Hasil Pencarian  ::  Simpan CSV :: Kembali

"Di dalam tesis ini dibahas model matematika untuk mengontrol penyebaran penyakit demam berdarah dengan intervensi insektisida. Intervensi insektisida dimaksudkan untuk menekan jumlah nyamuk dewasa. Namun, efek samping dari intervensi ini dapat mengakibatkan resistensi pada tubuh nyamuk sehingga menjadi kebal terhadap insektisida tertentu. Dari model matematika yang terbentuk, analisa kestabilan dari state bebas demam berdarah dan state endemik demam berdarah ditunjukkan. Basic Reproduction Number yang merupakan indikator keendemikan dibahas. Dari kajian yang telah dilakukan, beberapa simulasi numerik ditunjukkan untuk menggambarkan skenario yang mungkin terjadi di lapangan.

---

We will discuss about the mathematical model of controlling the transmission of dengue fever if insecticide intervention conducted. Insecticide intervention is conducted to control the population of mosquitoes. However, the effect of this intervention has developed the r sistance of mosquitoes to the insecticide. From the mathematical model created, the stability analysis of free disease state and endemic disease state can be shown. The Basic Reproduction Number as the indicator of endemic will be explained. Numerical simulations show all possibility that could be happened."

"Misalkan 𝐺 adalah graf dengan himpunan simpul 𝑉=𝑉(𝐺) dan himpunan busur 𝐸=𝐸(𝐺). Suatu pemetaan 𝜆 dari 𝑉 ke 𝑍|𝐸| dimana 𝐸(𝐺) ≥ 𝑉(𝐺) disebut pelabelan harmonis jika 𝜆 merupakan pemetaan injektif sedemikian sehingga ketika setiap busur 𝑥𝑦 diberi label dengan 𝑤 𝑥𝑦 =𝜆 𝑥 +𝜆(𝑦) mod 𝐸(𝐺) menghasilkan label yang berbeda. Pada tesis ini, diberikan konstruksi pelabelan harmonis pada kombinasi gabungan graf caterpillar dan graf firecracker teratur. Pertama dibuktikan pelabelan harmonis untuk sembarang graf caterpillar dan gabungan beberapa graf caterpillar. Selanjutnya dibuktikan pelabelan harmonis untuk graf firecracker teratur dan gabungan beberapa graf firecracker teratur. Dengan menggunakan pelabelan yang telah diberikan, ditunjukkan bahwa untuk masing-masing graf caterpillar atau firecracker teratur boleh terdapat dua simpul (sepasang simpul) dengan label yang sama. Selanjutnya ditunjukkan konstruksi pelabelan harmonis pada kombinasi gabungan graf caterpillar dan graf firecracker teratur. Dengan menggunakan pelabelan yang telah diberikan, ditunjukkan boleh terdapat 𝑛 pasang label simpul yang sama untuk kombinasi gabungan dari n graf caterpillar teratur dan graf firecracker teratur.

---

Let G be a graph with component of vertice V = V (G) and edge E = E (G). A mapping of 𝜆 from the V to the 𝑍|𝐸|, where 𝐸(𝐺) ≥ 𝑉(𝐺) , is called a harmonious labeling if 𝜆 is an injection such that, when each edge 𝑥𝑦 is assigned the label 𝑤 𝑥𝑦 =𝜆 𝑥 +𝜆(𝑦) mod 𝐸(𝐺) , the resulting edges are distinct. In this research, we study how to construct a harmonious labeling to union combination of caterpillar graph and regular firecracker graph. First, construction ways of a harmonious labelling will be presented for caterpillar graphs and combination of some caterpillar graphs. A construction of harmonious labeling will also be presented for firecracker graphs and union of some firecracker graphs. By using the labelling that is assigned, it will be shown that for each caterpillar graph or firecraker can have two edges (a paired of edge) with a same labeling. And a construction ways of harmonious labeling of union combination of caterpillar graph and regular firecrcaker graph will be presented. By using the assigned label, it will be proved that for combination of caterpillar graphs and firecracker graph there are n edges that has the same labeling."

"ABSTRACTTalasemia adalah penyakit yang disebabkan oleh adanya kelainan dalam hemoglobin. Penyakit talasemia merupakan penyakit herediter atau penyakit keturunan dimana pembawa gen talasemia adalah orang tua dari penderita. Di Indonesia, pada tahun 2015 diketahui jumlah kasus talasemia mencapai 7.029 kasus. Sampai saat ini talasemia belum dapat disembuhkan namun dapat dikenali sifat pembawanya dengan skrining. Dalam tugas akhir ini, akan dibandingkan performa dari dua metode yang digunakan untuk mengklasifikasikan data talasemia, yaitu K-Nearest Neighbor dan Naive Bayes. Data yang digunakan adalah 82 data pasien talasemia dan 68 data pasien non-talasemia dari Rumah Sakit Anak dan Bunda Harapan Kita, Jakarta Barat. Hasil akhir menunjukkan bahwa metode Naive Bayes memberikan nilai akurasi yang lebih besar dari K-Nearest Neighbor dalam mengklasifikasikan talasemia. Rata-rata akurasi Naive Bayes sebesar 99.775% dengan rata-rata waktu running 0.0554 detik dan rata-rata akurasi K-Nearest Neighbor adalah 97.142% dengan rata-rata waktu running 0.081 detik. Untuk nilai spesifikasi, keduanya memberikan performa yang sama, yaitu dari K-Nearest Neighbor diperoleh ketika K=3 yaitu sebesar 100% dan dari Naive Bayes sebesar 100%. Hasil rata-rata sensitivitas tertingi diberikan oleh Naive Bayes yaitu sebesar 99.59%, sedangkan K-Nearest Neighbor sebesar 96.25% untuk K=1.

---

ABSTRACTThalassemia is a disease caused by abnormalities in the hemoglobin. Thalassemia is a hereditary disease which the thalassemia gene carriers are parents of sufferers. In Indonesia, in 2015 it was found that the number of thalassemia cases reached 7,029 cases. Until now thalassemia has not been cured, but it can be recognized the nature of its carrier by screening. In this final project, the performance of the two methods will be compared to classify thalassemia data, namely K-Nearest Neighbor and Naive Bayes. The data used were 82 data on thalassemia patients and 68 data on non-thalassemia patients from Harapan Kita Children and Womans Hospital, West Jakarta. The final results show that the Naive Bayes method provides greater accuracy value than K-Nearest Neighbor in classifying thalassemia. The average accuracy of Naive Bayes is 99.775% with an average running time of 0.0554 seconds and the average accuracy of K-Nearest Neighbor is 97.142% with an average running time of 0.081 seconds. For specification values, both give the same performance. The result of specification values using K-Nearest Neighbor yield when K = 3 that is 100% and from Naive Bayes that is 100%. The highest average sensitivity results are given by Naive Bayes is 99.59%, while K-Nearest Neighbor is 96.25% for K = 1."

"Investor mempunyai tujuan untuk mendapatkan keuntungan setiap melakukan investasi. Saham adalah salah satu instrumen investasi yang menawarkan tingkat keuntungan yang menarik. Di Indonesia, saham sudah menjadi salah satu instrumen investasi yang populer. Namun, walaupun saham mempunyai keuntungan yang tinggi, saham juga mempunyai risiko yang tinggi. Hal ini disebabkan karena harga saham fluktuatif dan dipengaruhi oleh faktor-faktor yang rumit. Akibat dari harga saham yang fluktuatif, investor sulit untuk mendapatkan sebuah prediksi yang akurat. Jika investor dapat memprediksi pergerakan harga saham di masa depan, investor dapat membuat keputusan yang tepat untuk beli, jual, atau hold. Dalam skripsi ini digunakan tiga jenis data perusahaan berbeda yang tercatat di dalam Bursa Efek Indonesia dengan data historis dari tahun 2017 sampai 2018. Umumnya, investor menggunakan indikator teknikal untuk memprediksi pergerakan saham. Pada skripsi ini, sebanyak tujuh belas teknikal indikator digunakan dan indikator teknikal tersebut diproses ke dalam dua jenis pendekatan. Pendekatan pertama memanfaatkan nilai-nilai indikator teknikal dan pendekatan kedua menggunakan sifat-sifat tertentu dalam menggambarkan pergerakan saham. Dua jenis data tersebut dijadikan data input bagi model prediksi dengan menggunakan metode Fuzzy Kernel Robust C-Means yang mengkelompokkan data harga saham ke dalam dua kelas, yaitu naik atau turun. Pada skripsi ini digunakan sebanyak tiga jenis label kelas yang berbeda, yaitu label kelas berdasarkan harga harian penutupan saham, label kelas yang bergantung pada rata-rata harga mingguan penutupan saham, dan label kelas yang bergantung pada rata-rata keseluruhan harga penutupan saham.

---

Investors must achieve a goal to obtain benefit from every investment they made. Stock offers an interesting amount of benefit. In Indonesia, stock has becoming one of the most popular investment tools. Even though stock offers an interesting amount of benefit, stock is also have a high risk. The reason behind this is because stock movement has fluctuating nature and affected by complicated factors. Due to this situation, investors hardly obtain an accurate prediction. If investors could oversee the stock price movement, investors could make right decision whether to buy, sell, or hold. Three different companies stock price data listed in Bursa Efek Indonesia from 2017 to 2018 used in this undergraduate thesis. Investors usually use technical indicators to predict the stock price movement. In this undergraduate thesis, seventeen technical indicators are used and processed into two different approaches. The first approach use the values of technical indicators and the scond one utilizes certain criteria owned by each technical indicator in describing stock price movement. Both approaches are then used as input data for prediction model using the Fuzzy Kernel Robust C-Means method which classifies the stock price data into two classes, i.e. up and down. Three different class labels are used in this undergraduate thesis, i.e. day stock price movement class label, weekly average stock price movement class label, and whole average stock price movement class label."

"Pengamanan terhadap citra digital guna menghindari berbagai bentuk kejahatan dunia teknologi menjadi aspek yang sangat penting dan mendesak untuk diperhatikan. Salah satu teknik pengamanan yang sering digunakan adalah teknik kriptografi. Salah satu teknik kriptografi yang sedang berkembang saat ini adalah teknik kriptografi berbasis fungsi chaos. Fungsi chaos yang akan digunakan dalam skripsi ini adalah skew tent map dengan dua proses yang akan dilakukan, yaitu proses permutasi dan difusi. Proses permutasi akan mengubah posisi piksel sedangkan proses difusi akan mengubah nilai piksel. Analisis hasil uji coba dilakukan dengan cara analisis waktu proses enkripsi dan dekripsi, analisis ruang kunci, analisis sensitivitas nilai kunci, koefisien korelasi antara plaintext dan chipertext, uji goodness of fit, dan uji NIST (National Institute of Standard and Technology). Adapun hasil yang diperoleh yakni waktu proses enkripsi dan dekripsi hampir sama, ruang kuncinya mencapai 1030, sensitifitas kuncinya mencapai 10-16, koefisien korelasi antara plaintext dan chipertext mendekati nol, nilai-nilai piksel chipertext berdistribusi uniform, dan keystream yang digunakan acak. Sehingga hasil enkripsi dengan algoritma yang diusulkan dalam skripsi ini sulit untuk dipecahkan dengan serangan brute force dan known plaintext.

---

Securing the digital image in order to avoid various forms of world's crime technology aspect is a very important issue and needs to be disscused. The security techniques which are often used are cryptography techniques. One of the cryptography techniques which is being developed today is cryptography technique based on chaos function. Chaos function, which is used on this research, is the skew tent map with two processes applied, the permutation and diffusion processes. Permutation process will change the position of pixels while the diffusion process will change the value of pixels.

Test Analysis results are done by encryption and decryption time analysis, key space analysis, key value sensitivity analysis, correlation coefficient between plaintext and chipertext, the goodness of fit test, and the NIST (National Institute of Standard and Technology) test.

The results are encryption and decryption time are almost same, the key space reach 1030, the key value sensitivity reach 10-16, correlation coefficient between plaintext and chipertext near to zero, the ciphertext pixel values distributed uniformly and keystream which is randomly used. So the result of this proposed encryption algorithm is difficult to be solved with brute force attack and known plaintext attack."

"Pelabelan total busur ajaib pertama kali dikenalkan oleh Kotzig dan Rosa. Minat terhadap pelabelan ini diteruskan berkat paper Ringel dan Llad³ tahun 1996. Pelabelan total busur ajaib adalah pemetaan satu-satu pada dari suatu graf dengan menyatakan banyaknya simpul dari dan menyatakan banyaknya busur dari, dan terdapat bilangan bulat positif sedemikan sehingga untuk setiap busur pada. Pelabelan total busur ajaib  pada graf dikatakan total super busur ajaib apabila. Konsep pelabelan total super busur ajaib pertama kali diperkenalkan oleh Enomoto dkk. pada tahun 1998. Graf prisma merupakan sebuah produk cartesian dari graf lingkaran dan graf lintasan. Sedangkan graf tangga merupakan sebuah produk cartesian antara graf lingkaran dan graf lintasan. Pada artikel ini dibahas konstruksi pelabelan total super busur ajaib pada kelas graf prisma dan kelas graf tangga. Kemudian ditunjukkan keterkaitan pelabelan total super busur ajaib antara graf prisma  dan graf tangga.

---

Originally the edge magic total labeling was introduced and studied by Kotzig and Rosa who called it magic valuations. Interest in these labelings has been rekindled due to Ringel and Llad³’s paper in 1996. Edge magic total labelling is a one-one onto mapping of graph with numbers of vertices of and number of edges of, so that there exist integer such that for every edge in. Edge magic total labeling of graph is called super edge magic total labeling if. The concept of super EMT graphs was introduced by Enomoto et al. in 1998. Prism graph is a cartesian product of cycle and path. While ladder graph is a cartesian product of dan. In this article, the construction of super edge magic total labeling is discussed of prism graphs and ladder graphs. Then it is shown the super edge magic total labeling relation between prism graph  and ladder graph."

"Kanker adalah penyakit yang disebabkan oleh ketidakteraturan perjalanan hormon yang mengakibatkan tumbuhnya daging pada jaringan tubuh yang normal atau sering dikenal sebagai tumor ganas. Kanker terjadi saat sel-sel dalam tubuh membelah diri diluar kendali. Sel-sel abnormal ini kemudian menyerang jaringan terdekat. Salah satu kanker yang paling umum terjadi adalah kanker paru-paru. Kanker paru-paru adalah kanker yang dimulai di paru-paru dan paling sering terjadi pada orang yang merokok. Paru-paru kanan memiliki 3 bagian, yang disebut dengan lobus, sedangkan paru-paru kiri memiliki 2 lobus. Kanker paru-paru merupakan penyebab utama kematian terkait kanker di seluruh dunia dengan 30%-40% terjadi di negara berkembang. Untuk memprediksi apakah seseorang menderita kanker paru-paru atau tidak dapat dilihat dari terdapatnya tumor ganas pada paru-paru yang dapat dilakukan melalui CT scan. Namun, hasil CT scan tidak cukup dalam mendeteksi atau mendiagnosis secara dini terdapatnya tumor ganas di dalam paru-paru. Untuk itu, dapat digunakan machine learning dalam mendeteksi secara dini adanya tumor ganas di dalam paru-paru. Dalam penelitian ini, penulis menggunakan Kernel K-Means based Co-clustering yang merupakan pengembangan dari K-Means based Co-clustering. K-Means mengelompokkan data menggunakan jarak Euclidean. Akan tetapi, jika data yang dipisahkan adalah data nonlinear, maka konvergensi dari data yang dipisahkan tersebut akan kecil dan membutuhkan waktu yang lama, sehingga masalah ini dapat diselesaikan dengan menggunakan fungsi kernel untuk menggantikan jarak Euclidean.Co-clustering mempartisi baris dan kolom dari suatu matriks data secara simultan, sehingga blok yang diinduksi oleh partisi adalah klaster yang baik. Metode Kernel K-Means based Co-clustering memasukkan banyak titik untuk mewakili masing-masing pusat klaster, sehingga titik-titik di dalam klaster saling berdekatan, akan tetapi jauh dari titik yang mewakili klaster lain. Data yang digunakan adalah data kanker paru-paru yang diperoleh dari laboratorium radiologi RSUPN Cipto Mangunkusumo, Jakarta. Hasil akurasi yang diperoleh untuk memprediksi penyakit kanker paru-paru dengan menggunakan metode Kernel K-Means based Co-clustering adalah 94,5%.

---

Cancer is a disease caused by an irregular course of hormones that results in the growth of flesh in normal body tissues or often known as malignant tumors. Cancer occurs when cells in the body divide out of control. These abnormal cells then attack nearby tissues. One of the most common cancers is lung cancer. Lung cancer is cancer that starts in the lungs and most often occurs in people who smoke. The right lung has 3 parts, which are called lobes, while the left lung has 2 lobes. Lung cancer is the leading cause of cancer-related deaths worldwide with 30%-40% occurring in developing countries. To predict whether someone has lung cancer or can not be seen from the presence of malignant tumors in the lungs that can be done through a CT scan. However, CT scan results are not enough to detect or diagnose the presence of malignant tumors early in the lungs. For this reason, machine learning can be used to detect malignant tumors early in the lungs. In this research, the writer usesKernel K-Meansbased Co-clustering which is the development of K-Means-based Co-clustering. K-Means groups data using Euclidean distances. However, if the separated data is non-linear data, the convergence will be small and take a long time, so this problem can be solved by using the kernel function to replace the Euclidean distance. Co-clustering partitioned rows and columns of a data matrix simultaneously, so the blocks induced by partitions are good clusters. Kernel K-Meansbased Co-clustering method includes many points to represent each cluster center, so that the points within the cluster are close together, but far from the points representing other clusters. The data used are lung cancer data obtained from the radiology laboratory of Cipto Mangunkusumo General Hospital, Jakarta. Accuracy results obtained to predict lung cancer by using the Kernel K-Meansbased Co-clustering method are 94.5%."

"Era revolusi industri 4.0 memberikan peluang bagi data science untuk membantu kepentingan masyarakat tidak hanya di bidang teknologi dan industri, tetapi juga di bidang kesehatan. Salah satu masalah di bidang kesehatan yaitu ketika mendiagnosis suatu penyakit dari hasil biopsi, CT-scan, maupun MRI-scan para tenaga medis akan kewalahan jika memeriksanya satu per satu. Oleh karena itu, penelitian ini menggunakan machine learning untuk membantu dunia kesehatan menyelesaikan masalah overload data saat mendiagnosis pasien. Penyakit yang digunakan dalam penelitian ini adalah kanker prostat, yaitu salah satu penyebab kematian tertinggi pada pria di negara Barat. Kanker prostat adalah tumor ganas yang tumbuh secara perlahan di dalam kelenjar prostat. Pada umumnya, kanker prostat stadium awal timbul tanpa adanya gejala dan berkembang dengan perlahan. Maka, sangat penting bagi pasien untuk mendeteksi dini penyakit kanker prostat, dengan melakukan pemeriksaan kadar Prostate Specific Antigen (PSA). Kadar PSA dalam darah diukur dalam satuan nanogram per milimeter (ng / mL) yang normalnya berada pada angka 4 – 7 ng/mL. Jika lebih dari itu, disarankan untuk melakukan tes lebih lanjut atau langsung melakukan biopsi (Kementerian Kesehatan Republik Indonesia, 2017). Tingkat keganasan kanker prostat dapat diukur dengan sistem pengelompokan gleason score dari hasil tes biopsi pasien. Penelitian ini bertujuan untuk memprediksi pasien mengidap kanker prostat atau tidak dengan menggunakan citra hasil biopsi pasien yang telah diperbesar yang diambil dari Prostate cANcer graDe Assessment (PANDA) Challenge 2020. Ekstraksi fitur dengan metode Gray Level Co-occurence Matrix (GLCM) akan membantu untuk mengubah data citra menjadi data numerik. Metode yang dipilih pada penelitian ini adalah Fuzzy Robust Kernel C-Means dengan akurasi 87,5 %.

---

The era of the industrial revolution 4.0 provides opportunities for data science to help the interests of society not only in technology and industry, but also in the health sector. One of the problems in the health sector is that when diagnosing a disease from the results of a biopsy, CT-scan, or MRI-scan, medical personnel will be overwhelmed if they check one by one. Therefore, this study uses machine learning to help the healthcare world solve the problem of data overload when diagnosing patients. The disease used in this study is prostate cancer, which is one of the leading causes of death in men in Western countries. Prostate cancer is a malignant tumor that grows slowly in the prostate gland. In general, early stage prostate cancer appears without symptoms and develops slowly. So, it is very important for patients to detect prostate cancer early, by checking the levels of the Prostate Specific Antigen (PSA). PSA levels in the blood are measured in units of nanograms per millimeter (ng / mL), which is normally 4 - 7 ng / mL. If it is more than that, it is advisable to carry out further tests or to immediately perform a biopsy (Ministry of Health of the Republic of Indonesia, 2017). The level of malignancy of prostate cancer can be measured by a system of grouping the gleason score from the results of the patient's biopsy test. This study aims to predict whether or not a patient has prostate cancer using enlarged biopsy images of patients taken from the Prostate Cancer GraDe Assessment (PANDA) Challenge 2020. Feature extraction using the Gray Level Co-occurrence Matrix (GLCM) method will help to change image data becomes numeric data. The method chosen in this study is Fuzzy Robust Kernel C-Means with an accuracy of 87.5%."

"Prediksi klaim merupakan proses penting dalam industri asuransi karena perusahaan asuransi dapat menyiapkan jenis polis asuransi yang tepat untuk masing-masing pemegang polis potensial. Frekuensi prediksi klaim dewasa ini kian meningkat. Sehingga data prediksi klaim yang memiliki volume besar ini disebut big data, baik dari segi jumlah fitur maupun jumlah data pemegang polis. Salah satu alternatif solusi perusahaan asuransi untuk melihat pemegang polis melakukan klaim atau tidak, bisa menggunakan machine learning yang teruji dapat digunakan untuk klasifikasi dan prediksi. Salah satu metode machine learning untuk mengurangi jumlah fitur adalah dengan proses seleksi fitur, yaitu mencari urutan fitur berdasarkan tingkat pentingnya fitur. Metode seleksi fitur yang digunakan adalah Gram-Schmidt Orthogonalization. Metode ini sebelumnya digunakan untuk data tidak terstruktur namun pada penelitian ini diuji pada data terstruktur bervolume besar. Untuk menguji urutan fitur yang diperoleh dari proses seleksi fitur, digunakan Support Vector Machine karena termasuk metode machine learning yang popular untuk klasifikasi. Berdasarkan hasil simulasi, urutan yang diperoleh dari proses Gram-Schmidt Orthogonalization relatif konsisten. Selanjutnya, dapat diketahui fitur-fitur yang paling berpengaruh untuk menentukan pemegang polis klaim atau tidak. Simulasi juga menunjukkan bahwa hanya dengan menggunakan sekitar 26 % fitur, akurasi yang dihasilkan sebanding dengan menggunakan semua fitur.

---

Claim prediction is an important process in the insurance industry because insurance companies can prepare the right type of insurance policy for each potential policyholder. The frequency of today`s claim predictions is increasing. So that claim prediction data has a large volume called big data, both in terms of the number of features and the number of policyholders. One alternative solution for insurance companies to see whether policyholders claim or not, we can use machine learning that is proven to be used for classification and prediction. One of the machine learning methods to reduce the number of features is the feature selection process, which is to search for sequences of features based on their importance feature. The feature selection method used is Gram-Schmidt Orthogonalization. This method was previously used for unstructured data, but in this research is tested on large volume structured data. Support Vector Machine is used to test the ordered features obtained from the feature selection process because it is a popular machine learning method for classification. Based on a result, the ordered features obtained from the Gram-Schmidt Orthogonalization process is relatively stable. After that, it can also be seen the most important features to determine policyholders claim or not. The simulation also shows that using only about 26 % features, the resulting accuracy is comparable to using all features."

"ABSTRAKHotspot merupakan daerah yang memiliki intensitas kejadian yang lebih tinggi dibandingkan dengan daerah lain dalam suatu lokasi tertentu. Manfaat dari pendeteksian hotspot adalah memberikan informasi terkait daerah yang memiliki intensitas kejadian paling tinggi dibandingkan dengan lokasi sekitarnya. Upper Level Set (ULS) Scan Statistic adalah salah satu metode pendeteksian hotspot yang merupakan pengembangan dari scan statistic. Daerah yang ingin dideteksi adalah daerah di Jawa Tengah Tahun 2015 untuk kasus penyakit menular. Keberadaan penyakit menular harus mendapat perhatian lebih dibandingkan dengan penyakit tidak menular. Hal ini disebabkan karena penyakit menular cepat berkembang dengan pesat sehingga angka kesakitan maupun kematian terus bertambah. Salah satu cara untuk memutus mata rantai penyebaran penyakit tersebut dengan mengetahui dimana daerah yang memiliki tingkat intensitas tertinggi penyebaran penyakit tersebut. Penelitian ini menggunakan data sekunder yang diperoleh dari Dinas Kesehatan Provinsi Jawa Tengah Tahun 2015. Hasil pendeteksian hotspot dapat dijadikan bahan masukan untuk instansi pemerintahan untuk dapat mengambil tindakan sehingga tingkat kesehatan yang rendah dapat diminimalisir. Kasus yang diperhatikan adalah jumlah kasus HIV, malaria, DBD, dan campak yang diasumsikan berdistribusi poisson.

---

ABSTRACTHotspot is an area that has an unusual case occurrence compared to other areas in a certain location. The benefit of hotspot detection is to provide information related to the area that has the highest cases intensity compared to the surrounding area. Upper Level Set (ULS) scan statistic is one of hotspot detection method which is further development of Kulldorf's scan statistic. To do the detection area hotspot is an area that has an infectious disease cases in Central Java for 2015. Hotspot detection was performed in the area Central Java province which has communicable disease issue in 2015. The existence of a communicable disease should gain more attention than non-communicable diseases since it could spread quickly so that morbidity and mortality number increase rapidly as the consequence. One of the solutions to stop the spread of a certain communicable disease is to detect the area which is the most severe. This study used secondary data obtained from the Central Java Provincial Health Office in 2015. The results of hotspot detection can be used as recommendation for government agencies to take precise action for upgrading people health quality. The data analyzed in this study were the number of cases of HIV, AIDS, Malaria and dengue and assumed to have Poisson distribution."