K- nearest neighbour (KNN)

Prediksi yang akurat mengenai kemungkinan infeksi HIV/AIDS sangat penting untuk pengobatan dan pencegahan, membantu dokter dalam mengambil tindakan pencegahan yang tepat dan memantau pasien dengan lebih cermat. Namun, memprediksi infeksi pada pasien AIDS memiliki tantangannya sendiri karena data yang tersedia mungkin tidak seimbang. Penelitian ini akan menggunakan algoritma machine learning untuk mengatasi ketidakseimbangan data dalam prediksi infeksi HIV pada pasien AIDS. Data dibagi dan divalidasi menggunakan Stratified K-Fold Cross-Validation (k=5). Hyperparameter tuning metode Grid Search diterapkan pada model SVM dan metode Hyperband diterapkan pada model ANN. Model SVM, ANN, dan AdaBoost dibandingkan nilai AUC nya dan model ANN menghasilkan nilai AUC tertinggi sebesar 0.933 yang masuk ke kategori excellent classification, artinya performa model ANN sangat baik dalam membedakan antara kelas yang tidak terinfeksi AIDS dan yang terinfeksi AIDS. Nilai F1-score model ANN sebesar 0.727 yang menunjukkan keseimbangan yang cukup baik antara precision dan recall.

Ponsel merupakan salah satu produk kecanggihan perkembangan yang terus berkembang pesat. Lebih dari 50% populasi dunia menjadikan ponsel sebagai kebutuhan individu lantaran fitur penggunaannya yang sangat efisien. Mengingat banyaknya pengguna produk ponsel, kerap memicu pertimbangan kinerja pasar yang bergantung pada penentuan ketepatan harga suatu produk. Maka dari itu, pada penelitian ini bertujuan untuk menentukan rentang harga ponsel berdasarkan spesifikasinya, termasuk penyimpanan, tampilan, daya tahan baterai, RAM, kamera, dan lainnya. Hal ini akan membantu konsumen dalam membuat keputusan yang tepat saat membeli ponsel sesuai dengan kebutuhan dan anggaran mereka. Dengan banyaknya sumber daya yang tersedia, membuat pilihan terbaik bisa menjadi sulit bagi calon pembeli. Model yang menawarkan panduan berdasarkan aspek penting dari ponsel dikembangkan untuk mengatasi masalah ini. Untuk mengklasifikasikan dan memperkirakan rentang harga ponsel, penelitian ini menggunakan empat teknik Machine Learning: Support Vector Machine (SVM), Decision Tree, Random Forest, dan K-Nearest Neighbor (KNN). Model-model ini dilatih untuk menghasilkan hasil yang termasuk dalam kategori rendah, sedang, tinggi, atau sangat tinggi. Data untuk penelitian ini diperoleh dari pranala Kaggle. Hasil pengolahan data dievaluasi untuk mencapai tingkat presisi tertinggi sambil memilih fitur ponsel yang paling diinginkan. Hasil penelitian ini akan memiliki implikasi praktis bagi konsumen dan produsen. Konsumen dapat membuat keputusan yang tepat berdasarkan fitur-fitur yang berpengaruh dengan mempertimbangkan preferensi dan batasan anggaran mereka. Produsen dapat menggunakan wawasan ini untuk mengoptimalkan penawaran produk dengan menekankan fitur-fitur yang berkontribusi signifikan pada rentang harga yang lebih tinggi sehingga dapat meningkatkan daya saing pasar dan kepuasan konsumen. Dengan menerapkan dua teknik evaluasi, yakni teknik split data dan cross validaton. Hasil penelitian ini menunjukkan bahwa algoritma Support Vector Machines (SVM) dengan model hyperparameter tuning dan Random Forest dengan kombinasi feature selection dan hyperparameter tuning lebih baik serta optimal dibandingkan ketiga metode yang lain. Hasil split data metode Support Vector Machines (SVM) dengan model hyperparameter tuning diperoleh rata-rata accuray sebesar 96.5%, sensitivity 86.75%, precision 87.5%, specificity 95.75%, dan AUC 99%. Sedangkan, dengan mengunakan metode Random Forest dengan kombinasi feature selection diperoleh nilai rata-rata accuray sebesar 100%, sensitivity 97.25%, precision 92%, specificity 91.75%, AUC 99%.

Berbagai jenis jamur mudah ditemukan di sekitar tempat tinggal. Sebagian besar jamur tersebut berukuran makroskopis, sehingga menyulitkan masyarakat dalam membedakan antara jamur yang dapat dikonsumsi dan yang beracun. Penelitian ini bertujuan untuk membantu mengklasifikasikan jenis-jenis jamur konsumsi dan jamur beracun dengan menggunakan 22 ciri fisik (atribut) untuk menentukan klasifikasinya. Dalam penelitian ini, data yang dikumpulkan akan diproses menggunakan metode machine learning yang umum digunakan, yaitu decision tree, Support Vector Machine (SVM), dan K-Nearest Neighbours (KNN). Setiap metode akan diterapkan untuk menganalisis data atribut jamur dan hasil klasifikasi dari masing-masing metode akan dibandingkan untuk menentukan model dengan tingkat akurasi terbaik. Penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam bidang keamanan pangan dan kesehatan masyarakat dengan menyediakan alat bantu yang efektif untuk identifikasi jamur. Hasil yang diperoleh akan memberikan panduan bagi masyarakat dalam mengenali jamur beracun dan jamur yang aman dikonsumsi, serta berpotensi mengurangi kasus keracunan jamur secara signifikan.

Stroke adalah salah satu penyebab utama kematian dan kecacatan di seluruh dunia, sehingga deteksi dini dan penanganan yang tepat sangatlah penting. Orang dengan risiko tinggi terkena stroke, seperti yang memiliki hipertensi, diabetes, atau riwayat penyakit jantung, membutuhkan deteksi dan penanganan dini di mana model machine learning bisa sangat membantu. Dataset yang digunakan dalam proyek ini berisi informasi medis dari 5110 pasien, mencakup berbagai atribut seperti jenis kelamin, usia, status hipertensi, riwayat penyakit jantung, status pernikahan, jenis pekerjaan, tipe tempat tinggal, rata-rata kadar glukosa, indeks massa tubuh (BMI), dan status merokok. Target pada dataset ini adalah kejadian stroke yang dikelompokkan menjadi 2 kategori yaitu 0: tidak terkena stroke dan 1: terkena stroke. Proyek ini menggunakan model machine learning supervised dengan jenis classification, mengingat target yang ingin diprediksi adalah kejadian stroke (binary classification). Dengan demikian, model yang akan kita bangun akan belajar untuk memprediksi apakah seseorang berisiko mengalami stroke berdasarkan fitur-fitur yang tersedia dalam dataset tersebut. Dengan menggunakan metode machine learning, yaitu Random Forest Classifier, K-Nearest Neighbour (KNN), serta Decision Tree, proyek ini berfokus pada pembuatan model prediksi yang akurat untuk mengidentifikasi keberadaan stroke pada pasien.

Pasar saham dipandang sebagai pasar yang tidak dapat diprediksi, volatil, dan kompetitif. Prediksi harga saham telah menjadi tugas yang menantang selama bertahun-tahun. Bahkan, banyak analis sangat tertarik pada bidang penelitian prediksi harga saham. Penelitian ini bertujuan untuk menganalisis dan prediksi deret waktu Bursa Efek Nasional India melalui data pasar saham NIFTY-50 di Kaggle pada rentang waktu tahun 2000 sampai 2021 yang merupakan data deret waktu selama sekitar 21 tahun.. Analisis ini dilakukan dengan menggunakan beberapa metode Machine Learning seperti metode Support Vector Machine (SVM), Random Forest, k-Nearest Neighbors (kNN), PCA, dan Decision Trees (DT). Dari berbagai model yang diuji pada dataset ASIANPAINT, Random Forest terbukti paling efektif, dengan Mean Square Error (MSE) sangat rendah sebesar 15.57, serta evaluasi melalui Repeated Holdout dan K-Fold Cross-Validation menunjukkan akurasi 99.70% dan 99.64%, sensitivitas 99.74% dan 99.62%, spesifisitas 99.66%, dan Area Under the ROC Curve (AUC) mencapai 1.00. Temuan ini menunjukkan bahwa Random Forest adalah model yang sangat efektif untuk prediksi kelas dalam dataset ASIANPAINT.

Te explosive growth in the amount of available digital information in higher education has created a potential challenge of information overload, which hampers timely access to items of interest. Te recommender systems are applied in diferent domains such as recommendations flm, tourist advising, webpages, news, songs, and products. But the recommender systems pay less attention to university library services. Te most users of university library are students. Tese users have a lack of ability to search and select the appropriate materials from the large repository that meet for their needs. A lot of work has been done on recommender system, but there are technical gaps observed in existing works such as the problem of constant item list in using web usage mining, decision tree induction, and association rule mining. Besides, it is observed that there is cold start problem in case-based reasoning approach. Terefore, this research work presents matrix factorization collaborative fltering with some performance enhancement to overcome cold start problem. In addition, it presents a comparative study among memory-based and model-based approaches. In this study, researchers used design science research method. Te study dataset, 5189 records and 76,888 ratings, was collected from the University of Gondar student information system and online catalogue system. To develop the proposed model, memory-based and model-based approaches have been tested. In memory-based approach, matrix factorization collaborative fltering with some performance enhancements has been implemented. In model-based approach, Knearest neighbour (KNN) and singular value decomposition (SVD) algorithms are also assessed experimentally. Te SVD model is trained on our dataset optimized with a scored RMSE 0.1623 compared to RMSE 0.1991 before the optimization. Te RMSE for a KNN model trained using the same dataset was 1.0535. Tis indicates that the matrix factorization performs better than KNN models in building collaborative fltering recommenders. Te proposed SVD-based model accuracy score is 85%. Te accuracy score of KNN model is 53%. So, the comparative study indicates that matrix factorization technique, specifcally SVD algorithm, outperforms over neighbourhood-based recommenders. Moreover, using hyperparameter tuning with SVD also has an improvement on model performance compared with the existing SVD algorithm.

Diabetes adalah salah satu penyakit kronis yang paling umum dan berpotensi mematikan di seluruh dunia. Penyakit ini dapat ditandai dengan beberapa kondisi tubuh pasien. Algoritma machine learning seperti Decision Tree, Random Forest, Support Vector Machine, K-Nearest Neighbour, dan Neural Network digunakan untuk memprediksi risiko diabetes berdasarkan fitur-fitur yang tersedia. Metrik evaluasi model seperti nilai akurasi, presisi, recall, F1-Score, dan AUC-ROC dilakukan untuk membandingkan performa berbagai model machine learning guna menentukan model yang paling akurat dan efisien dalam memprediksi risiko diabetes. Metrik evaluasi menghasilkan bahwa model yang paling akurat adalah Random Forest nilai presisi sebesar 99,07% dan recall 99,04% yang lebih baik dibanding model lainnya. Model prediksi yang akurat dapat digunakan oleh tenaga kesehatan sebagai alat bantu untuk diagnosa awal, yang memungkinkan intervensi dini dan pengelolaan yang lebih efektif terhadap pasien. Selain itu, hasil analisis dapat memberikan wawasan yang lebih mendalam tentang faktor-faktor risiko utama yang harus diperhatikan dalam upaya pencegahan dan edukasi kesehatan masyarakat. Dengan demikian, penggunaan machine learning dalam analisis data medis ini tidak hanya meningkatkan akurasi diagnosa tetapi juga berpotensi menyelamatkan banyak nyawa melalui deteksi dini dan penanganan yang tepat.

Diabetes adalah salah satu penyakit kronis yang paling umum dan berpotensi mematikan di seluruh dunia. Penyakit ini dapat ditandai dengan beberapa kondisi tubuh pasien. Algoritma machine learning seperti Decision Tree, Random Forest, Support Vector Machine, K-Nearest Neighbour, dan Neural Network digunakan untuk memprediksi risiko diabetes berdasarkan fitur-fitur yang tersedia. Metrik evaluasi model seperti nilai akurasi, presisi, recall, F1-Score, dan AUC-ROC dilakukan untuk membandingkan performa berbagai model machine learning guna menentukan model yang paling akurat dan efisien dalam memprediksi risiko diabetes. Metrik evaluasi menghasilkan bahwa model yang paling akurat adalah Random Forest nilai presisi sebesar 99,07% dan recall 99,04% yang lebih baik dibanding model lainnya. Model prediksi yang akurat dapat digunakan oleh tenaga kesehatan sebagai alat bantu untuk diagnosa awal, yang memungkinkan intervensi dini dan pengelolaan yang lebih efektif terhadap pasien. Selain itu, hasil analisis dapat memberikan wawasan yang lebih mendalam tentang faktor-faktor risiko utama yang harus diperhatikan dalam upaya pencegahan dan edukasi kesehatan masyarakat. Dengan demikian, penggunaan machine learning dalam analisis data medis ini tidak hanya meningkatkan akurasi diagnosa tetapi juga berpotensi menyelamatkan banyak nyawa melalui deteksi dini dan penanganan yang tepat.

Diabetes adalah salah satu penyakit kronis yang paling umum dan berpotensi mematikan di seluruh dunia. Penyakit ini dapat ditandai dengan beberapa kondisi tubuh pasien. Algoritma machine learning seperti Decision Tree, Random Forest, Support Vector Machine, K-Nearest Neighbour, dan Neural Network digunakan untuk memprediksi risiko diabetes berdasarkan fitur-fitur yang tersedia. Metrik evaluasi model seperti nilai akurasi, presisi, recall, F1-Score, dan AUC-ROC dilakukan untuk membandingkan performa berbagai model machine learning guna menentukan model yang paling akurat dan efisien dalam memprediksi risiko diabetes. Metrik evaluasi menghasilkan bahwa model yang paling akurat adalah Random Forest nilai presisi sebesar 99,07% dan recall 99,04% yang lebih baik dibanding model lainnya. Model prediksi yang akurat dapat digunakan oleh tenaga kesehatan sebagai alat bantu untuk diagnosa awal, yang memungkinkan intervensi dini dan pengelolaan yang lebih efektif terhadap pasien. Selain itu, hasil analisis dapat memberikan wawasan yang lebih mendalam tentang faktor-faktor risiko utama yang harus diperhatikan dalam upaya pencegahan dan edukasi kesehatan masyarakat. Dengan demikian, penggunaan machine learning dalam analisis data medis ini tidak hanya meningkatkan akurasi diagnosa tetapi juga berpotensi menyelamatkan banyak nyawa melalui deteksi dini dan penanganan yang tepat.

Penyakit ginjal kronis (PGK) merupakan salah satu penyakit kronis yang paling umum dan berakibat fatal. Deteksi dini PGK sangat penting untuk mencegah komplikasi dan meningkatkan peluang kesembuhan. Klasifikasi PGK menggunakan metode machine learning dapat membantu dokter dalam mendiagnosis penyakit ini secara akurat dan efisien. Penelitian ini bertujuan untuk membandingkan kinerja tiga metode pembelajaran mesin, yaitu K-Nearest Neighbors (K-NN), Random Forest, dan Decision Tree, dalam klasifikasi penyakit ginjal kronis menggunakan dataset Chronic Kidney Disease dari Kaggle. Dataset ini berisi informasi tentang 400 pasien dengan berbagai fitur, termasuk usia, tekanan darah, kadar protein dalam urin, dan kadar kreatinin yang digunakan untuk menentukan apakah seorang pasien menderita penyakit ginjal kronis atau tidak. Proses penelitian meliputi pembersihan data, normalisasi, dan pembagian data menjadi set pelatihan dan pengujian. Setiap metode akan dilatih menggunakan data pelatihan dan dievaluasi berdasarkan metrik akurasi dan kurva ROC AUC pada data pengujian. Hasil komparasi ini diharapkan dapat mengidentifikasi metode yang paling efektif dan efisien dalam mendeteksi penyakit ginjal kronis. Dengan demikian, penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem deteksi dini penyakit ginjal kronis yang lebih akurat dan dapat diandalkan. Selain itu, hasil penelitian ini dapat menjadi referensi bagi peneliti dan praktisi dalam memilih metode yang tepat untuk klasifikasi penyakit ginjal kronis, yang pada akhirnya dapat meningkatkan kualitas diagnosis dan perawatan pasien.

Gangguan tidur merupakan masalah kesehatan yang banyak dialami diberbagai kalangan yang dapat berdampak buruk pada kualitas hidup dan kesehatan seseorang. Jenis gangguan tidur seperti insominia dan sleep apnea dapat terjadi karena beberapa faktor seperti durasi tidur, kualitas tidur, tingkat stress dan variabel lain yang diduga berpengaruh terhadap gangguan tidur pada penelitian ini. Metode klasifikasi Decision Tree, Random Forest, K-Nearest Neighbor (KNN), dan Support Vector Machine (SVM) diterapkan untuk mencari klasifikasi terbaik dalam mengidentifikasi ganguan tidur. Hasil penelitian mengindikasikan bahwa keempat metode klasifikasi mampu mengklasifikasikan gangguan tidur seseorang dengan kategori excellent classification. Support Vector Machine (SVM) dengan hasil akurasi 0,90 dan AUC 0,92 menjadikan algoritma ini paling baik digunakan untuk mengklasifikasikan ganguan tidur.

Penyakit jantung merupakan salah satu masalah kesehatan paling serius yang dihadapi oleh Masyarakat global. Data Organisasi kesehatan Dunia (WHO) menyebutkan, lebih dari 17 juta orang di dunia meninggal akibat penyakit jantung dan pembuluh darah. Deteksi dini dan manajemen yang tepat sangat penting untuk mengurangi morbiditas dan mortalitas yang terkait dengan penyakit jantung. Penelitian ini bertujuan untuk mengeksplorasi dan membandingkan efektivitas berbagai teknik klasifikasi machine learning dalam memprediksi penyakit jantung, guna menemukan metode yang paling akurat. Pada penelitian ini akan membandingkan antara metode decision tree, random forest, Support Vector Machine (SVM), K-Nearest Neighbor (KNN). Beberapa metrik evaluasi model digunakan seperti nilai accuracy, precission dan recall. Pemilihan model terbaik dilakukan berdasarkan pada nilai recall-1 atau nilai recall kelas positif dikarenakan dalam kasus medis umumnya lebih baik jika ada beberapa peringatan palsu daripada melewatkan diagnosis pasien yang berpotensi menderita penyakit. Didapatkan kesimpulan bahwa model dengan nilai recall kelas positif tertinggi adalah pada model SVM dengan nilai 97% yang berarti bahwa model memiliki kemampuan sangat baik dalam memprediksi data positif.

Pada Januari 2024, tercatat ada 5,35 miliar pengguna internet di seluruh dunia dengan rata-rata waktu akses harian antara 135 hingga 193 menit. Meskipun teknologi informasi dan komunikasi telah berkembang pesat, perilaku masyarakat di media sosial belum sepenuhnya sejalan dengan kemajuan tersebut. Pada tahun 2017, sebagian besar insiden cyberbullying dilaporkan terjadi melalui media sosial. Media sosial adalah platform digital yang digunakan untuk berinteraksi secara online dengan orang lain. Platform media sosial yang paling populer pada tahun 2017 meliputi Facebook, YouTube, WhatsApp, Instagram, dan Twitter. Menurut data statistik dari survei tahunan The Annual Bullying, 54% dari 10000 responden melaporkan pernah mengalami cyberbullying. Penelitian ini melakukan analisis sentimen terhadap kasus cyberbullying yang terjadi di berbagai media sosial di seluruh dunia. Analisis sentimen ini bertujuan untuk menentukan apakah suatu teks mengandung unsur emosional cyberbullying atau tidak. Sebanyak 47692 teks berbeda digunakan dalam penelitian ini, dengan sekitar 8.000 teks untuk setiap kategori, yaitu cyberbullying berdasarkan usia, etnis, jenis kelamin, agama, kategori lainnya, dan teks yang tidak termasuk dalam kategori cyberbullying. Metode penelitian ini menggunakan machine learning dengan enam model klasifikasi, yaitu Logistic Regression, Decision Tree, Random Forest, Support Vector Machine (SVM), Naive Bayes, dan Gradient Boosting. Berdasarkan hasil penelitian yang dilakukan, metode klasifikasi SVM memiliki performa yang terbaik dengan tingkat accuracy 0.814, precision 0.82, recall 0.81, dan F1-Score 0.82.

According to the findings, this study provides a useful method for predicting the onset of chronic complications in people with diabetes mellitus. Diabetes-associated complications like nephropathy, retinopathy and cardiovascular disease can be predicted from a Big Dataset using a total score of factors relevant to the individual's current way of life using the MRK-SVM algorithm implemented in Hadoop.

Kurma adalah buah yang memiliki berbagai jenis dengan karakteristik fisik yang berbeda-beda, menjadikannya komoditas penting dalam industri pertanian dan makanan. Klasifikasi jenis kurma yang akurat dan efisien sangat penting untuk memastikan kualitas produk, meningkatkan penanganan, dan optimisasi proses pemrosesan serta distribusi dalam rantai pasokan kurma. Metode tradisional yang bergantung pada penilaian visual manusia sering kali tidak konsisten dan memakan waktu. Dalam upaya mengatasi tantangan ini, teknologi pembelajaran mesin telah mulai diterapkan untuk klasifikasi jenis kurma. Studi ini berfokus pada evaluasi dan perbandingan performa beberapa algoritma pembelajaran mesin dalam tugas klasifikasi ini. Tujuan utama dari studi ini adalah untuk menentukan model pembelajaran mesin terbaik untuk klasifikasi jenis kurma berdasarkan dataset yang mengandung fitur-fitur morfologi dan warna. Algoritma yang dievaluasi meliputi Decision Trees, Random Forest, Support Vector Machines (SVM), k-Nearest Neighbors (k-NN), dan Neural Network (NN). Kriteria evaluasi meliputi akurasi, presisi, recall, f1-score, dan area under curve (AUC). Hasil penelitian diharapkan dapat memberikan kontribusi signifikan dalam penerapan teknologi pembelajaran mesin dalam industri pertanian dan makanan.

Kurma adalah buah yang memiliki berbagai jenis dengan karakteristik fisik yang berbeda-beda, menjadikannya komoditas penting dalam industri pertanian dan makanan. Klasifikasi jenis kurma yang akurat dan efisien sangat penting untuk memastikan kualitas produk, meningkatkan penanganan, dan optimisasi proses pemrosesan serta distribusi dalam rantai pasokan kurma. Metode tradisional yang bergantung pada penilaian visual manusia sering kali tidak konsisten dan memakan waktu. Dalam upaya mengatasi tantangan ini, teknologi pembelajaran mesin telah mulai diterapkan untuk klasifikasi jenis kurma. Studi ini berfokus pada evaluasi dan perbandingan performa beberapa algoritma pembelajaran mesin dalam tugas klasifikasi ini. Tujuan utama dari studi ini adalah untuk menentukan model pembelajaran mesin terbaik untuk klasifikasi jenis kurma berdasarkan dataset yang mengandung fitur-fitur morfologi dan warna. Algoritma yang dievaluasi meliputi Decision Trees, Random Forest, Support Vector Machines (SVM), k-Nearest Neighbors (k-NN), dan Neural Network (NN). Kriteria evaluasi meliputi akurasi, presisi, recall, f1-score, dan area under curve (AUC). Hasil penelitian diharapkan dapat memberikan kontribusi signifikan dalam penerapan teknologi pembelajaran mesin dalam industri pertanian dan makanan.

Network intrusion detection is a critical aspect of cybersecurity, aiming to distinguish between normal and malicious network activities. This study evaluates the performance of various machine learning algorithms on the UNSW-NB15 dataset for binary classification of network traffic into normal and attack categories. We employed several preprocessing steps, including handling missing values, encoding categorical features, and addressing class imbalance using a mix of Synthetic Minority Over-sampling Technique (SMOTE) and undersampling. The models evaluated include k-Nearest Neighbors (k-NN), Naive Bayes, Logistic Regression, Support Vector Machines (SVM), and Neural Networks. Our experimental results show that complex models like Neural Networks and SVMs significantly outperform simpler models. The Neural Network model achieved the highest accuracy of 92%, with a precision of 91%, recall of 93%, and an F1-score of 92%. SVM also performed robustly with an accuracy of 90%. Simpler models, while less effective, still achieved respectable performance, with Logistic Regression and k-NN reaching accuracies of 88% and 85%, respectively. The study highlights the importance of comprehensive preprocessing and the implementation of advanced machine learning techniques for effective network intrusion detection. The results suggest that while complex models offer superior detection capabilities, simpler models can still be valuable in resource-constrained environments. Future research should focus on applying these models to real-world data, exploring more advanced neural network architectures, and implementing cost-sensitive learning techniques to further enhance detection performance and efficiency.

Las redes neurales o neuronales o redes neuronales simuladas son un subconjunto del aprendizaje automático inspirado en el cerebro humano, donde se imitan cómo las neuronas biológicas se comunican entre sí para tomar una decisión. Una red neuronal consta de una capa de entrada, una capa oculta y una capa de salida, siendo la primera capa quien recibe información sin procesar, es procesada por múltiples capas ocultas y la última capa produce el resultado. En el siguiente material, se simulará el proceso de entrenamiento de redes neuronales para clasificar datos tabulares. Si se tiene los parámetros X1 y X2 que pasan a través de 2 capas ocultas de 4 y 2 neuronas para producir resultados, con múltiples iteraciones, el modelo mejora en la clasificación de los objetivos y comparacion con alternativas de 1 a 4 capas utilizando los mismos datos.

Industrial water pollution is a significant environmental concern, threatening human health and ecosystems. This paper proposes Water4.0, a machine learning-based system that forecasts industrial water pollution levels using historical data and real-time monitoring. Water4.0 uses the K-Nearest Neighbors (KNN) algorithm, which identifies patterns and relationships based on proximity. The system considers nine water quality parameters, including pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic Carbon, Trihalomethanes, and Turbidity. Experimental results show Water4.0's impressive accuracy, outperforming traditional methods. A case study of the textile industry in Pakistan demonstrates its success in accurately predicting water pollution levels and enabling proactive measures to prevent pollution. Water4.0's significance extends beyond technical prowess, offering a proactive approach to addressing industrial water pollution. By predicting pollution levels, industries can take preventative measures, reduce their environmental impact, and ensure compliance with regulations. This helps protect aquatic ecosystems, preserve public health, and promote sustainable development. Water4.0 is a groundbreaking machine learning-based system that offers a proactive solution to industrial water pollution. By combining historical data and real-time monitoring, it can significantly impact various industries and locations.

Industrial water pollution is a significant environmental concern, threatening human health and ecosystems. This paper proposes Water4.0, a machine learning-based system that forecasts industrial water pollution levels using historical data and real-time monitoring. Water4.0 uses the K-Nearest Neighbors (KNN) algorithm, which identifies patterns and relationships based on proximity. The system considers nine water quality parameters, including pH, Hardness, Solids, Chloramines, Sulfate, Conductivity, Organic Carbon, Trihalomethanes, and Turbidity. Experimental results show Water4.0's impressive accuracy, outperforming traditional methods. A case study of the textile industry in Pakistan demonstrates its success in accurately predicting water pollution levels and enabling proactive measures to prevent pollution. Water4.0's significance extends beyond technical prowess, offering a proactive approach to addressing industrial water pollution. By predicting pollution levels, industries can take preventative measures, reduce their environmental impact, and ensure compliance with regulations. This helps protect aquatic ecosystems, preserve public health, and promote sustainable development. Water4.0 is a groundbreaking machine learning-based system that offers a proactive solution to industrial water pollution. By combining historical data and real-time monitoring, it can significantly impact various industries and locations.

Abstrak - Berita adalah sebuah informasi mengenai peristiwa yang terjadi di suatu lokasi yang bisa disajikan dalam bentuk teks maupun visual. Berita bisa ditemukan di berbagai portal berita dan media cetak. Umumnya setiap berita dikelompokan berdasarkan kategori umum seperti ekonomi, politik, olahraga, dll. Permasalahan yang muncul adalah  bagaimana cara untuk melakukan pengelompokan pada data berita yang biasanya berjumlah hingga ribuan karakter kedalam kategori yang lebih spesifik. Permasalah ini dapat diselesaikan dengan cara menerapkan text mining dengan memanfatakan algoritma klasifikasi untuk mendapatkan sebuah model fungsi yang merepresentasikan tiap kategori berita. Salah satu algoritma klasifikasi yang cukup tangguh untuk melakukan proses klasifikasi teks adalah Support Vector Machine. Penelitian ini menggunakan 510 data berita dengan batasan klasifikasi 3 kategori berita. Algoritma SVM mendapatkan hasil akurasi tertinggi di 88% untuk nilai parameter C =1, kernel Linear den...

Abstrak - Perkembangan zaman mengalami kemajuan yang sangat pesat, saat ini penyebaran berita yang paling populer adalah melalui internet. Berita yang disajikan di situs berita online biasanya hanya dalam kategori umum, sehingga ketika pembaca ingin mendapatkan kategori berita yang lebih spesifik harus dilakukan secara manual yang tentunya menjadi kegiatan yang cukup merepotkan. Hal ini juga dialami oleh Badan Pusat Statistik Provinsi Riau yang kesulitan dalam mencari dan mengklasifikasikan berita tentang Provinsi Riau. Dalam hal ini penerapan klasifikasi otomatis dirasa sangat diperlukan. Penelitian ini menggunakan metode klasifikasi C4.5 dengan 510 data berita yang akan diklasifikasikan menjadi 3 kategori yaitu demokrasi, kemiskinan dan ketenagakerjaan. Proses klasifikasi berita dalam penelitian ini meliputi: pengumpulan data, pelabelan manual, teks preprocessing, pembobotan kata, dan metode klasifikasi C4.5. Berdasarkan penelitian yang dilakukan, hasil uji akurasi adalah 84% deng...

Günümüzde teknolojinin gelişmesi yapay zekâ çalışmalarının da hızlı bir şekilde gelişmesine olarak sağlamaktadır. Gelişen yapay zekâ çalışmaları arasında son zamanlarda popülerliği yüksek olan konulardan birisi sanal ortamlarda gerçekçi sahte yüzlerin oluşturulması ve kullanılmasıdır. Yapılan çalışmada içerisinde sahte ve gerçek yüzlerin yer aldığı görüntüler kullanılarak yüzlerin sahte/gerçek olduğunu ayırt etmek için bir dizi çalışmalar yapılmıştır. Yapılan çalışmada iki farklı sınıflandırma modeli (VGG, Xception) ve görüntüler üzerinde üç faklı yöntem (normal görüntü, Fourier dönüşümlü görüntü, Ayrık Kosinüs dönüşümlü görüntü) uygulanarak ayrı ayrı sınıflandırma işlemleri gerçekleştirilmiştir. Elde edilen sonuçlar karşılaştırılarak araştırmacılara kaynak olarak sunulmuştur.

Recognition of handwritten characters has been a popular research area for many years. Devnagari script is a major script of India and is widely used for various languages. In this paper we propose a system to recognize devnagri handwritten characters. Total 60 devnagri characters (50 letters and 10 digits) are taken in to consideration. 60 samples of each character i.e. total 3600 samples are used for features extraction. Classification is done by four different classifiers which are Multilayer perceptron, K-Nearest Neighbour, Naive Bayes classifier and Classification tree. Performance of different classifiers is compared.98.9 % accuracy is obtained by Multilayer perceptron. KeywordsDevnagri Characters, Multilayer perceptron, K-Nearest Neighbour, Naive Bayes

Powerful data mining techniques are available in a variety of educational fields. Educational research is advancingrapidly due to the vast amount of student data that can be used to create insightful patterns related to studentlearning. Educational data mining is a tool that helps universities assess and identify student performance. Well-known classification techniques have been widely used to determine student success in data mining. A decisiveand growing exploration area in educational data mining (EDM) is predicting student academic performance.This area uses data mining and automaton learning approaches to extract data from education repositories.According to relevant research, there are several academic performance prediction methods aimed at improvingadministrative and teaching staff in academic institutions.In the put-forwarded approach, the collected data set is preprocessed to ensure data quality and labeled studenteducation data is used to apply ANN classifiers, support v...

Recent studies have identified coronary artery disease (CAD) as a leading cause of death globally. Early detection of CAD is crucial for reducing mortality rates. However, accurately predicting CAD poses challenges, particularly in treating patients effectively before a heart attack occurs due to the complexity of data and relationships in traditional methodologies. This research has successfully developed a machine learning model for CAD prediction by combining K-Nearest Neighbors (KNN) and Support Vector Machine (SVM) Classifier techniques. The model, trained and tested on a dataset of 918 samples (508 with cardiac issues and 410 healthy cases), achieved an accuracy of 82% for KNN, 84.3% for SVM, and 88.7% for the hybrid model after rigorous training and testing.

Recent studies have identified coronary artery disease (CAD) as a leading cause of death globally. Early detection of CAD is crucial for reducing mortality rates. However, accurately predicting CAD poses challenges, particularly in treating patients effectively before a heart attack occurs due to the complexity of data and relationships in traditional methodologies. This research has successfully developed a machine learning model for CAD prediction by combining K-Nearest Neighbors (KNN) and Support Vector Machine (SVM) Classifier techniques. The model, trained and tested on a dataset of 918 samples (508 with cardiac issues and 410 healthy cases), achieved an accuracy of 82% for KNN, 84.3% for SVM, and 88.7% for the hybrid model after rigorous training and testing.

Lung cancer is a disease of uncontrolled cell growth in tissues of the lung. Lung cancer is the most critical reason for death, but there is a big chance for the patient to be cured if he or she is correctly diagnosed in early stage of his or her case. Medical chest images are considered the most widely used and reliable method for the detection of lung cancer, the serious mistake in some diagnosing cases giving bad results and causing the death. The Computer Aided Diagnosis systems are necessary to support the medical staff to achieve high capability and effectiveness. Clinicians could improve treatment methods by using image mining techniques. For detecting lung nodules, number of tests should be required from the patient. Automated diagnosis system for prediction of lung cancer by using image mining techniques plays an important role in time and performance which decreases mortality rate because of early detection of lung cancer. In this research, we will present an overview of s...

International audienceThe detection of intracranial aneurysms from Magnetic Resonance Angiography images is a problem of rapidly growing clinical importance, but also extremely challenging to automate. However, in the last 3 years, the raise of deep convolutional neural networks has instigated a streak ofmethods that have convincingly removed the technological deadlock and show promising performance. The major issue to address is the very severe class imbalance. Previous authors have focused their efforts on the network architecture and loss function. This paper tackles the data. A rough but fast annotation is considered : each aneurysm is approximated by a sphere defined by two points. Second, a small patch approach is taken so as to increase the number of samples. Third, samples are generated by a combination of data selection (negative patches are centered half on blood vessels and half on parenchyma) and data synthesis (patches containing an aneurysm are duplicated and deformed ...

Araştırma ve Yayın Etiği Beyanı Bu çalışma bilimsel araştırma ve yayın etiği kurallarına uygun olarak hazırlanmıştır. Yazarların Makaleye Olan Katkıları Yazar 1'in makaleye katkısı %50, Yazar 2'nin makaleye katkısı %50'dir. Çıkar Beyanı Yazarlar açısından ya da üçüncü taraflar açısından çalışmadan kaynaklı çıkar çatışması bulunmamaktadır.

Finansal başarısızlık kavramına ait genel kabul görmüş bir tanımı bulunmamaktadır. Buna karşın işletmelerin veya kuruluşların finansal açıdan belirlenen hedeflere ulaşamaması veya mali yükümlülüklerini kısmen veya tamamen yerine getirememeleri durumlarını ifade eden genel bir tanımlarama yapılmaktadır. Finansal başarısızlıhın ciddi manada sosyal, ekonomik ve politik maliyetleri söz konusu olmaktadır. Bu maliyetleri önlemek adına çok sayıda finansal başarısızlık öngörü modeli sektör ayrımı gözetmeksizin sınırlı sayıda örneklem kullanılarak geliştirilmiştir. Bu çalışma kapsamında ehitim sektörüne özgü finansal oranların seçilerek geniş ve kapsayıcı veri seti kullanılarak sektöre özgü finansal başarısızlık öngörü modeli geliştirilmiştir. Modelin elde edinilmesinde 4 finansal başarısızlık tanımı, 3 dehişken azaltma yöntemi (Rastgele Orman, Adım Adım İleri-Geri Seçim ve K-En Yakın Komşuluk) ve 4 sınıflandırma yöntemi (Yapay Sinir Ahları, Lojistik Regresyon, K-En Yakın Komşuluk ve Rastgele Orman) kullanılmıştır. Sektöre özgü tanım için net işletme sermayesi ve öz kaynak kavramları kullanılmış olup modelde 4 adet karlılık (Öz sermaye karlılıhı, Aktif karlılıhı, Satışların karlılıhı ve Faaliyet Kârı/ (Aktif Toplamı-Mali Duran Var.) iki adet finansal yapı (Duran Varlıklar/ Öz Kaynaklar ve Duran Varlıklar/ (Uzun Vadeli YK + Öz Kaynaklar) ve bir adet devir hızı oranı (Net Çalışma Sermayesi devir hızı) yer almıştır. Ehitim sektörüne özgü öngörü modeli ortalama %95.6'lık dohruluk oranı ve ortalama %96.5'lik hassasiyet oranlarına sahip olup başarılı performans sergilemiştir.

Puji syukur kami panjatkan kehadirat Tuhan Yang Maha
Esa yang telah memberikan rahmat serta karunia-Nya kepada
kami sehingga kami berhasil menyelesaikan Buku dengan judul
Belajar Dasar-Dasar Pengolahan Citra Digital sesuai yang
ditargetkan. Buku dengan judul Belajar Dasar-Dasar Pengolahan
Citra Digital ini berisikan mengenai proses pengolahan citra
digital. Kami menyadari bahwa Buku ini masih jauh dari
sempurna, oleh karena itu kritik dan saran dari semua pihak yang
bersifat membangun selalu kami harapkan demi kesempurnaan
buku ini.
Akhir kata, kami sampaikan terima kasih kepada semua
pihak yang telah berperan serta dalam penyusunan Buku ini dari
awal sampai akhir. Semoga Tuhan Yang Maha Esa senantiasa
meridhoi segala usaha kita. Amin.

Tobacco is one of the largest agricultural products and is widely traded in the world market, including in Indonesia. In Indonesia, tobacco leaves are used as raw material for cigarettes which are mostly produced by cigarette companies. The quality of tobacco leaves greatly affects the quality of cigarettes, this is because the condition of tobacco leaves is influenced by several factors including pests, diseases, and climate. This study uses the Gray Level Co-Occurrence Matrix (GLCM) method for texture feature extraction, while for classification uses the K-Nearest Neighbor (KNN) method to classify the quality of tobacco leaves. The data used in this study is the image of tobacco leaves taken directly in TonDowulan Village, Plandaan District, Jombang Regency at the age of the leaves of approximately 2 months. Tobacco leaf images used were 300 images consisting of 3 classes, namely Normal, Perforated, and Withered based on the level of leaf damage. The GLCM features used are Contrast, Correlation, Energy, Homogeneity, and Entropy which will then be classified using the KNN method where before performing feature extraction the data must be processed first at the preprocessing stage. The result of the training using GLCM and K-NN feature extraction produces the highest accuracy value when the neighbor value 1, pixel distance 3, and k-fold 2 are 83.33%.

Every second, we can observe a massive surge of data being generated. Data present abundantly needs to be processed to become meaningful information. One way of processing data and knowing the current trend is through product analysis. This concept can be used by organizations to identify their flaws and enhance their productivity. It is often performed on textual data to help businesses monitor brand and product sentiment in customer feedback, and understand customer needs. In this project, we throw light on the aspect that data generated by textual comments along with the rating contribute the efficient classification of data rather than only the rating and obtain various insights as a part of the analysis. In general, when a person wants to buy a product, he checks for the review of the product and then makes a decision whether to buy or not. In more specific terms, the user checks only the rating and makes a decision. We have understood that sometimes rating is misleading the customers and it alone cannot be the sole parameter to take a decision hence we are comparing ratings and comments for better efficiency and authenticity of product reviews.

Spurious(dishonourable) behaviour in drinking water utilization is a compelling problem facing water supplying companies and agencies. This behaviour results in a enormous loss of income and forms the highest percentage of non-technical loss. Finding competent analysis for identifying spurious activities has been an active research area in recent years. Intelligent data mining techniques can service water supplying companies to detect these spurious activities to decrease such losses. This analysis explores the use of two distribution techniques (SVM and KNN) to identify suspicious cheat water customers. The main encouragement of this analysis is to benefit Yarmouk Water Company (YWC) in Irbid city of Jordan to affect its profit loss. The SVM based approach uses customer load profile characteristics to display anomalous behaviour that is well-known to be interacted with non-technical loss activities. The data has been collected from the ancient data of the company billing system. The efficiency of the developed model hit a rate of over 74% which is better than the present standard prediction steps taken by the YWC. To expand the model, a opinion tool has been built using the develop model. The system will help the company to predict careful water customers to be authorized on site.

The graduation profile is one of the key elements for the accreditation standard of higher education. It mirrors the performance of the applied educational system within a period of time. The better it is, the better the accreditation will be. In support of this, a graduation prediction may be conducted to the academic database of the students. It is of pivotal to trace and classify the historical data into the data training and data testing, thus, to predict the on time-graduation. The step is importantly done to help decide the better management of learning processes. This study was therefore done to analyse certain variables applied to predict the on time-graduation using the algorythms of C.45 and K-Nearest Neighbour (K-NN). The data mining was done to the academic database of the students of the Pharmacy study programme, Pharmacy Faculty, Muhammadiyah University of Purwokerto by adding certain variables into the process. The data was then classified into the data training and d...

This paper meticulously synthesizes the realms of Artificial Intelligence (AI) and Machine Learning (ML), spanning an extensive spectrum of applications and scenarios. By diligently dissecting and juxtaposing insights gleaned from a myriad of research papers, our study endeavors to construct a unified comprehension of the efficacy and performance of diverse AI and ML algorithms. Through the consolidation and presentation of empirical evidence, our primary aim is to empower efficient and wellinformed decision-making among researchers, practitioners, and stakeholders alike. This undertaking not only streamlines the process of assessing models but also cultivates a deeper understanding of the everevolving landscape of AI and ML technologies. Amidst the complexities inherent in contemporary data-driven ecosystems, this synthesis serves as an invaluable compass for harnessing the potential of AI and ML to confront real-world challenges and instigate innovation across multifarious domains.

The bottled water market has been experiencing continuous and stable growth in recent years, with a valued market size of 1billion USD in 2022 and a CAGR of 7% in the forecast period (2023-2030).
Our study focused on comparing 22 brands of mineral water available in the Moroccan market by analyzing their mineral content. The collected data were analyzed univariately using a line plot, and then multivariately by applying PCA (Principal Component Analysis) and KMN (K-Means Nearest). The univariate analysis showed that none of the Moroccan mineral water brands met the criteria for being rich in electrolytes (calcium, magnesium, chloride, sodium, potassium). In multivariate analysis, PCA revealed that 16 brands were closely correlated based on their nitrate content. We also observed 2 outliers, Contrex and Vichy. Furthermore, KMN resulted in 4 classes: red class (Oulmés, Ain Sultan); blue class (with 18 brands); green class (Contrex); light blue class (Vichy).
These factors have a direct impact on the choice of bottled water in certain physiological and pathological situations. This study could be useful for clinicians, patients, and the general population in advising or choosing their water.