Dina Tri Utari

Dina Tri Utari memiliki keahlian akademik yang berpusat pada pengembangan dan penerapan metode machine learning serta statistika komputasional untuk analisis data dan pemodelan prediktif di berbagai domain. Dalam lima tahun terakhir, risetnya menunjukkan pergeseran signifikan menuju arsitektur deep learning dan teknik optimasi canggih. Fokus mutakhirnya meliputi penggunaan Gated Recurrent Unit untuk prediksi suhu di Norwegia, Long Short-Term Memory untuk klasifikasi pasien skizofrenia dari sinyal elektroensefalografi, serta Bayesian Convolutional Neural Network untuk diagnosis Alzheimer melalui MRI. Ia juga aktif mengembangkan sistem deteksi kantuk pengemudi dengan pendekatan YOLO yang dioptimasi, dan meningkatkan identifikasi tumor kulit melalui transfer learning. Di ranah data mining, ia mengeksplorasi frequent pattern mining berbasis irregular CLA dan topic modeling persepsi Covid-19 di Twitter. Metode ensemble dan pra-pemrosesan data tidak seimbang menjadi perhatian, terbukti dari integrasi XGBoost dengan SMOTE untuk analisis sentimen serta optimasi ensemble learning berbasis algoritma genetika untuk deteksi dini preeklamsia. Penerapan Principal Component Analysis untuk reduksi variabel sebelum K-Medoids dan K-Means clustering juga menonjol, seperti pada pengelompokan data inventaris mesin dan profiling kemiskinan. Sebagai konteks kesinambungan, publikasi awalnya mencakup analisis risiko pertumbuhan Covid-19, clustering hierarkis pengguna kontrasepsi, serta peramalan nilai tukar dan PDB menggunakan regresi MIDAS dan wavelet.