Hasil Pencarian  ::  Simpan CSV :: Kembali

"Di dunia kesehatan, tenaga medis dituntut untuk mengatasi berbagai jenis penyakit dengan gejala yang beragam. Oleh karena itu, diperlukan suatu teknologi untuk membantu mereka menyelesaikannya dengan baik. Penelitian ini mendukung mereka dengan menggunakan machine learning sebagai pemecah masalah. Metode machine learning yang digunakan pada penelitian ini adalah metode klasifikasi. Penulis membahas tentang stroke yang merupakan salah satu penyakit dengan angka kematian tertinggi di dunia. Penelitian ini mengamati perubahan densitas pada otak penderita stroke iskemik. Stroke iskemik merupakan salah satu jenis stroke yang terjadi ketika pembuluh darah tersumbat oleh trombus atau emboli. Penelitian ini menggunakan data CT scan dari Departemen Radiologi, Rumah Sakit Cipto Mangunkusumo, Jakarta, Indonesia. Data yang berupa citra CT scan diubah menjadi data numerik dengan metode Gray Level Co-Occurrence Matrix dan Local Binary Pattern yang dibandingkan performanya pada saat melakukan proses klasifikasi. Penelitian ini menerapkan Support Vector Machines sebagai metode klasifikasi. Didapatkan hasil bahwa Support Vector Machines dengan Local Binary Pattern menghasilkan performa yang lebih baik dibandingkan Support Vector Machines dengan Gray Level Co-Occurrence Matrix.

---

In the health sector, the medical staffs are challenged to overcome many types of diseases with various symptoms. Therefore, a technology is needed to help them solving it well. This study is supporting them by using a machine learning as the problem solver. The machine learning method that is used in this study is classification method. The author discusses about stroke which is one of the diseases with the highest mortality rate in the world. This study observed the density changes in the brain of ischemic stroke sufferers. Ischemic stroke is one of the stroke types that occurs when the arteries are blocked by thrombus or embolism. This study used data of CT scan from Department of Radiology, Cipto Mangunkusumo Hospital, Jakarta, Indonesia. The image data of the CT scan is changed into a numerical data by using the Gray Level Co-Occurrence Matrix method and the Local Binary Pattern which is being compared when processing the classification. This study applies Support Vector Machines as the classification method. The results showed that Support Vector Machines with Local Binary Pattern has a better performance than Support Vector Machines with Gray Level Co-Occurrence Matrix."

"Indonesia merupakan salah satu negara dengan produksi tanaman padi terbesar di dunia dengan total lebih dari 150 juta ton padi dihasilkan pada 3 tahun terakhir. Meskipun sudah menjadi makanan pokok selama bertahun-tahun, tanaman padi tidak luput dari serangan penyakit yang dapat menghambat produksi beras padi. Berbagai macam penyakit dapat menghambat produksi beras padi di Indonesia. Daun tanaman padi yang terkena serangan penyakit dapat digunakan sebagai indikator jenis penyakit dikarenakan setiap penyakit tanaman padi memiliki corak yang unik pada daun tanaman padi. Dari citra daun tanaman padi yang didapat, dilakukan transformasi format citra ke dalam format grayscale untuk dibentuk Gray Level Co-occurence Matrix (GLCM) untuk beberapa sudut. Fitur Haralick kemudian diekstraksi dari GLCM yang sudah didapatkan untuk mendapatkan fitur-fitur yang dapat menjelaskan citra daun tanaman padi tersebut. Metode ini dapat digunakan dikarenakan fitur Haralick dalam GLCM mampu menangani citra yang memiliki perbedaan tekstur dengan baik dan citra daun penyakit tanaman padi memiliki perbedaan pada tekstur daun yang cukup jelas dilihat. Sehingga dapat dikatakan bahwa metode ini cocok untuk digunakan pada kasus ini. Dengan jumlah fitur Haralick yang cukup banyak, Linear Discriminant Analyis (LDA) kemudian diaplikasikan kepada fitur-fitur Haralick sebagai metode reduksi dimensi sedemikian sehingga fitur baru yang didapatkan memiliki separasi yang lebih baik. Kemudian, Support Vector Machine (SVM) digunakan sebagai classifier dalam mengklasifikasi penyakit tanaman padi menggunakan fitur LDA yang sudah didapatkan.

---

Indonesia is one of the world’s leading rice producers with a total of more than 150 million tons of rice produced in the last three years . Rice plants, despite being a staple crop for many years, are susceptible to diseases that can hamper rice production.  Because each diseases of rice plants has a distinctive pattern on the leaves of rice plants, the leaves of diseased rice plants can be used as indicators of the type of disease. The picture format of the rice leaf is converted to grayscale in order to create a Gray Level Co-occurence Matrix (GLCM) at multiple angles. The Haralick feature is extracted from the GLCM to obtain features that can describe the image of the rice plant leaf. Because the Haralick feature in GLCM can handle images with diverse textures and the image of leaves of rice plant diseases has differences in leaf texture that are clearly apparent, this method can be used. With a large number of Haralick features, the Linear Discriminant Analysis (LDA) is used as a dimension reduction technique for the Haralick features, resulting in better separation of the new features. The Support Vector Machine (SVM) is used as a classifier to classify rice plant diseases based on the obtained LDA features."

"[ABSTRAKKanker payudara adalah tumor ganas yang tumbuh akibat pertumbuhan sel-seljaringan yang tidak normal pada jaringan payudara. Kanker payudara pada wanitamerupakan penyakit yang kini paling banyak diderita dibandingkan jenis kankerlainnya. Cara yang dilakukan agar penyakit ini tidak memiliki kesempatan untukmenyebar adalah dengan mendeteksinya sedini mungkin dengan menggunakanmammografi.Pada penelitian ini penulis telah merancang suatu sistem yang menggunakankomputer untuk mendeteksi dan mengklasifikasi kanker payudara pada citramammogram. Citra mammogram yang digunakan adalah citra mammogram dariMommographic Image Analysis Society (MIAS) yang terdiri dari 322 citra.Pengolahan awal citra pada sistem ini menggunakan metode Otsu Thresholding,pendeteksian tepi dengan menggunakan metode Canny, dan metode dilasi. Ciriyang digunakan pada sistem ini adalah Gray Level Co-occurrence Matrix(GLCM) dan Discrete Wavelet Transform (DWT). Metode pengklasifikasian yangdigunakan pada penelitian ini adalah Support Vector Machine (SVM).Sistem memiliki ketahanan yang baik terhadap noise salt and pepper pada nilainoise tertentu pada tiap jenis citra mammogram yang digunakan. Tingkatkeakuratan berkisar 80% pada saat diberi noise sebesar -16dB pada citramammogram jinak dan ganas. Keakuratan sistem juga teruji cukup baik untukjumlah data latih yang hanya sebesar 70% dimana tingkat keakuratanpendeteksian dan pengklasifikasian adalah sebesar 80,6%.

---

ABSTRACTBreast cancer is a malignant tumor that grows as a result of the growth of tissuecells that are not normal in the breast tissue. Breast cancer in women is a diseasethat is now the most common cancer than other types. How that is done so that thedisease does not have a chance to spread is to detect it as early as possible byusing mammography.In this study, the authors have designed a system that uses a computer to detectand classify breast cancer on a mammogram image. Mammogram image has beentaken from Mommographic Image Analysis Society (MIAS) which consists of 322images. Initial processing images on this system using Otsu Thresholding, edgedetection using Canny method, and the method of dilation. Features used in thissystem is the Gray Level Co-occurrence Matrix (GLCM) and Discrete WaveletTransform (DWT). Claassification method was used in this study is SupportVector Machine (SVM).The system has good resistance to salt and pepper noise on certain noise value foreach type of mammogram image are used. The accuracy range was 80% whengiven the noise of -16dB on mammogram images of benign and malignant. Theaccuracy of the system was also tested well enough for the amount of training datathat only 70% where the level of detection and classification accuracy is 80,6 %.;Breast cancer is a malignant tumor that grows as a result of the growth of tissuecells that are not normal in the breast tissue. Breast cancer in women is a diseasethat is now the most common cancer than other types. How that is done so that thedisease does not have a chance to spread is to detect it as early as possible byusing mammography.In this study, the authors have designed a system that uses a computer to detectand classify breast cancer on a mammogram image. Mammogram image has beentaken from Mommographic Image Analysis Society (MIAS) which consists of 322images. Initial processing images on this system using Otsu Thresholding, edgedetection using Canny method, and the method of dilation. Features used in thissystem is the Gray Level Co-occurrence Matrix (GLCM) and Discrete WaveletTransform (DWT). Claassification method was used in this study is SupportVector Machine (SVM).The system has good resistance to salt and pepper noise on certain noise value foreach type of mammogram image are used. The accuracy range was 80% whengiven the noise of -16dB on mammogram images of benign and malignant. Theaccuracy of the system was also tested well enough for the amount of training datathat only 70% where the level of detection and classification accuracy is 80,6 %., Breast cancer is a malignant tumor that grows as a result of the growth of tissuecells that are not normal in the breast tissue. Breast cancer in women is a diseasethat is now the most common cancer than other types. How that is done so that thedisease does not have a chance to spread is to detect it as early as possible byusing mammography.In this study, the authors have designed a system that uses a computer to detectand classify breast cancer on a mammogram image. Mammogram image has beentaken from Mommographic Image Analysis Society (MIAS) which consists of 322images. Initial processing images on this system using Otsu Thresholding, edgedetection using Canny method, and the method of dilation. Features used in thissystem is the Gray Level Co-occurrence Matrix (GLCM) and Discrete WaveletTransform (DWT). Claassification method was used in this study is SupportVector Machine (SVM).The system has good resistance to salt and pepper noise on certain noise value foreach type of mammogram image are used. The accuracy range was 80% whengiven the noise of -16dB on mammogram images of benign and malignant. Theaccuracy of the system was also tested well enough for the amount of training datathat only 70% where the level of detection and classification accuracy is 80,6 %.]"

"Karet merupakan salah satu komoditas penyumbang Produk Domestik Bruto (PDB) terbesar Indonesia. Indonesia merupakan negara dengan lahan karet terluas di dunia. Namun hasil karet yang diproduksi oleh Indonesia masih kalah dibanding Thailand. Hal tersebut disebabkan oleh pemberian pupuk, pestisida, dan perlindungan tanaman yang masih belum maksimal. Untuk perlindungan tanaman karet, di Indonesia biasanya dilakukan melalui penelitian daun karet. Akan tetapi, hal tersebut sangatlah tidak efisien dibanding dengan luas lahan yang ada. Sehingga diperlukan suatu metode yang lebih efisien untuk mendeteksi penyakit pada tanaman karet. Pada penelitian ini, penulis merancang suatu metode pendeteksian dini pengendalian penyakit tanaman karet menggunakan metode k-means clustering dan spectral clustering menggunakan citra digital yang diambil menggunakan drone. Melalui penelitian ini, diharapkan produksi tanaman karet dapat ditingkatkan dikarenakan proses pengendalian penyakit yang lebih efisien. Dengan penelitian ini, lahan karet sehat dan bergejala penyakit dapat dikelompokkan ke masing-masing klaster. Untuk selanjutnya, untuk lahan karet bergejala penyakit dapat dilakukan penelitian lebih lanjut untuk mengetahui jenis penyakit dan level penyakit yang dialami. Pendeteksian penyakit tanaman karet pada penelitian ini memiliki hasil 0,702 untuk k-means clustering dan 0,566 untuk spectral clustering dengan metode evaluasi silhouette score. Hal tersebut dikarenakan data citra yang masih sangat terbatas baik dalam jumlah maupun teknik pengambilan gambar. Namun untuk evaluasi menggunakan mean dan standard deviation, Spectral Clustering dengan perspective transform memiliki hasil yang lebih baik. Metode Spectral Clustering dengan data yang telah dilakukan perspective transform mampu mengklaster lahan karet yang hijau dan agak menguning.

---

Rubber is one of the largest contributors to Indonesia's Gross Domestic Product (GDP). Indonesia is a country with the largest rubber plantation in the world. However, the rubber produced by Indonesia is still inferior to Thailand. This is caused by the provision of fertilizers, pesticides, and plant protection that is still not optimal. For the protection of rubber plants, in Indonesia it is usually done through rubber leaf research. However, this is very inefficient compared to the existing land area. So we need a more efficient method to detect diseases in rubber plants. In this study, the authors designed a method for early detection of rubber plant disease control using the k-means clustering method and spectral clustering using digital images taken using drones. Through this research, it is hoped that the production of rubber plants can be increased due to a more efficient disease control process. With this research, healthy rubber fields and disease symptoms can be grouped into each cluster. Henceforth, for rubber fields with disease symptoms, further research can be carried out to determine the type of disease and the level of disease experienced. The detection of rubber plant diseases in this study had satisfactory results, namely  for k-means clustering and  for spectral clustering. This is because the image data is still very limited both in number and technique of taking pictures. However, for evaluation using the mean and standard deviation, Spectral Clustering with perspective transform has better results. The Spectral Clustering method with data that has been carried out with perspective transform is better able to cluster green and slightly yellow rubber land."

"Stroke merupakan penyebab utama kematian dan kecacatan di Indonesia. Mengingat sempitnya jendela waktu pengobatan stroke iskemik hiperakut dan potensi komplikasi yang terkait dengan intervensi trombolisis, prognostikasi yang akurat esensial dalam memastikan terapi yang cepat dan tepat. Penelitian ini memanfaatkan pembelajaran mesin, khususnya Random Forest (RF), bertujuan untuk mengembangkan model yang mampu memprediksi hasil klinis (Δ NIHSS) pasien stroke iskemik hiperakut setelah trombolisis, berdasarkan CT scan otak, data klinis, dan nilai laboratorium. Klasifikasi Δ NIHSS menggunakan tiga skenario berbeda —CT, CT + Data klinis, dan CT + Data klinis + Data lab— dan dikategorikan menjadi 2 dan 3 kelas yang akan digunakan dalam pemantauan model prediksi mana yang memberikan performa paling optimal. Pengumpulan data studi kohort ini diperoleh saat kedatangan awal pasien, terdiri dari data klinis, laboratorium, dan data CT otak non-kontras dari rekam medis dan Picture Archiving Communication System (PACS) Rumah Sakit Cipto Mangunkusumo Jakarta dengan periode 10 tahun sejak November 2014 hingga Februari 2023 dan total 145 pasien. Arsitektur dari Bacchi et al.1 yakni convolutional neural network (CNN) dan model pembelajaran mesin konvensional lainnya juga dianalisis sebagai pendekatan alternatif. Hasil penelitian menunjukkan bahwa algoritma RF (2 kelas) menggunakan data validasi dan skenario CT + Data klinis + Data lab menampilkan akurasi tertinggi (75%) dan unggul dalam sensitivitas dan spesifisitas (0,61 dan 0,59). Performa metrik juga menunjukkan tren peningkatan dari setiap skenario. Model ini diharapkan dapat meningkatkan efisiensi penatalaksanaan stroke iskemik hiperakut dengan memberikan informasi tambahan kepada klinisi dalam pengambilan keputusan terkait intervensi trombolisis.

---

Stroke is the leading cause of both mortality and disability in Indonesia. Given the narrow time frame for treating acute ischemic stroke and the potential complications associated with thrombolysis intervention, accurate prognostication is essential to ensure a prompt and appropriate treatment. The National Institutes of Health Stroke Scale (NIHSS) can be utilized to identify individuals who may benefit from reperfusion therapy. The data for this cohort study acquired during the initial presentation, comprising clinical, laboratory, and non-contrast brain CT data from the medical records and Picture Archiving Communication System (PACS) of Cipto Mangunkusumo Hospital Jakarta. The study included 145 patients who experienced acute ischemic stroke and received thrombolysis treatment from November 2014 to February 2023. Currently, there is no clinical outcome prediction model for hyperacute ischemic stroke using data from Indonesia. By utilizing machine learning, specifically Random Forest, the author aims to develop a model capable of predicting the clinical outcome (Δ NIHSS) of hyperacute ischemic stroke patients following thrombolysis, based on brain CT scans, clinical data, and laboratory values. The classification of Δ NIHSS used three distinctive scenarios —CT, CT + Clinic, and CT + Clinic + Lab— and is categorized by 2 and 3 classes will be used in monitoring which prediction model gives optimal performance. Architecture derived from the research conducted by Bacchi et al.1 employed a convolutional neural network (CNN) and other conventional machine learning models were also analyzed as alternative approach. Result revealed that RF algorithm (2 classes) using data validation and CT + Clinic + Lab scenario displays the highest accuracy (75%) and excels in sensitivity and specificity (0,61 and 0,59). The performance metrics show continuous improvement, indicating that this model can enhance hyperacute ischemic stroke management by providing clinicians with additional decision-making support for thrombolysis intervention."

"Hipertensi adalah salah satu masalah kesehatan besar di dunia. Hipertensi merupakan salah satu penyebab kerusakan vaskular retina yang disebut Hypertensive retinopathy (HR). HR dapat memunculkan komplikasi yang beragam seperti oklusi pada pembuluh darah retina, rusaknya saraf optik, dan kebutaan. Penelitian ini membahas bagaimana Hypertensive Retinopathy dapat dideteksi melalui citra fundus. Dalam penelitian ini, digunakan metode ekstraksi fitur Local Binary Pattern (LBP) dan metode klasifikasi Support Vector Machine (SVM) dalam mendeteksi HR. Hasil simulasi mununjukkan akurasi Support Vector Machine dalam mengklasifikasi hypertensive retinopathy dan retina normal dengan membandingkan beberapa parameter pada metode LBP, diperoleh nilai akurasi, precision, dan recall tertinggi yaitu 87,5%, 80%, dan 100% secara berturut. Hal ini terjadi pada komposisi data 90% training dan 10% testing untuk parameter LBP dengan radius R=3 dan jumlah tetangga P=24.

---

Hypertension is one of the biggest health problems in the world. Hypertension is one of the causes of retinal vascular damage which is called hypertensive retinopathy (HR). HR can lead to various complications such as optic nerve damage, retinal vein occlusion, and blindness. This research studies how hypertensive retinopathy can be detected using fundus image. Extraction feature method, Local Binary Pattern (LBP) and classification method, Support Vector Machine (SVM) are used in this research to detect HR. The results show the accuracy of Support Vector Machine in classifying hypertensive retinopathy and normal retina by comparing parameter in LBP. The experiment achieved the best accuracy of 87,5%. The best accuracy is achieved using 90% training data and 10% testing data with radius R=3 and number of neighbors P=24 in LBP."

"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."

"Kestabilan perekonomian suatu negara ditentukan oleh sektor-sektor ekonomi di dalamnya. Salah satu sektor yang sedang berkontribusi secara signifikan di Indonesia adalah asuransi. Industri Asuransi sedang mengalami perluasan pada beberapa tahun terakhir. Seiring dengan perluasan tersebut, terdapat kompetisi antar perusahaan asuransi di Indonesia. Kompetisi ini menuntut perusahaan asuransi untuk lebih cerdik dalam mengungguli pasar. Tetapi, perlu diperhatikan bahwa perusahaan asuransi harus selalu sadar akan tingkat risiko yang harus ditanggungnya. Sehingga perlunya dilakukan penelitian tentang kemungkinan klaim di masa depan dari perusahaan asuransi.Dalam penelitian ini, akan difokuskan pada sektor asuransi kendaraan bermotor di Indonesia. Model yang diajukan pada penelitian ini adalah suatu machine learning yang biasa digunakan untuk masalah klasifikasi dan prediksi. Metode klasifikasi yang digunakan adalah Support Vector Machines dan Fuzzy Support Vector Machines. Penelitian ini menggunakan data historis polis dari suatu perusahaan asuransi umum di Indonesia. Data historis polis ini terdiri dari 7.373 data dengan periode waktu berlaku polis adalah setahun terhitung dari Januari 2015 sampai dengan Desember 2016. Setelah itu, dibandingkan hasil dari kedua metode tersebut untuk mendapatkan hasil yang terbaik. Penggunaan data historis polis dari suatu asuransi umum di Indonesia ini menunjukkan bahwa Support Vector Machines menghasilkan tingkat akurasi rata rata 100 dalam klasifikasi dua kelas yaitu klaim dan tidak klaim. Memang waktu yang dibutuhkan relatif lama dalam mengklasifikasi data yaitu 4673,33 detik. Kemudian dibandingkan hasil olahan dengan klasifikasi Fuzzy Support Vector Machines dengan komposisi 80 training data dan akurasi yang dihasilkan adalah 99,23 .

---

Economics stability of a country is depending on each economics sector of the country. One of the most sector that give a significant contribution is Insurance. Insurance Industry is rapidly grow in recent years. As it grows bigger, there is exist one simple core that indeed affected Insurance Industry in Indonesia which is a competition. The competition is to force one Insurance company to be sharper to win the market. On the other hand, one should realize that Insurance company must be well aware of the immerging risk rate. Insurance company indeed should be prepared for the probability of high indemnities. It leads to the point that a study about future claim should be done for this matter.

In this study, one will focus on Automobile Insurance in Indonesia. The proposed model for this matter is using the mighty machine learning that is well known for classification and prediction problems. The classification methods that one will use are Support Vector Machines and Fuzzy Support Vector Machines. The aims of this study are to compare those two classification methods. This study also use a comprehensive historical policy data from a General Insurance company in Indonesia. This data consists of 7373 data with a one year policy starting from January 2015 until December 2016. One will has to compare those two methods to gain the best result. The used of this historical policy data will show that a classification using Support Vector Machines will result in 100 accuracy for binary classification, in this case will be yes or no claim within one year period. It is indeed takes longer to classify using this method. It takes about 4673,33 seconds. Then, one will compare the result with the other method which is Fuzzy Support Vector Machines with the used of 80 training data. It shows that the accuracy is 99,23 ."

"Di Indonesia, stroke merupakan penyakit dengan angka kematian tertinggi yaitu menempati urutan pertama selamalebih dari dua dekade, 1990-2017. Stroke dibagi menjadi dua jenis, iskemik dan hemoragik, namun 87% penderitastroke adalah stroke iskemik. Sementara itu, jika pasien menderita stroke iskemik dan hal tersebut baru pertama kaliterjadi, maka penderita harus segera mungkin mendapatkan penanganan. Hal ini dikarenakan adanya golden periodpada penanganan stroke yaitu selama 4.5 jam, agar penderita dapat tertolong dan mengurangi risiko kematian ataukecacatan permanen. Oleh karena itu, penting adanya deteksi dini, sehingga banyak penelitian yang dilakukankhususnya di bidang teknologi untuk melakukan diagnosis otomatis guna membantu dokter. Machine learning dandeep learning adalah metode yang sering digunakan karena kemampuannya memberikan hasil prediksi dengan akurasi tinggi. Pada penelitian ini penulis akan memberikan pembaruan dalam pendeteksian stroke iskemik berdasarkan CT scan pasien dengan mengganti peran neural networks untuk klasifikasi pada CNN dengan random forest, support vector machines and k-nearest neighbors. Berdasarkan metode yang dirancang, akurasi pada data training didapatkan 100% untuk RF dan SVM. Dalam validasi data, RF (94,07%) menghasilkan akurasi yang lebih tinggi pada nilai rata-rata dibandingkan dengan SVM (93,20%) dan kNN (79,01%).

---

In Indonesia, stroke is a disease with the highest mortality rate, which ranks first for more than two decades, 1990-

2017. Stroke is divided into two types, ischemic and hemorrhagic, but 87% of stroke patients are ischemic stroke.

Meanwhile, if the patient suffers from an ischemic stroke and this is the first time it has happened, then the patient

should get treatment as soon as possible. This is because there is a golden period in stroke treatment, which is 4.5

hours, so that patients can be helped and reduce the risk of death or permanent disability. Therefore, early detection is important, so that a lot of research has been carried out, especially in the field of technology to carry out automatic diagnosis to help doctors. Machine learning and deep learning are methods that are often used because of their ability to provide predictive results with high accuracy. In this study, the authors will provide an update in the detection of ischemic stroke based on CT scans of patients by replacing the role of neural networks for classification on CNN with random forests, support vector machines and k-nearest neighbors. Based on the designed method, the accuracy of the training data is 100% for RF and SVM. In data validation, RF (94.07%) resulted in higher accuracy in the average value compared to SVM (93.20%) and kNN (79.01%)."

"Alzheimer dikategorikan sebagai salah satu dimensia berat dengan bentuk otak yang mengalami penyusutan dan volume otak berkurang secara keseluruhan. Selain itu, Alzheimer juga mengakibatkan terjadinya atrophy pada bagian hippocampus. Korelasi antara penyusutan bentuk otak dan berkurangnya volume juga mempengaruhi perubahan bentuk tekstur. Pada penelitian yang diusulkan, perluasan dari Local Binary Pattern (LBP) sebagai ekstraksi fitur diperkenalkan. Complete Local Binary Pattern of Sign and Magnitude (CLBPSM) dan Complete Local Binary Pattern of Sign and Magnitude from Three Orthogonal Planes (CLBPSM-TOP) diperkenalkan sebagai deskriptor ekstraksi fitur 2D dan 3D. Dikarenakan fitur yang begitu banyak dihasilkan, maka Principal Component Analysis (PCA), kernel PCA dan Factor Analysis (FA) digunakan sebagai salah satu metode seleksi fitur. Selanjutnya, lima buah classifier digunakan untuk klasifikasi binary class dan multiclass dari Alzheimer, mild cognitive impairment dan normal pada bagian keseluruhan otak dan hippocampus. Hasil eksperimen dengan tiga buah skenario menunjukkan bahwa metode CLBPSM dan CLBPSMTOP mampu memberikan hasil akurasi dan performance yang lain dengan nilai rata-rata antara 70% - 100% untuk bagian keseluruhan otak dan hippocampus. Pendekatan CLBPSM-TOP sebagai deskriptor 3D juga menggungguli metode LBP-TOP pada studi literatur dengan rata-rata kenaikan akurasi sebesar 30% untuk semua klasifikasi.

---

Alzheimer`s disease is categorized as one of heavy dementia with the brain forms will shrink, and reduced overall volume of brain. The correlation between brain form shrinkage and reduction of brain volume also affect deformation texture. In the proposed research, the expansion of local binary pattern (LBP) as feature extraction method is introduced. Complete local binary pattern of sign and magnitude (CLBPSM) and complete local binary pattern of sign and magnitude from three orthogonal planes (CLBPSM-TOP) are introduced as a 2D and 3D feature extraction descriptor. Due to so many features are generated, then the principal component analysis (PCA), kernel PCA and Factor Analysis (FA) are used as a method of feature selection. Furthermore, five classifiers are used for binary class and multiclass classification of Alzheimer's, mild cognitive impairment and normal in the whole brain and hippocampus. The experimental results with three scenarios show that CLBPSM and CLBPSM-TOP methods are able to provide accuracy and the other performance results with an average value between of 70% - 100% for the whole brain and hippocampus. CLBPSM-TOP approach as a 3D descriptor also outperformed LBP-TOP method from the previous study with an average accuracy increase 30% for all classifications."