Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Klasifikasi Ekspresi Wajah Menggunakan Covolutional Neural Network
Get PDFPengenalan ekspresi wajah adalah tantangan penting dalam pengolahan citra dan interaksi manusia-komputer karena kompleksitas dan variasi yang ada. Penelitian ini mengusulkan arsitektur sederhana Convolutional Neural Network (CNN) untuk meningkatkan efisiensi klasifikasi emosi pada dataset kecil. Dataset yang digunakan adalah Jaffe, yang terdiri dari 213 citra berukuran 256x256 piksel dalam tujuh kategori ekspresi. Citra-citra tersebut di-resize menjadi 128x128 piksel untuk mempercepat pemrosesan. Data diproses menggunakan arsitektur CNN yang terdiri dari 3 lapisan konvolusi, 2 lapisan subsampling, dan 2 lapisan dense. Kami mengevaluasi model dengan 5-fold dan 10-fold cross-validation untuk estimasi kinerja yang robust, serta teknik hold-out (70:30, 80:20, 85:15, dan 90:10) untuk perbandingan hasil yang jelas. Hasil menunjukkan akurasi tertinggi sebesar 90.6% dengan learning rate 0.001 pada pembagian 85% data latih dan 15% data uji, melebihi model yang lebih kompleks. Meskipun tidak menggunakan transfer learning atau augmentasi data, model ini tetap unggul dibandingkan pendekatan tradisional seperti Local Binary Pattern (LBP) dan Histogram Oriented Gradient (HOG). Dengan demikian, arsitektur CNN yang sederhana ini terbukti efektif untuk pengenalan ekspresi wajah pada dataset kecil.
Abstract
Facial expression recognition is a significant challenge in image processing and human-computer interaction due to its inherent complexity and variability. This study proposes a simple Convolutional Neural Network (CNN) architecture to enhance the efficiency of emotion classification on small datasets. Jaffe\u27s dataset consists of 213 images sized 256x256 pixels across seven expression categories. These images were resized to 128x128 pixels to accelerate processing. The data was processed using a CNN architecture comprising 3 convolutional layers, 2 subsampling layers, and 2 dense layers. We evaluated the model with 5-fold- and 10-fold cross-validation for robust performance estimation and hold-out techniques (70:30, 80:20, 85:15, and 90:10) for clear result comparison. The results indicated the highest accuracy of 90.6% with a learning rate of 0.001 using the 85% training and 15% testing data split, surpassing that of more complex models. Although the model does not employ transfer learning or data augmentation, it still outperforms traditional approaches such as Local Binary Pattern (LBP) and Histogram Oriented Gradient (HOG). Thus, this simple CNN architecture proves effective for facial expression recognition on small datasets.Pengenalan ekspresi wajah adalah tantangan penting dalam pengolahan citra dan interaksi manusia-komputer karena kompleksitas dan variasi yang ada. Penelitian ini mengusulkan arsitektur sederhana Convolutional Neural Network (CNN) untuk meningkatkan efisiensi klasifikasi emosi pada dataset kecil. Dataset yang digunakan adalah Jaffe, yang terdiri dari 213 citra berukuran 256x256 piksel dalam tujuh kategori ekspresi. Citra-citra tersebut di-resize menjadi 128x128 piksel untuk mempercepat pemrosesan. Data diproses menggunakan arsitektur CNN yang terdiri dari 3 lapisan konvolusi, 2 lapisan subsampling, dan 2 lapisan dense. Kami mengevaluasi model dengan 5-fold dan 10-fold cross-validation untuk estimasi kinerja yang robust, serta teknik hold-out (70:30, 80:20, 85:15, dan 90:10) untuk perbandingan hasil yang jelas. Hasil menunjukkan akurasi tertinggi sebesar 90.6% dengan learning rate 0.001 pada pembagian 85% data latih dan 15% data uji, melebihi model yang lebih kompleks. Meskipun tidak menggunakan transfer learning atau augmentasi data, model ini tetap unggul dibandingkan pendekatan tradisional seperti Local Binary Pattern (LBP) dan Histogram Oriented Gradient (HOG). Dengan demikian, arsitektur CNN yang sederhana ini terbukti efektif untuk pengenalan ekspresi wajah pada dataset kecil.
Abstract
Facial expression recognition is a significant challenge in image processing and human-computer interaction due to its inherent complexity and variability. This study proposes a simple Convolutional Neural Network (CNN) architecture to enhance the efficiency of emotion classification on small datasets. Jaffe\u27s dataset consists of 213 images sized 256x256 pixels across seven expression categories. These images were resized to 128x128 pixels to accelerate processing. The data was processed using a CNN architecture comprising 3 convolutional layers, 2 subsampling layers, and 2 dense layers. We evaluated the model with 5-fold- and 10-fold cross-validation for robust performance estimation and hold-out techniques (70:30, 80:20, 85:15, and 90:10) for clear result comparison. The results indicated the highest accuracy of 90.6% with a learning rate of 0.001 using the 85% training and 15% testing data split, surpassing that of more complex models. Although the model does not employ transfer learning or data augmentation, it still outperforms traditional approaches such as Local Binary Pattern (LBP) and Histogram Oriented Gradient (HOG). Thus, this simple CNN architecture proves effective for facial expression recognition on small datasets
Perancangan Gim Edukasi Anak Usia Dini untuk Meningkatkan Pemahaman Pengenalan Angka
Get PDFPendidikan sudah diberikan kepada anak-anak sejak usia balita. Oleh karena itu, lembaga pendidikan Taman Kanak-kanak (TK) didirikan. Metode pembelajaran yang sering digunakan adalah “Belajar Sambil Bermain” sehingga terdapat istilah untuk alat permainan yang dirancang untuk tumbuh kembang anak yaitu Alat Permainan Edukatif (APE). Namun tidak semua guru TK dapat mengaplikasikan APE ke dalam sistem pengajaran untuk mencapai kompetensi yang diharapkan berdasarkan kurikulum pendidikan, terutama TK yang masih memiliki fasilitas pembelajaran yang tingkatnya menengah ke bawah. Para guru dari salah satu TK tersebut mengalami kendala dalam mengenalkan konsep angka kepada siswa tingkat A. Penelitian ini ditujukan untuk merancang sebuah APE berupa gim edukasi untuk mengenalkan konsep angka kepada siswa TK tersebut. Gim tersebut dirancang menggunakan MDA (mechanics, dynamics, aesthetics) Framework yaitu sebuah tool yang digunakan untuk merancang atau menganalisis sebuah gim dengan membaginya menjadi tiga komponen: mechanic (rules), dynamic (gameplay), dan aesthetic (fun). Metode pengembangan yang digunakan adalah Iterative. Setelah rancangan selesai, dilakukan One Group Pretest-Posttest yang menghasilkan nilai rata-rata pretest sebesar 41,67% dan nilai rata-rata posttest meningkat menjadi 75%, serta fun test menggunakan Smileyometer menunjukkan nilai 4,48 dari 5, menunjukkan bahwa anak-anak menikmati bermain gim tersebut.
Abstract
Education has been given to children since they were toddlers. Hence, the Kindergarten program is established. One of the most used teaching methods is “Learning While Playing” and the toys designed to help children’s development are called Educational Game Tools. Unfortunately, some kindergarten teacher cannot apply it to their teaching system, particularly kindergarten with low-level teaching facility. The teachers are having trouble teaching the concept of numbers to their kindergarteners in group A. This research is intended to design an educational game to introduce the concept of numbers for their students. The educational game is designed using MDA (mechanics, dynamics, aesthetics) Framework, a tool used to design or analyze a game by dividing it into three components: mechanic (rules), dynamic (gameplay), and aesthetic (fun). The development method used is Iterative. After the design was completed, a One Group Pretest-Posttest was conducted, resulting in an average pretest score of 41.67% and an increased average posttest score of 75%, and a fun test using a Smileyometer showed a score of 4.48 out of 5, indicating that the children enjoyed playing the game.Pendidikan sudah diberikan kepada anak-anak sejak usia balita. Oleh karena itu, lembaga pendidikan Taman Kanak-kanak (TK) didirikan. Metode pembelajaran yang sering digunakan adalah “Belajar Sambil Bermain” sehingga terdapat istilah untuk alat permainan yang dirancang untuk tumbuh kembang anak yaitu Alat Permainan Edukatif (APE). Namun tidak semua guru TK dapat mengaplikasikan APE ke dalam sistem pengajaran untuk mencapai kompetensi yang diharapkan berdasarkan kurikulum pendidikan, terutama TK yang masih memiliki fasilitas pembelajaran yang tingkatnya menengah ke bawah. Para guru dari salah satu TK tersebut mengalami kendala dalam mengenalkan konsep angka kepada siswa tingkat A. Penelitian ini ditujukan untuk merancang sebuah APE berupa gim edukasi untuk mengenalkan konsep angka kepada siswa TK tersebut. Gim tersebut dirancang menggunakan MDA (mechanics, dynamics, aesthetics) Framework yaitu sebuah tool yang digunakan untuk merancang atau menganalisis sebuah gim dengan membaginya menjadi tiga komponen: mechanic (rules), dynamic (gameplay), dan aesthetic (fun). Metode pengembangan yang digunakan adalah Iterative. Setelah rancangan selesai, dilakukan One Group Pretest-Posttest yang menghasilkan nilai rata-rata pretest sebesar 41,67% dan nilai rata-rata posttest meningkat menjadi 75%, serta fun test menggunakan Smileyometer menunjukkan nilai 4,48 dari 5, menunjukkan bahwa anak-anak menikmati bermain gim tersebut.
Abstract
Education has been given to children since they were toddlers. Hence, the Kindergarten program is established. One of the most used teaching methods is “Learning While Playing” and the toys designed to help children’s development are called Educational Game Tools. Unfortunately, some kindergarten teacher cannot apply it to their teaching system, particularly kindergarten with low-level teaching facility. The teachers are having trouble teaching the concept of numbers to their kindergarteners in group A. This research is intended to design an educational game to introduce the concept of numbers for their students. The educational game is designed using MDA (mechanics, dynamics, aesthetics) Framework, a tool used to design or analyze a game by dividing it into three components: mechanic (rules), dynamic (gameplay), and aesthetic (fun). The development method used is Iterative. After the design was completed, a One Group Pretest-Posttest was conducted, resulting in an average pretest score of 41.67% and an increased average posttest score of 75%, and a fun test using a Smileyometer showed a score of 4.48 out of 5, indicating that the children enjoyed playing the game
Smart Contract Penyimpanan Data Genetika Manusia Berbiaya Murah pada Blockchain Ethereum
Get PDFGenetika manusia merujuk pada informasi yang dikumpulkan tentang genom atau warisan genetik individu manusia. Data ini mencakup sekuens DNA, variasi genetik, mutasi, dan informasi lain yang terkait dengan sifat dan karakteristik genetik individu manusia. Data genetika manusia diperoleh melalui serangkaian proses, meliputi penguntaian genetik, pengujian genetik, analisis DNA, dan pemetaan genetik. Data genetika terutama pada manusia merupakan data yang bersifat privat yang harus dilindungi keamanan dan kerahasiaanya. Beberapa penelitian telah menggunakan teknologi Blockchain untuk menyimpan data yang memerlukan keamanan ekstra. Blockchain memberikan solusi untuk perlindungan dan pengelolaan data dengan fitur teknologinya yang terdesentralisasi, terenkripsi, setiap transaksi bisa ditelusuri, dan antitampering atau sulit dimodifikasi. Penelitian menerapkan teknologi Blockchain untuk menyimpan dan mengelola data genetik. Sebagai bahan penelitian data genetika manusia diakusisi dari NCBI repository. Data genetik tersebut disimpan dalam Smart contract pada blockchain Ethereum yang ditulis menggunakan bahasa pemrograman Solidity. Setiap transaksi dan penyimpanan data pada Ethereum dibebankan biaya yang cukup mahal atau yang dikenal dengan biaya gas maka penelitian ini menawarkan solusi hanya menyimpan signature saja dari data genetik itu dalam blockchain. Data genetik yang riil dan berukuran besar disimpan dalam InterPlanetary File System (IPFS). Hasil pengujian menjalankan smart contract pada blockchain Ethereum yang hanya menyimpan signature data genetik ini menunjukkan biaya gas yang sangat efisien karena hanya menyimpan 256 bit saja dari data genetik riilnya yang dapat mencapai giga byte.Genetika manusia merujuk pada informasi yang dikumpulkan tentang genom atau warisan genetik individu manusia. Data ini mencakup sekuens DNA, variasi genetik, mutasi, dan informasi lain yang terkait dengan sifat dan karakteristik genetik individu manusia. Data genetika manusia diperoleh melalui serangkaian proses, meliputi penguntaian genetik, pengujian genetik, analisis DNA, dan pemetaan genetik. Data genetika terutama pada manusia merupakan data yang bersifat privat yang harus dilindungi keamanan dan kerahasiaanya. Beberapa penelitian telah menggunakan teknologi Blockchain untuk menyimpan data yang memerlukan keamanan ekstra. Blockchain memberikan solusi untuk perlindungan dan pengelolaan data dengan fitur teknologinya yang terdesentralisasi, terenkripsi, setiap transaksi bisa ditelusuri, dan antitampering atau sulit dimodifikasi. Penelitian menerapkan teknologi Blockchain untuk menyimpan dan mengelola data genetik. Sebagai bahan penelitian data genetika manusia diakusisi dari NCBI repository. Data genetik tersebut disimpan dalam Smart contract pada blockchain Ethereum yang ditulis menggunakan bahasa pemrograman Solidity. Setiap transaksi dan penyimpanan data pada Ethereum dibebankan biaya yang cukup mahal atau yang dikenal dengan biaya gas maka penelitian ini menawarkan solusi hanya menyimpan signature saja dari data genetik itu dalam blockchain. Data genetik yang riil dan berukuran besar disimpan dalam InterPlanetary File System (IPFS). Hasil pengujian menjalankan smart contract pada blockchain Ethereum yang hanya menyimpan signature data genetik ini menunjukkan biaya gas yang sangat efisien karena hanya menyimpan 256 bit saja dari data genetik riilnya yang dapat mencapai giga byte.
Abstract
Human genetics refers to information gathered about the genome or genetic heritage of human individuals. This data includes DNA sequences, genetic variations, mutations, and other information related to individual human genetic traits and characteristics. Human genetic data is obtained through a series of processes, including genetic sequencing, genetic testing, DNA analysis, and genetic mapping. Genetic data, especially in humans, is private data that must be protected by security and confidentiality. Several studies have used Blockchain technology to store data that requires extra security. Blockchain provides solutions for data protection and management with its technological features that are decentralized, encrypted, every transaction can be traced, and anti-tampering or difficult to modify. Research uses Blockchain technology to store and manage genetic data. As research material, human genetic data was acquired from the NCBI repository. The genetic data is stored in Smart contracts on the Ethereum blockchain written using the Solidity programming language. Every transaction and data storage on Ethereum is charged with a fairly expensive fee, known as a gas fee, so this research offers a solution by only storing the signature of the genetic data in the blockchain. The real and large-scale genetic data is stored in the InterPlanetary File System (IPFS). The test results of running a smart contract on the Ethereum blockchain that only stores genetic data signatures show a very efficient gas cost because it only stores 256 bits of real genetic data, which can reach gigabytes.
Perbandingan Instance Segmentation Image pada Yolo8
Get PDFSeorang pejalan kaki sangat rawan terhadap kecelakaan di jalan. Deteksi pejalan kaki merupakan salah satu cara untuk mengidentifikasi atau megklasifikasikan antara orang, jalan atau yang lainnya. Instance segmentation adalah salah satu proses untuk melakukan segmentasi antara orang dan jalan. Instance segmentation dan penggunaan yolov8 merupakan salah satu implementasi dalam deteksi pejalan kaki. Perbandingan segmentasi pada dataset Penn-Fundan Database menggunakan yolov8 dengan model yolov8n-seg, yolov8s-seg, yolov8m-seg, yolov8l-seg, yolov8x-seg. Penelitian ini menggunakan dataset publik pedestrian atau pejalan kaki dengan objek multi person yang diambil dari dataset Penn-Fudan Database. Dataset mempunyai 2 kelas, yaitu orang dan jalan. Hasil perbandingan penggunaan model yolov8 model segmentasi yang terbaik adalah menggunakan model yolov8l-seg. Hasil penelitian didapatkan Instance segmentation valid box pada data orang, mAP50 tertinggi pada yolov8l-seg dengan nilai 0,828 dan mAP50-95 adalah 0,723. Instance segmentation valid mask pada orang nilai mAP50 tertinggi pada yolov8l-seg dengan nilai 0,825 dan mAP50-95 adalah 0,645. Pada penelitian ini, yolov8l-seg menjadi nilai terbaik dibandingkan versi yang lain, karena berdasarkan nilai mAP tertinggi pada valid mask sebesar 0,825.
Abstract
A pedestrian is very vulnerable to road accidents. Pedestrian detection is one way to identify or classify between people, roads or others. Instance segmentation is one of the processes to segment people and roads. Instance segmentation and the use of yolov8 is one of the implementations in pedestrian detection. Comparison of segmentation on Penn-Fundan Database dataset using yolov8 with yolov8n-seg, yolov8s-seg, yolov8m-seg, yolov8l-seg, yolov8x-seg models. This research uses a public pedestrian dataset with multi-person objects taken from the Penn-Fudan Database dataset. The dataset has 2 classes, namely people and roads. The results of the comparison using the yolov8 model, the best segmentation model is using the yolov8l-seg model. The results obtained Instance segmentation valid box on people data, the highest mAP50 on yolov8l-seg with a value of 0.828 and mAP50-95 is 0.723. Instance segmentation valid mask on people the highest mAP50 value on yolov8l-seg with a value of 0.825 and mAP50-95 is 0.645. In his study, yolov8l-seg is the best value compared to other versions, because based on the highest mAP value on the valid mask of 0.825.Seorang pejalan kaki sangat rawan terhadap kecelakaan di jalan. Deteksi pejalan kaki merupakan salah satu cara untuk mengidentifikasi atau megklasifikasikan antara orang, jalan atau yang lainnya. Instance segmentation adalah salah satu proses untuk melakukan segmentasi antara orang dan jalan. Instance segmentation dan penggunaan yolov8 merupakan salah satu implementasi dalam deteksi pejalan kaki. Perbandingan segmentasi pada dataset Penn-Fundan Database menggunakan yolov8 dengan model yolov8n-seg, yolov8s-seg, yolov8m-seg, yolov8l-seg, yolov8x-seg. Penelitian ini menggunakan dataset publik pedestrian atau pejalan kaki dengan objek multi person yang diambil dari dataset Penn-Fudan Database. Dataset mempunyai 2 kelas, yaitu orang dan jalan. Hasil perbandingan penggunaan model yolov8 model segmentasi yang terbaik adalah menggunakan model yolov8l-seg. Hasil penelitian didapatkan Instance segmentation valid box pada data orang, mAP50 tertinggi pada yolov8l-seg dengan nilai 0,828 dan mAP50-95 adalah 0,723. Instance segmentation valid mask pada orang nilai mAP50 tertinggi pada yolov8l-seg dengan nilai 0,825 dan mAP50-95 adalah 0,645. Pada penelitian ini, yolov8l-seg menjadi nilai terbaik dibandingkan versi yang lain, karena berdasarkan nilai mAP tertinggi pada valid mask sebesar 0,825.
Abstract
A pedestrian is very vulnerable to road accidents. Pedestrian detection is one way to identify or classify between people, roads or others. Instance segmentation is one of the processes to segment people and roads. Instance segmentation and the use of yolov8 is one of the implementations in pedestrian detection. Comparison of segmentation on Penn-Fundan Database dataset using yolov8 with yolov8n-seg, yolov8s-seg, yolov8m-seg, yolov8l-seg, yolov8x-seg models. This research uses a public pedestrian dataset with multi-person objects taken from the Penn-Fudan Database dataset. The dataset has 2 classes, namely people and roads. The results of the comparison using the yolov8 model, the best segmentation model is using the yolov8l-seg model. The results obtained Instance segmentation valid box on people data, the highest mAP50 on yolov8l-seg with a value of 0.828 and mAP50-95 is 0.723. Instance segmentation valid mask on people the highest mAP50 value on yolov8l-seg with a value of 0.825 and mAP50-95 is 0.645. In his study, yolov8l-seg is the best value compared to other versions, because based on the highest mAP value on the valid mask of 0.825.
Implementasi Algoritma BFCC dan kNN pada Embedded System untuk Deteksi Dini Bronchitis
Get PDFWorld Health Organization (WHO) menyatakan bahwa sebanyak 600 juta orang di dunia menderita bronchitis. Bronchitis merupakan salah satu penyakit pernafasan yang dapat disebabkan oleh virus Respiratory Syncitial Virus (RSV) dan Rhinovirus. Gejala umum bronchitis adalah seseorang akan mengalami kesulitan bernafas dengan disertai batuk. Namun, tidak sedikit orang mengabaikan gejala umum ini sehingga berindikasi mengalami bronchitis tingkat berat ataupun berpotensi kematian. Oleh karena itu, dalam paper ini mengusulkan sistem deteksi dini bronchitis berdasarkan suara batuk berbasis embedded system. Ini merupakan terobosan baru pada dunia medis dengan desain alat kesehatan yang portabel. Sistem yang diusulkan menerapkan algoritma Bark Frequency Cepstral Coefficients (BFCC) dan K- Nearest Neighbor (kNN). BFCC merupakan algoritma yang digunakan untuk mengekstraksi fitur suara batuk dan menghasilkan nilai koefisien cepstral. Selanjutnya, nilai koefisien cepstral tersebut dihitung jarak Euclidean-nya untuk dapat diklasifikasikan menggunakan kNN. Algoritma BFCC dan kNN diimplementasikan pada perangkat Mini Komputer Raspberry Pi 3 Model B+ dengan mikrofon sebagai perangkat masukan suara dan perangkat LCD touchscreen 3.5 inchi untuk sebagai antarmuka yang menampilkan keluaran hasil deteksi. Hasil pengujian menunjukkan rata-rata waktu komputasi sebesar 4,452 detik dan penggunaan CPU sebesar 26%, serta akurasi kNN sebesar 73% untuk perhitungan jarak Euclidean dengan nilai neighbour = 5. AbstractThe World Health Organization (WHO) states that as many as 600 million people in the world suffer from bronchitis. Bronchitis is a disease that can be caused by respiratory syncytial virus (RSV) and rhinovirus. Symptoms of common bronchitis a person will experience difficulty breathing accompanied by coughing. Unfortunately, many people underestimate this common symptom. Even though, it is indicating that they have severe bronchitis or possibly death. Therefore, this study proposes an early detection system for bronchitis based on cough e sounds based on an embedded system. This is a new breakthrough in the medical world with a portable medical device design. The proposed system applied the Bark Frequency Cepstral Coefficients (BFCC) and K-Nearest Neighbor (kNN) algorithms. BFCC is an algorithm that is used to extract cough sound features and produce cepstral coefficient values. Furthermore, the value of the cepstral coefficient will be calculated for the Euclidean distance to be classified using kNN. The implementation of the BFCC and kNN algorithms is carried out on a Raspberry Pi 3 Mini Computer Model B+ with a microphone as a voice input device and a 3.5-inch LCD touchscreen device to display the resulting output interface. The results obtained an average computation time of 4.452 seconds and CPU usage of 26%, and kNN accuracy of 73% from the calculation of the Euclidean distance with a neighbor value = 5
Segmentasi Citra X-Ray Dada Menggunakan Metode Modifikasi Deeplabv3+
Get PDFCOVID-19 is a disease that affects the human respiratory system. The latest developments in September 2022 the number of confirmed cases of COVID-19 worldwide reached 608,328,548 with 6,501,469 patients who died. While in Indonesia confirmed COVID-19 reached 6,408,806 with 157,892 patients who died. Reserve Transcription Polymerase Chain Reaction (RT-PCR) is the most widely used tool. However, the latest RT-PCR test report shows that the RT-PCR test is inadequate. As an alternative, radiographic images such as chest x-rays and CT scans can help detect this. Radiographic images, especially x-rays, need processing to be able to make a diagnosis. Computer Aided Diagnosis (CAD) is a computer assisted diagnosis system that can be used as supporting information in making a diagnosis. To make it easier to make a diagnosis, we need a deep learning model that can help with this. DeepLabV3+ is a method that can carry out the segmentation process. DeepLabV3+ which is an extension of DeepLabV3 with the aim of improving the segmentation results. DeepLabV3+ uses a modified Xception as the backbone. In this study, 1,500 chest x-ray image data were used which were then divided into 80% for training data and 20% for testing data. There are 4 test scenarios in this study, namely with a learning rate of 0.01 without CLAHE, a learning rate of 0,01 and using CLAHE, a learning rate of 0,0001 without CLAHE, and a learning rate of 0,0001 using CLAHE. Of the 4 scenarios the learning rate scenario is 0,01 and using CLAHE gets the highest evaluation results using the Dice Similarity Coefficient (DSC) of 96.91%. COVID-19 merupakan penyakit yang mengganggu sistem pernapasan manusia. Perkembangan terbaru September 2022 jumlah kasus COVID-19 di seluruh dunia terkonfirmasi mencapai 608.328.548 dengan pasien yang meninggal berjumlah 6.501.469. Sedangkan di Indonesia yang terkonfirmasi COVID-19 mencapai 6.408.806 dengan pasien yang meninggal sebanyak 157.892. Reserve Transcription Polymerase Chain Reaction (RT-PCR) merupakan alat yang paling banyak digunakan untuk mendeteksi COVID-19. Namun, laporan terakhir uji RT-PCR menunjukkan bahwa uji RT-PCR tersebut kurang memadai. Sebagai alternatifnya, citra radiografi seperti x-ray dan CT-Scan dada dapat membantu dalam mendeteksi penyakit ini. Citra radiografi khususnya x-ray perlu dilakukan pengolahan untuk dapat melakukan diagnosis. Computer Aided Diagnosis (CAD) adalah sistem diagnosis berbantuan komputer yang bisa digunakan sebagai informasi pendukung dalam melakukan diagnosis. Untuk mempermudah dalam melakukan diagnosis diperlukan suatu model deep learning yang dapat membantu hal tersebut. DeepLabV3+ merupakan salah satu metode yang dapat melakukan proses segmentasi. DeepLabV3+ merupakan perluasan pada DeepLabV3 dengan tujuan supaya bisa menyempurnakan hasil segmentasi. DeepLabV3+ menggunakan Xception yang dimodifikasi sebagai backbone. Dalam penelitian ini menggunakan 1.500 data citra x-ray dada yang kemudian data tersebut dibagi menjadi 80% untuk data pelatihan dan 20% untuk data pengujian. Terdapat 4 skenario uji coba dalam penelitian ini yaitu dengan learning rate 0,01 tanpa CLAHE, learning rate 0,01 dan menggunakan CLAHE, learning rate 0,0001 tanpa CLAHE, serta learning rate 0,0001 menggunakan CLAHE. Dari 4 skenario tersebut skenario learning rate 0,01 dan menggunakan CLAHE mendapatkan hasil evaluasi tertinggi dengan menggunakan Dice Similarity Coefficient (DSC) sebesar 96,91%. AbstractCOVID-19 is a disease that affects the human respiratory system. The latest developments in September 2022 the number of confirmed cases of COVID-19 worldwide reached 608,328,548 with 6,501,469 patients who died. While in Indonesia confirmed COVID-19 reached 6,408,806 with 157,892 patients who died. Reserve Transcription Polymerase Chain Reaction (RT-PCR) is the most widely used tool. However, the latest RT-PCR test report shows that the RT-PCR test is inadequate. As an alternative, radiographic images such as chest x-rays and CT scans can help detect this. Radiographic images, especially x-rays, need processing to be able to make a diagnosis. Computer Aided Diagnosis (CAD) is a computer assisted diagnosis system that can be used as supporting information in making a diagnosis. To make it easier to make a diagnosis, we need a deep learning model that can help with this. DeepLabV3+ is a method that can carry out the segmentation process. DeepLabV3+ which is an extension of DeepLabV3 with the aim of improving the segmentation results. DeepLabV3+ uses a modified Xception as the backbone. In this study, 1,500 chest x-ray image data were used which were then divided into 80% for training data and 20% for testing data. There are 4 test scenarios in this study, namely with a learning rate of 0,01 without CLAHE, a learning rate of 0,01 and using CLAHE, a learning rate of 0,0001 without CLAHE, and a learning rate of 0,0001 using CLAHE. Of the 4 scenarios the learning rate scenario is 0,01 and using CLAHE gets the highest evaluation results using the Dice Similarity Coefficient (DSC) of 96,91%.
Hubungan Electronic Customer Relationship Management (E-Crm) Terhadap Loyalitas Pasien Di Rumah Sakit: Tinjauan Pustaka
Get PDFEra digital 5.0 membawa dampak besar bagi sektor layanan kesehatan. Meningkatnya kompetisi antar rumah sakit menjadi salah satu alasan perlunya inovasi strategi pemasaran untuk menjaga loyalitas pasien rumah sakit sebagai konsumen. Salah satu strategi yang dapat mempengaruhi loyalitas pasien rumah sakit adalah penggunaan Electronic Customer Relationship Management (e-CRM). E-CRM adalah Customer Relationship Management (CRM) yang dibuat secara elektronik menggunakan web browser, internet dan media elektronik lain seperti call center, email, dan personalisasi yang menjadi salah satu cara untuk melakukan pendekatan dengan pasien dengan salah satu tujuannya yaitu meningkatnya loyalitas pasien. Penelitian ini bertujuan untuk mengkaji hubungan e-CRM terhadap loyalitas pasien di rumah sakit. Penelitian ini merupakan penelitian kualitatif yaitu berupa studi literatur menggunakan sumber data artikel penelitian, prosiding, systematic review yang terbit tahun 2017-2022 dari mesin pencari Google Scholar dan Pubmed. Metodologi dalam penelitian ini diadaptasi dari kerangka tinjauan pustaka oleh vom Brocke yang diawali dengan mendefinisikan ruang lingkup tinjauan dan diikuti dengan konseptualisasi topik kemudian diikuti dengan pencarian literatur, analisis literatur, dan agenda penelitian yang berisi pertanyaan-pertanyaan yang lebih mendalam untuk penelitian masa depan. Dari 1.691 jurnal nasional dan jurnal internasional yang diidentifikasi, terdapat 53 jurnal yang relevan dengan aplikasi e-CRM, kemudian didapatkan delapan jurnal yang masuk dalam penelitian ini. Berdasarkan studi literatur yang dilakukan didapatkan hasil bahwa E-CRM sebagai strategi untuk menjaga hubungan rumah sakit dan pasien dipengaruhi oleh beberapa faktor seperti faktor organisasi, sarana, serta lingkungan. Aplikasi strategi e-CRM juga mempengaruhi kelangsungan aktivitas rumah sakit melalui peningkatan loyalitas dan retensi pasien. Selain itu faktor keberhasilan penerapan E-CRM sebagai alat untuk menjaga dan meningkatkan loyalitas pasien adalah faktor manusia, diharapkan petugas medis memiliki sikap melayani yang baik, sopan, adil dan humanis. AbstractThe digital era 5.0 has had a major impact on the healthcare sector. Increased competition between hospitals is one of the reasons for the need for marketing strategy innovation to maintain the loyalty of hospital patients as consumers. One strategy that can affect the loyalty of hospital patients is the use of Electronic Customer Relationship Management (e-CRM). E-CRM is a Customer Relationship Management (CRM) that is made electronically using a web browser, internet and other electronic media such as call centers, email, and personalization which is one way to approach patients with one of the goals, namely increasing patient loyalty. This study aims to examine the relationship of e-CRM to patient loyalty in hospitals. This research is a qualitative research in the form of a literature study using data sources of research articles, proceedings, systematic reviews published in 2017-2022 from search engines Google Scholar and Pubmed. The methodology in this study was adapted from the framework of the literature review by vom Brocke which begins with defining the scope of the review and is followed by topic conceptualization then followed by a literature search, literature analysis, and a research agenda containing more in-depth questions for future research. Of the 1,691 national and international journals identified, there were 53 journals that were relevant to e-CRM applications, and eight journals were included in this study. Based on the literature study conducted, it was found that E-CRM as a strategy to maintain hospital-patient relationships was influenced by several factors such as organizational factors, facilities, and the environment. The application of e-CRM strategy also affects the continuity of hospital activities by increasing patient loyalty and retention. In addition, the success factor in implementing E-CRM as a tool to maintain and improve patients is the human factor, it is expected that medical officers have a good, polite, fair and humanistic service attitude
Information System Success Model untuk Evaluasi Sistem Informasi Penataan Ruang Kota berbasis Geographic Information System (GIS)
Get PDFSistem Penataan Ruang (Sipetarung) Kota Malang adalah SI berbasis GIS pada sektor publik yang merupakan salah satu bentuk investasi pemerintah Kota Malang. Investasi SI pada bidang TI bagi organisasi berguna sebagai sarana informasi dan komunikasi yang lebih efisien serta mempunyai peranan yang penting untuk organisasi dalam mencapai kesuksesan penerapan SI. Sayangnya dalam penerapan TI masih sering ditemukan adanya IT Productivity Paradox. Untuk mengetahui hal tersebut diperlukan sebuah evaluasi kesuksesan SI.Untuk melakukan evaluasi kesuksesan SI terdapat model kesuksesan yang dapat digunakan salah satunya adalah model kesuksesan DeLone & McLean (D&M). Namun, menarik untuk diketahui apakah model D&M sudah cukup komprehensif untuk mengevaluasi GIS pada sektor publik seperti Sipetarung. Dimana terdapat kelangkaan umum pada model dan kerangka kerja untuk mengukur kesuksesan GIS seperti informasi spasial dan fitur geovisualisasi berbentuk peta. Teknologi GIS seperti Sipetarung menjadi suatu hal yang unik terlebih pada sektor publik yang memerlukan keterlibatan pengguna sebagai salah satu pendukung kesuksesannya. Keterlibatan pengguna dalam hal ini adalah kemampuan pengguna dalam mengoperasikan Sipetarung yang membutuhkan lebih dari keterampilan komputer dasar dalam penggunaanya terlebih untuk orang awam. Sehingga, masih terdapat faktor-faktor relevan yang terabaikan, yang dapat berkontribusi terhadap kesuksesan GIS pada sektor publik seperti Sipetarung dan belum tercakup dalam model D&M. Dengan demikian pada penelitian ini dilakukan pengembangan model evaluasi kesuksesan GIS pada sektor publik seperti Sipetarung dengan mengadopsi model D&M dan mempertimbangkan faktor-faktor yang dapat berpengaruh terhadap kesuksesan.Model evaluasi kesuksesan yang dikembangkan terdiri dari 7 variabel, 28 indikator dan 35 prediktor. Dari tujuh variabel ini dikembangkan menjadi 153 pertanyaan sebagai instrumen penelitian yang disebarkan kepada 100 responden. Hasil urutan saran atau rekomendasi perbaikan dan pengembangan Sipetarung di masa mendatang dari hasil rata-rata variabel penelitian berdasarkan quality yaitu bisa dimulai dari service quality, system quality kemudian information quality nya. Terdapat 17 hipotesis yang dirumuskan untuk melihat hubungan antar dimensi yang menjadi variabel kesuksesan yang dikembangkan. Dari 17 hipotesis yang diajukan, 11 hipotesis diterima dan 6 hipotesis diantaranya ditolak. Secara umum model kesuksesan yang dikembangkan dapat menjelaskan dengan cukup baik mengenai hubungan sebab akibat terhadap variabel-variabel yang saling berasosiasi, sehingga model kesuksesan yang dikembangkan ini dapat dinyatakan valid untuk mengevaluasi kesuksesan Sipetarung.AbstractUrban Planning System (Sipetarung) of Malang City is a GIS-based IS (Information System) in the public sector, which is a form of investment program conducted by the government of Malang City. For IT organizations, IS is a means of information and communication which is more efficient and plays an important role to implement IS successfully. Unfortunately, the IT Productivity Paradox is commonly found in the implementation of IT. Therefore, it is required to analyze and evaluate the successful implementation of IS.There are several models that can be used to evaluate the implementation of IS, including DeLone & McLean (D&M) model. However, it is interesting to find out whether the D&M model is comprehensive enough to evaluate GIS in the public sector like Sipetarung, in which models and frameworks for measuring the success of GIS, such as spatial information and geovisualization features in the form of map, are rare to be found. Sipetarung is an example of unique GIS technology, especially in the public sector, in which user involvement is a variable for its success. In this case, user involvement includes the user capability to operate Sipetarung, which is more difficult to use, especially for commoners. There are relevant factors that can contribute to the success of GIS in the public sector such as Sipetarung and have not been included in the D&M model. Therefore, this study developed the success evaluation model of GIS in the public sector such as Sipetarung by adopting the D&M model and considering factors which could potentially lead to success.The success evaluation model consists of 7 variables, 28 indicators and 35 predictors. Those variables were used as research instruments, developed into 153 questions and distributed to 100 respondents. Based on the average results of research variables based on quality, Sipetarung can be improved starting from service quality, system quality, and information quality. There are 17 hypotheses formulated to examine the relationship among dimensions which are the success variables. Out of the 17 hypotheses proposed, 11 hypotheses were accepted, while 6 hypotheses were rejected. In general, the success model can explain the causal relationship between the associated variables quite well; therefore, the success model developed in this study is a valid measure for evaluating the success of Sipetarung
Analisis Faktor dan Metode untuk Menentukan Tipe Kulit Wajah: Tinjauan Literatur
Get PDFKulit merupakan bagian pelindung terluar yang melapisi sebagian besar dari tubuh manusia. Kulit wajah menjadi bagian kulit paling sensitif sehingga lebih mudah bermasalah dibanding yang lainnya. Perawatan kulit wajah yang tidak tepat dapat menyebabkan timbulnya permasalahan kulit wajah yang baru atau bahkan memperburuk permasalahan sebelumnya. Mendeteksi tipe kulit menjadi langkah awal dalam pengobatan maupun perawatan. Selama ini, penentuan tipe kulit wajah harus dengan keterampilan dokter atau tenaga kesehatan dengan dibantu alat yang mahal dan sulit dimiliki, tetapi dengan adanya perkembangan teknologi saat ini memudahkan seseorang untuk menentukan tipe kulit wajah dengan lebih praktis dan mudah tanpa harus ke dokter. Dari beberapa penelitian yang telah dilakukan sebelumnya, tipe kulit wajah maupun penyakit yang timbul pada area wajah dapat dideteksi melalui pembelajaran citra dengan berbagai macam metode. Data citra yang digunakan sebagai pembelajaran berupa citra digital maupun citra mikroskopis yang kemudian diolah dengan berbagai metode ekstraksi ciri hingga diteruskan dengan klasifikasi tipe kulit. Proses tinjauan literatur menggunakan metode scoping review yang mengidentifikasi setiap literatur secara mendalam. Literatur yang digunakan disesuaikan dengan kriteria yang telah ditentukan seperti topik pembahasan, ketersediaan literatur full text, dan abstrak. Tinjauan literatur ini menunjukkan bahwa akurasi pengolahan citra tidak hanya ditentukan berdasarkan metode, melainkan terdapat faktor lain seperti jumlah dan kualitas dataset yang digunakan serta ekstraksi ciri yang dilakukan. Hasil dari tinjauan literatur ini memberikan gambaran mengenai studi yang relevan dengan topik, perbedaan setiap literatur yang dibahas serta bermanfaat bagi peneliti yang akan mengembangkan teknologi pengolahan citra untuk menentukan tipe kulit wajah. AbstractSkin is the outer protective part that covers most of the human body. Facial skin is the most sensitive part of the skin hence it is more prone to problems than other parts. Improper facial skin care can cause new facial skin problems or even aggravate the previous problems. Detecting on the skin type is the first step in treatment or care. So far, determining the type of facial skin must be with the skills of a doctor or health worker with the help of tools that are expensive and difficult to have, but with current technological developments it makes it easier for someone to determine the type of facial skin more practically and easily without having to see a doctor. From the several previous studies, facial skin types and diseases that emerge in the facial area can be detected through image learning using various methods. Image data used as learning is in the form of digital images and microscopic images which are then processed using various feature extraction methods and then continued with skin type classification. The literature review process uses the scoping review method which identifies each literature in depth. The literature used is adjusted to predetermined the criteria such as the topic of discussion, the availability of full text literature, and the abstraction. This literature review shows that the accuracy of image processing is not only determined based on the method, but there are also other factors such as the number and quality of the datasets used and the feature extraction performed. The results of this literature review provide an overview of studies that are relevant to the topic, the differences in each literature discussed and are useful for researchers who will develop image processing technology to determine the type of facial skin
Penerapan Deep Convolutional Generative Adversarial Network Untuk Menciptakan Data Sintesis Perilaku Pengemudi Dalam Berkendara
Get PDFKecelakaan kendaraan adalah salah satu penyebab kematian tertinggi di Indonesia. Salah satu solusi untuk mencegah kecelakaan adalah dengan menggunakan sensor eksternal untuk mendeteksi kondisi jalan. Namun, penyebab utama kecelakaan adalah kelalaian pengemudi ketika mengemudi yang tidak dapat terdeteksi oleh sensor eksternal. Sensor visual dapat mendeteksi perilaku pengemudi di dalam kendaraan. Penggunaan sensor visual memiliki performa yang lebih baik ketika menggunakan metode deep learning. Salah satu metode untuk meningkatkan performa metode deep learning adalah dengan menggunakan data sintesis hasil model generatif sebagai tambahan data. Deep Convolutional Generative Adversarial Network (DCGAN) adalah salah satu model generatif yang menggunakan lapisan konvolusi. DCGAN terdiri dari dua neural network bernama generator dan discriminator yang membentuk hubungan zero-sum game. Generator menerima masukan berupa gambar asli dengan tambahan noise sebagai input proses latih secara unsupervised, menghasilkan gambar sintesis, sedangkan discriminator menerima gambar asli dan gambar sintesis sebagai input dan menghitung keaslian gambar yang selanjutnya digunakan sebagai nilai loss dengan fungsi loss Binary Cross Entropy. Arsitektur DCGAN terdiri dari beberapa transposed convolutional layer dengan batch normalization dan fungsi aktivasi ReLU dan fungsi aktivasi Tanh sebagai output layer pada generator dan beberapa convolutional layer dengan batch normalization dan fungsi aktivasi Leaky ReLU dan fungsi aktivasi Sigmoid sebagai output layer pada discriminator. Dataset yang digunakan pada penelitian ini adalah dataset ISDDS perilaku umum pengemudi yang dikumpulan pada skenario simulasi dengan jumlah dua ribu gambar. Hasil pengujian menemukan bahwa nilai hyperparameter dapat menghasilkan gambar sintesis perilaku pengemudi di dalam kendaraan yang baik dengan nilai FID sebesar 274,16 pada learning rate discriminator pada 0,0001, β1 discriminator pada 0,8005, learning rate generator pada 0,0017, β1 generator pada 0,1138 selama 43 epoch dengan menggunakan optimizer Adam pada generator dan discriminator.
Abstract
Vehicle crash is one of the leading causes of death in Indonesia. One of the solutions to prevent vehicle crash is by using external sensor to detect road condition. Yet, most crash happened because of driver distraction, which is hard to detect using external sensor. Visual sensor can be used to detect driver activity inside vehicle. Visual sensor that uses deep learning method performs well. One way to increase deep learning method performance is by using additional synthesis data made by generative model. Deep Convolutional Generative Adversarial Network (DCGAN) is a generative model that uses convolution layer. DCGAN consists of two neural networks titled generator and discriminator which create zero-sum game relationship. Generator will receive real image with added noise as input of unsupervised training process, creating synthetic image, while discriminator will receive real image and synthetic image as input and calculate the realness of those image which will be used as loss value with Binary Cross Entropy loss function. The Architecture of DCGAN is composed of multiple transposed convolutional layers with batch normalization and activation function ReLU and activation function Tanh as output layer in generator and multiple convolutional layers with batch normalization and activation function Leaky ReLU and activation function Sigmoid as output layer in discriminator. Dataset used in this research is primary dataset of common driver activity collected in simulation scenario with the size of two thousand images. Experiment result shows that DCGAN is able to create good image synthesis of driver activity inside vehicle with FID of 274,16 using hyperparameter consisting of learning rate discriminator at 0,0001, β1 discriminator at 0,8005, learning rate generator at 0,0017, β1 generator at 0,1138 for 43 epochs by using Adam optimizer on generator dan discriminator