio-MOF fabrication was evaluated by scanning electron microscopy, N2 adsorption-desorption isotherm analysis, thermal gravimetric analysis, x-ray diffraction, and Fourier-transform infrared spectroscopy techniques. The volumetric measurement was observed at various temperatures (27oC,35oC,50oC). Isosteric heat of adsorption and CO2/N2 selectivity were also evaluated by regressing the experimental data with Langmuir-Freundlich Isothermal equation and IAST techniques. Further, the neural network modelling showed a considerably high validity regressing (R=0,99) of the predicted data. Multi-objective optimization was conducted with three objective functions, CO2 uptakes, heat of adsorption, and CO2/N2 selectivity. The optimum point to get maximum capacity of CO2 and selectivity with mild heat of adsorption are 0,158 g/g, 112,34 J/g, and 2,105. respectively. This is the first study to make predictions in gas adsorption and conduct multi-objective optimization with a genetic algorithm for CO2 uptake, separation factor, and selectivity variable objectives. These results provide a basis for the use of machine learning algorithms in conjunction with multi-objective optimizations to investigate the output performance of gas adsorption under the requirements of industrial applications."

"Keterbatasan sumber daya lahan akan mempengaruhi terbentuknya konversi lahan dan mengakibatkan perubahan kondisi penutupan lahan, hal ini disebabkan oleh permintaan lahan yang berbanding terbalik dengan jumlah lahan yang tersedia. Pada sektor industri terlihat adanya pertumbuhan PDRB sektor industri dari tahun 2015 ke tahun 2019 dengan kontribusi sebesar 35,22 persen. Penutupan lahan perlu ditata dan direncanakan sesuai dengan fungsi dan karakteristik lahan, sehingga tercipta ruang yang aman, produktif, dan berkelanjutan. Penelitian ini menggunakan metode CA-MC dan ANN untuk memprediksi perubahan penutupan lahan di Kabupaten Tangerang Tahun 2030. Hasil penelitian menunjukkan Kabupaten Tangerang mengalami perubahan penutupan lahan yang signifikan selama 10 tahun, dari tahun 2010-2020. Bangunan industri mengalami peningkatan seluas 3.557 Hektar, sementara itu untuk lahan sawah dan tambak mengalami penurunan luas lahan yaitu seluas 3.607 hektar dan 1.144 hektar, untuk penutup lahan lainnya mengalami perubahan berfluktuasi. Peningkatan luas lahan permukiman terjadi di daerah perbatasan antara Kabupaten Tangerang dengan Kota Tangerang dan Tangerang Selatan. Dengan adanya peningkatan luas lahan di daerah perbatasan antara Kabupaten Tangerang dengan Kota Tangerang, DKI Jakarta, dan Tangerang Selatan, maka akan terjadi peningkatan jumlah penduduk di daerah tersebut  Hasil prediksi menunjukkan pada penutupan lahan tahun 2030, terjadi peningkatan luas penutupan lahan permukiman dan penurunan luas lahan sawah. Hasil validasi Kappa untuk prediksi adalah 0.66. Setelah dibandingkan dengan RTRW Kabupaten Tangerang, setidaknya terdapat 51% persamaan total luas lahan dengan kawasan permukiman seluas 27.775 hektar, kawasan pertanian sebesar 20.878 hektar, daerah resapan air seluas 2.230 hektar, dan kawasan industri seluas 1.894 hektar.

---

Limited land resources will affect the formation of land conversion and result in changes in land cover conditions, this is caused by land demand which is inversely proportional to the amount of available land. In the industrial sector, there is a growth in the GRDP of the industrial sector from 2015 to 2019 with a contribution of 35.22 percent. The land cover needs to be arranged and planned according to the function and characteristics of the land, to create a safe, productive, and sustainable space. This study uses the CA-MC and ANN methods to predict land cover changes in Tangerang Regency in 2030. The results show that Tangerang Regency has experienced significant land cover changes for 10 years, from 2010 - 2020. Industrial buildings have increased by 3,557 hectares, meanwhile, for paddy fields and ponds, the land area decreased, namely 3,607 hectares and 1,144 hectares, for other land cover changes fluctuated. an increase in land area that occurs in the border area between Tangerang Regency and Tangerang City and South Tangerang. With an increase in land area in the border area between Tangerang Regency and Tangerang City, DKI Jakarta, and South Tangerang, there will be an increase in the number of residents in the area. Prediction results show that in 2030 land cover will increase land cover area and decrease paddy field area. Kappa validation result for prediction is 0.66. After being compared with the Tangerang Regency RTRW, there are at least 51% similarities in the total land area with an area of ​​27,775 hectares, an area of ​​20,878 hectares, a water catchment area of ​​2,230 hectares, and an industrial area of ​​1,894 hectares. "

"Kecamatan Gunung Putri merupakan kecamatan di Kabupaten Bogor yang memiliki nilai strategis karena kedekatannya dengan Kota Jakarta dan beberapa kota lainnya yang berdampak pada peningkatan jumlah penduduk. Disisi lain peningkatan jumlah penduduk menjadi salah satu faktor peningkatan alih fungsi lahan dari lahan non terbangun menjadi lahan terbangun. Peningkatan lahan terbangun berdampak pada peningkatan suhu permukaan daratan/Land Surface Temperature (LST). Penelitian ini bertujuan untuk menganalisis perkembangan lahan terbangun dan pengaruhnya terhadap LST tahun 2004-2024, mensintesa pemodelan lahan terbangun dan LST tahun 2044 serta menganalisis kesesuaian prediksi lahan terbangun terhadap RTRW di Kecamatan Gunung Putri. Prediksi lahan terbangun dan LST tahun 2044 menggunakan metode Cellular Automata Artificial Neural Network (CA-ANN) melalui plugin MOLUSCE pada perangkat lunak QGIS. Hasil penelitian ini menunjukkan bahwa selama kurun waktu 2004-2024 lahan terbangun di Kecamatan Gunung Putri mengalami peningkatan sebesar 972,27 Ha dan berdampak pada peningkatan LST. Model prediksi penutup lahan tahun 2044 menunjukkan bahwa lahan terbangun mengalami peningkatan menjadi 4.130,98 Ha atau 67,8% dari luas Kecamatan Gunung Putri. Model prediksi LST tahun 2044 menunjukkan bahwa kelas suhu 45°C - 50°C mendominasi wilayah Kecamatan Gunung Putri dengan luas 2.836,59 Ha (58,60%). Sementara itu prediksi lahan terbangun tahun 2044 menunjukkan bahwa 92,25% luas lahan terbangun telah sesuai dengan peruntukan pola ruang RTRW sementara 7,75% berada pada lokasi tidak sesuai yaitu berada pada kawasan sempadan perairan.

---

Gunung Putri District is a district in Bogor Regency that has strategic value because of its proximity to Jakarta and several other cities that have an impact on increasing population. On the other hand, increasing population is one of the factors that increase land conversion from non-built-up area to built-up area. The increase in built-up area has an impact on increasing Land Surface Temperature (LST). This study aims to analyze the development of built-up area and its effect on LST in 2004-2024, synthesize the modelling of built-up area and LST in 2044 and analyze the suitability of built-up area predictions with spatial plans in Gunung Putri District. Predictions of built-up area and LST in 2044 use the Cellular Automata Artificial Neural Network (CA-ANN) method through the MOLUSCE plugin in QGIS software. The results of this study indicate that during the period 2004-2024 built-up area in Gunung Putri District increased by 972.27 Ha and had an impact on increasing LST. The land cover prediction model in 2044 shows that built-up area will increase to 4,130.98 Ha or 67.8% of the area of ​​Gunung Putri District. The LST prediction model in 2044 shows that the temperature class of 45°C - 50°C dominates the Gunung Putri District area with an area of ​​2,836.59 Ha (58.60%). Meanwhile, the prediction of built-up area in 2044 shows that 92.25% of the built-up area is in accordance with the spatial plans, while 7.75% is in an unsuitable location, namely in the water boundary area."

"Financial distress merupakan kondisi kesulitan keuangan yang pada umumnya dialami oleh perusahaan sebelum perusahaan tersebut dapat dinyatakan bangkrut. Dengan menggunakan laporan keuangan, kondisi tersebut pada dasarnya dapat diprediksi. Prediksi dari financial distress sangat berguna bagi manajemen perusahaan untuk melakukan tindakan korektif dalam antisipasinya menghadapi kebangkrutan. Model prediksi dari financial distress sendiri telah berkembang dari penggunaan statistik tradisional hingga artificial intelligence atau machine learning. Penelitian ini bertujuan untuk menganalisis model prediksi financial distress dengan menerapkan machine learning dan membandingkan tiga algoritma dari data mining yaitu decision tree, support vector machine, dan artificial neural network. Sampel dalam penelitian ini menggunakan 115 perusahaan distressed dan 115 perusahaan non-distressed yang aktif di Bursa Efek Indonesia selama periode 2011 hingga 2016 yang diteliti untuk dua tahun yaitu l-t dan t-1. Dalam penelitian ini, dari sebanyak 29 rasio keuangan akan dipilih rasio yang paling sesuai dengan menggunakan feature selection. Hasil dari penelitian menunjukkan bahwa algoritma decision tree dengan tingkat akurasi sebesar 86,37 untuk tahun l-t dan decision tree dengan tingkat akurasi sebesar 88,98 untuk tahun l t-1 memiliki tingkat akurasi yang paling tinggi dalam mengantisipasi financial distress di Indonesia.

---

Financial distress is a condition of financial difficulties that generally a firm would have first go through before the company can be declared bankrupt. By using financial statements, this condition basically could be predicted. Prediction of financial distress is very useful as it could help firms rsquo management to take corrective actions in anticipation of bankruptcy. The predictive model of financial distress itself has evolved from the use of traditional statistics to artificial intelligence or machine learning.

This study aims to analyze financial distress prediction model by applying machine learning and comparing three algorithms from data mining namely decision tree, support vector machine, and artificial neural network. The sample in this study used 115 distressed companies and 115 non distressed companies active on the Indonesia Stock Exchange during the period 2011 to 2016 studied for two years ie t and t-1. In this research, from 29 financial ratios will be selected the most appropriate ratios by using feature selection.

The result of this research shows that decision tree algorithm with 86.37 accuracy for year t and decision tree with accuracy of 88.98 for year t-1 has the highest accuracy in anticipating financial distress in Indonesia. "

"Luasnya dampak negatif gangguan depresi terhadap kehidupan seseorang membawa urgensi akan pentingnya metode diagnosis yang akurat dan objektif agar bisa menerapkan langkah pengobatan yang cepat pada pasien yang depresi. Metode diagnosis gangguan depresi yang berbasis kuesioner atau wawancara berpotensi subyektif, karena pasien bisa saja tidak menceritakan dengan detail kondisi yang dialaminya. EEG dapat menjadi sarana alternatif untuk mencapai diagnosis yang akurat dan objektif tersebut. Sinyal EEG mengandung banyak fitur yang dapat diekstrak dengan mudah, contohnya Relative Power Ratio (RPR). Penelitian ini mengekstrak fitur RPR dari sinyal EEG dengan menggunakan dua metode, yaitu STFT (Short-Time Fourier Transform) dan PSD (Power Spectral Density) dari 14 elektroda EEG yang tersedia. Fitur RPR yang diekstrak akan direduksi menggunakan algoritma PCA (Principal Component Analysis) ke dalam dimensi yang lebih rendah dengan tetap mempertahankan variansi (informasi) fitur sebesar 90%. Model ANN (Artificial Neural Network) dengan jenis FNN (Feedforward Neural Network) digunakan untuk klasifikasi pasien yang sehat dengan yang depresi. Dampak dari algoritma PCA akan dilihat pada performa model FNN dan lama waktu pelatihan yang dibutuhkan model FNN. Performa model yang akan diukur adalah akurasi, sensitivitas dan spesifisitas. Performa model akan divalidasi menggunakan 10-Fold Validation yang dijalankan sebanyak 10 iterasi. PCA berhasil mereduksi dimensi fitur RPR sebesar 57.1% dengan metode PSD dan 57.1% dengan metode STFT. Akurasi tertinggi yang didapatkan model FNN adalah 69.5% ketika menerapkan algoritma PCA pada RPR metode PSD, dan 68% ketika menerapkan algoritma PCA pada fitur RPR metode STFT. Penerapan PCA pada fitur RPR menurunkan waktu pelatihan model sebesar 6.33% dengan metode PSD dan sebesar 42.56% dengan metode STFT. Performa model FNN lebih baik setelah penerapan PCA dibandingkan dengan menggunakan fitur RPR langsung ke dalam model FNN. Hal ini menunjukkan bahwa PCA memiliki potensi untuk menurunkan waktu pelatihan model FNN dengan tetap mempertahankan performa model FNN.

---

The extent of the negative impact of depressive disorder on a person’s life raises the urgency of the importance of an accurate and objective diagnostic method to quickly apply treatment steps for depressive patients. Diagnostic method that based on questionnaire and interview has the potential to be subjective, because the patient might be not fully explain his condition. EEG or Electroencephalography could be an alternative way to achieve the accurate and objective diagnostic. EEG signal has many features that can be extracted easily, for example the Relative Power Ratio. This research extracted RPR features from EEG signal by implementing two methods, STFT (Short-Time Fourier Transform) and PSD (Power Spectral Density) from 14 available EEG electrodes. The extracted RPR features will be reduced by using PCA algorithm to a lower dimension while still retaining 90% variance (information) from the features. ANN (Artificial Neural Network) with the type of FNN (Feedforward Neural Network) will be used to classify healthy patients with depressed patients. The effect of PCA algorithm will be seen on the FNN model’s performances and on the training duration of the FNN model. Model’s performances that will be measured are accuracy, sensitivity, and specificity. Model’s performances will be validated by using 10-Fold Validation which will be executed for 10 iterations. PCA managed to reduce 57.1% RPR features’ dimensions by using PSD method and 57.1% by using STFT method. The highest accuracy achieved by FNN model is 69.5% when implementing PCA algorithm to the RPR features from the PSD method, and 68% when implementing PCA algorithm to the RPR features from STFT method. The implementation of PCA to the RPR features managed to reduce 6.33% training duration of FNN model for the PSD method and 42.56% for the STFT method. Better FNN model’s performances are shown after the implementation of PCA algorithm compared to when using the RPR features directly to the FNN model. This shows that PCA has a potential of reducing the training duration of the FNN model while still retaining FNN model’s performances."

"Krisis ekonomi yang terjadi di masa lalu menimbulkan pertanyaan tentang validitas Efficient Market Hypothesis dan mendorong berkembangnya model-model yang dapat memprediksi indeks harga saham. Salah satunya yaitu prediksi memanfaatkan komponen ekonomi yang diketahui mempengaruhi IHSG dan memprosesnya dengan teknik machine learning. Support Vector Machine dikenal memiliki kemampuan untuk menangani data berdimensi tinggi dan memiliki keunggulan dibandingkan algoritma yang lain. Performa SVM akan dibandingkan dengan Artificial Neural Network (ANN) dan algoritma klasik Multiple Linear Regression (MLR). Studi ini diawali mengidentifikasi pengaruh komponen ekonomi terhadap IHSG mendatang. Hasil penelitian menunjukkan bahwa SVM memiliki kinerja paling baik dalam memprediksi harga indeks saham keesokan harinya (t + 1), namun kinerja ANN paling baik untuk memprediksi t + 5, t + 10, dst.

---

The economic crisis that occurred in the past raised questions about the validity of the Efficient Market Hypothesis and encouraged the development of models that can predict the stock price. One of them is prediction utilizing economic components known to affect IDX composite index and processed by machine learning techniques. Support Vector Machines are known to have the ability to handle high-dimensional data and have advantages over other algorithms. SVM performance will be compared to Artificial Neural Networks (ANN) and the classic Multiple Linear Regression (MLR) algorithm. This study begins with identifying the influence of economic component on the future IDX composite index. The results showed that SVM had the best performance in predicting the next day stock index prices (t+1), but ANN's performance was better than others for predicting t+5, t+10, and so on."