Hasil Pencarian  ::  Simpan CSV :: Kembali

"Luasnya dampak negatif gangguan depresi terhadap kehidupan seseorang membawa urgensi akan pentingnya metode diagnosis yang akurat dan objektif agar bisa menerapkan langkah pengobatan yang cepat pada pasien yang depresi. Metode diagnosis gangguan depresi yang berbasis kuesioner atau wawancara berpotensi subyektif, karena pasien bisa saja tidak menceritakan dengan detail kondisi yang dialaminya. EEG dapat menjadi sarana alternatif untuk mencapai diagnosis yang akurat dan objektif tersebut. Sinyal EEG mengandung banyak fitur yang dapat diekstrak dengan mudah, contohnya Relative Power Ratio (RPR). Penelitian ini mengekstrak fitur RPR dari sinyal EEG dengan menggunakan dua metode, yaitu STFT (Short-Time Fourier Transform) dan PSD (Power Spectral Density) dari 14 elektroda EEG yang tersedia. Fitur RPR yang diekstrak akan direduksi menggunakan algoritma PCA (Principal Component Analysis) ke dalam dimensi yang lebih rendah dengan tetap mempertahankan variansi (informasi) fitur sebesar 90%. Model ANN (Artificial Neural Network) dengan jenis FNN (Feedforward Neural Network) digunakan untuk klasifikasi pasien yang sehat dengan yang depresi. Dampak dari algoritma PCA akan dilihat pada performa model FNN dan lama waktu pelatihan yang dibutuhkan model FNN. Performa model yang akan diukur adalah akurasi, sensitivitas dan spesifisitas. Performa model akan divalidasi menggunakan 10-Fold Validation yang dijalankan sebanyak 10 iterasi. PCA berhasil mereduksi dimensi fitur RPR sebesar 57.1% dengan metode PSD dan 57.1% dengan metode STFT. Akurasi tertinggi yang didapatkan model FNN adalah 69.5% ketika menerapkan algoritma PCA pada RPR metode PSD, dan 68% ketika menerapkan algoritma PCA pada fitur RPR metode STFT. Penerapan PCA pada fitur RPR menurunkan waktu pelatihan model sebesar 6.33% dengan metode PSD dan sebesar 42.56% dengan metode STFT. Performa model FNN lebih baik setelah penerapan PCA dibandingkan dengan menggunakan fitur RPR langsung ke dalam model FNN. Hal ini menunjukkan bahwa PCA memiliki potensi untuk menurunkan waktu pelatihan model FNN dengan tetap mempertahankan performa model FNN.

---

The extent of the negative impact of depressive disorder on a person’s life raises the urgency of the importance of an accurate and objective diagnostic method to quickly apply treatment steps for depressive patients. Diagnostic method that based on questionnaire and interview has the potential to be subjective, because the patient might be not fully explain his condition. EEG or Electroencephalography could be an alternative way to achieve the accurate and objective diagnostic. EEG signal has many features that can be extracted easily, for example the Relative Power Ratio. This research extracted RPR features from EEG signal by implementing two methods, STFT (Short-Time Fourier Transform) and PSD (Power Spectral Density) from 14 available EEG electrodes. The extracted RPR features will be reduced by using PCA algorithm to a lower dimension while still retaining 90% variance (information) from the features. ANN (Artificial Neural Network) with the type of FNN (Feedforward Neural Network) will be used to classify healthy patients with depressed patients. The effect of PCA algorithm will be seen on the FNN model’s performances and on the training duration of the FNN model. Model’s performances that will be measured are accuracy, sensitivity, and specificity. Model’s performances will be validated by using 10-Fold Validation which will be executed for 10 iterations. PCA managed to reduce 57.1% RPR features’ dimensions by using PSD method and 57.1% by using STFT method. The highest accuracy achieved by FNN model is 69.5% when implementing PCA algorithm to the RPR features from the PSD method, and 68% when implementing PCA algorithm to the RPR features from STFT method. The implementation of PCA to the RPR features managed to reduce 6.33% training duration of FNN model for the PSD method and 42.56% for the STFT method. Better FNN model’s performances are shown after the implementation of PCA algorithm compared to when using the RPR features directly to the FNN model. This shows that PCA has a potential of reducing the training duration of the FNN model while still retaining FNN model’s performances."

"

Meningkatnya angka prevalensi gangguan depresi, terutama di generasi muda, membawa urgensi tentang pentingnya menjaga kesehatan mental. Terlebih lagi, adanya gangguan depresi pada seseorang telah terbukti untuk meningkatkan risiko dan keparahan (severity) penyakit kardiovaskular. Seringkali, depresi luput atau salah didiagnosis sebagai penyakit lain, karena gejala-gejalanya yang mirip dengan penyakit non-mental lainnya. Karena itu, kebutuhan untuk membuat suatu sistem berbasis sinyal elektroensefalografi (EEG) yang dapat membantu diagnosis gangguan mental ini menjadi semakin penting. Tujuan penelitian ini adalah membuat program analisis spektral dan klasifikasi sinyal EEG untuk membantu diagnosis gangguan depresi yang berbasis Machine Learning. Untuk melengkapinya, dibuat juga aplikasi MATLAB dengan Graphical User Interface agar mempermudah pengguna. Sinyal EEG diproses menggunakan dua metode, yaitu wavelet dan Power Spectral Density (PSD). Relative Power Ratio dan Average Alpha Asymmetry dihitung sebagai fitur klasifikasi. Untuk mereduksi jumlah fitur, dilakukan perhitungan dominansi. Fitur akan diurutkan sesuai dominansinya, sehingga fitur dengan dominansi tertinggi akan digunakan untuk klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah feedforward neural network dengan cross validation. Hasil akurasi tertinggi yang dicapai adalah 83,6% menggunakan metode wavelet dan 77,5% menggunakan metode PSD. Selain itu, di bagian Frontal dan Parietal subyek depresi, ditemukan aktivitas alfa bagian otak kanan yang lebih dominan. Hal tersebut konsisten dengan penemuan dari riset-riset sebelumnya yang menunjukkan bahwa subyek depresi memiliki asimetri aktivitas otak yang dominan di bagian kanan.

---

The increasing prevalence of depressive disorder (also known as major depressive disorder or MDD), especially in the younger generations, has brought urgency upon the importance of keeping good mental health. Moreover, depression has proven to increase risks of cardiovascular diseases, along with their severities. Depressive disorders are oftentimes not diagnosed or misdiagnosed, because some of the symptoms are similar with those of other non-mental illnesses. Because of that, the necessity to build a system based on electroencephalographic (EEG) signals that could help diagnose this mental illness has been increasing in importance. The goal of this research is to make a Machine Learning-based classification program that implements EEG spectral analysis to aid for the diagnostics of depression. A MATLAB application with a Graphical User Interface was made as an addition to the program so that users can operate it easily. EEG signals were processed using two different signal processing methods, which are wavelet and Power Spectral Density (PSD). Relative Power Ratio and Average Alpha Asymmetry were calculated for feature extraction. As a feature-reducing method, feature dominance was calculated and ranked so that the highest ranked features will be used as input for the Machine Learning classification. The classifier used was feedforward neural network with cross validation. The highest achieved results were 83,6% accuracy using the wavelet method and 77,5% accuracy using the PSD method. Other than that, depressed subjects also showed a dominant right-hemisphere alpha activity in the Frontal and Parietal region, which is consistent with previous research that reveals the right-dominated asymmetry in the depressed brain.

"

"ABSTRAK

Kanker Payudara (KPD) merupakan salah satu penyakit penyebab kematian terbesar. Indonesia merupakan negara dengan jumlah KPD cukup besar. KPD ini merupakan benjolan. Benjolan ini dapat diperiksa menggunakan cara manual yaitu diraba bagian dekat dengan putting susu. Jika benjolan tidak kunjung mengecil dianjurkan untuk memeriksa ke dokter. Pendektesian KPD ini dapat dilakukan dengan menggunakan proses pencitraan. Data yang digunakan pada penelitian ini diambil dari website Pilot European Image Processing Archive (PEIPA) yaitu dataset Mammographic Image Analysis Society (MIAS). Pendektesian dilakukan dengan menganalisa gambar payudara (mammography) pasien dengan menggunakan metode Principal Component Analysis (PCA) mengubah gambar dalam bentuk matriks. Matriks ini akan digunakan sebagai data yang akan digunakan dalam Neural Network (jaringan saraf tiruan) dengan metode Backpropagation Neural Network (BNN). Dari hasil Percobaan dapat diketahui bahwa metode ini menghasilkan nilai akurasi pembelajaran dari deep learning supervised sebesar 98%.

---

ABSTRACTBreast Cancer is one of the biggest causes of death. Indonesia is a country with a large number of KPDs. This KPD is a lump. This lump can be examined using a manual method that is palpated near the nipple. If the lump does not go away it is recommended to see a doctor. This breast cancer assessment can be done using the imaging process. . The data used in this study was taken from the website of the Pilot European Image Processing Archive (PEIPA) namely the Mammographic Image Analysis Society (MIAS) dataset. The assessment is done by analyzing the breast image (mammography) of the patient using the Principal Component Analysis (PCA) method to change the image in the form of a matrix. This matrix will be used as data to be used in Neural Networks with the Backpropagation Neural Network (BNN) method. From the results of the Experiment it can be seen that this method produces the value of accuracy of learning from supervised deep learning about 98%.

"

"Pada beberapa orang difabel mengalami kesulitan pada saat bergerak dalam aktivitas sehari-harinya. Penggunaan prostetik dapat mengurangi keterbatasan tersebut. Pada penggunaan prostetik dapat dimodifikasi dengan alat bantu gerak (aktuator) yang dikendalikan oleh brain computer interface (BCI) guna mengontrol prostetik dengan gelombang otak. Aktivitas membayangkan melakukan gerak motorik yang disebut motor imagery (MI) apabila dapat di-recognition dapat memudahkan pada difabel untuk mengendalikan prostetik miliknya. Tulisan ini bertujuan untuk menjelaskan bagaimana me-recognition sinyal elektroensefalografi (EEG) dengan mencoba mengklasifikasikan sinyal MI EEG. Simulasi dilakukan pada bahasa Python pada framework Tensorflow, Keras. Jenis machine learning yang dipilih adalah Convolutional Neural Network (CNN). Dataset diperoleh dari PhysioNet.org, diolah dengan metode Continuous Wavelet Transformation (CWT) dengan library MNE.

---

Some people with disabilities have trouble doing their daily activities. Prosthetics could reduce the difficulties to some degree. The use of a prosthetic can be modified by the addition of an actuator (generate of motion) driven by BCI (brain computer interface) to control prosthetic by brain waves. If we could make the recognition of the brain wave in imaginary activities of motoric movement called motor imagery (MI), it would help people with disabilities to better control their prosthetics. This article’s aim to describe how to do the recognition of EEG signals (electroencephalography) by trying to classify the MI EEG signals. The simulation was run in Phyton on a Tensorflow framework, with a keras wrapper. Convolutional Neutral Network (CNN) was chosen in this research as the machine learning. The datasets gathered from PhysioNet.org were transformed using the library MNE with the Continuous Wavelet Transformation (CWT) method."

"Penderita gangguan depresi semakin meningkat setiap tahunnya, terutama pada generasi muda. Hal ini membawa urgensi tentang pentingnya menjaga kesehatan mental, terlebih lagi WHO melaporkan bahwa depresi sangat mempengaruhi kualitas hidup dan menjadi penyebab dari meningkatnya risiko gangguan kesehatan lainnya. Kesalahan diagnosis seringkali terjadi pada depresi, maka dari itu sangat penting untuk mengembangkan pendekatan objektif untuk membantu dokter mendiagnosis depresi secara lebih efektif. Elektroensefalografi (EEG) merupakan teknologi berbasis sinyal otak yang dapat merekam aktivitas jaringan otak. Penelitian ini bertujuan untuk membuat program analisis gangguan depresi berbasis Machine Learning. Aplikasi Graphical User Interface (GUI) juga dibuat untuk mempermudah pengguna. Pemrosesan sinyal dilakukan dengan dua metode, yakni wavelet dan Power Spectral Density (PSD). Relative Power Ratio (RPR) dihitung sebagai fitur klasifikasi. Perhitungan dominansi juga dilakukan untuk mereduksi jumlah fitur. Fitur dengan dominansi tertinggi akan digunakan untuk membuat model klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dengan cross validation. Akurasi tertinggi yang diperoleh mencapai 70% dengan metode wavelet dan 65% dengan metode PSD.

---

The number of individuals suffering from depressive disorder (also known as major depressive disorder or MDD) is increasing every year, especially among the younger generations. This highlights the urgency of prioritizing mental health, especially considering the World Health Organization’s report that depression significantly affects the quality of life and increases the risk of other health disorders. Misdiagnosis often occurs in cases of depression, making it crucial of develop an objective approach to help doctors diagnose depression more affectively. Electroencephalography (EEG) is a brain signalbased technology that records brain network activity. This research aims to create a machine learning-based program for analyzing depressive disorders. Additionally, a Graphical User Interface (GUI) application is developed to facilitate users. Signal processing is performed using two methods, namely wavelet and Power Spectral Density (PSD). The Relative Power Ratio (RPR) is calculated as a classification feature. Dominance computation is also conducted to reduce the number of features, and the feature with highest dominance are used to create the Machine Learning classification model. The classifier used is K-Nearest Neighbor (KNN) with cross-validation. The highest accuracy achived is 70% with the wavelet method and 65% with the PSD method."

"Stunting adalah kondisi dimana balita memiliki panjang atau tinggi badan yang kurang jika dibandingkan dengan anak seusianya. Balita stunting termasuk ke dalam masalah gizi kronik yang disebabkan oleh banyak faktor seperti kondisi sosial ekonomi, gizi ibu saat hamil, riwayat penyakit pada bayi, dan kurangnya asupan gizi pada bayi. Balita stunting di masa yang akan datang akan mengalami kesulitan dalam mencapai perkembangan fisik dan kognitif yang optimal. Penelitian ini bertujuan untuk menganalisis variabel atau faktor dominan yang mempengaruhi kejadian stunting di Indonesia. Penelitian ini menggunakan data sekunder dari Indonesia Family Life Survey (IFLS) tahun 2014-2015, yang dilakukan di 13 provinsi di Indonesia. Pengumpulan data disaring berdasarkan variabel yang diujikan menggunakan perangkat lunak analisis statistika (Stata). Data output yang dihasilkan kemudian diolah dengan menggunakan algoritma Principal Component Analysis untuk mengekstraksi faktor dominan yang akan dianalisa. Hasil penelitian menunjukkan bahwa faktor yang paling dominan pada kejadian stunting adalah faktor tinggi badan, pendidikan ayah, dan pengeluaran asupan protein.

---

Stunting is a medical term that refers to an abnormal condition of the baby's body. In term of height and weight of the body, stunting babies tend to have the smaller one instead of normal. In Indonesia, this issue is categorized as a cronical issue that is caused by many factors such as social-economic condition, the health condition especially nutrition intake of pregnant women, the baby's history of disease and the less of nutrition intake of baby. In the future, stunting baby will be difficult in getting the optimal growth physically and cognitively. This study aims

to analyze the dominant factors or variables that cause the occurance of stunting in Indonesia. It will use secondary data from Indonesia Family Life Survey (IFLS) 2014-2015 that is conducted in 13 provinces in Indonesia. The data was preprocessed by filtering based on some tested variables using statistics analysis software (Stata). Output data were processed by using Principal Component Analysis algorithm to extract dominant factors which will be analyzed. The result of study shows that the most dominant factors that caused stunting occurance are height of the body, education level of baby's father and cost for protein intake."

"Kanker kandung kemih pada citra Computed Tomography Scanner (CT-Scan) memiliki bentuk, lokasi dan tekstur yang berbeda untuk setiap citra. Kandung kemih setiap orang memiliki ukuran yang berbeda saat pengambilan gambar. Gambar kontras dan non-kontras yang diambil pada CT scan kandung kemih dapat digunakan untuk menentukan struktur dan bentuk kandung kemih. Namun, perbedaan gambar kontras antara kelainan dan kandung kemih yang sehat seringkali tidak terlihat secara visual, sehingga sulit untuk mengevaluasi. Walaupun sudah banyak penelitian tentang deteksi kanker kandung kemih berdasarkan citra CT yang telah dilakukan, namun dilaporkan bahwa tingkat keberhasilan pendeteksian kanker kandung kemih masih tergolong rendah. Dalam penelitian ini, Computer-Aided Diagnosis (CAD) digunakan untuk membantu mengevaluasi kelainan kandung kemih menggunakan metode segmentasi berdasarkan algoritma Active Contour. Fitur citra berbasis Gray Level Co-Occurrence Matrix (GLCM) digunakan sebagai masukan dari Artificial Neural Network (ANN) untuk mengklasifikasikan citra normal dan citra abnormal. Penelitian CAD ini menggunakan MATLAB. Sampel yang digunakan berjumlah 320 citra dengan ketentuan 200 citra abnormal (25 pasien) dan 120 citra normal (8 pasien) digunakan sebagai data latih dan pengujian. Hasil pengujian berdasarkan Receiver Operating Characteristic (ROC) didapatkan akurasi pelatihan sebesar 90.2 ± 2.68% dan akurasi pengujian sebesar 89.2 ± 2.95%. Hasil ini berarti bahwa sistem CAD yang dikembangkan ini dapat mengenali citra kandung kemih yang normal dan abnormal.

---

Bladder cancer on a Computed Tomography Scanner (CT-Scan) image has a different shape, location and texture for each image. Each person's bladder is different in size when the image is taken. Contrast and non-contrast image captured on a CT scan of the bladder can be used to determine the structure and shape of the bladder. However, the difference in contrast images between an abnormality and a healthy bladder is often not visually obvious, making the evaluation is difficult. In this study, Computer-Aided Diagnosis (CAD) is used to help evaluating bladder abnormalities using the segmentation method based on an active contour algorithm. The Gray Level Co-Occurrence Matrix (GLCM)-based features of the images are used as the inputs of the Artificial Neural Network (ANN) to classify the normal and abnormal images. The research CAD in this study using MATLAB. A total number of samples were 320 images with 200 abnormal (25 patient) and 120 normal (8 patient) images were used as training and testing data. The result based on Receiver Operating Characteristic (ROC) illustrated that the training accuracy was 90,2 ± 2.68% and the test accuracy was 89,2 ± 2,95%. These results mean that this developed CAD system can recognize normal and abnormal bladder images"

"Kebutuhan energi untuk rumah tangga atau bangunan di Indonesia sedang tumbuh secara signifikan. Oleh karena itu, efisiensi energi dalam energi pendingin sangat dibutuhkan. Penelitian ini bertujuan untuk mengembangkan sistem kontrol yang dapat menentukan setpoint paling optimal untuk laju aliran air massa untuk meminimalkan energi dari sistem pendingin. Bangunan dimodelkan oleh perangkat lunak Sketchup dan energi pendingin dimodelkan dengan menggunakan teknik co-simulasi antara EnergyPlus dan Matlab melalui BCVTB (Building Controls Virtual Test). Menggunakan Artificial Neural Network (ANN) dan optimisasi Genetic Algorithm (GA) untuk membuat prediksi optimasi titik yang akurat. Penelitian ini mendapatkan penghematan konsumsi listrik chiller HVAC yang sudah menggunakan sistem part load terutama pada daya pompa chiller sebesar 67,675% penghematan dari kondisi aslinya.

---

Energy needs for households or buildings in Indonesia are growing significantly. Therefore, energy efficiency in cooling energy is needed. This study aims to develop a Control Algorithm that can determine the most optimal set point for the mass flow rate of air to drain energy from the cooling system. Buildings are modeled by Sketchup software and cooling energy is modeled using co-simulation techniques between EnergyPlus and Matlab through BCVTB (Building Controls Virtual Test). Use dynamic neural networks (ANN) and genetics algorithm (GA) optimization to make accurate point optimization predictions. This study found the saving of HVAC chiller electricity consumption that already use part load systems, especially on the power of the chiller pump by 67,675% savings from its original condition."

"Kementrian Kesehatan menyatakan Indonesia sudah memasuki kondisi ageing population, dimana kondisi tersebut ditandai dengan kenaikan persentase penduduk lanjut usia (lansia). Kondisi tersebut tentunya memerlukan perhatian khusus dari pemerintah. Demensia adalah istilah medis untuk menggambarkan gejala penurunan memori dan fungsi kognitif pada tubuh manusia. Indonesia termasuk sepuluh negara dengan jumlah penderita orang dengan demensia (ODD) tertinggi di dunia, dan pada tahun 2050 jumlahnya diprediksi mencapai empat juta jiwa. Prediksi tersebut dibuat berdasarkan perbandingan jumlah lansia di Indonesia dengan jumlah ODD di seluruh dunia. Penelitian bertujuan untuk mengetahui peran dari masing-masing uji klinis untuk mengidentifikasi penderita ODD dan mereduksi komponen uji klinis yang memiliki peran kontribusi rendah. Data yang digunakan adalah data uji klinis NIFD (Neuroimaging in Frontotemporal Dementia). Metode yang akan digunakan adalah Principal Component Analysis (PCA), dimana metode ini bertujuan untuk melihat komponen uji klinis yang memberikan peran kontribusi dalam mengidentifikasi penderita ODD. Selain itu, akan dilakukan proses imputasi missing value dengan menggunakan algoritma pengembangan dari PCA, yaitu SVD-Impute dan PPCA. Setelah dilakukan tiga kali iterasi, pengujian menunjukan bahwa metode PPCA lebih baik dalam melakukan imputasi missing value dibandingkan dengan metode SVDImpute berdasarkan nilai NRMSE dan koefisien korelasi Pearson.

---

The Ministry of Health stated that Indonesia had entered a condition of an aging population, where an increase in the proportion of older people marks this condition. This condition certainly requires special attention from the government. Dementia is a medical term to describe symptoms of decreased memory and cognitive function in the human body. Indonesia is one of the ten countries with the highest number of people with dementia in the world, and by 2050 it is predicted to reach four million people. This prediction was based on comparing the number of older people in Indonesia with those with dementia worldwide. The research aims to determine each clinical trial's role in identifying people with dementia and reducing the components of clinical trials with a low role contribution. The data used is NIFD (Neuroimaging in Frontotemporal Dementia) clinical trial data. The method used is Principal Component Analysis (PCA), which aims to see clinical component tests that contribute to identifying people with dementia. In addition, the missing value imputation process will be carried out using the development algorithm from PCA, SVD-Impute and PPCA. After three iterations, the test showed that the PPCA method was better at imputing missing values than the SVDImpute method based on the NRMSE value and Pearson's correlation coefficient."

"Tanah Longsor merupakan bencana geologi yang paling banyak dijumpai di Kota dan Kabupaten Bogor. Berdasarkan data yang dirilis oleh Badan Nasional Penanggulangan Bencana (BNPB), pada tahun 2013 – 2018 telah terjadi 44 bencana tanah longsor di Kota Bogor dan 139 bencana tanah longsor di Kabupaten Bogor, mengakibatkan 68 orang meninggal dunia. Penelitian ini bertujuan untuk pengembangan studi bencana tanah longsor di Kota dan Kabupaten Bogor, sehingga dapat bermanfaat untuk meminimalisir jumlah keterjadian dan dampak yang dihasilkan dari bencana longsor didaerah tersebut. Pada penelitian ini, peta kerentanan bencana tanah longsor dari area studi dibuat menggunakan metode analytical hierarchy process (AHP) dan artificial neural network (ANN). Sebanyak 84 titik lokasi keterjadian bencana tanah longsor dan 84 titik lokasi yang tidak mengalami bencana tanah longsor diolah menjadi landslide inventory map. Faktor penyebab bencana tanah longsor yang digunakan dalam penelitian ini berjumlah 17 faktor, yaitu bentuk lereng, kemiringan lereng, topographic wetness index (TWI), aspek lereng, elevasi, stream power index (SPI), jarak terhadap sungai, kerapatan sungai, jarak terhadap kelurusan, kerapatan kelurusan, normalized differential vegetation index (NDVI), jenis litologi, jenis tanah, curah hujan, tutupan lahan, jarak terhadap jalan, dan kerapatan bangunan. Data yang diperlukan untuk membuat peta dari setiap faktor penyebab bencana tanah longsor yaitu, data digital elevation model (DEM), peta rupa bumi Indonesia (RBI), data Citra Landsat 8, peta geologi teknik, data curah hujan, dan peta Jenis Tanah. Landslide inventory map dan peta dari setiap faktor penyebab bencana tanah longsor diolah menjadi peta kerentananan bencana tanah longsor menggunakan kedua metode tersebut. Berdasarkan peta kerentanan bencana tanah longsor yang dihasilkan, wilayah selatan daerah penelitian memiliki tingkat kerentanan bencana tanah longsor yang lebih tinggi dibandingkan wilayah lainnya. Proses validasi dari peta kerentanan bencana tanah longsor yang dihasilkan dilakukan dengan menggunakan kurva receiver operating characteristic (ROC). Nilai area under curve (AUC) untuk tingkat keberhasilan metode AHP dan ANN masing-masing adalah 0,834 dan 0,818, hal tersebut menujukkan bahwa metode AHP lebih unggul dalam menjelaskan hubungan bencana tanah longsor dengan faktor penyebabnya. Kedua metode tersebut menghasilkan peta kerentanan bencana tanah longsor yang baik dengan tingkat akurasi lebih dari 81%.Landslide is one of the most common disaster in Bogor City and Bogor Regency. BNPB stated that between 2013-2018 there have been 44 landslides in Bogor City and 139 landslides in Bogor Regency with death toll of 68 persons. Therefore, it is important to generate map to identify landslide susceptibility in study area. In this study, landslide susceptibility map of study area was created using analytical hierarchy process (AHP) and artificial neural network (ANN) methods. A total of 84 points of landslide occurrence locations and 84 secure location points of landslides are processed into landslide inventory map. The landslide causative factors in this study amounted to 17 factors, including slope form, slope gradient, topographic wetness index (TWI), slope aspect, elevation, stream power index (SPI), distance to river, river density, distance to lineament, lineament density, normalized differential vegetation index (NDVI), lithology type, soil type, rain intensity, land cover, distance to road, and building density. The data used to create maps of each landslide causative factors, including digital elevation model (DEM), Bakosurtanal Map, Landsat 8 Imagery, engineering geology map, geological map, and soil type map. Landslide inventory map and maps of each landslide causative factors are processed into landslide susceptibility map using both methods. Based on landslide susceptibility maps obtained in this study, the southern region of the study area has a higher level of landslide susceptibility than other regions. To validate the result, Receiver Operating Characteristic (ROC) applied. The areas under the curve (AUC) for the success rate of the AHP and ANN methods were 0,834 and 0,818, respectively, indicating that the AHP method is superior in explaining the relationship of landslide with each causative factors. Both methods produce a good landslide susceptibility map with the accuracy being higher than 81%."