Machine Learning

Judul 1 : "Model Prediksi Lama Rawat Inap Pasien COVID-19 Menggunakan Machine Learning"

Deskripsi masalah:
1. Sistem Aplikasi Terpisah
2. Kekurangan Sumber Daya Manusia(Fasilitas kesehatan mengalami kekurangan tenaga untuk pencatatan dan pemantauan data, menyebabkan keterlambatan dan ketidaklengkapan data)

Jenis data:
Data Epidemiologi
Data Varian Virus
Data Kesehatan Masyarakat

Model :
K-Means Clustering: Menganalisis penyebaran COVID-19 dengan mengelompokkan daerah berdasarkan tingkat kasus, membantu identifikasi wilayah yang paling terpengaruh

Judul 2: "Analisis dan prediksi kepadatan lalu lintas suatu daerah menggunakan machine learning"

Deskripsi Masalah:
Kemacetan lalu lintas di kota-kota besar menjadi tantangan serius yang disebabkan oleh meningkatnya jumlah kendaraan, perilaku pengemudi, dan infrastruktur yang tidak memadai. Misalnya, di Jalan Lenteng Agung, kemacetan disebabkan oleh banyaknya pejalan kaki, perilaku angkutan umum, dan minimnya rambu lalu lintas1.

Jenis Data:
Data yang digunakan mencakup arus kendaraan, kecepatan perjalanan, waktu puncak arus lalu lintas, serta informasi dari sensor lalu lintas dan aplikasi navigasi seperti GPS56.

Model :
 Model yang umum digunakan adalah K-Nearest Neighbors (K-NN), yang dapat mencapai akurasi hingga 85% dalam memprediksi situasi lalu lintas. Model lain yang mungkin digunakan termasuk regresi linier dan jaringan saraf tiruan untuk analisis lebih kompleks.

Judul 3: “Pengembangan Algoritma Rekomendasi Berbasis Konten untuk Platform Streaming”

Deskripsi Masalah:
Pengembangan algoritma rekomendasi untuk platform streaming bertujuan untuk meningkatkan pengalaman pengguna dengan memberikan saran konten yang relevan. Masalah utama yang dihadapi adalah cold start, di mana sistem kesulitan merekomendasikan item baru kepada pengguna baru atau saat item baru ditambahkan ke dalam sistem.

Jenis Data:
Data yang digunakan dalam pengembangan algoritma ini meliputi:
Data Pengguna: Riwayat tontonan, rating, dan preferensi pengguna.
Data Item: Informasi tentang konten, seperti genre, aktor, dan deskripsi.

Model:
Model yang digunakan dapat berupa:
Sistem Rekomendasi Berbasis Konten: Menggunakan fitur dari item untuk memberikan rekomendasi serupa.
Collaborative Filtering: Memanfaatkan data interaksi pengguna untuk merekomendasikan item berdasarkan kesamaan perilaku.
Hybrid Model: Menggabungkan kedua pendekatan di atas untuk meningkatkan akurasi rekomendasi dan mengatasi masalah sparsity dan cold start.

Judul 4: “ Sistem Monitoring Kinerja Mesin Menggunakan IoT (Internet of Things)”

Deskripsi masalah:
Kurangnya Data Real-Time yang Akurat
    Banyak sistem monitoring tradisional yang tidak mampu memberikan data real-time yang akurat mengenai kinerja mesin. Hal ini dapat menyebabkan keterlambatan dalam pengambilan keputusan, yang berpotensi mengakibatkan kerusakan mesin yang lebih serius akibat kurangnya pemeliharaan yang tepat waktu

Jenis data:
Data Sensorik
    Sensor Suhu : Mengukur suhu mesin untuk mencegah overheating yang dapat merusak komponen mesin. Data ini penting untuk menjaga suhu operasional dalam batas aman
    Sensor Getaran : Mendeteksi getaran abnormal yang dapat mengindikasikan kerusakan atau keausan pada komponen mesin. Data ini membantu dalam pemeliharaan prediktif
    Sensor Tekanan : Memantau tekanan dalam sistem, memastikan bahwa tekanan berada pada level yang aman untuk pengoperasian mesin
    Sensor Kelembapan : Mengawasi kelembapan di sekitar mesin, yang dapat mempengaruhi kinerja dan umur mesin

Model:
Model Pengembangan Berbasis Iterasi
    Pendekatan ini melibatkan pengembangan sistem secara bertahap dan berulang. Setiap iterasi meliputi analisis, perancangan, implementasi, dan pengujian. Dengan metode ini, tim pengembang dapat menghasilkan hasil dari setiap siklus dan melakukan perbaikan sebelum melanjutkan ke iterasi berikutnya. Ini memungkinkan beradaptasi dalam menyesuaikan sistem sesuai dengan kebutuhan pengguna yang mungkin berubah selama proses pengembangan
Judul 5: “Studi Perbandingan Efektivitas Metode Penanganan Stunting: Pemberian Suplemen Gizi vs. Perubahan Pola Makan”


Deskripsi masalah:
Tingginya Prevalensi Stunting
Menurut data dari Studi Status Gizi Indonesia (SSGI) 2021, prevalensi stunting di Indonesia mencapai 24,4%, jauh di atas batas yang ditetapkan oleh WHO yaitu di bawah 20%. Hal ini menunjukkan bahwa banyak anak balita mengalami terhambatnya pertumbuhan akibat kekurangan asupan gizi yang memadai.


Jenis data:
    Data Kesehatan
Status Gizi : mengukur tinggi badan dan berat badan anak balita untuk menentukan status gizi mereka, yang diukur menggunakan indikator seperti Z-score atau persentil pertumbuhan.

Riwayat Kesehatan : Informasi mengenai riwayat kesehatan anak, termasuk penyakit sebelumnya, yang dapat mempengaruhi pertumbuhan dan perkembangan.

Model:
Model Pembelajaran Mesin (Machine Learning)
Pendekatan ini bisa diterapkan untuk menganalisis data besar yang dihasilkan dari penelitian, seperti klasifikasi dan regresi. Algoritma seperti Random Forest atau Support Vector Machines dapat digunakan untuk memprediksi kejadian stunting berdasarkan berbagai fitur input, termasuk status gizi, pola makan, dan faktor sosiodemografi.