Hasil Pencarian  ::  Simpan CSV :: Kembali

"Leptomeningeal metastatis merupakan indikasi keganasan yang terjadi pada pasien leukemia. Meskipun hanya memiliki porsi 30-40% yang menyebabkan kekambuhan keganasan pada pasien leukemia, hal tersebut yang dijadikan dasar dalam menentukan pengobatan terbaik yang diberikan kepada mereka. Leptomeningeal metastasis lebih baik dideteksi dengan menggunakan Magnetic Resonance Imaging (MRI) karena sensitivitasnya yang tinggi dalam citra neuraxis. Kemampuan expert yang tinggi untuk melihat dan menganalisis sangat diperlukan dalam membaca hasil Brain MRI pasien leukemia dengan suspek leptomeningeal metastasis. Oleh karena itu, klasifikasi akan memakan waktu yang lama dan memungkinkan kesalahan pembacaan hasil. Berbagai metode telah banyak diusulkan dan dikembangkan dalam klasifikasi Brain MRI untuk mendapatkan hasil terbaik namun tantangan dalam penelitian ini adalah leptomeningeal metastasis yang karakteristiknya lebih sudah dikenali dibandingkan tumor pada otak. Oleh karena itu peneliti mengusulkan pengklasifikasian leptomeningeal metastasis dengan menggunakan metode CNN via transfer learning. Dengan berbagai skenario yang dilakukan, hasil akurasi terbaik adalah implementasi metode CNN (ResNet50) via transfer learning mencapai 82,22%.

---

Leptomeningeal metastasis is an indication of malignancy that occurs in leukemia patients. Although it only has a 30-40% portion, which causes recurrence of malignancy in leukemia patients, it is the basis for determining the best treatment given to them. Leptomeningeal metastases are better detected by using Magnetic Resonance Imaging (MRI) because of their high sensitivity in neuroaxis images. A high expert ability to see and analyze is needed in reading the brain MRI results of leukemia patients with suspected leptomeningeal metastasis. Therefore, the classification will take a long time and may an incorrect reading of the results. Various methods have been proposed and developed in the brain MRI classification to get the best results, but the challenge in this research is leptomeningeal metastasis, whose characteristics are more not recognizable than tumors in the brain. Therefore, we propose the classification of leptomeningeal metastasis using the CNN method via transfer learning. With various scenarios done, we obtained the best accuracy result is the implementation of the CNN (ResNet50) method via transfer learning, up to 82.22%."

"Analisis sentimen adalah salah satu bidang dari Pemrosesan Bahasa Alami yang membangun sistem untuk mengenal opini dalam teks dan mengelompokkan ke dalam sentimen positif atau negatif. Banyak peneliti telah membangun model yang menghasilkan akurasi terbaik dalam melakukan analisis sentimen. Tiga diantaranya adalah Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU), yang merupakan bagian dari deep learning. CNN digunakan karena kemampuannya dalam mengekstrak fitur penting dalam penggalan kalimat, sedangkan LSTM dan GRU digunakan karena kemampuannya yang memiliki memori akan input yang telah diproses sebelumnya. GRU memiliki struktur yang lebih sederhana dibandingkan dengan LSTM. Ketiga model tersebut dapat digabungkan menjadi model gabungan LSTM-CNN, CNN-LSTM, GRU-CNN, dan CNN-GRU. Penelitian sebelumnya telah membuktikan bahwa model gabungan tersebut memiliki akurasi yang lebih baik dibandingkan dengan model dasar LSTM, GRU, dan CNN. Implementasi model dilakukan pada data ulasan aplikasi berbahasa Indonesia. Hasilnya, didapatkan bahwa hampir seluruh model gabungan memiliki akurasi yang lebih baik dibandingkan dengan model dasar.

---

Sentiment analysis is one of the fields of Natural Language Processing that builds a system to recognize and extract opinion in the form of text into positive or negative sentiment. Nowadays, many researchers have developed methods that yield the best accuracy in performing analysis sentiment. Three particular models are Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU), which are part of deep learning architectures. CNN is used because of its ability to extract important features from each sentence fragment, while LSTM and GRU are used because of their ability to have a memory of prior inputs. GRU has a simpler and more practical structure compared to LSTM. These models can be combined into combined LSTM-CNN, CNN-LSTM, GRU-CNN, and CNN-GRU model. Former researches have proved that these models have better accuracy compared to standard models. This research is focused on the performance of all the combined LSTM-CNN, CNN-LSTM, GRU-CNN, CNN-GRU models and will be compared to the standard LSTM, GRU, CNN models. Implementation of the model is performed on a collection of application review data in Indonesian text. As a result, almost all of the combined models have better accuracy than the standard models."

"Uji kendali mutu pada citra mamografi dengan menggunakan fantom CDMAM merupakan langkah penting dalam memastikan kualitas proses diagnostik pada pesawat mamografi. Namun, untuk mengatasi masalah variabilitas manusia dan meningkatkan efisiensi waktu, penggunaan Convolutional Neural Network (CNN) dapat menjadi solusi yang akurat dalam menganalisis citra fantom CDMAM. Penelitian ini menerapkan arsitektur CNN Resnet50 pada total 1.392 citra fantom CDMAM dengan dan tanpa regularizer L2. Hasil prediksi CNN pada rentang diameter 0,10 hingga 0,20 mm menunjukkan tingkat prediksi dengan tingkat kesalahan relatif di bawah 32% pada prediksi satuan dan di bawah 16% pada rata-rata prediksi dari 16 citra. Dari hasil prediksi yang diperoleh, diperlukan optimasi lebih lanjut untuk mencapai akurasi prediksi yang lebih tinggi.

---

Quality control testing on mammography images using CDMAM phantoms is an important step in ensuring the quality of the diagnostic process in mammography devices. However, to overcome human variability issues and improve time efficiency, the use of Convolutional Neural Network (CNN) can be an accurate solution for analyzing CDMAM phantom images. This study applied the CNN architecture ResNet50 to a total of 1.392 CDMAM phantom images with and without L2 regularizer. The CNN prediction results for the diameter range of 0,10 to 0,20 mm showed prediction with relative error below 32% for individual predictions and below 16% for average predictions from 16 images. Based on the obtained prediction results, further optimization is needed to achieve higher prediction accuracy."

"Setiap tahun, ada sekitar 7.8 juta ton sampah plastik yang tidak dikelola di Indonesia. Metode yang banyak digunakan dalam pengolahan sampah tersebut adalah reduce, recycling, dan reusing. Dari ketiga metode tersebut, recycling menjadi solusi terbaik dalam penanganan sampah plastik karena kapasitas pengelolaan yang besar. Botol plastik menjadi jenis plastik yang paling banyak di recycling karena tingkat kemurnian material plastiknya tinggi. Namun, masalah terbesar dalam recycling sampah botol plastik adalah klasifikasi sampah plastik berdasarkan material penyusunya. Proses recycling saat ini sudah dimudahkan karena memanfaatkan machine learning. Machine learning dapat melakukan suatu pekerjaan tanpa harus diberi perintah berulang sehingga dapat dimanfaatkan untuk melakukan klasifikasi sampah botol plastik. Salah satu metode dalam Machine learning yang digunakan adalah Convolutional Neural Network karena dapat mengklasifikasikan sampah botol plastik PET, HDPE, LDPE, dan PP. Diperoleh akurasi testing PET terbaca sepuluh kali dari sepuluh percobaan sedangkan HDEP, LDPE, dan PP terbaca sembilan kali dari sepuluh percobaan. Selain itu, metode tersebut juga mampu mengklasifikasi sampah botol plastik dengan beberapa kondisi yaitu botol yang menggunakan tutup, kotor, serta remuk. Diperoleh akurasi testing untuk ketiga kondisi terbaca sepuluh kali dari sepuluh percobaan.

---

There are around 7.8 million tons of unmanaged plastic waste in Indonesia each year. Solving the problem there are three method that are widely used in processing the waste namely reduce, recycle, and reuse. From those methods, Recycling is the best solution in handling plastic waste because of its large management capacity. Plastic bottles are the type of plastic that is most widely recycled because of the high level of purity of the plastic material. However, the biggest problem in recycling plastic bottle waste is the classification of plastic waste based on its materials. The recycling process is now much easier because it utilizes machine learning. Machine learning can do a job without having to be given repeated orders so that it can be used to classify plastic bottle waste. One of the machine learning methods used is convolutional neural network because it can classify PET, HDPE, LDPE, and PP plastic bottles. PET testing accuracy was read ten times from ten times testing while HDPE, LDPE, and PP read nine times from ten times testing. In addition, this method is also able to classify plastic bottle waste under several conditions, namely using a lid, dirty, and crumbling. Obtained testing accuracy for all three condition read ten times from ten time testing."

"Survei Kesehatan Indonesia (SKI) tahun 2023 yang dilakukan oleh Kementerian Kesehatan (Kemenkes) ada sekitar 70 juta perokok aktif di Indonesia. Apabila dihitung dari populasi penduduk Indonesia ada 28,62% penduduk yang merokok di tahun 2023 dan persentase ini meningkat dari tahun sebelumnya sebanyak 0,36%. Perilaku merokok ini menyebabkan berbagai penyakit seperti penyakit paru-paru kronis, kerusakan gigi, penyakit mulut, stroke, serangan jantung, kanker rahim, gangguan mata, dan kerusakan pada rambut. Untuk menekan jumlah perokok di Indonesia, diperlukan sistem untuk deteksi perokok. Deteksi perokok saat ini memakan biaya yang mahal, bantuan ahli, dan sistem yang kompleks. Oleh karena itu, deep learning dengan algoritma Convolutional Neural Network hadir sebagai solusi untuk mengatasi masalah tersebut. Skripsi ini membahas bagaimana merancang sistem deep learning dengan Convolutional Neural Network (CNN) untuk keperluan deteksi wajah perokok. Skripsi ini juga membahas bagaimana pengaruh berbagai skenario jumlah data pelatihan dan data pengujian serta penambahan ekstraksi fitur wajah terhadap metrik evaluasi . Hasil dari rancangan dievaluasi dengan metrik evaluasi kalkulasi loss function, akurasi, dan F1 score. Hasil simulasi menunjukan skenario data pelatihan 70% dan data pengujian 30% adalah skenario terbaik dengan nilai metrik evaluasi pengujian pada skenario ini sebesar 2.236 untuk loss, 54.5% untuk akurasi, dan 34.9% untuk F1 score. Skenario ini diimprovisasi dengan adanya penambahan ekstraksi fitur perokok pada awal preprocessing yang ditandai dari penurunan loss sebesar 65.65%, peningkatan akurasi sebesar 19%, dan peningkatan F1 score sebesar 24.08%.

---

The 2023 Indonesian Health Survey (SKI) conducted by the Ministry of Health (Kemenkes) reported that there are approximately 70 million active smokers in Indonesia. This accounts for 28.62% of the Indonesian population in 2023, representing a 0.36% increase from the previous year. Smoking behavior leads to various diseases such as chronic lung disease, tooth damage, oral diseases, stroke, heart attacks, uterine cancer, eye disorders, and hair damage. To reduce the number of smokers in Indonesia, a smoker detection system is necessary. Current smoker detection methods are expensive, require expert assistance, and involve complex systems. Therefore, deep learning with Convolutional Neural Network (CNN) algorithms presents a solution to address these issues. This thesis discusses how to design a deep learning system using Convolutional Neural Networks (CNN) for smoker face detection. It also examines the impact of different training and testing data scenarios and the addition of facial feature extraction on evaluation metrics. The designed system is evaluated using metrics such as loss function calculation, accuracy, and F1 score. The simulation results show that a scenario with 70% training data and 30% testing data is the best scenario, yielding evaluation metric values of 2.236 for loss, 54.5% for accuracy, and 34.9% for F1 score. This scenario was improved with the addition of smoker feature extraction in the preprocessing stage, resulting in a 65.65% reduction in loss, a 19% increase in accuracy, and a 24.08% increase in F1 score."

"Diabetik retinopati adalah komplikasi dari penyakit diabetes yang dapat mengakibatkan gangguan penglihatan bahkan kebutaan. Penyakit ini menjadi tidak dapat disembuhkan jika telah melewati fase tertentu, sehingga diagnosa sedini mungkin menjadi sangat penting. Namun, diagnosa oleh dokter mata memerlukan biaya dan waktu yang cukup besar. Oleh karena itu, telah dilakukan upaya untuk meningkatkan efisiensi kerja dokter mata dengan bantuan komputer. Deep learning merupakan sebuah metode yang banyak digunakan untuk menyelesaikan masalah ini. Salah satu arsitektur deep learning yang memiliki performa terbaik adalah residual network. Metode ini memiliki kelebihan dalam menghindari masalah degradasi akurasi, sehingga memungkinkan penggunaan jaringan yang dalam. Di sisi lain, metode persistent homology juga telah banyak berkembang dan diaplikasikan pada berbagai masalah. Metode ini berfokus pada informasi topologi yang terdapat pada data. Informasi topologi ini berbeda dengan representasi data yang didapatkan dari model residual network. Penelitian ini melakukan analisis terhadap penerapan persistent homology pada kerangka kerja residual network dalam permasalahan klasifikasi diabetik retinopati. Dalam studi ini, dilakukan eksperimen berkaitan dengan informasi topologi dan proses pengolahannya. Informasi topologi ini direpresentasikan dengan betti curve atau persistence image. Sementara itu, pada proses pengolahannya dilakukan ujicoba pada kanal citra, metode normalisasi, dan layer tambahan. Hasil eksperimen yang telah dilakukan adalah penerapan persistent homology pada kerangka kerja residual network dapat meningkatkan hasil klasifikasi penyakit diabetik retinopati. Selain itu, penggunaan betti curve dari kanal merah sebuah citra sebagai representasi informasi topologi memberikan hasil terbaik dengan skor kappa 0.829 pada data test.

---

Diabetic retinopathy is a complication of diabetes which can result in visual disturbance and even blindness. This disease becomes incurable after reaching certain phases, thus immidiate diagnosis is highly important. However, diagnosis by a professional ophthalmologist requires a great amount of time and cost. Therefore, efforts to increase the work efficiency of ophthalmologists using computer system has been done. Deep learning is a method that widely used to solve this particular problem. Residual network is one of deep learning architecture which has the best performance. The main advantage of residual network is its ability to prevent accuracy degradation, thus enabling the model to go deeper. On the other hand, persistent homology is also rapidly developing and applied in various fields. This method focus on the topological information of the data. This information are different with the data representation that extracted by neural network model. This study analyze the incorporation of persistent homology to residual networks framework for diabetic retinopati classification. In this study, experiments regarding about topological information and its process were carried out. The topological information is represented as betti curve or persistence image. Meanwhile, the experiments are analyzing the impact of image colour channel, normalization method, and additional layer. According to the experiments, application of persistent homology on residual network framework could improve the outcome of diabetic retinopathy classification. Moreover, the application of betti curve from the red channel as a representation of topological information has the best outcome with kappa score of 0.829."

"Degenerasi makula atau Age-Related Macular Degeneration (AMD) adalah penyakit mata yang menyebabkan kebutaan pada bagian tengah mata yang merusak kinerja retina pada bagian makula yang berfungsi untuk mempertajam penglihatan untuk beberapa aktivitas, seperti membaca, menulis, dan mengenali wajah seseorang. Penderita AMD akan mengalami penglihatan yang buram, distorsi penglihatan, atau bahkan kehilangan penglihatannya. Dalam mendiagnosis AMD dapat digunakan oftalmoskopi, beberapa metodenya yaitu Ocular Coherence Tomography (OCT) dan fotografi fundus sudah banyak dilakukan untuk membantu diagnosis AMD. Namun, diagnosis AMD dengan mengandalkan ahli dapat berlangsung lama dan memungkinkan terjadinya error subjektivitas oleh pendiagnosis. Diagnosis awal diperlukan untuk mendeteksi adanya kemungkinan terjadinya AMD pada tahap awal yang gejalanya tidak dirasakan oleh penderita. Pendekatan diagnosis AMD salah satunya dapat dilakukan dengan pendekatan machine learning. Machine learning sudah berperan besar dalam sektor medis membantu permasalahan klasifikasi diagnosis penyakit seperti metode Support Vector Machines (SVM) dan Twin Support Vector Machines (TSVM). Salah satu cabang machine learning yang sangat baik dalam klasifikasi penyakit lewat gambar adalah deep learning. Metode yang digunakan deep learning untuk permasalahan klasifikasi data citra salah satunya adalah Convolutional Neural Network (CNN). Pada penelitian ini, akan digunakan metode Convolutional Neural Network – Twin Support Vector Machines (CNN-TSVM) untuk mengklasifikasi penyakit AMD menggunakan data citra fundus yang diperoleh dari Ocular Disease Recognition (ODIR-5K) 2019, dengan 227 data citra fundus normal dan 227 data citra fundus penyakit AMD. Evaluasi kinerja metode CNN-TSVM menggunakan teknik hold-out validation dengan membagi data latih dan data uji dengan proporsi 10% - 90% dan metrik akurasi, presisi, dan recall. Hasil kinerjanya dibandingkan dengan metode CNN dan Convolutional Neural Network – Support Vector Machines (CNN-SVM). Hasil yang diperoleh menunjukkan CNN-TSVM menggunakan kernel RBF memberikan akurasi dan recall terbaik, sementara CNN-TSVM menggunakan kernel polinomial memberikan presisi terbaik.

---

Age-related Macular Degeneration (AMD) is an eye disease that causes blindness in the middle of the eye that impairs retinal performance in the macula that serves to sharpen vision for some activities, such as reading, writing, and recognizing a person's face. AMD sufferers will experience blurred vision, vision distortion, or even loss of vision. In AMD diagnosed, ophthalmology can be used, several methods of ophthalmology including Ocular Coherence Tomography (OCT) and fundus photography have been widely done to help the diagnosis of AMD. However, AMD diagnosis by relying on experts can be long-lasting and allow subjective errors to occur in the diagnosis. An initial diagnosis is needed to detect the possibility of AMD occurrence at an early stage where symptoms are not felt by the sufferer. One of AMD diagnosis approach can be done with machine learning approach as one of artificial intelligence methods. Machine learning method has played a major role in the medical sector helping classification problems of disease diagnosis such as Support Vector Machines (SVM) and Twin Support Vector Machines (TSVM). One of the excellent branches of machine learning in the classification of diseases through images is deep learning. The suitable method used by deep learning for image data classification problems is convolutional neural network (CNN). In this study, Convolutional Neural Network–Twin Support Vector Machines (CNN-TSVM) method will be used to classify AMD diseases using fundus image data obtained from Ocular Disease Recognition (ODIR-5K) 2019, with 227 normal fundus image data and 227 fundus image data of AMD disease. Performance evaluation of CNN-TSVM method using hold-out validation techniques by dividing training data and testing data by a proportion of 10% - 90% and metrics of accuracy, precision, and recall. The performance results will be compared to CNN and Convolutional Neural Network – Support Vector Machines (CNN-SVM). The results showed CNN-TSVM using RBF kernel provided the best accuracy and recall, while CNN-TSVM using polynomial kernel provided the best precision."

"Analisis sentimen merupakan bagian dari data mining text mining , yaitu proses memahami, mengekstrak, dan mengolah data tekstual secara otomatis untuk mendapatkan informasi. Pada penelitian ini, analisis sentimen diterapkan pada salah satu media sosial, yaitu Twitter. Analisis sentimen tergolong sebagai masalah klasifikasi yang dapat diselesaikan menggunakan salah satu metode machine learning, yaitu Neural Network. Pada machine learning, data dibagi menjadi data pelatihan dan data pengujian yang berasal dari domain yang sama. Permasalahan utama pada penelitian ini adalah data pelatihan dan data pengujian berasal dari dua domain yang berbeda, sehingga perlu diterapkan pembelajaran lain selain machine learning. Masalah tersebut dapat diselesaikan dengan menggunakan transfer learning. Transfer learning merupakan suatu pembelajaran model yang dibangun oleh suatu data pelatihan dari suatu domain dan diuji oleh suatu data pengujian dari domain yang berbeda dari domain data pelatihan. Simulasi dalam penelitian ini menghasilkan suatu akurasi transfer learning dengan metode Neural Network yang nantinya akan diuji dengan fitur n-gram bi-gram dan tri-gram serta satu metode seleksi fitur, yaitu Extra-Trees Classifier. Dalam penelitian ini, nilai akurasi transfer learning tertinggi didapat saat hidden layer berjumlah satu. Sebagian besar nilai akurasi tertinggi didapat saat penggunaan 250 neuron pada hidden layer. Fungsi aktivasi ReLU dan tanh menghasilkan nilai akurasi yang lebih tinggi dibandingkan fungsi aktivasi logistic sigmoid. Penggunakan metode seleksi fitur dapat meningkatkan kinerja transfer learning sehingga nilai akurasinya lebih tinggi dibandingkan simulasi tanpa penggunaan metode seleksi fitur.

---

Sentiment analysis is a part of data mining text mining , which is the process of understanding, extracting, and processing textual data automatically to obtain information. In this research, sentiment analysis is applied to one social media called Twitter. Sentiment analysis is categorized as a classification problem that can be solved using one of machine learning methods, namely Neural Network. In machine learning, data is divided into training data and test data from the same domain.

The main problem in this research is training data and test data come from two different domains, so it is necessary to apply other learning beside machine learning. The problem can be solved by using transfer learning. Transfer learning is a model learning constructed by a training data from a domain and tested by a test data from a different domain from the training data domain. The simulation in this research resulted in an accuracy of learning transfer with Neural Network method which will be tested using n grams bi grams and tri grams and one feature selection method called Extra Trees Classifier.

In this research, the highest value of transfer learning accuracy is obtained when one hidden layer is used. Most of the highest accuracy values are obtained from the use of 250 neurons on the hidden layer. The activation function of ReLU and tanh yield a higher accuracy value than the logical activation function sigmoid . The use of feature selection method can improve the transfer learning performance so that the accuracy value is higher than simulation without the use of feature selection method."

"Kemajuan teknologi memicu pertumbuhan industri teknologi dan mendorong masyarakat untuk menggunakan smartphone, terutama untuk berkomunikasi di media sosial. Media sosial merupakan tempat yang efektif untuk mencari berbagai informasi. Oleh karena itu, media sosial menyimpan banyak data, terutama data tekstual. Data tersebut muncul dari para pengguna yang jumlahnya meningkat pesat. Data tekstual bisa digunakan untuk analisis sentimen. Skripsi ini membahas analisis sentimen untuk melihat kecenderungan suatu informasi dari penulisnya. Analisis sentimen mengklasifikasikan data tekstual menjadi kelas sentimen positif dan negatif. CNN merupakan salah satu algoritma deep learning yang dapat mengklasifikasi data tekstual. Model dari algoritma CNN menunjukkan hasil yang cukup baik dalam mengkalsifikasi permasalahan analisis sentimen dengan bantuan lifelong learning. Lifelong learning merupakan machine learning yang menyerupai proses belajar pada otak manusia. Proses yang dijalankan yaitu dengan memanfaatkan hasil pembelajaran dari masa lalu untuk membantu pembelajaran pada masa depan. 4 dataset dengan domain yang berbeda, dijalankan menggunakan model CNN pada proses Lifelong learning dan menghasilkan akurasi yang meningkat, seiring dengan penambahan dataset pada proses training.

---

Technological advances are fueling the growth of the technology industry and encouraging people to use smartphones, especially for surfing on social media. Social media is an effective tool to find information. Therefore, social media stores a lot of data, especially textual data. The data came from users whose numbers had increased rapidly. Textual data can be used for sentiment analysis. Sentiment analysis is conducted in this study to obtain the tendency of the authors about an article. Sentiment analysis classifies textual data into a class of positive and negative sentiments. CNN is one of the deep learning algorithms that can classify textual data into positive, negative and natural classes. The model of the CNN algorithm shows good results in classifying the problem of sentiment analysis with the help of lifelong learning. Lifelong learning is a machine learning that resembles the learning process in the human brain. The process that is carried out is by utilizing learning outcomes from the past to help learning in the future. 4 datasets with different domains had ran using the CNN model in the Lifelong learning process, and produced increased accuracy along with the addition of datasets in the training process."

"Fraud adalah tindakan kejahatan yang terus terjadi hingga saat ini. Tidak ada lembaga perusahaan yang terbebas dari kemungkinan terjadinya fraud, termasuk juga industri asuransi. Berbagai cara sudah dilakukan untuk mencegah terjadinya fraud pada industri asuransi, seperti tersedianya daftar hitam hingga adanya tim pemeriksaan khusus di setiap perusahaan. Namun, kasus fraud asuransi tetap saja terjadi bahkan semakin berkembang/bervariasi karena perkembangan teknologi. Oleh karena itu, digunakanlah Artificial Intelligence (AI) dan machine learning sebagai decision support system untuk memprediksi potensi fraud asuransi. Masalah ini merupakan skenario klasifikasi biner dengan komposisi kelas antar-target yang tak seimbang (imbalance class) pada data tabular. Penelitian ini bertujuan untuk mengetahui kinerja model Neural Oblivious Decision Ensembles dalam mendeteksi fraud asuransi serta membandingkan kinerja tersebut dengan model XGBoost tanpa penanganan imbalance class, XGBoost dengan oversampling, dan XGBoost dengan pembobotan data sebagai penanganan standar pada masalah imbalance class. Penelitian ini menggunakan Auto Insurance Claims Data yang dipublikasikan oleh Bunty Shah di situs Kaggle pada tahun 2018. Hasil dari penelitian ini didapatkan bahwa rata-rata dari lima model Neural Oblivious Decision Ensembles (NODE) yang dilakukan pada penelitian memberikan nilai accuracy sebesar 75,53%, precision sebesar 74,24%, recall sebesar 75,53%, f1-score sebesar 74,43%, dan Area Under Curve sebesar 75,04% dan dapat mengungguli kinerja dari ketiga model lainnya.

---

Fraud is a crime that continues to occur today. No corporate institution is free from the possibility of fraud, including the insurance industry. Various methods have been taken to prevent fraud in the insurance industry, such as the availability of a blacklist to the existence of a special inspection team in each company. However, insurance fraud cases still occur even has more variation due to technological developments. Therefore, Artificial Intelligence (AI) and machine learning are used as decision support systems to predict potential insurance fraud. This research is an implementation of binary-classification scenario with imbalance class on tabular data. This research aims to determine the performance of the Neural Oblivious Decision Ensembles model in detecting insurance fraud and compare the performance with the XGBoost without imbalance class handling, XGBoost with oversampling, and XGBoost with weighted data as the standard handling of imbalance class problems. This research uses the Auto Insurance Claims Data published by Bunty Shah on the Kaggle website in 2018. The results of this research found that the average of the five Neural Oblivious Decision Ensembles (NODE) models gave an accuracy value of 75.53% , precision of 74.24%, recall of 75.53%, f1-score of 74.43%, and Area Under Curve of 75.04% and can outperform the performance of the other three models."