Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam melakukan klasifikasi, tidak jarang terdapat data dengan jumlah anggota kategori yang tidak seimbang. Khususnya dalam dunia kesehatan dimana kategori yang diamati umumnya lebih jarang terjadi. Jika ketidakseimbangan ini tidak ditangani terlebih dahulu maka dapat memberikan hasil klasifikasi yang bias dan kurang akurat. Terdapat beberapa metode rebalancing konvensional untuk menanganinya seperti random oversampling dan random undersampling, namun keduanya diklaim memiliki beberapa kelemahan sehingga beberapa metode yang lebih kompleks dikembangkan. Namun jumlah metode yang dapat digunakan untuk menangani data kategorik selain metode konvensional tersebut masih minim. Salah satu metode yang dapat menangani data kategorik adalah synthetic minority over sampling-technique nominal continuous atau SMOTE-NC yang merupakan ekstensi dari SMOTE yang dikembangkan untuk menangani dataset dengan variabel campuran. Skripsi ini membahas perbandingan dari metode random oversampling dan SMOTE-NC juga metode gabungannya dengan undersampling yaitu random oversampling + undersampling dan SMOTE-NC + undersampling untuk menangani ketidakseimbangan data. Masing-masing metode tersebut akan diterapkan untuk klasifikasi tingkat keparahan COVID-19 berdasarkan urgensi perawatan rumah sakit dengan menggunakan metode random forest dimana selanjutnya dapat dilihat kombinasi metode yang menghasilkan performa terbaik. Penelitian ini juga bertujuan untuk melihat faktor-faktor manakah yang paling penting dalam memprediksi tingkat keparahan COVID-19 berdasarkan urgensi rumah sakit. Digunakan metode Leave-One-Out Cross-Validation untuk mengukur konsistensi model. Diperoleh hasil bahwa metode SMOTE-NC dengan undersampling memberikan performa terbaik dengan komorbid paru-paru, kadar c-reactive protein dan prokalsitonin merupakan variabel terpenting dalam model. Selain itu diperoleh kesimpulan bahwa pemilihan metode rebalancing yang tepat bergantung pada karakteristik data yang dimiliki.

---

In conducting classification, it is not uncommon for data with an unbalanced number of category members. Especially in the world of health where the categories we observe are generally less common. If this imbalance is not handled first, it can give biased and less accurate classification results. There are several conventional rebalancing methods to handle it, such as random oversampling and random undersampling, but both are claimed to have several weaknesses so that several more complex methods were developed. However, the number of methods that can be used to handle categorical data other than the conventional methods is still minimal. One method that can handle categorical data is synthetic minority over sampling-technique nominal continuous or SMOTE-NC which is an extension of SMOTE which was developed to handle datasets with mixed variables. This thesis discusses the comparison of random oversampling and SMOTE-NC methods as well as their combined methods with undersampling, namely random oversampling + undersampling and SMOTE-NC + undersampling to handle data imbalances. These methods will be applied to the classification of the severity of COVID-19 based on the urgency of hospital care using the random forest method, wherein the combination of methods that produces the best performance will be seen. This study also aims to see which factors are the most important in predicting the severity of COVID-19 based on hospital urgency. The Leave-One-Out Cross-Validation method is used to measure the consistency of the model. It was found that the SMOTE-NC method with undersampling gave the best performance with lung comorbidities, c-reactive protein and procalcitonin levels were the most important variables in the model. In addition, it can be concluded that the selection of the right rebalancing method depends on the characteristics of the data held."

"ABSTRAKKauman is one of the oldest settlement and part of the bureaucratic structure of Yogyakartas palace. The old buildings in Kauman were interesting topics to many research there. Mean while on the other hand, artifacts as anothersupporting data of the daily life there have never been revealed. This paper aims to look at the connection between the artifacts findings with the Kauman settlement as well as Yogyakartas palace. Analytical descriptive method is used to describe and analyze the artifacts to see the development of Kauman itself. "

"ABTSRAKBeberapa permasalahan analisis numerik dapat disederhanakan menjadi permasalahan penyelesaian sistem persamaan linear AOC=b,dengan A?Am'a, xeRn, dan beRm. Untuk man, permasalahan persamaan ini merupakan permasalahan kuadrat terkecil yang mencari penyelesaian x dengan meminimumkan norm residu ||Ax-b|| Penelitian ini membahas sistem persamaan linear Toeplitz T. Metode-metode yang dipakai untuk menyelesaikan sistem persamaan linear ini adalah faktorisasi Cholesky, eliminasi Gauss, Conjugate Gradient, faktorisasi fast inverse QR, dan faktorisasi fast QR. Penelitian ini bertujuan untuk melihat efisiensi waktu proses dan keakuratan antara penyelesaian numerik yang diperoleh dengan penyelesaian eksak. Hasil percobaan menunjukkan bahwa metode-metode tersebut dapat dipakai untuk menyelesaikan persamaan linear dengan matriks T well-condition. Bila menggunakan matriks Toeplitz T ill-condition, maka metode Cholesky kurang akurat dibandingkan dengan keempat metode lainnya. Solusi paling cepat dan paling akurat dihasilkan oleh metode faktorisasi Fast QR."

"Dengan dikeluarkannya ?Undang-Undang Darurat No. 3 tahun 1958 tentang Urusan Perumahan dan mulai berlaku pada tanggal 17 April 1958, maka buku ini dibuat untuk menjelaskan tentang peraturan baru tersebut. Dan undang-undang sebagai supplement pada buku ini.Buku ini berisi kumpulan dari karangan-karangan yang diterbitkan dalam majalah Pantjawarna dan kumpulan keputusan dari badan peradilan yang berhubungan dengan perumahan."

"Penelitian tentang kualitas Sumber Daya Manusia (SDM) di Wilayah Kalimantan ini pada umumnya bertujuan untuk menentukan kualitas SDM daerah-daerah tingkat II di Wilayah Kalimantan dan sekaligus melihat perbedaan antar daerah dengan menggunakan metode Analisis Faktor. Data yang digunakan dalam penelitian ini adalah data SUSENAS 2000 Wilayah Kalimantan. Dari data ini kemudian dipilih variabel-variabel yang didefinisikan dapat mengukur konsep kualitas sumber daya manusia daerah-daerah di Wilayah Kalimantan. Variabel-variabel yang dipilih tersebut merupakan gabungan dari berbagai sumber seperti Fadjri (2001), Agung dkk 1999, Rusli dkk (1995), LIPI (1992), serta Ananta dan Hatmadji (1985). Variabel-variabel yang terpilih ada 14, kemudian dikelompokkan secara substansi menjadi empat kelompok variabel tunggal yaitu kelompok pendidikan, kelompok kesehatan, kelompok keluarga berencana, dan kelompok aktivitas ekonomi. Dalam penelitian ini Analisis Faktor dilakukan dalam dua tahap. Analisis Faktor tahap pertama dilakukan berdasarkan setiap kelompok variabel tunggal untuk membentuk nilai faktor. Dari hasil analisis ini diperoleh nilai faktor pendidikan, nilai faktor kesehatan, nilai faktor keluarga berencana, dan nilai faktor aktivitas ekonomi. Kemudian dilanjutkan dengan analisis faktor tahap kedua yaitu membentuk nilai faktor baru dari hasil analisis faktor tahap pertama, menghasilkan sebuah nilai faktor total/gabungan yang disebut dengan nilai faktor kualitas sumber daya manusia. Dari nilai faktor total ini kemudian ditransformasi ke dalam Indeks Agung untuk mendapatkan Indeks Komposit Kualitas Sumber Daya Manusia (IKSDM). Dan nilai faktor total ini sekaligus juga dapat disajikan urutan ranking dan klasifikasi daerah. Hasil analisis menunjukkan ada 11 daerah tingkat II yang memiliki IKSDM terendah dan masuk dalam klasifikasi "Kurang". Lima daerah di Propinsi Kalimantan Barat yaitu Kabupaten Pontianak, Sanggau, Ketapang, Sintang, dan Kapuas Hulu. Lima daerah di Propinsi Kalimantan Selatan yaitu Kabupaten Barito Kuala, Tapin, Hulu Sungai Selatan, Hulu Sungai Tengah, dan Hulu Sungai Utara. Satu daerah Propinsi Kalimatan Tengah yaitu Kabupaten Barito Selatan. Daaerah-daerah tingkat II yang masuk dalam klasifikasi "Kurang" ini perlu mendapatkan perhatian dan prioritas intervensi kebijakan pemerintah. Karena nilai IKSDM merupakan indeks komposit yang dibentuk dari 4 faktor yaitu Pendidikan, Kesehatan, Keluarga Berencana, dan Aktivitas Ekonomi, maka untuk membuat suatu kebijakan atau program perlakuan haruslah dilihat nilai yang terendah dari keempat faktor tersebut. Selanjutnya berkaitan dengan faktor terendah tersebut dilihat lagi nilai yang terendah untuk variabel tunggal yang bersangkutan. Jadi saran perbaikan untuk pemerintah adalah agar kebijakan atau program perlakuan yang akan dibuat mempunyai tujuan untuk meningkatkan nilai variabel tunggal terendah tersebut."