Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sekolah menengah di London, Inggris memiliki permasalahan dalam menempatkan murid-murid baru ke dalam grup-grup tutor. Dalam menempatkan murid-murid ke dalam grup tutor terdapat asumsi-asumsi yang harus diperhatikan agar terbentuk grup tutor yang sesuai dengan yang diharapkan. Karena waktu yang tersedia untuk pembentukkan grup tutor cukup singkat dan jika dilakukan secara manual membutuhkan waktu kerja yang cukup lama maka pada skripsi ini dilakukan penyelesaian secara heuristik dengan program komputer yang jika diimplementasikan akan meminimalkan waktu penempatan murid-murid ke dalam grup tutor.

---

Secondary school in London, England has a problem in assigning new students into tutor groups. In assigning students into tutor groups, there are assumptions that must be taken to ensure that the tutor group formed as expected. Because the available time for the formation of a tutor group is quite short and if done manually takes quite a long time indeed. This skripsi is processed in heuristic solving with a computational program which will minimize the time of assignment of students into tutor groups if implemented correctly."

"ABSTRAKPenyakit campak merupakan penyakit menular dan sangat berbahaya. Oleh karenaitu, perlu dilakukan suatu upaya untuk mencegah terjadinya penyebaran penyakit ini.Salah satu cara yang efektif untuk mengatasi penyebaran penyakit ini adalahvaksinasi campak. Strategi vaksinasi dibedakan menjadi dua, yaitu strategi constantvaccination dan strategi pulse vaccination. Tesis ini membahas pengaruh strategipulse vaccination terhadap pencegahan penyebaran penyakit campak denganmenggunakan model epidemik SIR (Susceptible, Infectious, Recovered).Berdasarkan pembentukan model tersebut, diperoleh suatu nilai ambang batasepidemik yang digunakan sebagai batasan untuk analisis selanjutnya. Analisa sistemdinamik pada model dengan menentukan solusi periodik bebas infeksi, yangmenggunakan pemetaan stroboskopik dan titik tetap. Selain itu, ditentukan kestabilandari solusi periodik bebas infeksi dengan menggunakan metode linierisasi dan teoriFloquet. Hasil penelitian menunjukkan bahwa kestabilan solusi periodik bebasinfeksi bergantung pada pengambilan nilai dari periode pulse vaccination (T) yangkestabilannya bersifat lokal. Berdasarkan kriteria kestabilan tersebut diperoleh bahwastrategi pulse vaccination akan berhasil mencegah terjadinya penyebaran penyakitcampak jika nilai dari T < Tmax . Untuk mendukung pembahasan teori di dalampenelitian ini, dilakukan simulasi dengan menggunakan software Matlab.

---

AbstractMeasles is a highly infectious and dangerous disease. Therefore, there should be anattempt to prevent the spread of this disease. One effective way to tackle the spreadof this disease is measles vaccination. Vaccination strategies can be divide into two,that are constant vaccination and pulse vaccination. In this thesis, it is discussed theinfluence of pulse vaccination strategy against measles prevention of the spread ofdisease by using the SIR (Susceptible, Infectious, Recovered) epidemic model. Basedon the model building, it is obtained an epidemic threshold values that are used asconstraints for further analysis. Analysis of dynamical systems on the model bydetermining the infection-free periodic solution by using a stroboscopic map andfixed point. Furthermore, we determine the stability of infection-free periodicsolution by using the linearization method and Floquet theory. The results of thisstudy showed that the stability of infection-free periodic solution depends on theuptake values of pulse vaccination period (T) which is local stability. Based on thestability criteria is obtained that the pulse vaccination strategy will successfullyprevent the spread of measles disease if the value of T < Tmax. To support thediscussion of the theory in this study, we perform simulations using the softwareMatlab."

"ABSTRAKSebuah graf friendship, baik tak berarah maupun berarah, dapat direpresentasikan dengan sebuah matriks adjacency maupun matriks anti-adjacency Bapat 2010 . Pada tesis ini diberikan polinomial karakteristik dan spektrum matriks adjacency dan anti-adjacency dari graf friendship tak berarah maupun berarah. Graf friendship berarah meliputi graf yang siklik dan asiklik, dengan graf asiklik dibahas untuk dua jenis saja. Beberapa kesimpulan yang menarik didapatkan dari hasil perbandingan polinomial karakteristik dan spektrum dari matriks adjacency dan matriks anti-adjacency.

---

ABSTRACTFriendship graph, both undirected and directed graphs, can be represented by an adjacency matrix or an anti adjacency matrix Bapat 2010 . In this thesis, the characteristic polynomials and spectrums of adjacency and anti adjacency matrices for undirected and directed friendship graphs are presented and discussed. Directed friendship graphs cover both cyclic and acyclic graphs, where acyclic friendship graphs are defined for 2 types only. Some interesting results are obtained from the comparison between those characteristic polynomials and spectrums of adjacency matrices with the ones of anti adjacency matrices."

"Kanker otak adalah pertumbuhan sel-sel abnormal di organ otak yang bersifat ganas. Salah satu cara untuk mengurangi perkembangan penyakit ini adalah melakukan pendeteksian dini menggunakan machine learning. Metode machine learning yang digunakan adalah AdaBoost Support Vector Machines untuk klasifikasi. AdaBoost Support Vector Machines adalah metode ensemble antara AdaBoost dengan base classifier Support Vector Machines. Data kanker otak direpresentasikan dalam bentuk matriks berupa ekspresi gen yang disebut DNA microarray. Data DNA microarray yang berdimensi tinggi akan direduksi dengan pemilihan fitur Signal-to-noise Ratio. Pemilihan fitur bekerja untuk menemukan fitur-fitur yang informatif dan membuang fitur-fitur yang tidak sesuai. Pertama, data diklasifikasi menggunakan AdaBoost Support Vector Machines tanpa pemilihan fitur, dilanjutkan klasifikasi menggunakan AdaBoost Support Vector Machines dengan pemilihan fitur. Pendekatan one vs one digunakan untuk menyelesaikan masalah multi kelas. Setelah melakukan pengujian, hasil akurasi terbaik adalah 91,111 pada data training 90 dengan menggunakan pemilihan fitur sebanyak 60 fitur. Hasil tersebut lebih baik dibandingkan klasifikasi tanpa pemilihan fitur yaitu 86,667 pada data training 90.

---

Brain cancer is the growth of abnormal cells in the brain organ malignantly. One way to reduce the progression of this disease is to do early detection using machine learning. Machine learning method used is AdaBoost Support Vector Machines for classification. AdaBoost Support Vector Machines is an ensemble method between AdaBoost and base classifier Support Vector Machines. Brain cancer data is represented in the form of matrix of gene expression called DNA microarray. The high dimensional DNA microarray data will be reduced by Signal to noise Ratio feature selection.

Feature selection works to find informative features and discard irrelevant features. Firts, the data is classified using AdaBoost Support Vector Machines without feature selection, further classified using AdaBoost Support Vector Machines with feature selection. The one vs one approach is used to solve multi class problems. After testing, the best accuracy result is 91,111 in 90 training data by using feature selection of 60 features. The result is better than the classification without feature selection that is 86,667 in 90 data training."

"Skizofrenia adalah gangguan jiwa yang serius dan kronis. Penyakit ini ditandai dengan gangguan dalam pemikiran, persepsi, dan tingkah laku. Karena gangguan-gangguan ini dapat memicu penderita Skizofrenia untuk bunuh diri atau mencoba bunuh diri, penderita Skizofrenia mempunyai usia harapan hidup yang lebih rendah dari populasi umum. Skizofrenia juga sulit untuk didiagnosis karena belum ada tes secara fisik untuk mendiagnosisnya dan gejala-gejalanya sangat mirip dengan beberapa gangguan jiwa lainnya. Dengan menggunakan Northwestern University Schizophrenia Data, penelitian ini bertujuan untuk mengklasifikasikan orang yang menderita Skizofrenia dan orang yang tidak menderita Skizofrenia. Data tersebut terdiri dari 392 observasi dan 65 variabel yang merupakan data demografis dan data kuesioner Scale for the Assessment of Positive Symptoms dan Scale for the Assessment of Negative Symptoms yang diisi oleh klinisi. Metode klasifikasi yang digunakan adalah machine learning dengan metode Support Vector Machines SVM dan Twin Support Vector Machines Twin SVM menggunakan MATLAB R2017a. Simulasi dilakukan dengan data dan persentase data training dan testing yang berbeda-beda. Pada setiap simulai, akurasi serta running time diukur. Validasi dan evaluasi performa dari model yang telah dioptimasi dilakukan dengan mengambil rata-rata dari sepuluh kali Hold-Out Validation yang dilakukan. Pada umumnya, metode Twin SVM berhasil mengklasifikasikan data Skizofrenia dengan lebih akurat dibandingkan dengan metode SVM. Metode Twin SVM dengan kernel Gaussian menghasilkan hasil akhir akurasi klasifikasi data Skizofrenia yang terbaik, yaitu 91,0 . Berdasarkan hasil akhir running time, metode SVM dengan kernel Gaussian untuk klasifikasi data Skizofrenia mempunyai running time yang paling cepat, 0,664 detik. Selain itu, metode SVM dengan kernel linear, metode SVM dengan kernel Gaussian, dan metode Twin SVM untuk klasifikasi data Skizofrenia berhasil mencapai akurasi hingga 95,0 dalam setidaknya satu simulasi.

---

Schizophrenia is a severe and chronic mental disorder. This disorder is marked with disturbances in thoughts, perceptions, and behaviours. Due to these disturbances that can trigger Schizophrenics to commit suicide or attempt to do so, Schizophrenics have a lower life expectancy than the general population. Schizophrenia is also difficult to diagnose as there is no physical test to diagnose it yet and its symptoms are very similar to several other mental disorders. Using Northwestern University Schizophrenia Data, this research aims to distinguish people who are Schizophrenics and people who are not. The data consists of 392 observations and 65 variables that are demographic data as well as clinician filled Scale for the Assessment of Positive Symptoms and Scale for the Assessment of Negative Symptoms questionnaires. Classification methods that are used are machine learning with Support Vector Machines SVM and Twin Support Vector Machine Twin SVM using MATLAB R2017a. Simulations are done with different data and percentage of training and testing data. In each simulation, accuracy and running time are measured. Performance validation and evaluation of the optimized models are done by taking the average of ten times Hold Out Validations that were done. In general, Twin SVM successfully classified Schizophrenia data more accurately than the SVM method. Twin SVM with Gaussian kernel produced the best final accuracy in classifying Schizophrenia data, 91.0 . Based on the final running time, SVM with Gaussian kernel has the fastest running time in classifying Schizophrenia data, 0.664 seconds. Furthermore, SVM with linear kernel, SVM with Gaussian kernel, and Twin SVM managed to reach an accuracy of 95.0 in at least one simulation in classifying Schizophrenia data."

"

Pada zaman modern ini, implementasi chatbot digunakan untuk menyimpan data yang dikumpulkan melalui sistem tanya jawab, yang dapat diterapkan dalam program Python. Data yang akan digunakan dalam program ini adalah Cornell Movie Dialog Corpus yang merupakan dataset yang berisi korpus ini berisi kumpulan percakapan fiksi kaya metadata yang besar yang diekstraksi dari skrip film Penerapan chatbot dalam program Python, dapat menggunakan berbagai macam model, secara spesifik pada program ini akan diterapkan model LSTM, dan model BiLSTM. Penerapan chatbot dalam program Python, dapat menggunakan berbagai macam model, secara spesifik pada program ini akan diterapkan model LSTM, dan model BiLSTM. Hasil output dari program chatbot dengan penerapan model LSTM, dan BiLSTM adalah berupa akurasi, serta kumpulan data yang sesuai dengan informasi yang pengguna masukkan dalam input kotak dialog chatbot. Pemilihan model yang dapat diterapkan berdasarkan karakteristik data dapat mempengaruhi kinerja program, dengan tujuan program agar dapat menentukan tinggi atau rendahnya tingkat akurasi yang akan dihasilkan dari hasil yang diperoleh melalui sebuah program, yang dapat dijadikan faktor utama dalam menentukan model yang dipilih. Berdasarkan pertimbangan yang menjadi syarat pemilihan model dari sebuah program, pada akhirnya dipilih model LSTM, dan BiLSTM sebagai model yang akan diterapkan ke dalam program. Selain pemilihan model, berikutnya adalah menentukan metode yang digunakan dalam program, pada program ini dipilih metode greedy sebagai bentuk implementasi model LSTM dan model BiLSTM, dengan tujuan ketika dalam menjalankan program, waktu pengolahan data dapat lebih cepat, dan meningkatkan akurasi pada model yang dipilih pada program. Selain itu, atribut pendukung seperti seq2seq model, menjadi faktor penentu dalam sebuah program yang dapat berfungsi untuk memverifikasi pengolahan data apakah sesuai dengan kriteria yang dapat dijadikan sebagai pedoman dalam pengolahan data. Dalam penerapan komponen-komponen tersebut ke dalam program, seq2seq model dapat memproses kalimat input yang kemudian akan dilakukan pengolahan data tersebut menggunakan model dan struktur lain yang ada pada program, sehingga pada akhirnya dapat menghasilkan kalimat output yang berbagai macam, sebagai respon atas kalimat input yang dihasilkan dari program chatbot. Selain itu diperlukan metode evaluasi program yang dapat digunakan untuk memverifikasi apakah hasil output program sesuai dengan data yang diharapkan oleh pengguna. Berdasarkan penerapan model LSTM, dan model BiLSTM ke dalam chatbot, dapat disimpulkan bahwa dengan semua hasil uji program yang terdiri dari beragam pasangan parameter yang berbeda, maka dinyatakan Pasangan Parameter 1 (size_layer 512, num_layers 2, embedded_size 256, learning_rate 0.001, batch_size 32, epoch 20) yang berasal dari File 6 merupakan BiLSTM Chatbot dengan nilai avg accuracy 0.995217 yang menggunakan model BiLSTM menjadi pasangan parameter terbaik.

---

In modern times, chatbots are implemented and used to store data collected through a question and answer system which can be applied in the Python program. The data used in this program is the Cornell Movie Dialog Corpus which is a dataset containing a corpus that contains a large collection of metadata-rich fictional conversations extracted from film scripts. The application of chatbots into the Python program can be done using various models. In this research we specifically use the LSTM and BiLSTM models. The output results from the chatbot program with the application of the LSTM and BiLSTM models are in the form of accuracy, as well as a data set that matches the information that the user enters in the chatbot dialog box input. The choice of models that will be applied is based on data that can affect program performance, with the target of the program that can determine the high or low level of accuracy that will be generated from the results obtained through the program, which is a major factor in determining the selected model.Based on the considerations that are the required for choosing the model for the program, in the end the LSTM and the BiLSTM models are chosen and will be applied to the program. After selecting the appropriate model, the next step is to determine the method used in the program. The greedy method is chosen as a form of implementation of the LSTM and BiLSTM models that aims to decrease the data processing time of the program and make it quicker, and also increase the accuracy of the model selected for the program. In addition, supporting attributes such as the seq2seq model are a determining factor in a program that functions to verify whether data processing process matches the criteria and can be used as a guide. In applying these components to the program, the seq2seq model processes the input sentences which will then be processed using the models and other structures in the program, so that in the end it can produce various output sentences in response to the input sentences that are generated from the chatbot program. In addition, a program evaluation method is needed to verify whether the program output matches the data expected by the user. Based on the application of the LSTM dan BiLTSM models into the chatbot program, it can be concluded that between all the program test results consisting of a variety of different parameter pairs, it is stated that Parameter Pair 1 (size_layer 512, num_layers 2, embedded_size 256, learning_rate 0.001, batch_size 32, epoch 20) from File 3 is the best paramater pair of the BiLSTM Chatbot which uses the BiLTSM model, with the avg accuracy value of 0.995217."

"Dalam suatu penelitian, dibutuhkan data yang dikumpulkan dan diolah untuk memecahkan permasalahan dan membuktikan hipotesis dalam penelitian. Namun, seringkali data yang diperoleh tidak menyimpan nilai untuk suatu variabel pada observasi yang diharapkan. Data yang tidak tersimpan menyebabkan data penelitian kosong dan berdampak pada penelitian. Jika peristiwa ini terjadi, maka penelitian terindikasi memiliki missing data atau missing values. Salah satu cara untuk mengatasi missing values yaitu dengan imputasi. Imputasi bekerja dengan mengisi nilai pada missing values dengan suatu nilai estimasi yang telah dianalisis dan diputuskan untuk membuat suatu dataset lengkap. Dalam proses imputasi, seringkali ditemukan bahwa data yang digunakan untuk imputasi terkadang memiliki karakteristik yang tidak jelas atau tidak konsisten, maka salah satu solusinya adalah dengan menggunakan metode Fuzzy C-Means (FCM). Estimasi nilai-nilai missing values menggunakan model FCM menghasilkan model prediksi dengan variasi parameter yang beragam sehingga dibutuhkan pendekatan lain untuk menghasilkan model terbaik dengan parameter yang optimal. Hal inilah yang mendasari diperlukannya suatu pendekatan hybrid, yaitu dengan menggabungkan beberapa model machine learning untuk memperoleh hasil estimasi missing values terbaik. Pada penelitian ini, dilakukan implementasi Hybrid Fuzzy C-Means dan Majority Vote (Hybrid FCMMV) pada data Penyakit Paru Obstruktif Kronik (PPOK) tahun 2012-2017 yang diperoleh dari Rumah Sakit Cipto Mangunkusumo (RSCM) untuk memberikan performa imputasi yang lebih baik berdasarkan akurasi, presisi, recall, dan F-Score melalui klasifikasi metode ensemble Random Forest.

---

In a research study, collected and processed data are needed to solve problems and prove hypotheses. However, the obtained data often do not store the value for a variable in the expected observation. Data that are not stored contribute to the emptying of research data which has an impact on the research itself. If the phenomenon occurs, it indicates that the research has missing data or missing values. One way to overcome missing values ​​is using imputation techniques. The technique works by filling in the missing values with an estimated value that has been analyzed and decided to create a complete dataset. In the process, it is often found that the data being used for imputation have unclear or inconsistent characteristics, which can be solved by implementing Fuzzy C-Means (FCM) method. The estimation of missing values ​​using the FCM model produces predictive models with a variety of parameters, hence another approach to produce the best model with optimal parameters is needed. This underlies the need for a hybrid approach, which is acquired through combining or integrating different machine learning models to earn the best estimation result of missing values. In this study, the implementation of Hybrid Fuzzy C-Means and Majority Vote (Hybrid FCMMV) was conducted on Chronic Obstructive Pulmonary Disease (COPD) data in 2012-2017 from Cipto Mangunkusumo Hospital (RSCM) ) to provide better imputation performance based on accuracy, precision, recall, and F-Score through the classification of the Random Forest ensemble method."

"NTRU adalah sebuah lattice-based public key cryptosystem yang didesain oleh Hoffstein, Pipher, dan Silverman pada tahun 1996. NTRU dipublikasikan pada Algorithmic Number Theory Symposium (ANTS) pada tahun 1998. Pada tahun 2008 NTRU ANTS’98 ditetapkan sebagai standar dalam IEEE untuk teknik public key cryptography berbasis hard problem pada lattice. NTRU kemudian dikembangkan kembali oleh NTRU Inc. sejak tahun 2018 dan menjadi salah satu finalis pada round 3 kompetisi pemilihan standar post-quantum cryptography yang diselenggarakan oleh NIST pada tahun 2020. Secara umum terdapat 2 jenis algoritma yang diajukan oleh NTRU dalam proses seleksi round 3 jika diklasifikasikan berdasarkan penentuan parameternya, yaitu NTRU-HPS (Hoffstein, Pipher, Silverman) dan NTRU-HRSS (Hulsing, Rijnveld, Schanck, Schwabe). Percobaan algebraic cryptanalysis terhadap NTRU ANTS’98 sudah pernah dilakukan pada tahun 2009 dan 2012.Dalam penelitian ini, dilakukan algebraic cryptanalysis terhadap NTRU-HPS dengan, (ntruhps2048509) serta NTRU-HRSS dengan (ntruhrss701). Tujuan dari penelitian ini adalah untuk mengevaluasi ketahanan algoritma NTRU-HPS dan NTRU-HRSS terhadap algebraic cryptanalysis dengan melakukan rekronstruksi nilai private key. Dari hasil penelitian didapatkan bahwa NTRU-HPS dan NTRU-HRSS tahan terhadap algebraic cryptanalysis.

---

NTRU is a lattice-based public-key cryptosystem designed by Hoffstein, Pipher, and Silverman in 1996. NTRU published on Algorithmic Number Theory Symposium (ANTS) in 1998. The ANTS’98 NTRU became the IEEE standard for public key cryptographic techniques based on hard problems over lattices in 2008. NTRU was later redeveloped by NTRU Inc. since 2018 and became one of the finalists in round 3 of the PQC (Post-Quantum Cryptography) standardization process organized by NIST in 2020. There are two types of NTRU algorithms proposed by NTRU Inc., which are classified based on parameter determination, NTRU-HPS (Hoffstein, Pipher, Silverman) and NTRU-HRSS (Hulsing, Rijnveld, Schanck, Schwabe). Algebraic cryptanalysis on ANTS’98 NTRU had previously been carried out in 2009 and 2012.

In this paper, algebraic cryptanalysis is performed on NTRU-HPS with, (ntruhps2048509) and NTRU-HRSS with (ntruhrss701). This study aims to evaluate the resistance of NTRU-HPS and NTRU-HRSS algorithms against algebraic cryptanalysis by reconstructing the private key value. As a result, NTRU-HPS and NTRU-HRSS are resistant to algebraic cryptanalysis."

"COVID-19 merupakan penyakit pernapasan seperti pneumonia yang mengakibatkan kematian pada jutaan orang setiap harinya. Januari 2020, "Organisasi Kesehatan Dunia" WHO menyatakan COVID-19 sebagai wabah penyakit virus yang menjadi perhatian internasional sebagai darurat kesehatan masyarakat yang menjadi perhatian internasional, dikenal sebagai pandemi dunia. Dilaporkan dari 205 negara di seluruh dunia, pada 1 April 2020, penularan virus COVID-19 sekitar ada lebih dari 900000 kasus COVID-19 yang dikonfirmasi dan hampir 50000 kematian. Berdasarkan laporan WHO, angka kematian 2-3% orang karena virus. Sangat penting untuk melakukan tes diagnostik sejak dini stadium berdasarkan kriteria sebagai gejala klinis, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR), sehingga dapat segera mengisolasi orang yang terinfeksi. Mendiagnosis penyakit virus COVID-19 dengan pencitraan yang lebih efektif menggunakan citra CT dada. Model DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, dan VGG19 untuk memeriksa keakuratannya dalam pengenalan gambar. Untuk menganalisis kinerja model, 1888 sampel dari gambar CT paru-paru dikumpulkan dari situs resmi Kaggle. Model penggabungan (concatenate) pada arsitektur CNN yang telah terlatih seperti penggabungan (concatenate) antara ResNet152V2 dengan VGG19 memiliki accuracy sebesar 99,65%, sensitivity sebesar 99,66%, precision sebesar 99,66%, recall sebesar 99,66%, specificity sebesar 99,64%, dan skor F-measure sebesar 99,66%; gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 99,64%, precision sebesar 99,64%, recall sebesar 99,64%, specificity sebesar 99,66%, dan F-measure sebesar 99,64%; serta gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,001 maupun gabungan InceptionV3 dan Xception saat batchsize 32 dan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 100%, precision sebesar 99,28%, recall sebesar 100%, specificity sebesar 99,31%, dan F-measure sebesar 99,64%.

---

COVID-19 is a respiratory disease like pneumonia that kills millions of people every day. January 2020, the WHO "World Health Organization" declared COVID-19 as a viral outbreak of international concern as a public health emergency of international concern, known as a world pandemic. Reported from 205 countries around the world, as of April 1, 2020, the transmission of the COVID-19 virus was around more than 900000 confirmed cases of COVID-19 and nearly 50000 deaths. Based on the WHO report, the death rate of 2-3% of people is due to the virus. To isolate the infected person immediately, it is very important to carry out a diagnostic test early based on the criteria as a clinical symptom, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR). Diagnosing COVID-19 viral disease with more effective imaging using chest CT images. DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, and VGG19 models for accuracy in image recognition. To analyze the model's performance, 1888 samples of CT images of the lungs were collected from the official Kaggle website. The concatenate model on the CNN architecture that has occurred, such as the concatenate between ResNet152V2 and VGG19, has an accuracy of 99.65%, sensitivity of 99.66%, the precision of 99.66%, recall of 99.66%, specificity by 99.64%, and the F-measure score of 99.66%; the combination of DenseNet201 and MobileNet was obtained when batch size 32 and 64 with a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 99.64%, the precision of 99.64%, recall of 99.64%, specificity of 99.66 %, and F-measure of 99.64%; and the combination of DenseNet201 and MobileNet obtained at batch size 32 and 64 with a learning rate of 0.001 or a combination of InceptionV3 and Xception at batch size 32 and a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 100%, precision of 99.28%, recall of 100%, specificity of 99.31%, and F-measure of 99.64%."

"Preeklamsia menjadi penyebab kematian ibu hamil terbanyak kedua di Indonesia setelah pendarahan. Preeklamsia merupakan hipertensi dan proteinuria setelah usia kehamilan lebih dari 20 minggu pada wanita yang sebelumnya memiliki tekanan darah normal. Faktor risiko preeklamsia dapat dilihat berdasarkan karakteristik maternal, pengukuran biofisik, dan pengukuran biokimia. Preeklamsia umumnya terjadi pada trimester ketiga kehamilan. Namun kondisi ibu hamil tetap harus diamati pada setiap titik waktu kehamilan. Variabel dependen yang digunakan dalam penelitian ini adalah waktu kelahiran dengan kovariatnya adalah usia, Indeks Massa Tubuh (IMT), riwayat preeklamsia, Mean Arterial Pressure (MAP), dan Placental Growth Factor (PlGF). Adapun metode yang digunakan dalam penelitian ini adalah Proportional Hazard (PH) parametrik dimana diasumsikan efek yang multiplikatif terhadap nilai hazard. Metode parametrik lainnya yang dapat digunakan adalah Accelerated Failure Time (AFT) yang mengasumsikan bahwa efek multiplikatif terhadap waktu survival.  Kedua metode tersebut merupakan metode parametrik dimana baseline hazard dari model diasumsikan mengikuti bentuk suatu distribusi tertentu. Konstruksi model terdiri dari pemilihan baseline hazard yang sesuai dengan data preeklamsia dan proses menambahkan kovariat ke dalam model. Estimasi parameter dilakukan dengan metode Maximum Likelihood Estimation (MLE) yang menghasilkan persamaan kompleks dan harus diselesaikan secara numerik menggunakan bantuan software. Hasil dari penelitian ini diperoleh bahwa faktor-faktor yang berhubungan dengan preeklamsia adalah MAP dan PlGF. Perbandingan metode PH parametrik dan metode AFT menggunakan nilai AIC memberikan hasil bahwa model PH Gompertz memberikan fit yang lebih baik untuk data preeklamsia dengan nilai sebesar 328,2045.

---

Preeclampsia is the second leading cause of death for pregnant women in Indonesia after bleeding. Preeclampsia is hypertension and proteinuria after gestational age of more than 20 weeks in women who previously had normal blood pressure. Risk factors for preeclampsia can be seen based on maternal characteristics, biophysical, and biochemical measurements. Preeclampsia generally occurs in the third trimester of pregnancy. However, the condition of pregnant women must still be observed at every point in time pregnancy. The dependent variable used in this study was the time of birth with the independent variables being age, Body Mass Index (BMI), history of preeclampsia, Mean Arterial Pressure (MAP), and Placental Growth Factor (PlGF). The method used in this research is parametric Proportional Hazard (PH) which is assumed to have a multiplicative effect on the hazard value. Another parametric method that can be used is  Accelerated Failure Time (AFT) which is assumed to have a multiplicative effect on survival time. Both methods are parametric methods where the baseline hazard of the model is assumed to follow the shape of a certain distribution. The construction of the model consists of selecting a baseline hazard that fits the preeclampsia data and the process of adding independent variables to the model. Parameter estimation is carried out using the Maximum Likelihood Estimation (MLE) method which produces complex equations and must be solved numerically using software. The results of this study obtain factors associated with preeclampsia are MAP and PlGF. Comparison of the parametric PH method and the AFT method using the AIC value gives the result that the Gompertz PH model provides a better fit for preeclampsia data with a value of 328.2045."