Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pada tanggal 11 Maret 2020, WHO menetapkan COVID-19 sebagai pandemi di dunia. Dilansir dari situs covid19.who.int, per 19 Juni 2021 Indonesia berada di urutan ke-18 dan memiliki 1,963,266 kasus terkonfirmasi dengan total 54,043 pasien yang meninggal. Salah satu kasus berat atau termasuk dalam kelompok kritis adalah pasien dengan Acute Respiratory Distress Syndrom (ARDS). Melihat banyaknya kasus ARDS yang berakhir dengan kematian dan terbatasnya gambaran klinis terkait ARDS yang disebabkan oleh COVID-19 membuat penelitian ini berfokus untuk mengidentifikasi faktor risiko yang berasosiasi dengan kejadian ARDS pada pasien COVID-19. Faktor-faktor risiko kejadian ARDS pada pasien COVID-19 diidentifikasi dengan menggunakan metode classification tree dimana performa model diukur dari nilai akurasi, sensitivitas, spesifisitas, dan AUC. Cost matrix digunakan sebagai strategi rebalancing data. Besaran risiko relatif faktor-faktor tersebut terhadap ARDS akan dihitung dengan menggunakan metode regresi logistik. Model yang dihasilkan memiliki nilai akurasi, sensitivitas, spesifisitas, dan AUC masing-masing sebesar 0.879, 0.804, 0.900, dan 0.852. Pasien COVID-19 yang mengalami peningkatan kadar hemoglobin, PCO_2 dan CRP, penurunan kadar PCT, saturasi oksigen, dan urea, mengalami gejala sesak napas, dan memiliki komorbid pneumonia secara rata-rata memiliki risiko lebih tinggi untuk mengalami kejadian ARDS.

---

On March 11, 2020, WHO declared COVID-19 as a worldwide pandemic. Reporting from the website covid19.who.int, as of June 19, 2021, Indonesia was in 18th place and had 1,963,266 confirmed cases with a total of 54,043 patients who died. One of the severe cases or included in the critical group was a patient with Acute Respiratory Distress Syndrome (ARDS). Seeing the large number of ARDS cases that ended in death and the limited clinical picture related to ARDS caused by COVID-19 made this research to be focused on identifying risk factors associated with ARDS incidence in COVID-19 patients. Identification of risk factors for the incidence of ARDS in COVID-19 patients using a classification method where the performance of the model is measured of the values of accuracy, sensitivity, specificity, and AUC. Cost matrix is used as a data rebalancing strategy. The relative risk of ARDS was calculated using the logistic regression method. The accuracy, sensitivity, specificity, and AUC obtained in the model are 0.879, 0.804, 0.900, and 0.852, respectively. COVID-19 patients who experienced increased hemoglobin, PCO_2, and CRP levels, decreased PCT levels, oxygen saturation, and urea, experienced symptoms of shortness of breath, and had pneumonia on average had a higher risk of developing ARDS."

"Machine learning atau pembelajaran mesin merupakan sebuah metode yang sudah tidak asing lagi didengar. Akhir-akhir ini pembelajaran mesin sering digunakan untuk menyelesaikan masalah kebencanaan, khususnya pada pembuatan peta likuefaksi. Pembelajaran mesin akan memprediksi daerah-daerah yang memiliki potensi likuefaksi dari rendah hingga ke tinggi. Pada penelitian ini, metode pembelajaran mesin yang akan digunakan adalah Decision Tree dan Random Forest, dan beberapa algoritma lain sebagai pembanding dari 2 algoritma sebelumnya. Likuefaksi dipengaruhi oleh seismisitas atau magnitudo terjadinya gempa pada suatu wilayah. Pada penelitian ini digunakan 2 magnitudo sebagai pembanding yaitu magnitudo 6 dan magnitudo 7.5. Selain itu di penelitian ini digunakan 4 peta prediktor sebagai fitur-fitur input yaitu PGA (Peak Ground Acceleration), MAT (muka air tanah), Slope (kemiringan lereng) dan Vs30 (kecepatan gelombang geser). Penelitian ini mengambil 33 titik pengambilan sampel untuk melatih model pembelajaran mesin ini. Untuk nilai akurasi dari masing-masing algoritma yaitu menggunakan confusion matrix untuk membandingkan performa dari model DT dan RF.

---

Machine learning is a method that is already familiar to hear. Lately, machine learning is often used to solve disaster problems, especially in making liquefaction maps. Machine learning will predict areas that have the potential for liquefaction from low to high. In this study, the machine learning methods that will be used are Decision Tree and Random Forest, and several other algorithms as a comparison of the previous 2 algorithms. Liquefaction is influenced by the seismicity or magnitude of the earthquake in an area. In this study, 2 magnitudes were used as comparison, namely magnitude 6 and magnitude 7.5. In addition, this study uses 4 predictor maps as input features, namely PGA (Peak Ground Acceleration), MAT (ground water level), Slope (slope) and Vs30 (shear wave velocity). This study took 33 sampling points to train this machine learning model. For the accuracy value of each algorithm, it uses a confusion matrix to compare the performance of the DT and RF models."

"Klasifikasi adalah proses menugaskan satu set data ke dalam kelas yang ada berdasarkan nilai setiap atribut. Pengklasifikasi pohon keputusan diklaim lebih cepat dan berproduksi akurasi yang lebih baik. Namun, ia memiliki beberapa kelemahan di mana pengklasifikasi rentan untuk overfitting. Overfitting adalah suatu kondisi di mana model tidak mampu menarik kesimpulan data baru dengan cara yang benar. Overfitting di pohon keputusan dapat dihindari dengan memotong subtree pengaruh kecil dalam melakukan klasifikasi ketika pohon ditanam, disebut post-pruning, yang bertujuan untuk meningkatkan kinerja model dalam memprediksi data. Tesis ini mengusulkan metode pasca pemangkasan dengan menerapkan Risiko Bayes, di mana estimasi risiko setiap simpul induk dibandingkan dengan simpul daunnya. Sebagai perbandingan, pemangkasan pasca lainnya Metode yang diterapkan, yaitu Reduced Error Pruning (REP). Kedua metode tersebut diterapkan untuk tiga dataset klasifikasi churn pelanggan dari situs Kaggle dan IBM Datasets. Untuk hasilnya, Bayes Risk Post-Pruning dapat meningkatkan kinerja Decision Tree lebih baik dari Reduced Error Pruning dengan meningkatkan nilai akurasi, presisi, dan daya ingat. Kedua metode juga diterapkan pada tiga proporsi berbeda untuk data pelatihan (60%, 70% dan 80%). Hasilnya menunjukkan bahwa semakin besar ukuran dataset pelatihan dikaitkan akurasi, presisi, dan daya ingat model yang lebih tinggi.

---

Classification is the process of assigning a set of data to an existing class based on the value of each attribute. Decision tree classifiers are claimed to be faster and produce better accuracy. However, it has several disadvantages where the classifier is prone to overfitting. Overfitting is a condition in which the model is unable to draw new data conclusions in the right way. Overfitting in the decision tree can be avoided by cutting the subtree of small influence in classifying when the tree is planted, called post-pruning, which aims to improve the performance of the model in predicting data.

This thesis propose a post-pruning method by applying Bayes Risk, where the estimated risk of each parent node is compared to the leaf node. As a comparison, other post pruning methods are applied, namely Reduced Error Pruning (REP). Both methods are applied for three customer churn classification datasets from the Kaggle site and IBM Datasets. For the results, Bayes Risk Post-Pruning can improve Decision Tree performance better than Reduced Error Pruning by increasing the value of accuracy, precision, and memory. Both methods are also applied to three different proportions for training data (60%, 70% and 80%). The results show that the greater the size of the training dataset is associated with higher model accuracy, precision, and recall."

"Penyakit Parkinson terbagi dalam dua subtipe, yaitu Tremor Dominant (TD) dan Postural Instability/Gait Dominant (PIGD). Tiap subtipe memiliki perbedaan dalam penanganan klinis, sehingga perlu dilakukan klasifikasi subtipe penyakit Parkinson. Dalam Statistika, ada beberapa model yang membahas klasifikasi diantaranya adalah decision tree, regresi logistik, dan logit leaf model (LLM). LLM merupakan model campuran dari decision tree dan regresi logistik yang diusulkan oleh De Caigny et al. (2018). Penulisan ini membahas klasifikasi subtipe penyakit Parkinson menggunakan model klasifikasi statistika beserta penanganan masalah imbalanced data yang terjadi pada data penyakit Parkinson. Diperoleh model klasifikasi regresi logistik dengan melakukan proses SMOTE ± = 600, = 200 untuk menangani masalah imbalanced data. Model tersebut memberikan akurasi sebesar 98,83%, sensitivitas sebesar 98,41%, dan spesifisitas sebesar 99,07%.

---

Parkinsons Disease has two sub-types which are Tremor Dominant (TD) and Postural Instability/Gait Difficulty (PIGD). Each subtype has the difference in clinical treatment, so it is necessary to classify Parkinsons Disease subtypes. In Statistics, there are statistical models for classifying such as decision tree, logistic regression, and logit leaf model (LLM). LLM is a hybrid model from decision tree and logistic regression that proposed by (De Caigny et al., 2018). In this thesis discuss Parkinsons Disease Classification using statistical models with imbalanced data problem handling happen in Parkinson`s Disease data. For the result, logistic regression by processing SMOTE ± = 600, = 200 to handle data imbalanced problem. The model provides an accuracy of 98,83%, sensitivity of 98.41%, and specificity of 99.07%."

"Penjualan produk fesyen merupakan penjualan dengan tingkat kompetisi yang sangat tinggi dimana inventris merupakan faktor penting yang mempengaruhi permintaan produk dan keuntungan perusahaan. Produk fesyen merupakan produk dengan siklus hidup yang sangat singkat dimana suatu produk dapat digantikan dengan produk yang baru dalam jangka waktu yang sangat cepat. Kendala berupa kelebihan stok maupun kekurangan stok merupakan masalah yang sering terjadi. Perkiraan permintaan yang akurat untuk produk-produk tersebut sangat penting dalam mendorong operasi bisnis yang efisien dan mencapai keunggulan kompetitif yang berkelanjutan. Metode peramalan yang akurat sangat diperlukan dalam meramalkan produk fesyen karena beragamnya produk fesyen, selain itu produk fesyen memiliki data historis yang terbatas karena siklus hidupnya yang pendek. Oleh karena itu, sangat penting untuk mengembangkan metode peramalan yang berbeda untuk menganalisis tren permintaan produk ini. Dalam penelitian ini, skema peramalan dilakukan meggunakan metode hibrida klastering K-Means untuk melakukan agregasi terhadap beberapa jenis produk fesyen pada produk lama/produk historis, klasifikasi decision tree untuk meramalkan produk baru berdasarkan karakteristik produk lama, serta metode moving average untuk meramalkan penjualan berdasarkan time series pada produk baru.

---

Indonesian local fashion products are currently common in Indonesia because of highly level of competition where many business owner start their business in fashion local, higher demand from Indonesian citizen, efficient product development timeline and increasingly product diversity. The significant growth of Indonesian fashion local product has caused of a competitive business with the scope of Indonesian fashion local business. Accurate demand forecasting of such products become important in driving effective business especially in local fashion product and achieving a sustainable competitive advantage. In this study, forecasting demand of Indonesian local fashion product using hybrid method clustering K-means algorithm, classification method decision tree and moving average was conducted. Five independent variable/attribute descriptive was conducted to classify the item using decision tree classification method. They are color, size, material, price, and motif. In this research, the forecasting was performed as mid-term forecasting method. "

"Persaingan yang semakin ketat dalam usaha jasa konstruksi menuntut para pelaku usaha jasa konstruksi untuk meningkatkan daya saing usaha mereka diantaranya dengan peningkatan efisiensi, inovasi, dan  juga peningkatan kejelian dalam melihat peluang klaim. Secara rinci, perkara di sektor konstruksi yang ditangani BANI (Badan Arbitrase Nasional Indonesia) saja mencapai 27,09% dari total kasus yang ditangani lembaga tersebut sepanjang 2014 – 2018 (beritasatu, 2019) dimana persentase tersebut adalah tertinggi dibanding kasus lainnya. Penelitian tentang prediksi klaim yang dilakukan pada penelitian sebelumnya lebih banyak mengenai prediksi timbulnya klaim. Padahal kepentingan para pihak terhadap suatu klaim yang timbul tidak berhenti sampai klaim tersebut diajukan saja tetapi sampai klaim tersebut dapat diterima atau tidak diterima. Pada penelitian ini akan dicari apa saja faktor yang mempengaruhi klaim tersebut dapat diterima atau tidak diterima dan bagaimana faktor-faktor tersebut dapat mempengaruhi keberhasilan  klaim. Penelitian ini dibatasi pada klaim konstruksi yang disebabkan oleh keterlambatan penyelesaian pekerjaan. Dalam Penelitian ini, untuk melakukan prediksi keberhasilan klaim akibat keterlambatan penyelesaian pekerjaan digunakan teknik klasifikasi Pohon Keputusan dengan algoritma C4.5. Hasil penelitian menunjukkan bahwa administrasi klaim merupakan faktor yang paling berpengaruh dalam keberhasilan suatu klaim sehingga klaim dapat diterima, dan dengan akurasi model sebesar 81,29%.

---

Competition in the construction business is increasingly tighter so requires construction business actors to improve their business competitiveness, including by increasing efficiency, innovation, and also increasing carefulness in seeing of claim opportunities. In detail, cases in the construction sector handled by BANI (the Indonesian National Arbitration Board) reached 27.09% of the total cases handled by this institution during 2014 - 2018 (Dimas, 2019), which is its the highest percentage of all cases in BANI. Most of the previous research on claim prediction is more about predicting the emergence of claims. In fact, the interests of the parties in a claim that arise do not stop until the claim is submitted, but until the claim is accepted or not accepted. In this research, we will look for what are the factors that influence the claim can be accepted or not accepted and predict how these factors can affect the success of the claim. This Research is limited to construction claims caused by delays in completion of work. In this Research, to determine the probability of claim success factors due to delays in completion of work, the Decision Tree C4.5 algorithm is used. The research showed that administration of klaim is the most influential factor in the success of a claim so that the claim can be accepted, and with a model accuracy of 81.29%. "

"Data Center Network (DCN) adalah sebuah pendekatan populer dalam membangun jaringan dengan skala besar yang dapat melakukan pemrosesan data. Komponen-komponen yang ada pada DCN seperti server, switches, dan link dipandang sebagai sebuah kesatuan yang saling bekerja sama untuk dapat melayani permintaan proses data. Dalam operasinya, DCN membutuhkan topologi, dimana topologi tersebut adalah representasi bentuk jaringan dan bagaimana masing-masing komponen dalam DCN terhubung dan saling berkomunikasi. Beberapa topologi yang dapat dimplementasikan pada DCN diantaranya adalah topologi fat tree (yang paling sering digunakan) dan topologi BCube. Masing-masing topologi membutuhkan routing protocol yang dapat menentukan jalur terbaik bagi node server untuk dapat berkomunikasi. Pada penelitian ini mengusulkan penggunaan routing protocol XPath yang dapat meminimalisir penggunaan path berlebihan dengan cara melakukan kompresi menggunakan algoritma two step compression. Routing protocol XPath dimplementasikan pada masing-masing topologi dan disimulasikan menggunakan NS-3 Simulator untuk mendapatkan perbandingan hasil akhir berupa rata-rata throughput dan delay masing-masing topologi. Dari hasil penelitian dan pengujian didapat bahwa topologi BCube pada data center network yang mengimplementasikan routing protocol XPath menghasilkan nilai performansi yang lebih baik dibandingkan topologi Fat Tree. Implentasi routing protocol XPath juga secara signifikan meningkatkan throughput dan menurunkan delay masing-masing topologi.

---

Data Center Network (DCN) is a popular approach to build a big and scalable network, which process big data in its core. Each component in DCN such us node server, switches, and link are likely to be seen as one system working together to process request data from user. In its operation DCN need at least one topology in each manageable system. Topology is the representation of network communication, and how each component in DCN can connect to each other. There are many topology that can be implemented in DCN architecture such as Fat Tree topology which is commonly use in DCN architecture and also BCube topology. Each of that topology in DCN also need a routing protocol that can arrange and manage a best path or desired path for each node server to transfer data accros network. In this research, XPath routing protocol is proposed to be implemented in both Fat Tree based DCN and BCube based DCN. XPath routing protocol is choosen because its nature to compress excess possible path become desired path only, using two-step compression algorithm. XPath routing protocol are implemented in each topology using NS-3 Simulator as simulation framework. The purpose of the research is to get comparison result between Fat Tree and BCube using average throughput and average delay metrics. Result of this research and simulation indicating that BCube data center network which implement XPath routing protocol shows a better performance than Fat Tree. The implementation of XPath routing protocol in each topology also show throughput increase and delay decrease significantly, which make XPath routing protocol a good idea to be implemented in data center network."

"Gedung X adalah sebuah gedung Apartemen yang berlokasi dalam sebuah komplek mixed used yang terdiri dari 2 tahap pembangunan. Apartemen X telah serah terima kunci kepada pemilik pada tahun 2023. Seiring dengan beroperasinya Gedung Apartemen X banyak keluhan yang disampaikan oleh para pemilik unit kepada Manajemen Gedung terutama terkait dengan instalasi Mekanikal Elektrikal dan Plambing. Tujuan dari laporan ini adalah mengetahui penyebab terjadinya kerusakan instalasi Mekanikal Elektrikal dan Plambing dalam gedung Apartemen X. Fault Tree Analysis digunakan untuk mengevaluasi masing-masing kerusakan. Dari analisis yang dilakukan kerusakan yang paling banyak terjadi adalah kebocoran pipa plambing dan sanitary, MCB trip, dan juga fan mekanik yang tidak dapat beroperasi. Penyebab utama kerusakan yang terjadi karena kurang baiknya pekerjaan instalasi di saat periode konstruksi proyek dan juga kurangnya pengawasan selama periode kontruksi. laporan ini diharapkan dapat dijadikan sebuah referensi bagi pelaku konstruksi bangunan dalam meningkatkan baku mutu dan hasil pekerjaan yang baik dan sesuai standard.

---

Building X is an apartment building located within a mixed-use complex consisting of 2 phases of development. Apartment X was handed over to the owners in 2023. With the operation of Building X, many complaints have been raised by unit owners to the Building Management, especially concerning Mechanical, Electrical, and Plumbing installations. The purpose of this report is to identify the causes of damage to the Mechanical, Electrical, and Plumbing installations in Building X. Fault Tree Analysis is used to evaluate each damage. From the analysis conducted, the most common damages are plumbing and sanitary pipe leaks, MCB trips, and mechanical fans that fail to operate. The main causes of these damages are poor installation work during the project construction period and lack of supervision during the construction period. This report is expected to serve as a reference for building construction practitioners to improve quality standards and achieve good and standardized results."

"As the biggest lizard, representing the only extant genus in Varanidae family, Varanus komodoensis’ genetic factors are vital to be considered to evaluate and investigate their extinction risk. Komodo dragons carry a ZZ/ZW sex determining system, in which females are heterogametic harboring Z and W chromosomes. The species’ reference genome was obtained from only a male individual, thus leaving a big question mark for the W chromosome’s profile. Sex chromosomes are built of two distinct regions, which are pseudoautosomal region (PAR) and sex differentiated region (SDR). PAR undergoes recombination between chromosomes, while SDR is non-recombinant therefore accumulating variations between the chromosome pair. Recombination suppression takes effect on the establishment of master-sex determining gene initiating the sex chromosome evolution. This evolution is inseparable from the speciation event of V. komodoensis from its higher classification, the Squamata. This study focuses on understanding V. komodoensis’ sex chromosome differentiation based on genomic structure and investigating functional differences of W-linked genes based on de novo transcriptome assembly. Kinship confirmation of Squamates is also provided to strengthen the evolution prediction. Using a depth coverage calculation of WGS data (Ianucci et al. 2021), a new annotation of a 11.12 Mb sex chromosome is established, containing 10.62 Mb SDR. W-linked de novo transcripts, from 3 blood inputs (Rovatsos et al. 2019), lead to an evolution timeline based on Ks value of TLR5 gene as the first gene to differentiated between sexes. Including a new input of Trimeresurus albolabris and 500 gene orthologs in a novel Squamate tree, the previously published molecular tree is confirmed. The tree supports the prediction that Varanus komodoensis shared the same sex chromosome ancestor as Lanthanotidae and differentiated ~85.17 MYA. Using genomic, transcriptomic, and proteomic inputs, this study fills the gaps of previous studies.

---

Sebagai kadal terbesar, sekaligus satu-satunya genus dalam famili Varanidae yang masih hidup, faktor genetik dari Varanus komodoensis penting untuk dipelajari sebagai evaluasi dan investigasi risiko kepunahannya. Komodo memiliki sistem seks Z/W, dengan individu betina bersifat heterogamet ZW. Genom referensi spesies ini hanya berasal dari individu jantan, sehingga meninggalkan misteri terkait profil kromosom W. Kromosom seks terdiri atas dua struktur, yaitu pseudoautosomal region (PAR) dan sex differentiation region (SDR). PAR mengalami rekombinasi dan mempertahankan homologi antarkromosom, sedangkan SDR tidak melalui rekombinasi sehingga membawa variasi profil yang membedakan autosom dengan setiap kromosom seks. Informasi yang tidak melalui rekombinasi ini berdampak pada kemunculan master-sex determining gene yang menjadi awal evolusi kromosom seks. Evolusi ini berkaitan erat dengan peristiwa spesiasi V. komodoensis sendiri dari klade besarnya, yaitu Squamata. Studi ini berfokus untuk memahami perbedaan seks kromosom V. komodoensis berdasarkan struktur genomnya dan mendalami perbedaan fungsional dari gen terpaut kromosom W berdasarkan de novo assembly transkriptom. Hubungan kekerabatan anggota Squamata juga dikonfirmasi oleh studi ini untuk menguatkan prediksi evolusi Varanus komodoensis. Berdasarkan perhitungan depth coverage dari data WGS (Ianucci dkk. 2021), anotasi baru untuk kromosom seks sebesar 11,12 Mb telah ditemukan, beserta dengan 10,62 Mb bagian SDR. Transkrip de novo terpaut kromosom W, yang berasal dari 3 input jaringian darah (Rovatsos dkk. 2019), menunjukkan waktu evolusi sesuai nilai Ks dari gen TLR5 yang pertama kali berevolusi dari kedua jenis kelamin. Studi ini juga menggunakan data Trimeresurus albolabris baru dan 500 ortolog gen dalam pohon filogenetik Squamata baru untuk mengonfirmasi pohon dari studi sebelumnya. Pohon filogenetik ini mendukung perkiraan bahwa kromosom seks Varanus komodoensis berasal dari nenek moyang yang sama dengan Lanthanotidae dan berevolusi sekitar 85,17 juta tahun yang lalu. Data genomik, transkriptomik, dan proteomik yang digunakan dalam studi ini berhasil mengisi kekosongan pengetahuan dari studi-studi sebelumnya."

"Penelitian functional diversity pohon, tiang dan pancang dilakukan pada pinggir, tengah dan danau Hutan Kota Universitas Indonesia, Depok dengan 21 plot masing-masing berisi kuadran 20x20m, 10x10 dan 5x5m untuk mengetahui perbedaan plant functional trait (PFT) setiap spesies di ketiga bagian Hutan Kota UI, serta menentukan kelas-kelas PFT sebagai alat seleksi pohon kota. Penentuan seleksi pohon kota dilakukan dengan Dendrogram Clustering dengan Software RStudio menjadi kelas-kelas PFT dan assesmen ruang tanam dan kriteria pertimbangan lainnya seperti nilai estetika, konservasi, serta potensi bahaya spesies. Bagian tengah Hutan Kota UI cenderung memiliki spesies dengan nilai PFT yang lebih besar dibandingkan dengan bagian hutan lainnya, sementara itu bagian danau memiliki jumlah spesies terbanyak. Penelitian ini menghasilkan 4 kelas PFT. PFT Kelas 1 berisi tumbuhan yang hanya dapat ditanam pada ruang non-limited. PFT kelas 2 berisi tumbuhan yang dapat ditanam pada tree pit dan planting strip, namun tidak optimal karena berisi tumbuhan dengan canopy cover rendah. PFT kelas 3 berisi tumbuhan yang paling optimal untuk tree pit dan planting strip. PFT kelas 4 berisi tumbuhan yang dapat ditanam pada ruang tanam non-limited dan planting strip tanpa halangan vertikal. Penelitian lebih lanjut mengenai struktur bawah tanah tumbuhan perlu dilakukan untuk seleksi pohon kota yang lebih baik.

---

Trees, poles and sappling’s functional diversity research is done on the edges, inner and lakes of the Universitas Indonesia’s city forest in Depok with a total of 21 sample plots filled with quadrants of 20x20m, 10x10m and 5x5m to evaluate the difference of plant functional traits (PFT) of every species found in all three parts of the forest and also evaluating them into seperate PFT classes for urban tree selection. The urban tree selection is done by dendrogram-clustering PFTs into PFT classes then evaluating them based on urban planting spaces and criterias such as aesthethic and conservation value, and potential dangers. The inner forest tend to have bigger PFTs while lake parts have more plant species. Four PFT classes were assessed in this research. PFT class 1 consists of plants that can only be planted in non-limited planting spaces. PFT class 2 has plants that can be used on tree pits and planting strips but won’t be optimal due to low canopy cover. PFT class 3 consists of plants that are most optimal in tree pits and planting strips. PFT class 4 consists of plants that can be used in non-limited planting spaces or planting strips with no vertical obstacles."