Claim Missing Document
Check
Articles

Found 3 Documents
Search
Journal : Malcom: Indonesian Journal of Machine Learning and Computer Science

Tinjauan Supervised Reinforcement Learning pada Tindakan Medis Penyakit Diabetes Melitus: Review of Supervised Reinforcement Learning on Medical Actions for Diabetes Mellitus Putri, Indah Pratiwi; Marcelina, Dona; Yulianti, Evi
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 3 (2024): MALCOM July 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i3.1363

Abstract

Diabetes Melitus (DM) merupakan penyakit kronis yang memerlukan pengelolaan medis yang berkelanjutan. Pengelolaan pengendalian penyakit diabetes bergantung pada kadar glukosa  dalam darah guna mengambil tindakan yang tepat agar dapat mencegah kadar glukosa darah menjadi terlalu rendah atau tinggi. Dalam konteks perawatan medis DM, penggunaan teknologi pembelajaran mesin, khususnya Supervised Reinforcement Learning (SRL) telah mengahadirkan pendekatan yang inovatif. Penelitian ini bertujuan untuk menyelidiki dan merangkum beberapa karya ilmiah yang membahas tentang penerapan SRL dalam konteks tindakan medis untuk penyakit DM. Beberapa percobaan dilakukan oleh para peneliti dengan menggunakan data dari pasien diabetes untuk menentukan parameter model yang optimal, melakukan simulasi dan studi validasi secara real-time sehinga dapat memberikan wawasan lebih lanjut tentang penerapan praktis model pembelajaran penguatan dalam pengaturan klinis. Melalui SRL, agen pembelajaran dapat menggabungkan umpan balik lingkungan dengan informasi eksplisit dari supervisor untuk menghasilkan keputusan yang optimal dalam pengelolaan DM. Dalam makalah ini, penulis menganalisis kajian literatur terkait penerapan SRL pada pengelolaan medis DM, serta mengeksplorasi potensi dan tantangan yang terkait dengan penggunaan pendekatan ini dalam praktik klinis
Model Pengambilan Keputusan Seleksi Jabatan Dekan dengan Metode Weighted Performance Indicator Berdasarkan Opini Responden : Decision-Making Model for Dean Position Selection Using the Weighted Performance Indicator Method Based on Respondent Opinions Heryati, Agustina; Afriyani, Fauziah; Mulyati, Mulyati; Putri, Indah Pratiwi; Suryati, Suryati
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 4 (2024): MALCOM October 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i4.1622

Abstract

Pemilihan Dekan di tingkat universitas merupakan proses penting yang berdampak signifikan terhadap kualitas pendidikan, riset, dan pengabdian masyarakat di fakultas. Namun, proses ini sering menghadapi tantangan seperti subjektivitas, kurangnya transparansi, dan ketidakjelasan kriteria penilaian. Penelitian ini bertujuan mengembangkan model pengambilan keputusan dalam seleksi jabatan Dekan dengan menggunakan metode Weighted Performance Indicator (WPI) yang berbasis pada opini responden. Metode WPI menggabungkan berbagai kriteria dan indikator untuk mengevaluasi kinerja kandidat secara objektif dan transparan. Penelitian ini menggunakan kriteria seperti kualifikasi akademik, pengalaman kepemimpinan, kontribusi penelitian, kemampuan manajerial, visi strategis, kepatuhan terhadap kebijakan universitas, kualitas komunikasi, dan pengalaman pengelolaan konflik untuk menilai tiga kandidat dekan. Hasil evaluasi menunjukkan bahwa Kandidat 1 memperoleh nilai WPI tertinggi sebesar 134,23, diikuti oleh Kandidat 2 dengan nilai 120,59, dan Kandidat 3 dengan nilai 111,05. Temuan ini menunjukkan bahwa metode WPI efektif memberikan hasil yang lebih objektif dan dapat diandalkan dalam proses pemilihan Dekan, yang diharapkan dapat meningkatkan kualitas kepemimpinan fakultas dan pencapaian tujuan akademik serta strategis universitas
Analisis Perbandingan Algoritma Machine Learning untuk Prediksi Stunting pada Anak: Comparative Analysis of Machine Learning Algorithms for Predicting Child Stunting Putri, Indah Pratiwi; Terttiaavini, Terttiaavini; Arminarahmah, Nur
MALCOM: Indonesian Journal of Machine Learning and Computer Science Vol. 4 No. 1 (2024): MALCOM January 2024
Publisher : Institut Riset dan Publikasi Indonesia

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.57152/malcom.v4i1.1078

Abstract

Penelitian ini menyoroti permasalahan serius stunting pada anak-anak, terutama dalam pendataan yang tidak konsisten dan kurangnya informasi akurat dalam evaluasi kondisi tersebut. Tujuannya adalah mengembangkan model Machine Learning (ML)  untuk memprediksi kasus stunting dengan lebih baik. Metode penelitian melibatkan tiga algoritma ML: Naive Bayes, K-Nearest Neighbors, dan Random Forest, dievaluasi berdasarkan Accuracy, Precision, dan recall. Penelitian ini memanfaatkan platform KNIME untuk membantu pengelolaan data yang lebih efisien dan akurat. Hasil evaluasi menunjukkan bahwa Random Forest memiliki akurasi tertinggi (87.75%) dan F1-score (0.922), menunjukkan keseimbangan yang baik antara Precision dan recall. Meskipun demikian, K-Nearest Neighbors menonjol dalam menemukan sebagian besar kasus stunting yang sebenarnya. Kesimpulannya, model Random Forest mungkin menjadi pilihan terbaik untuk mendiagnosis stunting pada anak-anak, karena kombinasi akurasi tinggi dan kemampuan menemukan kasus stunting yang lebih baik dari model lainnya. Penelitian ini memberikan wawasan tentang penerapan ML dalam mendukung deteksi dini stunting, memungkinkan intervensi yang lebih tepat dan cepat bagi anak-anak yang membutuhkan perhatian kesehatan yang lebih intensif.