ABSTRAKTujuan utama penelitian ini adalah untuk meningkatkan peforma klasifikasi pada diagnosis kanker payudara dengan menerapkan seleksi fitur pada beberapa algoritme klasifikasi. Penelitian ini menggunakan database kanker payudara Wisconsin Breast Cancer Database (WBCD). Metode seleksi fitur F-score dan Rough Set akan dipasangkan dengan beberapa algoritme klasifikasi yaitu SMO (Sequential Minimal Optimization), Naive Bayes, Multi layer Perceptron, dan C4.5. Penelitian ini menggunakan 10 fold cross validation sebagai metode evaluasi. Hasil penelitian menunjukkan algoritme klasifikasi MLP dan C4.5 mengalami peningkatan peforma klasifikasi secara signifikan setelah dipasangkan dengan seleksi fitur rough set dan F-score, Naive Bayes menunjukan peforma terbaik ketika dipasangkan dengan metode seleksi fitur F-score saja, sedangkan SMO tidak menunjukkan peningkatan peforma klasifikas ketika dipasangkan pada kedua seleksi fitur.Kata kunci: kanker payudara, seleksi fitur, klasifikasi. ABSTRACTThe objective of this study is to improve the performance classification of breast cancer diagnosis by applying feature selection on various classification algorithms . This study uses a database of Wisconsin Breast Cancer Database ( WBCD ). Feature selection methods F -score and Rough Set will be paired with various classification algorithms i.e. SMO (Sequential Minimal Optimization), Naive Bayes , Multi Layer Perceptron , and C4.5. 10-fold cross validation is use as an evaluation method. The results showed MLP and C4.5 has improved performance classification significantly when paired with rough sets and F -score feature selection methods, Naive Bayes showed best Performance when paired with Fscore feature selection method, whereas SMO did not show improved performance when paired on both feature selection.

No abstract

No abstract

Berada di garis khatulistiwa, Indonesia dianugrahi dengan cahaya matahari yang berlimpah. Dengan kemajuan saat ini dalam sel surya dan teknologi fotovoltaik, cahaya matahari ini dapat dimanfaatkan secara besar-besaran, antara lain, untuk dikonversi menjadi listrik. Dalam tulisan ini, kami melaporkan hasil pengabdian dengan fokus dalam bidang energi yang berlangsung di Dusun Wonosalam. Pengabdian masyarakat terkait energi surya ini melibatkan tiga tahap, yaitu memberikan pennyuluhan kepada masyarakat setempat mengenai manfaat cahaya matahari dan pemanfaatannya menggunakan fotovoltaik, pemasangan fotovoltaik, dan studi kelayakan. Dengan pola penggunaan saat ini, proyek sebesar Rp 10.000.000 ini dapat menghemat energi sebesar 0,48 kWh/hari, yang setara dengan sekitar Rp 258.241,28/tahun. Selain manfaat ekonomi, yang mungkin tidak mendatangkan keuntungan yang signifikan, dampak lebih luasnya proyek ini diharapkan dapat mendatangkan pengaruh pada bagaimana masyarakat setempat melihat pemanfaatan energi matahari sebagai sumber energi alternatif. Proyek pengabdian ini juga sejalan dengan visi Universitas Islam Indonesia untuk menyebarkan berkah ke daerah-daerah sekitarnya.

Deteksi api dan asap adalah langkah pertama sebagai deteksi dini kebakaran. Deteksi dini kebakaran berdasarkan pemrosesan gambar dianggap mampu memberikan hasil yang efektif. Pilihan metode deteksi adalah kunci penting. Metode ekstraksi fitur berdasarkan analisis statistik dan analisis dinamis kadangkadang memberikan akurasi kurang akurat dalam mendeteksi asap dan api, terutama pada deteksi asap, hal ini disebabkan oleh karakteristik objek asap yang transparan dan bergerak. Dalam penelitian ini, metode Convolutional Neural Network (CNN) diterapkan untuk deteksi asap dan api. Dari penelitian ini, diketahui bahwa CNN memberikan kinerja yang baik dalam deteksi kebakaran dan asap. Akurasi deteksi tertinggi diperoleh dengan menggunakan 144 data pelatihan, 20.000 iterasi dengan dropout.