Hasil Pencarian  ::  Simpan CSV :: Kembali

"Saham merupakan instrumen investasi yang menawarkan tingkat keuntungan yang menarik, namun memiliki risiko kerugian yang tinggi. Hal ini disebabkan oleh harga saham yang selalu berfluktuasi dan dipengaruhi oleh faktor-faktor tak menentu. Untuk memperoleh keuntungan seperti yang diharapkan, dibutuhkan prediksi pergerakan harga saham yang akurat. Umumnya, investor menggunakan indikator teknikal dalam mengantisipasi pergerakan harga di masa depan. Pada skripsi ini, sebanyak delapan indikator teknikal digunakan dan diproses ke dalam dua pendekatan. Pendekatan pertama memanfaatkan nilai-nilai indikator teknikal yang bersifat kontinu, sementara pendekatan lainnya memanfaatkan kriteria tertentu yang dimiliki oleh setiap indikator teknikal dalam menggambarkan pergerakan harga saham yang bersifat diskrit. Keduanya kemudian dijadikan data input bagi model prediksi dengan menggunakan metode Support Vector Machines yang mengklasifikasi data harga saham ke dalam dua kelas, yaitu naik dan turun. Hasil prediksi tersebut menunjukkan bahwa performa model prediksi yang menerapkan data input bernilai diskrit melampaui performa model prediksi yang menerapkan data input bernilai kontinu, dengan tingkat akurasi tertinggi yang diperoleh ialah sebesar 94,12.

---

Stock is an investment instrument that offers an attractive rate of return, yet has a high risk of loss. This due to the nature of stock prices that are always fluctuate and influenced by uncertain factors. To obtain the expected profit, an accurate prediction of stock price movement is required. Generally, investors use technical indicators to anticipate the future price movement. In this undergraduate thesis, a number of eight technical indicators are used and processed into two approaches. The first approach use the values of technical indicators that are continuous, while the other utilizes certain criteria owned by each technical indicator in describing stock price movement which is a discrete type of value. Both approaches are then used as input data for prediction model using the Support Vector Machines method which classifies the stock price data into two classes, i.e. up and down. The prediction results indicate that the performace of prediction models applying discrete valued of input data exceeds the performance of prediction models which apply continuous valued of input data, with the highest accuracy obtained at 94.12."

"Turbiditas merupakan salah satu indikator yang dapat digunakan untuk menilai kualitas air. Turbiditas dapat diukur menggunakan instrumen konvensional seperti turbidimeter, spektrofotometer, dan nefelometri visual. Namun, semua instrumen tersebut memiliki kekurangannya masing-masing, seperti biaya yang relatif tinggi dan kurang efisien. Pada penelitian ini diusulkan metode pengukuran yang lebih terjangkau dan efisien dengan memanfaatkan kamera ponsel, serta model regresi support vector regression dan EfficientNet-B0 berbasis convolutional neural network sebagai instrumen pengukuran. Akuisisi citra dilakukan di dua lingkungan. Lingkungan 1 didefinisikan sebagai lingkungan dengan cahaya langsung yang menyinari sampel, mengikuti prinsip turbidimetri, sedangkan lingkungan 2 didefinisikan sebagai lingkungan dengan pencahayaan yang bergantung hanya kepada cahaya sekitar dengan intensitas cahaya yang tak tentu. Citra yang telah diakuisisi oleh ponsel melalui berbagai proses prapengolahan data seperti segmentasi, augmentasi, penerapan filter Gaussian, dan ekstraksi fitur saturasi dan tekstur sebelum diteruskan ke model regresi. Dari hasil evaluasi didapatkan kesimpulan bahwa model EfficientNet-B0 lebih unggul dibandingkan dengan support vector regresssion dengan fitur saturasi, tekstur maupun gabungan. Model EfficientNet-B0 mendapatkan nilai R2 sebesar 0.992, MAE sebesar 2.474 dan MSE sebesar 10.669 untuk citra lingkungan 1, dan nilai R2 sebesar 0.97, MAE sebesar 3.333 dan MSE sebesar 29.137 untuk citra lingkungan 2.

---

Turbidity is an indicator that can be used to assess water quality. Turbidity can be measured using conventional instruments such as turbidimeter, spectrophotometer, and visual nephelometry. However, all of these instruments have their respective drawbacks, such as relatively high costs and inefficient. In this study, a more affordable and efficient measurement method is proposed by utilizing a cellphone camera, as well as a support vector regression and EfficientNet-B0 model based on convolutional neural network as a measurement instrument. Image acquisition will be carried out in two environments. Environment 1 is defined as an environment with direct light shining on the sample, following the principle of turbidimetry, while environment 2 is defined as an environment in which the illumination depends on the ambient light with an indeterminate light intensity. The image that has been acquired by the cellphone will go through various data preprocessing processes such as segmentation, augmentation, application of Gaussian filters, and extraction of saturation and texture features before being forwarded to the regression model. From the evaluation results, it can be concluded that the EfficientNet-B0 model is superior to the support vector regression with saturation, texture, or combined features. The EfficientNet-B0 model gets an R2 value of 0.992, an MAE of 2.474 and an MSE of 10,669 for environment 1 image, and an R2 value of 0.97, an MAE of 3.333 and an MSE of 29,137 for environment 2 image."

"Kanker serviks tetap menjadi penyebab utama kematian terkait kanker di kalangan perempuan secara global, dengan kebutuhan yang terus meningkat akan pengobatan yang lebih efektif. Intensity Modulated Radiation Therapy (IMRT) memberikan distribusi dosis yang presisi, namun membutuhkan waktu perencanaan yang lama. Penelitian ini mengembangkan model prediksi distribusi dosis menggunakan Support Vector Regression (SVR) untuk mempercepat perencanaan radiasi pada kanker serviks. Model ini dilatih dengan dataset 102 pasien yang memiliki stadium kanker konsisten dan diuji pada dataset baru dengan 71 pasien dengan stadium acak. Metode yang digunakan melibatkan pre-processing data DICOM, ekstraksi fitur radiomic dan dosiomic, normalisasi, serta training model dengan GridSearchCV dan k-fold cross-validation untuk optimisasi parameter. Hasil menunjukkan bahwa SVR dapat memprediksi dosis dengan Mean Absolute Error (MAE) yang mendekati nilai klinis, dengan MAE rata-rata 0,08 untuk prediksi dosis pada organ risiko seperti kandung kemih dan rektum. Prediksi Homogeneity Index (HI) dan Conformity Index (CI) juga menunjukkan akurasi tinggi, dengan nilai prediksi HI sebesar 0,100 dan CI sebesar 0,954 dibandingkan nilai klinis HI 0,113 dan CI 0,953. Analisis statistik menunjukkan bahwa model ini dapat mengurangi waktu perencanaan tanpa mengorbankan akurasi dosis, meskipun perbaikan diperlukan untuk beberapa prediksi organ seperti femur. Temuan ini menegaskan pentingnya ukuran dataset dan konsistensi stadium dalam meningkatkan kinerja model prediksi dosis radiasi dan menunjukkan potensi SVR sebagai alat bantu dalam perencanaan radioterapi.

---

Cervical cancer remains a leading cause of cancer-related deaths among women worldwide, highlighting the need for more effective treatments. Intensity Modulated Radiation Therapy (IMRT) provides precise dose distribution but involves lengthy planning times. This study develops a dose distribution prediction model using Support Vector Regression (SVR) to expedite radiotherapy planning for cervical cancer. The model was trained on a dataset of 102 patients with consistent cancer stages and tested on a new dataset of 71 patients with random stages. The methodology included pre-processing DICOM data, feature extraction for radiomic and dosiomic data, normalization, and training using GridSearchCV and k-fold cross-validation for parameter optimization. Results indicate that SVR can predict doses with a Mean Absolute Error (MAE) close to clinical values, with an average MAE of 0,08 for dose predictions in organs at risk such as the bladder and rectum. Predicted Homogeneity Index (HI) and Conformity Index (CI) also show high accuracy, with predicted HI at 0,100 and CI at 0,954 compared to clinical values of HI 0,113 and CI 0,953. Statistical analysis reveals that the model can reduce planning time without sacrificing dose accuracy, although improvements are needed for some organ predictions like the femur. These findings underscore the importance of dataset size and stage consistency in enhancing the performance of radiation dose prediction models and demonstrate the potential of SVR as a tool to assist in radiotherapy planning."

"Penelitian ini bertujuan untuk memprediksi dosis radiasi pada kanker otak menggunakan model Support Vector Regression (SVR) dan membandingkan hasilnya dengan dosis radiasi klinis, kemudian menghitung perbedaan dari kedua nilai tersebut. Data yang digunakan merupakan 178 data perencanaan radioterapi yang meliputi file DICOM yang berisi citra CT simulator dan citra kontur CT simulator. Data diekstraksi menggunakan 3D Slicer yang memberikan informasi mengenai data radiomik dan dosiomik pada setiap OAR (mata, saraf optik, lensa mata, dan batang otak) dan PTV. Data dosiomik dinormalisasi terhadap volume PTV dan dosis preskripsi dari masing-masing pasien. Data radiomik dan dosiomik yang telah dinormalisasi akan menjadi input data untuk model SVR. Pada model SVR digunakan kernel radial basis function (RBF) dengan 2 parameter yaitu epsilon dan C. Dalam penelitian ini didapatkan nilai parameter yang optimal dengan menggunakan gridsearch yaitu epsilon = 0,01 dan C = 1, dengan k-fold validasi bernilai 5. Hasil yang didapatkan pada PTV D98% dan HI menunjukkan nilai p value < 0,05 yang artinya terdapat perbedaan yang signifikan antara nilai klinis dengan nilai prediksi SVR. Sedangkan pada nilai CI, OAR, PTV D2%, dan PTV D50% didapatkan nilai p value > 0,05 yang artinya tidak terdapat perbedaan nilai yang signifikan.

---

This study aims to predict the radiation dose for brain cancer using the SVR model and compare it with the clinical radiation dose, then calculate the difference between the two values. The data used consists of 178 radiotherapy planning datasets, including DICOM files containing CT simulator images and CT simulator contour images. The data is extracted using 3D Slicer, which provides information on radiomic and dosiomic data for each OAR (eyes, optic nerves, lenses, and brainstem) and PTV. The dosiomic data is normalized against the PTV volume and each patient's prescription dose. The normalized radiomic and dosiomic data will serve as input data for the SVR model. The SVR model uses a radial basis function (RBF) kernel with two parameters, epsilon and C. The study found the optimal parameter values using gridsearch, which are epsilon = 0.01 and C = 1, with a k-fold validation value of 5. The results for PTV D98% and HI showed a p value < 0.05, indicating a significant difference between the clinical values and the SVR model predictions. For CI, OAR, PTV D2%, and PTV D50%, the p value was > 0.05, indicating no significant difference between the values."

"Investasi saham merupakan salah satu jenis investasi yang paling populer karena saham memberikan tingkat keuntungan yang tinggi dibandingkan dengan jenis investasi lainnya, tetapi saham juga memiliki tingkat risiko yang tinggi. Fluktuasi harga saham memberikan peluang bagi investor untuk mendapatkan keuntungan yang tinggi. Dibutuhkan sebuah model prediksi harga saham untuk melihat pergerakan harga saham di masa yang akan datang, sehingga investor dapat menentukan waktu yang tepat untuk membeli, menahan, dan menjual saham mereka. Dengan demikian, mereka terlepas dari risiko kerugian dan memperoleh keuntungan yang besar. Terdapat beberapa studi yang membahas tentang prediksi harga saham menggunakan machine learning. Salah satunya yaitu menggunakan Support Vector Regression (SVR). Oleh karena itu, pada skripsi ini akan diuji penerapan SVR menggunakan Particle Swarm Optimization (PSO) sebagai seleksi fitur dalam memprediksi harga saham di Indonesia. Pada skripsi ini digunakan data historis saham harian dari Jakarta Stock Index dan beberapa saham pada sektor real estate dan properti. Beberapa indikator teknikal digunakan sebagai fitur dalam memprediksi harga saham. Studi ini menunjukkan bahwa prediksi harga saham menggunakan SVR dengan PSO sebagai seleksi fitur memiliki kinerja yang baik untuk semua data, fitur, dan jumlah data training yang digunakan pada skripsi ini memiliki nilai error yang kecil. Oleh karena itu, diperoleh model yang akurat untuk memprediksi harga saham di Indonesia.

---

Stock investing is one of the most popular types of investments since it provides the highest return among all investment types, although it is associated with considerable risk. Fluctuating stock prices provide an opportunity for investors to make a high profit. A stock price prediction model is needed to see future stock price movements, so investors can decide the right time to buy, hold, and sell their stocks which regardless of the risk of loss and gain a big profit. Several studies have focused on the prediction of stock prices using machine learning. One of them is Support Vector Regression (SVR). Therefore, this study examines the application of SVR using Particle Swarm Optimization (PSO) as feature selection in predicting Indonesian stock price. This thesis used historical daily stock data from Jakarta Stock Index (JKSE) and several real estates and property stock sectors. Some technical indicators are used as a feature in predicting stock price. The study found that stock price prediction using SVR with PSO as feature selection showed good performances for all data, features and the amount of training data used by the study have relatively low error probabilities. Therefore, an accurate model is obtained to predict stock price in Indonesia."

"Skizofrenia adalah gangguan jiwa yang serius dan kronis. Penyakit ini ditandai dengan gangguan dalam pemikiran, persepsi, dan tingkah laku. Karena gangguan-gangguan ini dapat memicu penderita Skizofrenia untuk bunuh diri atau mencoba bunuh diri, penderita Skizofrenia mempunyai usia harapan hidup yang lebih rendah dari populasi umum. Skizofrenia juga sulit untuk didiagnosis karena belum ada tes secara fisik untuk mendiagnosisnya dan gejala-gejalanya sangat mirip dengan beberapa gangguan jiwa lainnya. Dengan menggunakan Northwestern University Schizophrenia Data, penelitian ini bertujuan untuk mengklasifikasikan orang yang menderita Skizofrenia dan orang yang tidak menderita Skizofrenia. Data tersebut terdiri dari 392 observasi dan 65 variabel yang merupakan data demografis dan data kuesioner Scale for the Assessment of Positive Symptoms dan Scale for the Assessment of Negative Symptoms yang diisi oleh klinisi. Metode klasifikasi yang digunakan adalah machine learning dengan metode Support Vector Machines SVM dan Twin Support Vector Machines Twin SVM menggunakan MATLAB R2017a. Simulasi dilakukan dengan data dan persentase data training dan testing yang berbeda-beda. Pada setiap simulai, akurasi serta running time diukur. Validasi dan evaluasi performa dari model yang telah dioptimasi dilakukan dengan mengambil rata-rata dari sepuluh kali Hold-Out Validation yang dilakukan. Pada umumnya, metode Twin SVM berhasil mengklasifikasikan data Skizofrenia dengan lebih akurat dibandingkan dengan metode SVM. Metode Twin SVM dengan kernel Gaussian menghasilkan hasil akhir akurasi klasifikasi data Skizofrenia yang terbaik, yaitu 91,0 . Berdasarkan hasil akhir running time, metode SVM dengan kernel Gaussian untuk klasifikasi data Skizofrenia mempunyai running time yang paling cepat, 0,664 detik. Selain itu, metode SVM dengan kernel linear, metode SVM dengan kernel Gaussian, dan metode Twin SVM untuk klasifikasi data Skizofrenia berhasil mencapai akurasi hingga 95,0 dalam setidaknya satu simulasi.

---

Schizophrenia is a severe and chronic mental disorder. This disorder is marked with disturbances in thoughts, perceptions, and behaviours. Due to these disturbances that can trigger Schizophrenics to commit suicide or attempt to do so, Schizophrenics have a lower life expectancy than the general population. Schizophrenia is also difficult to diagnose as there is no physical test to diagnose it yet and its symptoms are very similar to several other mental disorders. Using Northwestern University Schizophrenia Data, this research aims to distinguish people who are Schizophrenics and people who are not. The data consists of 392 observations and 65 variables that are demographic data as well as clinician filled Scale for the Assessment of Positive Symptoms and Scale for the Assessment of Negative Symptoms questionnaires. Classification methods that are used are machine learning with Support Vector Machines SVM and Twin Support Vector Machine Twin SVM using MATLAB R2017a. Simulations are done with different data and percentage of training and testing data. In each simulation, accuracy and running time are measured. Performance validation and evaluation of the optimized models are done by taking the average of ten times Hold Out Validations that were done. In general, Twin SVM successfully classified Schizophrenia data more accurately than the SVM method. Twin SVM with Gaussian kernel produced the best final accuracy in classifying Schizophrenia data, 91.0 . Based on the final running time, SVM with Gaussian kernel has the fastest running time in classifying Schizophrenia data, 0.664 seconds. Furthermore, SVM with linear kernel, SVM with Gaussian kernel, and Twin SVM managed to reach an accuracy of 95.0 in at least one simulation in classifying Schizophrenia data."

"Penuaan biologis mencerminkan kondisi kesehatan fisik yang sebenarnya karena menilai fungsi organ dan sistem tubuh yang sebenarnya pada setiap individu, berbeda dengan usia kronologis. Penelitian ini mengeksplorasi prediksi usia biologis menggunakan metode Support Vector Regression (SVR) dan Klemera-and-Doubal Method (KDM), yang berfokus pada pengaruh biomarker dan faktor eksternal pada proses penuaan. Pembangunan model memanfaatkan data pemeriksaan medis dari Kementerian Kesehatan Indonesia pada tahun 2011 dimana keterbaharuan dari penelitian ini adalah melibatkan semua fitur yang berperngaruh terhadap usia biologis, termasuk faktor eksternal, tidak hanya biomarker saja. Kemudian, dilakukan pemanfaatan seluruh dataset tanpa membedakan subjek sehat dan tidak sehat. Pada dataset dilakukan data preprocessing agar dataset siap digunakan dengan melakukan filtering usia di atas 30 tahun, pemisahan dataset pria dan wanita, menghapus fitur yang tidak relevan, mengubah tipe data yang tidak sesuai, mengidentifikasi dan melakukan penanganan missing value serta outliers, dan melakukan encoding untuk data beripe kategorikal. Kemudian, dilakukan feature selection dengan menggunakan Spearman’s rank Coefficient Corelation dan pembangunan model SVR dan KDM. Hasil penelitian menunjukkan bahwa terpilih 5 fitur untuk pria dan 6 fitur untuk wanita yang digunakan untuk membangun model SVR dan KDM. KDM menunjukkan performa evaluasi yang cukup baik dalam interpretasi variasi data dengan skor performa RMSE 1,39; R2 0,97; dan Adjusted R2 0,97 untuk pria dan RMSE 1,00; R2 0,99; dan Adjusted R2 0,99 untuk wanita. Metode ini lebih unggul daripada SVR yang cenderung menunjukkan performa yang kurang memuaskan dimana memiliki skor performa RMSE 6,36; R2 0,44; dan Adjusted R2 0,36 untuk pria dan RMSE 5,90; R2 0,57; dan Adjusted R2 0,53 untuk wanita. Berdasarkan hasil analisis dari berbagai teknik analisis yang dilakukan (analisis evaluasi performa, analisis hubungan usia kronologis dengan usia biologis, dan analisis evaluasi dengan melihat pola hasil estimasi) terlihat bahwa metode KDM lebih unggul dalam memprediksi usia biologis dibandingkan dengan SVR, terutama dalam hal konsistensi dan akurasi. Selain itu, analisis hubungan setiap fitur dengan usia biologis untuk tiap model menggambarkan pengaruh fitur-fitur tersebut terhadap fungsi organ tubuh seseorang.

---

The biological aging reflects the actual physical health condition as it assesses the real function of organs and body systems in each individual, different from chronological age. This research explores the prediction of biological age using the Support Vector Regression (SVR) method and the Klemera-and-Doubal Method (KDM), focusing on the influence of biomarkers and external factors on the aging process. The model development utilized medical examination data from the Indonesian Ministry of Health in 2011, where the novelty of this research is involving all features that affect biological age, including external factors, not just biomarkers. Then, the entire dataset was utilized without distinguishing between healthy and unhealthy subjects. In the dataset, data preprocessing was performed to make the dataset ready to use by filtering ages above 30 years, separating datasets for men and women, removing irrelevant features, changing inappropriate data types, identifying and handling missing values and outliers, and encoding for categorical data. Subsequently, feature selection was conducted using Spearman's Rank Coefficient Correlation, and then the SVR and KDM models were built. The research results showed that 5 features for men and 6 features for women were selected to build the SVR and KDM models. KDM showed fairly good evaluation performance in interpreting data variations with performance scores of RMSE 1.39, R^2 0.97, and Adjusted R^2 0.97 for men and RMSE 1.00, R^2 0.99, and Adjusted R^2 0.99 for women. This method outperformed SVR, which tended to show less satisfactory performance with performance scores of RMSE 6.36, R^2 0.44, and Adjusted R^2 0.36 for men and RMSE 5.90, R^2 0.57, and Adjusted R^2 0.53 for women. Based on the analysis results from various techniques performed (performance evaluation analysis, analysis of the relationship between chronological age and biological age, and evaluation analysis by looking at the pattern of estimation results), it appears that the KDM method is superior in predicting biological age compared to SVR, especially in terms of consistency and accuracy. In addition, the analysis of the relationship of each feature with biological age for each model illustrates the influence of these features on the organ function of an individual."

"Prediksi harga saham merupakan hal yang sangat penting bagi investor karena sangat berguna untuk menentukan nilai masa depan dari suatu perusahaan yang sahamnya sedang diperdagangkan di bursa efek. Investor akan mendapatkan keuntungan yang besar dengan prediksi yang tepat, sebaliknya investor akan mendapatkan kerugian jika prediksi yang digunakan tidak tepat. Pada skripsi ini, akan dibahas pembuatan model prediksi Adaptive Neuro Fuzzy Inference System ANFIS dengan menggunakan variabel indikator teknikal terbaik berdasarkan Support Vector Regression SVR yang dilihat dari kecenderungan data historis saham 25 perusahaan dari sub sektor Bank, sektor Keuangan, yang tercatat di Bursa Efek Indonesia. Melalui metode ini, akan didapatkan nilai akurasi model yang cukup baik sedemikian sehingga dapat menjadi rekomendasi bagi investor dalam melakukan prediksi harga saham berdasarkan variabel indikator teknikal terpilih.

---

Forecasting stock price has become an important issue for stock investors because it is very useful to determine the future value of a company whose its share are traded on the stock exchange. Investors will get a profit with a sharp predictions, otherwise they will get loss if the predictions is inappropriately used. This undergraduate thesis will study how to make a model prediction Adaptive Neruo Fuzzy Inference System ANFIS using the best technical indicators. These technical indicators chosen by using Support Vector Regression SVR referred from the tendencies of stock time series data for 25 companies of Banking sub sector, Financial sector, that listed on Indonesian Stock Exchange. Through this method, analyst will get the value of the model rsquo s accuracy, that is good enough. So that it could be a recommendation for investors for forecasting the stock prices using this method with the selected technical indicators."

"Globalisasi membawa dampak besar bagi pertumbuhan ekonomi Indonesia. Sejak tahun 1961, secara umum pertumbuhan ekonomi Indonesia selalu mengalami kenaikan. Banyak faktor yang menyebabkan meningkatnya pertumbuhan ekonomi nasional. Salah satunya adalah investasi. Terdapat berbagai macam instrumen investasi. Sekarang ini yang paling banyak diminati oleh masyarakat umum adalah investasi saham. Bursa Efek Indonesia (BEI) mencatat bahwa per Juni 2018 banyaknya investor pasar modal mencapai 1,12 juta Single Investor Identification (SID) dengan 710.000 Single Investor Identification (SID) merupakan total investor saham ritel. Saham menjadi salah satu usaha dalam pemenuhan kebutuhan hidup di masa depan. Daya tarik utamanya adalah karena saham memberikan potensi keuntungan yang tinggi dalam jangka panjang. Namun, dengan potensi keuntungan yang tinggi tersebut, saham juga memiliki potensi kerugian yang tinggi. Salah satu usaha untuk meminimalkan potensi kerugian saham adalah dengan melakukan prediksi harga saham menggunakan machine learning. Harga saham akan diprediksi menggunakan metode penyelesaian masalah regresi, yaitu Fuzzy Support Vector Regression (FSVR). Fungsi pemetaan dalam fungsi keanggotaan fuzzy digunakan untuk menghasilkan fluktuasi harga saham yang tepat. Untuk memastikan keefektifan dan keefisienan penggunaan fitur, Fisher Score digunakan untuk memilih fitur yang paling berpengaruh dan informatif dalam model prediksi sehingga kesalahan hasil prediksi dapat diminimalkan. Fitur-fitur terpilih tersebut akan dijadikan sebagai variabel input dalam model prediksi. Evaluasi hasil prediksi dari data dengan dan tanpa dilakukan pemilihan fitur selanjutnya akan dianalisis menggunakan Normalized Mean Square Error (NMSE) dan dibandingkan sebagai bagian dari evaluasi performa model prediksi. Dari hasil prediksi pada salah satu data yang digunakan, tanpa pemilihan fitur, diperoleh model terbaik dengan nilai NMSE terendah sebesar 0,179 dan persentase data training 80%, sedangkan dengan pemilihan fitur Fisher Score, diperoleh model terbaik menggunakan sembilan fitur dengan nilai NMSE terendah sebesar 0,011 dan persentase data training 90%.

---

Globalization has a big impact on Indonesias economic growth. Since 1961, in general Indonesias economic growth has always increased. Many factors have led to an increase in national economic growth. One of which is investment. There are many investment instruments. The most popular among the public is stock investment. Indonesia Stock Exchange (IDX) recorded as of June 2018 total of capital market investors reached 1,12 million Single Investor Identification (SID) with 710,000 Single Investor Identification (SID) representing total retail stock investors. Stock has become one of the activities to fulfill the needs of life in the future. Its main attraction is that stock provides high potential return of profit in long run. However, as high return of profit, stock also has high potential return of risks. One of the ways to minimize the potential return of risks is by predicting stock prices using machine learning. The stock prices will be predicted using a regression problem solving method, namely Fuzzy Support Vector Regression (FSVR). The mapping function in fuzzy membership function is used to produce the right stock price fluctuations. To ensure the effectiveness and the efficiency of using features, Fisher Score is used to select the most influential and informative features in the prediction model so that the prediction errors can be minimized. These selected features will be used as input variables in the stock price prediction model. The evaluation of the prediction results from the data with and without feature selection will be analyzed using Normalized Mean Square Error (NMSE) and compared as part of the performance evaluation of the prediction model. From the prediction results on one of data used, without doing feature selection, the best model is obtained with the lowest error is 0.179 and 80% training data, while with doing Fisher Score feature selection, the best model is obtained by using nine features with the lowest error is 0.011 and 90% training data."

"Distribusi dosis yang optimal dalam treatment planning system (TPS) sangat penting sebelum diterapkan pada pasien radioterapi. Namun, TPS masih menggunakan metode optimisasi yang memakan waktu dan bergantung pada pengguna. Tujuan dari penelitian ini adalah untuk mengevaluasi model estimasi dosis otomatis, support vector regression (SVR), dan membandingkannya dengan dosis pasien kanker paru hasil perencanaan klinik. Enam puluh pasien yang terapi dengan teknik intensity modulated radiation therapy (IMRT) digunakan dalam penelitian ini. Distribusi dosis target dievaluasi berdasarkan nilai conformity index (CI), homogenitas dosis dievaluasi dengan homogeneity index (HI), sedangkan dosis rata-rata dan dosis maximum digunakan untuk mengevaluasi organ at risk (paru kanan, paru kiri, jantung, dan spinal cord). Analisis statistik dilakukan dengan menggunakan uji Wilcoxon. Nilai p < 0,05 menunjukkan adanya perbedaan signifikan antara kedua dataset. Rata-rata CI model SVR dan klinik masing-masing adalah dan Rata-rata HI untuk SVR dan klinik adalah dan . Uji Wilcoxon menunjukkan tidak ada perbedaan signifikan secara statistik antara kedua hasil. Dosis maximum paru kanan menunjukkan perbedaan signifikan secara statistik (p=0,032), sedangkan dosis rata-rata dan dosis maximum OAR lain tidak menunjukkan perbedaan signifikan secara statistik. Berdasarkan hasil penelitian menunjukkan bahwa tidak ada perbedaan yang signifikan antara kedua strategi tersebut, kecuali pada dosis maximum paru kanan. Model tersebut dapat diimplementasikan secara klinik untuk menghasilkan distribusi dosis yang dapat digunakan sebagai acuan untuk memastikan rencana idealis yang digunakan

---

Optimal dose distribution in the treatment planning system (TPS) is crucial before being applied to radiotherapy patients. However, TPS still uses optimization methods that are time-consuming and user-dependent. This study aimed to evaluate the automatic dose estimation model, support vector regression (SVR), and compare it with the clinically planned dose of lung cancer patients. Sixty patients treated with intensity-modulated radiation therapy (IMRT) were used as the objects in this study. The target dose distribution was evaluated based on the conformity index (CI), and dose homogeneity was evaluated with the homogeneity index (HI), while the mean and maximum doses were used to evaluate organs at risk (right lung, left lung, heart, and spinal cord). Statistical analysis was performed using the Wilcoxon test. A p-value of <0,05 indicates a significant difference between the two datasets. The mean CI of the SVR and clinical are and The mean HI for SVR and clinical was adalah and 0,083±0,030. the Wilcoxon test showed no statistically significant difference between the two results. The maximum right lung dose showed a statistically significant difference (p=0,032), while the mean dose and maximum dose of other OARs did not show a statistically significant difference. The results of the study showed no significant difference between the two strategies, except for the maximum right lung dose. The model can be implemented clinically to produce a dose distribution that can be used as a reference to ensure the idealistic plan."