Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Perbandingan Kinerja Arsitektur Convolutional Neural Network Pada Deteksi Malaria Menggunakan Citra Sel Darah
Get PDFMalaria masih menjadi salah satu penyebab kematian tertinggi di dunia, terutama di daerah yang berstatus endemi. Standar emas penegakan diagnosis malaria adalah berbasis citra apusan atau sel darah yang diperoleh dengan menggunakan mikroskop. Kendala utama dalam penegakan diagnosis ini adalah kurangnya tenaga ahli untuk melakukan asesmen citra sel darah. Oleh karena itu, dilakukan diagnosis malaria berbasis citra sel darah menggunakan Artificial Intelligent (AI) / kecerdasan buatan. Deteksi malaria berbasis AI yang dilakukan pada studi-studi sebelumnya telah menghasilkan kinerja yang sudah baik. Namun, kinerja deteksi ini masih dapat ditingkatkan. Studi ini menggunakan 27.558 citra sel darah yang terdiri dari 13.779 sel darah terinfeksi dan 13.779 tidak terinfeksi. Citra-citra sel darah ini dibagi menjadi tiga kelompok, yaitu pelatihan (80%); validasi (10%); dan pengujian (10%). Pada studi ini, digunakan ResNet50; ResNet101; ResNet152; ResNet50V2; ResNet101V2; ResNet152V2; DenseNet121; DenseNet169; DenseNet201; InceptionV3; InceptionResNetV2; VGG16; VGG19; dan MobileNetV2. Tujuan utama dari studi ini adalah mencari arsitektur CNN yang memiliki kinerja terbaik dalam deteksi malaria berbasis citra sel darah. Perbandingan kinerja diases dengan menggunakan nilai akurasi, sensitivitas, spesifisitas, skor F1, dan Area Under the Curve (AUC). Arsitektur MobileNetV2 memberikan kinerja paling baik dengan nilai rata-rata pelatihan, validasi, dan pengujian tertinggi. Nilai rata-rata akurasi mencapai 97,68%; spesifisitas 98,61%; sensitivitas 96,75%; Skor F1 97,70%; dan AUC sebesar 99,65%. Selain itu, waktu pembuatan model arsitektur MobileNetV2 hanya sekitar 2,5 jam. Selain itu, jumlah lapisan convolutional tidak memengaruhi kinerja deteksi malaria. Dengan lapisan convolutional berjumlah 53, MobileNetV2 berkinerja lebih baik dibandingkan dengan arsitektur-arsitektur lain dengan jumlah lapisan convolutional lebih banyak.
Abstract
Malaria is still one of the highest causes of death in the world, especially in the endemic areas. The gold standard for diagnosing malaria is based on smears blood smears or cells image which is obtained using a microscope. The main challenge in detecting malaria is the lack of experts to assess the blood smears. Therefore, the detection is carried out using Artificial Intelligence (AI). Previous studies that used AI to detect malaria have a good performance. However, the detection performance can still be improved. Furthermore, previous studies only used one or two or three performance metrics. This study used 27,558 blood cell images consisting of 13,779 infected and 13,779 uninfected blood cells. These blood cell images are divided into three groups, i.e. training (80%); validation (10%); and testing (10%). In this study, several CNN architectures are used, such as ResNet50; ResNet101; ResNet152; ResNet50V2; ResNet101V2; ResNet152V; DenseNet121; DenseNet169; DenseNet201; InceptionV3; InceptionResNetV2; VGG16: VGG19: and MobileNetV2. The main objective of this study is to find the CNN architecture that has the best performance in blood cell image-based malaria detection. Comparison of performance of CNN architectures are assessed using accuracy, sensitivity, specificity, F1 score, and Area Under the Curve (AUC) values. The MobileNetV2 architecture provides the best performance with the highest average values of training, validation, and testing. The average accuracy value of 97.68%; specificity of 98.61%; sensitivity of 96,75%; F1 Score of 97.70%; and AUC of 0.9965. In addition, the time to build the MobileNetV2 model is about 2.5 hours, the fastest one. This study shows that the number of convolutional layers does not affect malaria detection performance. With 53 convolutional layers, MobileNetV2 has the best performance.
Malaria masih menjadi salah satu penyebab kematian tertinggi di dunia, terutama di daerah yang berstatus endemi. Standar emas penegakan diagnosis malaria adalah berbasis citra apusan atau sel darah yang diperoleh dengan menggunakan mikroskop. Kendala utama dalam penegakan diagnosis ini adalah kurangnya tenaga ahli untuk melakukan asesmen citra sel darah. Oleh karena itu, dilakukan diagnosis malaria berbasis citra sel darah menggunakan Artificial Intelligent (AI) / kecerdasan buatan. Deteksi malaria berbasis AI yang dilakukan pada studi-studi sebelumnya telah menghasilkan kinerja yang sudah baik. Namun, kinerja deteksi ini masih dapat ditingkatkan. Studi ini menggunakan 27.558 citra sel darah yang terdiri dari 13.779 sel darah terinfeksi dan 13.779 tidak terinfeksi. Citra-citra sel darah ini dibagi menjadi tiga kelompok, yaitu pelatihan (80%); validasi (10%); dan pengujian (10%). Pada studi ini, digunakan ResNet50; ResNet101; ResNet152; ResNet50V2; ResNet101V2; ResNet152V2; DenseNet121; DenseNet169; DenseNet201; InceptionV3; InceptionResNetV2; VGG16; VGG19; dan MobileNetV2. Tujuan utama dari studi ini adalah mencari arsitektur CNN yang memiliki kinerja terbaik dalam deteksi malaria berbasis citra sel darah. Perbandingan kinerja diases dengan menggunakan nilai akurasi, sensitivitas, spesifisitas, skor F1, dan Area Under the Curve (AUC). Arsitektur MobileNetV2 memberikan kinerja paling baik dengan nilai rata-rata pelatihan, validasi, dan pengujian tertinggi. Nilai rata-rata akurasi mencapai 97,68%; spesifisitas 98,61%; sensitivitas 96,75%; Skor F1 97,70%; dan AUC sebesar 99,65%. Selain itu, waktu pembuatan model arsitektur MobileNetV2 hanya sekitar 2,5 jam. Selain itu, jumlah lapisan convolutional tidak memengaruhi kinerja deteksi malaria. Dengan lapisan convolutional berjumlah 53, MobileNetV2 berkinerja lebih baik dibandingkan dengan arsitektur-arsitektur lain dengan jumlah lapisan convolutional lebih banyak.
Abstract
Malaria is still one of the highest causes of death in the world, especially in the endemic areas. The gold standard for diagnosing malaria is based on smears blood smears or cells image which is obtained using a microscope. The main challenge in detecting malaria is the lack of experts to assess the blood smears. Therefore, the detection is carried out using Artificial Intelligence (AI). Previous studies that used AI to detect malaria have a good performance. However, the detection performance can still be improved. Furthermore, previous studies only used one or two or three performance metrics. This study used 27,558 blood cell images consisting of 13,779 infected and 13,779 uninfected blood cells. These blood cell images are divided into three groups, i.e. training (80%); validation (10%); and testing (10%). In this study, several CNN architectures are used, such as ResNet50; ResNet101; ResNet152; ResNet50V2; ResNet101V2; ResNet152V; DenseNet121; DenseNet169; DenseNet201; InceptionV3; InceptionResNetV2; VGG16: VGG19: and MobileNetV2. The main objective of this study is to find the CNN architecture that has the best performance in blood cell image-based malaria detection. Comparison of performance of CNN architectures are assessed using accuracy, sensitivity, specificity, F1 score, and Area Under the Curve (AUC) values. The MobileNetV2 architecture provides the best performance with the highest average values of training, validation, and testing. The average accuracy value of 97.68%; specificity of 98.61%; sensitivity of 96,75%; F1 Score of 97.70%; and AUC of 0.9965. In addition, the time to build the MobileNetV2 model is about 2.5 hours, the fastest one. This study shows that the number of convolutional layers does not affect malaria detection performance. With 53 convolutional layers, MobileNetV2 has the best performance.
Analisis Penggunaan Media Pembelajaran Inovatif pada Pembelajaran Awal Pengenalan Angka Terhadap Anak Penderita Autisme
Get PDFAutisme merupakan kelainan pada system saraf yang dialami sejak lahir ataupun pada masa balita dengan ditandainya gejala seperti menutup diri, pendiam, tidak mau bergaul, tidak mau berkomunikasi atau berinteraksi dengan orang disekitarnya. Kondisi ini mengganggu perkembangan anak terutama pada kemampuan komunikasi, interaksi sosial dan sifat emosional dengan orang lain. Anak autisme pada umumnya mempunyai ciri-ciri sulit berkonsentrasi, cepat bosan jika dihadapakan pada hal-hal yang tidak sesuai dengan minatnya. Diasumsikan peran guru pembimbing mampu mengajarkan materi secara kreatif, baik dan menyenangkan. Pembelajaran awal anak autisme yang dilakukan kebanyakan masih menggunakan buku sebagai alat bantu pembelajaran dan tidak ada dalam bentuk digital. Dari hasil pengamatan salah satu sekolah autisme di Malang masih menggunakan pembelajaran tradisional menggunakan papan komunikasi kegiatan angka sebagai pembelajaran awal pengenalan angka. Penelitian ini menggunakan metode penelitian tindakan kelas (PTK) dengan pendekatan kualitatif. Media pembelajaran multimedia dan augmented reality digunakan untuk meningkatkan fokus dan keterlibatan siswa autisme. Data diperoleh dari hasil observasi, serta deskriptif kualitatif, yang didukung oleh skala likert untuk mengukur motivasi belajar. Hasil yang didapatkan dari pengujian media pembelajaran multimedia dan Augmented Reality terbukti meningkatkan keterlibatan dan fokus siswa. Adanya karakter avatar pada AR juga menarik fokus pada anak autisme. Siswa lebih antusias saat menggunakan aplikasi multimedia dan AR yang memberikan pengalaman belajar interaktif. Dampak penelitian ini memberikan kontribusi penting terhadap pengembangan metode Pendidikan berbasis teknologi, serta menyediakan wawasan bagi pengembang aplikasi atau institusi pendidikan tentang potensi teknologi dalam mendukung pendidikan khusus. Penelitian ini juga berkontribusi pada pengembangan kebijakan yang lebih efektif dan inklusif bagi penderita autisme, sehingga dapat menciptakan lingkungan yang lebih mendukung siswa autisme untuk tumbuh dan berkembang.
Abstract
Autism is a disorder of the nervous system experienced since birth or in infancy with symptoms marked by being withdrawn, quiet, not wanting to socialize, not wanting to communicate or interact with people around them. This condition interferes with the child\u27s development, especially in communication skills, social interactions and emotional traits with others. Autistic children generally have the characteristics of difficulty concentrating, getting bored quickly when faced with things that are not in accordance with their interests. It is assumed that the role of the supervising teacher is able to teach material creatively, well and enjoyably. Early learning for autistic children that is carried out mostly still uses books as learning aids and is not in digital form. From the results of observations, one of the autism schools in Malang still uses traditional learning using a number activity communication board as initial learning for recognizing numbers. This study uses a classroom action research (CAR) method with a qualitative approach. Multimedia and augmented reality learning media are used to increase the focus and involvement of autistic students. Data were obtained from the results of observations, as well as qualitative descriptive, supported by a Likert scale to measure learning motivation. The results obtained from testing multimedia and Augmented Reality learning media have been shown to increase student involvement and focus. The presence of avatar characters in AR also attracts focus on autistic children. Students are more enthusiastic when using multimedia and AR applications that provide interactive learning experiences. The impact of this research provides an important contribution to the development of technology-based education methods, as well as providing insight for application developers or educational institutions about the potential of technology in supporting special education. This research also contributes to more effective and inclusive development policies for people with autism, so that it can create an environment that is more supportive of autistic students to grow and develop.Autisme merupakan kelainan pada system saraf yang dialami sejak lahir ataupun pada masa balita dengan ditandainya gejala seperti menutup diri, pendiam, tidak mau bergaul, tidak mau berkomunikasi atau berinteraksi dengan orang disekitarnya. Kondisi ini mengganggu perkembangan anak terutama pada kemampuan komunikasi, interaksi sosial dan sifat emosional dengan orang lain. Anak autisme pada umumnya mempunyai ciri-ciri sulit berkonsentrasi, cepat bosan jika dihadapakan pada hal-hal yang tidak sesuai dengan minatnya. Diasumsikan peran guru pembimbing mampu mengajarkan materi secara kreatif, baik dan menyenangkan. Pembelajaran awal anak autisme yang dilakukan kebanyakan masih menggunakan buku sebagai alat bantu pembelajaran dan tidak ada dalam bentuk digital. Dari hasil pengamatan salah satu sekolah autisme di Malang masih menggunakan pembelajaran tradisional menggunakan papan komunikasi kegiatan angka sebagai pembelajaran awal pengenalan angka. Penelitian ini menggunakan metode penelitian tindakan kelas (PTK) dengan pendekatan kualitatif. Media pembelajaran multimedia dan augmented reality digunakan untuk meningkatkan fokus dan keterlibatan siswa autisme. Data diperoleh dari hasil observasi, serta deskriptif kualitatif, yang didukung oleh skala likert untuk mengukur motivasi belajar. Hasil yang didapatkan dari pengujian media pembelajaran multimedia dan Augmented Reality terbukti meningkatkan keterlibatan dan fokus siswa. Adanya karakter avatar pada AR juga menarik fokus pada anak autisme. Siswa lebih antusias saat menggunakan aplikasi multimedia dan AR yang memberikan pengalaman belajar interaktif. Dampak penelitian ini memberikan kontribusi penting terhadap pengembangan metode Pendidikan berbasis teknologi, serta menyediakan wawasan bagi pengembang aplikasi atau institusi pendidikan tentang potensi teknologi dalam mendukung pendidikan khusus. Penelitian ini juga berkontribusi pada pengembangan kebijakan yang lebih efektif dan inklusif bagi penderita autisme, sehingga dapat menciptakan lingkungan yang lebih mendukung siswa autisme untuk tumbuh dan berkembang.
Abstract
Autism is a disorder of the nervous system experienced since birth or in infancy with symptoms marked by being withdrawn, quiet, not wanting to socialize, not wanting to communicate or interact with people around them. This condition interferes with the child\u27s development, especially in communication skills, social interactions and emotional traits with others. Autistic children generally have the characteristics of difficulty concentrating, getting bored quickly when faced with things that are not in accordance with their interests. It is assumed that the role of the supervising teacher is able to teach material creatively, well and enjoyably. Early learning for autistic children that is carried out mostly still uses books as learning aids and is not in digital form. From the results of observations, one of the autism schools in Malang still uses traditional learning using a number activity communication board as initial learning for recognizing numbers. This study uses a classroom action research (CAR) method with a qualitative approach. Multimedia and augmented reality learning media are used to increase the focus and involvement of autistic students. Data were obtained from the results of observations, as well as qualitative descriptive, supported by a Likert scale to measure learning motivation. The results obtained from testing multimedia and Augmented Reality learning media have been shown to increase student involvement and focus. The presence of avatar characters in AR also attracts focus on autistic children. Students are more enthusiastic when using multimedia and AR applications that provide interactive learning experiences. The impact of this research provides an important contribution to the development of technology-based education methods, as well as providing insight for application developers or educational institutions about the potential of technology in supporting special education. This research also contributes to more effective and inclusive development policies for people with autism, so that it can create an environment that is more supportive of autistic students to grow and develop
Penerapan Teachable Machine Dan Raspberry Pi Pada Sistem Klasifikasi Citra Untuk Inspeksi Cacat Kain
Get PDFIndustri tekstil memainkan peran krusial dalam ekonomi nasional, menghadapi tantangan signifikan dalam menjaga kualitas produk untuk memenuhi kepuasan konsumen. Cacat produksi, seperti cacat jarang dan cacat slap pada kain, merupakan salah satu faktor utama yang mempengaruhi kualitas produk tekstil. Penelitian ini bertujuan untuk mengembangkan sistem inspeksi cacat kain secara otomatis dengan menggunakan metode pemrosesan citra digital dan machine learning. Sistem ini dirancang untuk diintegrasikan pada mesin penggulungan kain sebagai sistem inspeksi awal sebelum kain didistribusikan. Metode yang digunakan meliputi supervised learning untuk klasifikasi citra kain, memanfaatkan perangkat lunak Google Teachable Machine dan algoritma Convolutional Neural Network (CNN) yang diimplementasikan dengan OpenCV. Perangkat keras yang digunakan terdiri dari kamera web Logitech D320 untuk akuisisi gambar dan Raspberry Pi-3B sebagai pengolah citra. Sistem ini diuji untuk mendeteksi tiga kategori kain: kain bagus, cacat jarang, dan cacat slap. Hasil pengujian menunjukkan bahwa sistem memiliki rata-rata waktu inferensi sebesar 142,47 ms dengan kecepatan rata-rata 6,46 frame per detik (FPS) dan akurasi klasifikasi mencapai 98,48%. Dengan implementasi sistem ini, diharapkan dapat meningkatkan efisiensi produksi, memperkuat kontrol kualitas di industri tekstil, mengurangi intervensi manual, dan menurunkan potensi kerugian akibat produk cacat.
Abstract
The textile industry plays a crucial role in the national economy, facing significant challenges in maintaining product quality to meet consumer satisfaction. Production defects, such as rare defects and slap defects in fabrics, are key factors that affect the quality of textile products. This research aims to develop an automated fabric defect inspection system using digital image processing and machine learning methods. The system is designed to be integrated into fabric winding machines as an initial inspection system before the fabric is distributed. The methods used include supervised learning for fabric image classification, utilizing Google Teachable Machine software and the Convolutional Neural Network (CNN) algorithm implemented with OpenCV. The hardware used consists of a Logitech D320 webcam for image acquisition and a Raspberry Pi-3B as the image processor. The system was tested to detect three categories of fabric: good fabric, rare defects, and slap defects. The test results showed that the system achieved an average inference time of 142.47 ms with an average speed of 6.46 frames per second (FPS) and a classification accuracy of 98.48%. With the implementation of this system, it is expected to enhance production efficiency, strengthen quality control in the textile industry, reduce manual intervention, and decrease potential losses due to defective products.Industri tekstil memainkan peran krusial dalam ekonomi nasional, menghadapi tantangan signifikan dalam menjaga kualitas produk untuk memenuhi kepuasan konsumen. Cacat produksi, seperti cacat jarang dan cacat slap pada kain, merupakan salah satu faktor utama yang mempengaruhi kualitas produk tekstil. Penelitian ini bertujuan untuk mengembangkan sistem inspeksi cacat kain secara otomatis dengan menggunakan metode pemrosesan citra digital dan machine learning. Sistem ini dirancang untuk diintegrasikan pada mesin penggulungan kain sebagai sistem inspeksi awal sebelum kain didistribusikan. Metode yang digunakan meliputi supervised learning untuk klasifikasi citra kain, memanfaatkan perangkat lunak Google Teachable Machine dan algoritma Convolutional Neural Network (CNN) yang diimplementasikan dengan OpenCV. Perangkat keras yang digunakan terdiri dari kamera web Logitech D320 untuk akuisisi gambar dan Raspberry Pi-3B sebagai pengolah citra. Sistem ini diuji untuk mendeteksi tiga kategori kain: kain bagus, cacat jarang, dan cacat slap. Hasil pengujian menunjukkan bahwa sistem memiliki rata-rata waktu inferensi sebesar 142,47 ms dengan kecepatan rata-rata 6,46 frame per detik (FPS) dan akurasi klasifikasi mencapai 98,48%. Dengan implementasi sistem ini, diharapkan dapat meningkatkan efisiensi produksi, memperkuat kontrol kualitas di industri tekstil, mengurangi intervensi manual, dan menurunkan potensi kerugian akibat produk cacat.
Abstract
The textile industry plays a crucial role in the national economy, facing significant challenges in maintaining product quality to meet consumer satisfaction. Production defects, such as rare defects and slap defects in fabrics, are key factors that affect the quality of textile products. This research aims to develop an automated fabric defect inspection system using digital image processing and machine learning methods. The system is designed to be integrated into fabric winding machines as an initial inspection system before the fabric is distributed. The methods used include supervised learning for fabric image classification, utilizing Google Teachable Machine software and the Convolutional Neural Network (CNN) algorithm implemented with OpenCV. The hardware used consists of a Logitech D320 webcam for image acquisition and a Raspberry Pi-3B as the image processor. The system was tested to detect three categories of fabric: good fabric, rare defects, and slap defects. The test results showed that the system achieved an average inference time of 142.47 ms with an average speed of 6.46 frames per second (FPS) and a classification accuracy of 98.48%. With the implementation of this system, it is expected to enhance production efficiency, strengthen quality control in the textile industry, reduce manual intervention, and decrease potential losses due to defective products
Implementasi Load Balancing pada Cluster Server Berbasis Raspberry Pi Memanfaatkan Algoritma Least Connection
Get PDFKeterbatasan sumber daya dalam implementasi server menjadi salah satu aspek yang perlu diperhatikan. Penggunaan Raspberry Pi, yang merupakan sebuah perangkat dengan ukuran kecil dan dapat digunakan sebagai server fisik dengan konsumsi sumber daya rendah, menjadi salah satu solusi. Namun, untuk menghindari overload pada server fisik Raspberry Pi, penggunaan cluster server sebagai pemerataan beban kerja dari satu server ke server lainnya menjadi relevan. Cluster server menggunakan Docker swarm memungkinkan pengaturan yang lebih mudah dan efisien dari banyak node dalam sebuah cluster. Pemerataan beban kerja menggunakan load balancing dengan algoritma Least Connection. Algoritma Least Connection berjalan berdasarkan antrian paling sedikit, ketika antrian di suatu node rendah, node tersebut akan menerima beban kerja baru, sehingga mencegah overload pada satu node sementara node lainnya masih memiliki kapasitas yang tersedia. Pendistribusian image ke setiap node dalam cluster dilakukan dengan menggunakan Ansible untuk memastikan pengelolaan konfigurasi yang konsisten dan otomatis di seluruh node. Secara umum, penelitian ini mengintegrasikan tiga teknologi utama, yaitu Docker untuk manajemen kontainer, Ansible untuk manajemen konfigurasi, dan load balancing dengan algoritma Least Connection. Perancangan dan implementasi penelitian difokuskan pada penerapan dan optimalisasi masing-masing teknologi ini. Hasil pengujian penelitian menunjukkan bahwa ansible efektif dalam mempermudah pengelolaan konfigurasi dan otomatisasi distribusi image di seluruh node dalam kluster. Sementara itu, load balancing dengan algoritma Least Connection berhasil membagi beban kerja secara optimal berdasarkan antrian atau koneksi terendah, yang secara signifikan meningkatkan responsivitas dan efisiensi sistem secara keseluruhan.
Abstract
Limited resources in server implementation is one aspect that needs to be considered. The use of Raspberry Pi, which is a device with a small size and can be used as a physical server with low resource consumption, is one solution. However, to avoid overloading the Raspberry Pi physical server, the use of a server cluster as an equalization of workload from one server to another becomes relevant. Cluster servers using Docker swarm allow easier and more efficient organization of many nodes in a cluster. Workload equalization uses load balancing with the Least Connection algorithm. The Least Connection algorithm runs based on the least queue, when the queue at a node is low, the node will receive a new workload, thus preventing overload on one node while other nodes still have available capacity. Image distribution to each node in the cluster is done using Ansible to ensure consistent and automated configuration management across nodes. In general, this research integrates three main technologies, namely Docker for container management, Ansible for configuration management, and load balancing with the Least Connection algorithm. The design and implementation of the research focused on the application and optimization of each of these technologies. The test results show that Ansible is effective in simplifying configuration management and automating image distribution across all nodes in the cluster. Meanwhile, load balancing with the Least Connection algorithm successfully divides the workload optimally based on the lowest queue or connection, which significantly improves overall system responsiveness and efficiency.Keterbatasan sumber daya dalam implementasi server menjadi salah satu aspek yang perlu diperhatikan. Penggunaan Raspberry Pi, yang merupakan sebuah perangkat dengan ukuran kecil dan dapat digunakan sebagai server fisik dengan konsumsi sumber daya rendah, menjadi salah satu solusi. Namun, untuk menghindari overload pada server fisik Raspberry Pi, penggunaan cluster server sebagai pemerataan beban kerja dari satu server ke server lainnya menjadi relevan. Cluster server menggunakan Docker swarm memungkinkan pengaturan yang lebih mudah dan efisien dari banyak node dalam sebuah cluster. Pemerataan beban kerja menggunakan load balancing dengan algoritma Least Connection. Algoritma Least Connection berjalan berdasarkan antrian paling sedikit, ketika antrian di suatu node rendah, node tersebut akan menerima beban kerja baru, sehingga mencegah overload pada satu node sementara node lainnya masih memiliki kapasitas yang tersedia. Pendistribusian image ke setiap node dalam cluster dilakukan dengan menggunakan Ansible untuk memastikan pengelolaan konfigurasi yang konsisten dan otomatis di seluruh node. Secara umum, penelitian ini mengintegrasikan tiga teknologi utama, yaitu Docker untuk manajemen kontainer, Ansible untuk manajemen konfigurasi, dan load balancing dengan algoritma Least Connection. Perancangan dan implementasi penelitian difokuskan pada penerapan dan optimalisasi masing-masing teknologi ini. Hasil pengujian penelitian menunjukkan bahwa ansible efektif dalam mempermudah pengelolaan konfigurasi dan otomatisasi distribusi image di seluruh node dalam kluster. Sementara itu, load balancing dengan algoritma Least Connection berhasil membagi beban kerja secara optimal berdasarkan antrian atau koneksi terendah, yang secara signifikan meningkatkan responsivitas dan efisiensi sistem secara keseluruhan.
Abstract
Limited resources in server implementation is one aspect that needs to be considered. The use of Raspberry Pi, which is a device with a small size and can be used as a physical server with low resource consumption, is one solution. However, to avoid overloading the Raspberry Pi physical server, the use of a server cluster as an equalization of workload from one server to another becomes relevant. Cluster servers using Docker swarm allow easier and more efficient organization of many nodes in a cluster. Workload equalization uses load balancing with the Least Connection algorithm. The Least Connection algorithm runs based on the least queue, when the queue at a node is low, the node will receive a new workload, thus preventing overload on one node while other nodes still have available capacity. Image distribution to each node in the cluster is done using Ansible to ensure consistent and automated configuration management across nodes. In general, this research integrates three main technologies, namely Docker for container management, Ansible for configuration management, and load balancing with the Least Connection algorithm. The design and implementation of the research focused on the application and optimization of each of these technologies. The test results show that Ansible is effective in simplifying configuration management and automating image distribution across all nodes in the cluster. Meanwhile, load balancing with the Least Connection algorithm successfully divides the workload optimally based on the lowest queue or connection, which significantly improves overall system responsiveness and efficiency
Penerapan Model Algoritma Unsupervised Learning untuk Klasterisasi Tingkat Kenyamanan Ruang Tidur berdasarkan Faktor Lingkungan
Get PDFPada era revolusi industri 4.0, teknologi seperti cloud computing, robotic, internet of things(IoT), artificial intelligence (AI) dan machine learning (ML) sangat banyak dikembangkan di berbagai sektor seperti industri, pemerintahan, pendidikan hingga ke sektor rumah tangga. Salah satu teknologi yang banyak digunakan di era revolusi industri 4.0 ini adalah AI atau ML. Pada penelitian ini telah berhasil menerapkan sebuah pengolahan data secara klasterisasi menggunakan model ML yaitu unsupervised learning menggunakan algoritma k-means clustering terhadap data yang sudah dikumpulkan. Data tersebut berupa data kuantitaif lingkungan ruang tidur yang dapat diukur, data tersebut diukur dan diambil menggunakan perangkat yang memiliki 5 sensor, yaitu sensor suara, cahaya, temperature, humidity, karbon dioksida (CO2), data nilai panjang, data nilai lebar serta, nilai cuaca yang diambil pada platform OpenWheater menggunakan perangkat yang dibangun berbasis IoT menggunakan koneksi internet dari sebuah access point. Data yang dikumpulkan menjadi sebuah dataset yang diolah menggunakan model algoritma k-means clustering sehingga dapat digunakan untuk melakukan klasterisasi terhadap kenyamanan ruang tidur. Dari hasil pengolahan menggunakan model algoritma k-means clustering terdapat nilai Silhouette sebesar 0,268 dengan persentase data per klaster adalah 29,92%% untuk klaster 0 (tidak nyaman) dan 70,08% untuk klaster 1 (nyaman). Dalam praktik nyata, temuan dari hasil penerapan penelitian ini dapat digunakan untuk mengembangkan rekomendasi personalisasi untuk pengaturan ruang tidur, nantinya dapat merancang produk atau desain yang lebih efektif, di mana penerapan ML dapat dibenamkan secara langsung dalam sebuah sistem yang utuh. Dampaknya bisa sangat luas, mencakup peningkatan kesehatan, produktivitas, dan kesejahteraan penggunanya.
Abstract
In the era of Industry 4.0, technologies such as cloud computing, robotics, the Internet of Things (IoT), artificial intelligence (AI), and machine learning (ML) have been extensively developed across various sectors, including industry, government, education, and even households. One of the technologies widely used in this era is AI and ML. This research successfully applied clustered data processing using the ML model, specifically unsupervised learning with the k-means clustering algorithm, to the collected data. The data consists of quantitative measurements of the bedroom environment, gathered using a device with 5 sensors: sound, light, temperature, humidity, carbon dioxide (CO2), as well as length, width, and weather data taken from the OpenWeather platform using an IoT-based device with an internet connection from an access point. The collected data forms a dataset that is processed using the k-means clustering algorithm to classify the comfort level of the bedroom. The results of this processing showed a Silhouette value of 0.268, with the percentage of data per cluster being 29.92% for cluster 0 (uncomfortable) and 70.08% for cluster 1 (comfortable). In real practice, the findings from this research can be used to develop personalized recommendations for bedroom arrangements and to design more effective products. The application of ML can be embedded directly into a complete system, with far-reaching impacts, including improving users\u27 health, productivity, and well-being.Pada era revolusi industri 4.0, teknologi seperti cloud computing, robotic, internet of things(IoT), artificial intelligence (AI) dan machine learning (ML) sangat banyak dikembangkan di berbagai sektor seperti industri, pemerintahan, pendidikan hingga ke sektor rumah tangga. Salah satu teknologi yang banyak digunakan di era revolusi industri 4.0 ini adalah AI atau ML. Pada penelitian ini telah berhasil menerapkan sebuah pengolahan data secara klasterisasi menggunakan model ML yaitu unsupervised learning menggunakan algoritma k-means clustering terhadap data yang sudah dikumpulkan. Data tersebut berupa data kuantitaif lingkungan ruang tidur yang dapat diukur, data tersebut diukur dan diambil menggunakan perangkat yang memiliki 5 sensor, yaitu sensor suara, cahaya, temperature, humidity, karbon dioksida (CO2), data nilai panjang, data nilai lebar serta, nilai cuaca yang diambil pada platform OpenWheater menggunakan perangkat yang dibangun berbasis IoT menggunakan koneksi internet dari sebuah access point. Data yang dikumpulkan menjadi sebuah dataset yang diolah menggunakan model algoritma k-means clustering sehingga dapat digunakan untuk melakukan klasterisasi terhadap kenyamanan ruang tidur. Dari hasil pengolahan menggunakan model algoritma k-means clustering terdapat nilai Silhouette sebesar 0,268 dengan persentase data per klaster adalah 29,92%% untuk klaster 0 (tidak nyaman) dan 70,08% untuk klaster 1 (nyaman). Dalam praktik nyata, temuan dari hasil penerapan penelitian ini dapat digunakan untuk mengembangkan rekomendasi personalisasi untuk pengaturan ruang tidur, nantinya dapat merancang produk atau desain yang lebih efektif, di mana penerapan ML dapat dibenamkan secara langsung dalam sebuah sistem yang utuh. Dampaknya bisa sangat luas, mencakup peningkatan kesehatan, produktivitas, dan kesejahteraan penggunanya.
Abstract
In the era of Industry 4.0, technologies such as cloud computing, robotics, the Internet of Things (IoT), artificial intelligence (AI), and machine learning (ML) have been extensively developed across various sectors, including industry, government, education, and even households. One of the technologies widely used in this era is AI and ML. This research successfully applied clustered data processing using the ML model, specifically unsupervised learning with the k-means clustering algorithm, to the collected data. The data consists of quantitative measurements of the bedroom environment, gathered using a device with 5 sensors: sound, light, temperature, humidity, carbon dioxide (CO2), as well as length, width, and weather data taken from the OpenWeather platform using an IoT-based device with an internet connection from an access point. The collected data forms a dataset that is processed using the k-means clustering algorithm to classify the comfort level of the bedroom. The results of this processing showed a Silhouette value of 0.268, with the percentage of data per cluster being 29.92% for cluster 0 (uncomfortable) and 70.08% for cluster 1 (comfortable). In real practice, the findings from this research can be used to develop personalized recommendations for bedroom arrangements and to design more effective products. The application of ML can be embedded directly into a complete system, with far-reaching impacts, including improving users\u27 health, productivity, and well-being
Implementasi Algoritma Enkripsi Speck Untuk Pengamanan Mnemonic Phrase Pada Cryptocurrency Wallet
Get PDFCryptocurrency wallet memiliki peran penting dalam menyimpan dan mengelola aset digital pada jaringan blockchain. Keamanan wallet, terutama dalam penyimpanan frasa mnemonik sebagai kunci utama, menjadi aspek krusial yang perlu diperhatikan. Penelitian ini bertujuan untuk mengimplementasikan algoritma enkripsi Speck dalam mengamankan penyimpanan frasa mnemonik pada Hierarchical Deterministic (HD) Wallet. Metode yang digunakan adalah eksperimen implementatif dengan merancang prototipe sistem Wallet yang menggunakan algoritma Speck. Implementasi mencakup komponen-komponen utama wallet serta integrasi algoritma Speck untuk pengamanan frasa mnemonik. Pengujian dilakukan melalui analisis properti berupa avalanche effect, uniformity test, dan entropy test, serta pengujian keamanan menggunakan metode brute force. Hasil penelitian menunjukkan bahwa algoritma Speck dapat diimplementasikan dengan baik pada sistem Wallet, mampu menghasilkan ciphertext dengan properti statistik yang baik, dan dapat mengamankan data mnemonik. Pengujian kinerja menunjukkan hasil yang sangat baik, dengan waktu rata-rata eksekusi di bawah 2 mikro detik dan penggunaan memori sekitar 3 MB. Uji avalanche effect menghasilkan nilai yang mendekati 0,5 yang menunjukkan sensitivitas yang baik terhadap perubahan input. Uniformity test menunjukkan distribusi ciphertext yang seragam dengan nilai chi-square di bawah ambang kritis. Pengujian entropy menghasilkan peningkatan signifikan dari rata-rata 4 bit per byte pada plaintext menjadi sekitar 6 bit per byte pada ciphertext. Pengujian keamanan melalui brute force menunjukkan ketahanan yang sangat baik, dengan estimasi waktu pemecahan kunci mencapai tahun. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan solusi keamanan yang efisien untuk cryptocurrency wallet.Cryptocurrency wallet memiliki peran penting dalam menyimpan dan mengelola aset digital pada jaringan blockchain. Keamanan wallet, terutama dalam penyimpanan frasa mnemonik sebagai kunci utama, menjadi aspek krusial yang perlu diperhatikan. Penelitian ini bertujuan untuk mengimplementasikan algoritma enkripsi Speck dalam mengamankan penyimpanan frasa mnemonik pada Hierarchical Deterministic (HD) Wallet. Metode yang digunakan adalah eksperimen implementatif dengan merancang prototipe sistem Wallet yang menggunakan algoritma Speck. Implementasi mencakup komponen-komponen utama wallet serta integrasi algoritma Speck untuk pengamanan frasa mnemonik. Pengujian dilakukan melalui analisis properti berupa avalanche effect, uniformity test, dan entropy test, serta pengujian keamanan menggunakan metode brute force. Hasil penelitian menunjukkan bahwa algoritma Speck dapat diimplementasikan dengan baik pada sistem Wallet, mampu menghasilkan ciphertext dengan properti statistik yang baik, dan dapat mengamankan data mnemonik. Pengujian kinerja menunjukkan hasil yang sangat baik, dengan waktu rata-rata eksekusi di bawah 2 mikro detik dan penggunaan memori sekitar 3 MB. Uji avalanche effect menghasilkan nilai yang mendekati 0,5 yang menunjukkan sensitivitas yang baik terhadap perubahan input. Uniformity test menunjukkan distribusi ciphertext yang seragam dengan nilai chi-square di bawah ambang kritis. Pengujian entropy menghasilkan peningkatan signifikan dari rata-rata 4 bit per byte pada plaintext menjadi sekitar 6 bit per byte pada ciphertext. Pengujian keamanan melalui brute force menunjukkan ketahanan yang sangat baik, dengan estimasi waktu pemecahan kunci mencapai tahun. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan solusi keamanan yang efisien untuk cryptocurrency wallet.
Cryptocurrency wallet memiliki peran penting dalam menyimpan dan mengelola aset digital pada jaringan blockchain. Keamanan wallet, terutama dalam penyimpanan frasa mnemonik sebagai kunci utama, menjadi aspek krusial yang perlu diperhatikan. Penelitian ini bertujuan untuk mengimplementasikan algoritma enkripsi Speck dalam mengamankan penyimpanan frasa mnemonik pada Hierarchical Deterministic (HD) Wallet. Metode yang digunakan adalah eksperimen implementatif dengan merancang prototipe sistem Wallet yang menggunakan algoritma Speck. Implementasi mencakup komponen-komponen utama wallet serta integrasi algoritma Speck untuk pengamanan frasa mnemonik. Pengujian dilakukan melalui analisis properti berupa avalanche effect, uniformity test, dan entropy test, serta pengujian keamanan menggunakan metode brute force. Hasil penelitian menunjukkan bahwa algoritma Speck dapat diimplementasikan dengan baik pada sistem Wallet, mampu menghasilkan ciphertext dengan properti statistik yang baik, dan dapat mengamankan data mnemonik. Pengujian kinerja menunjukkan hasil yang sangat baik, dengan waktu rata-rata eksekusi di bawah 2 mikro detik dan penggunaan memori sekitar 3 MB. Uji avalanche effect menghasilkan nilai yang mendekati 0,5 yang menunjukkan sensitivitas yang baik terhadap perubahan input. Uniformity test menunjukkan distribusi ciphertext yang seragam dengan nilai chi-square di bawah ambang kritis. Pengujian entropy menghasilkan peningkatan signifikan dari rata-rata 4 bit per byte pada plaintext menjadi sekitar 6 bit per byte pada ciphertext. Pengujian keamanan melalui brute force menunjukkan ketahanan yang sangat baik, dengan estimasi waktu pemecahan kunci mencapai tahun. Penelitian ini diharapkan dapat memberikan kontribusi dalam pengembangan solusi keamanan yang efisien untuk cryptocurrency wallet.
Abstract
Cryptocurrency wallets play a crucial role in storing and managing digital assets on blockchain networks. The security of wallets, especially in storing mnemonic phrases as master keys, is a critical aspect that requires attention. This research aims to implement the Speck encryption algorithm for securing mnemonic phrase storage in Hierarchical Deterministic (HD) Wallets. The method used is an implementative experiment, designing and developing a Wallet system prototype that use Speck. The implementation encompasses the main components of the wallet, as well as integrating the Speck algorithm for sensitive data encryption. Testing was conducted through cryptographic analysis including avalanche effect, uniformity test, and entropy test, as well as security testing using brute force. The results show that the Speck algorithm can be effectively implemented in the Wallet system and is capable of generating ciphertext with good statistical properties, and effectively securing mnemonic data. Performance testing yielded excellent results, with average execution times below 2 microseconds and memory usage of approximately 3 MB.. The avalanche effect test yielded values approaching 0.5, indicating good sensitivity to input changes. The uniformity test showed uniform ciphertext distribution with chi-square values below the critical threshold. The entropy test resulted in a significant increase from an average of 4 bits per byte in plaintext to about 6 bits per byte in ciphertext. Security testing through brute force demonstrates excellent resilience, with an estimated key-breaking time reaching 10^67 years. This research contributes to the development of efficient security solutions for cryptocurrency wallets
Analisis Sentimen Berbasis Aspek Pada Aplikasi Elektronik Survei Kepuasan Masyarakat (E-SKM) Jawa Tengah Menggunakan Indobert
Get PDFPerkembangan tentang Natural Language Processing (NLP) semakin berkembang dengan pesat, salah satunya yaitu dalam bidang analisis sentimen. Dalam dunia bisnis, analisis sentimen sangat diperlukan untuk mengetahui dan memahami persepsi pelanggan terhadap produk yang telah didapatkan dari perusahaan. Hal yang sama juga berlaku pada sektor pemerintahan. Pemerintah sebagai penyelenggara pelayanan publik harus dapat mengetahui persepsi dari pengguna layanan terhadap penyelenggaraan pelayanan publik tersebut sebagai bahan perbaikan kualitas layanan. Aplikasi E-SKM merupakan aplikasi milik Pemerintah Provinsi Jawa Tengah yang saat ini hanya mengolah nilai survei layanan meliputi sembilan aspek pertanyaan, sedangkan data saran/masukan pada aplikasi ini belum dimanfaatkan lebih lanjut. Pada penelitian ini, dilakukan analisis sentimen pada data saran/masukan tersebut untuk menggali informasi tambahan yang dapat meningkatkan pemahaman pemerintah terhadap kepuasan pengguna layanan. Metode yang diusulkan yaitu menggunakan pendekatan analisis sentimen berbasis aspek menggunakan model IndoBERT. Pendekatan berbasis aspek ditujukan agar dapat diketahui aspek apa saja yang paling banyak dibicarakan oleh pengguna layanan, terutama yang berhubungan dengan sembilan aspek pertanyaan tersebut. Pada penelitian ini juga digunakan kamus leksikon sebagai pelabelan data, kemudian pendekatan berbasis aturan (rule-based) digunakan dalam proses klasifikasi aspek yang berkaitan dengan sembilan aspek pertanyaan. Selain itu, penelitian ini bertujuan untuk mengukur kemampuan model IndoBERT dalam proses klasifikasi sentimen dengan beberapa skenario yang berbeda. Dari hasil analisis, model evaluasi IndoBERT berjalan dengan baik. Hal ini dilihat dari nilai rata-rata parameter evaluasi seperti akurasi, precision, recall, dan f1-score mencapai 95%. Penerapan model ini memiliki kontribusi pada data aplikasi E-SKM untuk mendapatkan informasi sentimen dan aspek pada data pelayanan publik di pemerintahan yang dapat digunakan sebagai bahan pengambilan keputusan pada level manajemen kebijakan.
Abstract
The field of Natural Language Processing (NLP) is rapidly advancing, particularly in sentiment analysis. In the business world, sentiment analysis is essential for understanding customer perceptions of products they have received from a company. The same applies to the government sector, where it is crucial for public service providers to gain insight into user perceptions of public services as a basis for service improvement. The E-SKM application, owned by the Central Java provincial government, currently processes only service survey scores covering nine question aspects, while suggestions/feedback data from this application have not yet been fully utilized. In this study, sentiment analysis was conducted on the suggestion/feedback data to extract additional insights that could improve understanding of user satisfaction. The proposed method involves an aspect-based sentiment analysis approach using the IndoBERT model. This aspect-based approach aims to identify the aspects most frequently mentioned by service users, particularly those related to the nine survey aspects. A lexicon-based approach was used for data labeling, followed by a rule-based approach for classifying aspects associated with the nine questions. Additionally, this study aims to assess the performance of the IndoBERT model in sentiment classification across several scenarios. Evaluation results indicate that IndoBERT performs well, with average metrics such as accuracy, precision, recall, and F1-score reaching 95%. The implementation of this model contributes to the E-SKM application data by providing sentiment and aspect information on public service data within the government, which can be used as a basis for decision-making at the policy management level.Perkembangan tentang Natural Language Processing (NLP) semakin berkembang dengan pesat, salah satunya yaitu dalam bidang analisis sentimen. Dalam dunia bisnis, analisis sentimen sangat diperlukan untuk mengetahui dan memahami persepsi pelanggan terhadap produk yang telah didapatkan dari perusahaan. Hal yang sama juga berlaku pada sektor pemerintahan. Pemerintah sebagai penyelenggara pelayanan publik harus dapat mengetahui persepsi dari pengguna layanan terhadap penyelenggaraan pelayanan publik tersebut sebagai bahan perbaikan kualitas layanan. Aplikasi E-SKM merupakan aplikasi milik Pemerintah Provinsi Jawa Tengah yang saat ini hanya mengolah nilai survei layanan meliputi sembilan aspek pertanyaan, sedangkan data saran/masukan pada aplikasi ini belum dimanfaatkan lebih lanjut. Pada penelitian ini, dilakukan analisis sentimen pada data saran/masukan tersebut untuk menggali informasi tambahan yang dapat meningkatkan pemahaman pemerintah terhadap kepuasan pengguna layanan. Metode yang diusulkan yaitu menggunakan pendekatan analisis sentimen berbasis aspek menggunakan model IndoBERT. Pendekatan berbasis aspek ditujukan agar dapat diketahui aspek apa saja yang paling banyak dibicarakan oleh pengguna layanan, terutama yang berhubungan dengan sembilan aspek pertanyaan tersebut. Pada penelitian ini juga digunakan kamus leksikon sebagai pelabelan data, kemudian pendekatan berbasis aturan (rule-based) digunakan dalam proses klasifikasi aspek yang berkaitan dengan sembilan aspek pertanyaan. Selain itu, penelitian ini bertujuan untuk mengukur kemampuan model IndoBERT dalam proses klasifikasi sentimen dengan beberapa skenario yang berbeda. Dari hasil analisis, model evaluasi IndoBERT berjalan dengan baik. Hal ini dilihat dari nilai rata-rata parameter evaluasi seperti akurasi, precision, recall, dan f1-score mencapai 95%. Penerapan model ini memiliki kontribusi pada data aplikasi E-SKM untuk mendapatkan informasi sentimen dan aspek pada data pelayanan publik di pemerintahan yang dapat digunakan sebagai bahan pengambilan keputusan pada level manajemen kebijakan.
Abstract
The field of Natural Language Processing (NLP) is rapidly advancing, particularly in sentiment analysis. In the business world, sentiment analysis is essential for understanding customer perceptions of products they have received from a company. The same applies to the government sector, where it is crucial for public service providers to gain insight into user perceptions of public services as a basis for service improvement. The E-SKM application, owned by the Central Java provincial government, currently processes only service survey scores covering nine question aspects, while suggestions/feedback data from this application have not yet been fully utilized. In this study, sentiment analysis was conducted on the suggestion/feedback data to extract additional insights that could improve understanding of user satisfaction. The proposed method involves an aspect-based sentiment analysis approach using the IndoBERT model. This aspect-based approach aims to identify the aspects most frequently mentioned by service users, particularly those related to the nine survey aspects. A lexicon-based approach was used for data labeling, followed by a rule-based approach for classifying aspects associated with the nine questions. Additionally, this study aims to assess the performance of the IndoBERT model in sentiment classification across several scenarios. Evaluation results indicate that IndoBERT performs well, with average metrics such as accuracy, precision, recall, and F1-score reaching 95%. The implementation of this model contributes to the E-SKM application data by providing sentiment and aspect information on public service data within the government, which can be used as a basis for decision-making at the policy management level
Pengembangan Front-End Aplikasi Mysre: Aplikasi Tinjauan Literatur Untuk Peneliti Pemula
Get PDFKeterampilan menuliskan suatu tinjauan literatur yang komprehensif seringkali menjadi tantangan bagi peneliti pemula, terutama mahasiswa jenjang sarjana. Artificial intelligence (AI) seringkali digunakan sebagai salah satu solusi untuk menjawab tantangan tersebut. Namun, penggunaan AI yang tanpa kontrol dapat berdampak negatif pada pengembangan kemampuan peneliti. Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk membangun frond-end aplikasi berbasis web yang disebut MySRE, yang dapat digunakan oleh peneliti pemula berlatih membuat suatu tinjuan literatur dengan berbantuan AI. Penelitian ini merupakan jenis penelitian rancang bangun yang menerapkan metode System Development Life Cycle (SDLC) untuk Prototyping, yang selanjutnya disebut sebagai SDLC Prototyping. Metode SDLC Prototyping terdiri atas lima tahapan, yaitu communication, quick plan, modeling quick design, construction of prototype, dan deployment, delivery, and feedback. Hasil dari analisis kebutuhan menggunakan Eisenhower matrix mengindikasikan bahwa terdapat lima fitur utama yang perlu dimiliki oleh aplikasi MySRE. Kelima fitur tersebut adalah text editor, diskusi dengan AI, referensi, co-pilot, dan peta konsep. Pengujian fungsional dan nonfungsional dilakukan pada hasil frond-end MySRE yang telah diimplementasikan. Pengujian fungsionalitas dilakukan dengan blackbox testing, sedangkan pengujian nonfungsional dilakukan dengan compatibility testing dengan SortSite dan usability testing dengan SUS kuesioner. Hasil dari pengujian fungsionalitas dengan blackbox menunjukkan bahwa 22 dari 23 pengujian dinyatakan valid. Hasil compatibility testing menunjukkan aplikasi website dapat diakses pada mayoritas peramban yang umum digunakan. Hasil usability testing menunjukkan skor rata-rata 76,75 yang melampaui kriteria minimum (70) untuk dikategorikan memiliki usability yang baik. Dengan demikian, dapat disimpulkan bahwa desain frond-end dari aplikasi MySRE telah berhasil dikembangkan dan memenuhi aspek fungsional dan nonfungsional (kompatibilitas, dan usability), sehingga layak digunakan sebagai antar muka dari aplikasi berbasis web yang dapat membantu peneliti pemula dalam berlatih menyusun tinjauan literatur.
Abstract
The ability to write comprehensive literature reviews is often a challenge for novice researchers, particularly undergraduate students. Artificial intelligence (AI) is frequently used as a solution to address this challenge, but its uncontrolled use can negatively impact researchers’ skill development. Accordingly, this study aims to develop the front-end of a web-based application called MySRE, designed to help novice researchers practice writing literature reviews with AI assistance. This research employs a design and development approach using the System Development Life Cycle (SDLC) method for prototyping, referred to as SDLC Prototyping. The SDLC Prototyping method consists of five stages: communication, quick plan, modeling quick design, construction of the prototype, and deployment, delivery, and feedback. The results of the needs analysis, conducted using the Eisenhower matrix, indicate that the MySRE requires five key features: a text editor, AI discussion, references, a co-pilot, and a concept map. Functional and non-functional testing was conducted on the implemented front-end of MySRE. Functional testing was performed using blackbox testing, while non-functional testing included compatibility testing with SortSite and usability testing with the SUS questionnaire. The blackbox testing results showed that 22 out of 23 tests were valid. Compatibility testing indicated that the website application is accessible on most common browsers. Usability testing resulted in an average score of 76.75, exceeding the minimum criteria (70) for categorizing the application as having good usability. Therefore, it can be concluded that the front-end design of the MySRE application has been successfully developed and meets both functional and non-functional aspects (compatibility and usability), making it suitable for use as a web-based application interface that can assist novice researchers in practicing literature review writing.
Keterampilan menuliskan suatu tinjauan literatur yang komprehensif seringkali menjadi tantangan bagi peneliti pemula, terutama mahasiswa jenjang sarjana. Artificial intelligence (AI) seringkali digunakan sebagai salah satu solusi untuk menjawab tantangan tersebut. Namun, penggunaan AI yang tanpa kontrol dapat berdampak negatif pada pengembangan kemampuan peneliti. Berdasarkan latar belakang tersebut, penelitian ini bertujuan untuk membangun frond-end aplikasi berbasis web yang disebut MySRE, yang dapat digunakan oleh peneliti pemula berlatih membuat suatu tinjuan literatur dengan berbantuan AI. Penelitian ini merupakan jenis penelitian rancang bangun yang menerapkan metode System Development Life Cycle (SDLC) untuk Prototyping, yang selanjutnya disebut sebagai SDLC Prototyping. Metode SDLC Prototyping terdiri atas lima tahapan, yaitu communication, quick plan, modeling quick design, construction of prototype, dan deployment, delivery, and feedback. Hasil dari analisis kebutuhan menggunakan Eisenhower matrix mengindikasikan bahwa terdapat lima fitur utama yang perlu dimiliki oleh aplikasi MySRE. Kelima fitur tersebut adalah text editor, diskusi dengan AI, referensi, co-pilot, dan peta konsep. Pengujian fungsional dan nonfungsional dilakukan pada hasil frond-end MySRE yang telah diimplementasikan. Pengujian fungsionalitas dilakukan dengan blackbox testing, sedangkan pengujian nonfungsional dilakukan dengan compatibility testing dengan SortSite dan usability testing dengan SUS kuesioner. Hasil dari pengujian fungsionalitas dengan blackbox menunjukkan bahwa 22 dari 23 pengujian dinyatakan valid. Hasil compatibility testing menunjukkan aplikasi website dapat diakses pada mayoritas peramban yang umum digunakan. Hasil usability testing menunjukkan skor rata-rata 76,75 yang melampaui kriteria minimum (70) untuk dikategorikan memiliki usability yang baik. Dengan demikian, dapat disimpulkan bahwa desain frond-end dari aplikasi MySRE telah berhasil dikembangkan dan memenuhi aspek fungsional dan nonfungsional (kompatibilitas, dan usability), sehingga layak digunakan sebagai antar muka dari aplikasi berbasis web yang dapat membantu peneliti pemula dalam berlatih menyusun tinjauan literatur.
Abstract
The ability to write comprehensive literature reviews is often a challenge for novice researchers, particularly undergraduate students. Artificial intelligence (AI) is frequently used as a solution to address this challenge, but its uncontrolled use can negatively impact researchers’ skill development. Accordingly, this study aims to develop the front-end of a web-based application called MySRE, designed to help novice researchers practice writing literature reviews with AI assistance. This research employs a design and development approach using the System Development Life Cycle (SDLC) method for prototyping, referred to as SDLC Prototyping. The SDLC Prototyping method consists of five stages: communication, quick plan, modeling quick design, construction of the prototype, and deployment, delivery, and feedback. The results of the needs analysis, conducted using the Eisenhower matrix, indicate that the MySRE requires five key features: a text editor, AI discussion, references, a co-pilot, and a concept map. Functional and non-functional testing was conducted on the implemented front-end of MySRE. Functional testing was performed using blackbox testing, while non-functional testing included compatibility testing with SortSite and usability testing with the SUS questionnaire. The blackbox testing results showed that 22 out of 23 tests were valid. Compatibility testing indicated that the website application is accessible on most common browsers. Usability testing resulted in an average score of 76.75, exceeding the minimum criteria (70) for categorizing the application as having good usability. Therefore, it can be concluded that the front-end design of the MySRE application has been successfully developed and meets both functional and non-functional aspects (compatibility and usability), making it suitable for use as a web-based application interface that can assist novice researchers in practicing literature review writing.
Implementasi Mask R-Cnn Pada Perhitungan Persentase Tutupan Karang Untuk Memantau Ekosistem Terumbu Karang
Get PDFTerumbu karang memiliki peranan penting bagi kehidupan di laut. Namun, ekosistem terumbu karang sangat rentan mengalami kerusakan karena sejumlah faktor seperti aktivitas manusia, perubahan iklim, lambatnya laju pertumbuhan dan sebagainya. Upaya pelestarian terumbu karang telah dilakukan, namun pemantauan masih minim. Oleh karena itu, pemantauan ekosistem terumbu karang perlu ditingkatkan untuk mengetahui kondisi terumbu karang sebenarnya. Persentase tutupan karang adalah indikator yang perlu diketahui sebagai penentuan tingkat kehidupan terumbu karang. Proses pemantauan terumbu karang saat ini masih dilakukan secara konvensional, sehingga proses pemantauan tidak efisien dan perolehan informasi mengenai persentase tutupan karang membutuhkan waktu yang panjang. Penelitian ini mengimplementasikan algoritma Mask Region Convolutional Neural Network (Mask R-CNN) pada library Detectron2 untuk melakukan deteksi dan segmentasi objek tutupan karang pada ekosistem terumbu karang dengan menggunakan citra terumbu karang sebagai input. Model yang digunakan untuk segmentasi instance pada citra terumbu karang ini dilatih dengan menggunakan backbone Residual Network (ResNet) dan Residual Networks Next (ResNeXt) yang terdapat pada library Detectron2. Model backbone dievaluasi berdasarkan matriks presisi dan recall. Hasil penelitian menunjukkan ResNeXt101-FPN merupakan backbone terbaik dalam menghasilkan segmentasi. Hasil proses segmentasi tersebut kemudian digunakan untuk menghitung persentase tutupan karang. Berdasarkan hasil perhitungan, persentase tutupan karang dengan data yang diuji adalah sebesar 86,06%. Dengan demikian, proses perhitungan persentase tutupan karang untuk memantau ekosistem terumbu karang dapat dilakukan dengan efisien dan informasi mengenai persentase tutupan karang dapat diperoleh dalam waktu yang singkat.
Abstract
Coral reefs have an important role for life in the sea. However, coral reef ecosystems are very vulnerable to damage due to a number of factors such as human activities, climate change, slow growth rates and so on. Efforts to preserve coral reefs have been made, but monitoring remains minimal. Therefore, coral reef ecosystem monitoring needs to be enhanced to assess their actual condition. The percentage of coral cover is an indicator that needs to be known as a determination of the life rate of coral reefs. The current coral reef monitoring process is still carried out conventionally, so the monitoring process is inefficient and obtaining information about the percentage of coral cover takes a long time. This study implements the Mask Region Convolutional Neural Network (Mask R-CNN) algorithm in the Detectron2 library to detect and segment coral cover objects in coral reef ecosystems using coral reef images as input. The model used for instance segmentation on coral reef images was trained using the Residual Network (ResNet) and Residual Networks Next (ResNeXt) backbones, which are available in the Detectron2 library. The backbone model is evaluated based on precision and recall matrices. The results show that ResNeXt101-FPN is the best backbone in producing segmentation. The results of the segmentation process are then used to calculate the percentage of coral cover. Based on the calculation results, the percentage of coral cover with the tested data was 86.06%. Thus, the process of calculating the coral cover percentage to monitor coral reef ecosystems can be carried out efficiently and information about the coral cover percentage can be obtained in a short time.Terumbu karang memiliki peranan penting bagi kehidupan di laut. Namun, ekosistem terumbu karang sangat rentan mengalami kerusakan karena sejumlah faktor seperti aktivitas manusia, perubahan iklim, lambatnya laju pertumbuhan dan sebagainya. Upaya pelestarian terumbu karang telah dilakukan, namun pemantauan masih minim. Oleh karena itu, pemantauan ekosistem terumbu karang perlu ditingkatkan untuk mengetahui kondisi terumbu karang sebenarnya. Persentase tutupan karang adalah indikator yang perlu diketahui sebagai penentuan tingkat kehidupan terumbu karang. Proses pemantauan terumbu karang saat ini masih dilakukan secara konvensional, sehingga proses pemantauan tidak efisien dan perolehan informasi mengenai persentase tutupan karang membutuhkan waktu yang panjang. Penelitian ini mengimplementasikan algoritma Mask Region Convolutional Neural Network (Mask R-CNN) pada library Detectron2 untuk melakukan deteksi dan segmentasi objek tutupan karang pada ekosistem terumbu karang dengan menggunakan citra terumbu karang sebagai input. Model yang digunakan untuk segmentasi instance pada citra terumbu karang ini dilatih dengan menggunakan backbone Residual Network (ResNet) dan Residual Networks Next (ResNeXt) yang terdapat pada library Detectron2. Model backbone dievaluasi berdasarkan matriks presisi dan recall. Hasil penelitian menunjukkan ResNeXt101-FPN merupakan backbone terbaik dalam menghasilkan segmentasi. Hasil proses segmentasi tersebut kemudian digunakan untuk menghitung persentase tutupan karang. Berdasarkan hasil perhitungan, persentase tutupan karang dengan data yang diuji adalah sebesar 86,06%. Dengan demikian, proses perhitungan persentase tutupan karang untuk memantau ekosistem terumbu karang dapat dilakukan dengan efisien dan informasi mengenai persentase tutupan karang dapat diperoleh dalam waktu yang singkat.
Abstract
Coral reefs have an important role for life in the sea. However, coral reef ecosystems are very vulnerable to damage due to a number of factors such as human activities, climate change, slow growth rates and so on. Efforts to preserve coral reefs have been made, but monitoring remains minimal. Therefore, coral reef ecosystem monitoring needs to be enhanced to assess their actual condition. The percentage of coral cover is an indicator that needs to be known as a determination of the life rate of coral reefs. The current coral reef monitoring process is still carried out conventionally, so the monitoring process is inefficient and obtaining information about the percentage of coral cover takes a long time. This study implements the Mask Region Convolutional Neural Network (Mask R-CNN) algorithm in the Detectron2 library to detect and segment coral cover objects in coral reef ecosystems using coral reef images as input. The model used for instance segmentation on coral reef images was trained using the Residual Network (ResNet) and Residual Networks Next (ResNeXt) backbones, which are available in the Detectron2 library. The backbone model is evaluated based on precision and recall matrices. The results show that ResNeXt101-FPN is the best backbone in producing segmentation. The results of the segmentation process are then used to calculate the percentage of coral cover. Based on the calculation results, the percentage of coral cover with the tested data was 86.06%. Thus, the process of calculating the coral cover percentage to monitor coral reef ecosystems can be carried out efficiently and information about the coral cover percentage can be obtained in a short time
Reversible Data Hiding pada Gambar Digital dengan Sistem Otentikasi Terintegrasi
Get PDFReversible Data Hiding (RDH) adalah salah satu metode yang efektif dalam steganografi, yang memungkinkan penyisipan informasi ke dalam media digital, seperti gambar, dengan kemampuan untuk memulihkan data asli sepenuhnya setelah informasi yang disisipkan diekstraksi. Dengan mengkombinasikan menggunakan Personal Identification Number (PIN), pemilik karya seni dapat menjalankan proses penyisipan data, ekstraksi data, serta validasi gambar. PIN berfungsi sebagai mekanisme keamanan yang membatasi akses hanya kepada pemilik yang sah, sehingga memastikan perlindungan data serta mencegah manipulasi atau akses tidak sah terhadap karya digital. Selain itu, PIN digunakan untuk menentukan lokasi piksel yang dapat dimodifikasi pada gambar. Dataset yang digunakan adalah sepuluh gambar digital dengan ukuran piksel 720 x 1280 yang terdiri dari lima gambar digitar berwarna dan lima gambar hitam putih. Hasil pengujian sistem yang dibuat menunjukan sistem yang dibangun bekerja dengan baik dimana gambar hasil ekstraksi berkualitas baik dengan perbedaan kecil yang mungkin terlihat namun umumnya tidak mengganggu dengan nilai PSNR gambar berwarna adalah 38.076 db dan rata-rata PSNR gambar hitam putih 50.58. Sedangkan untuk pengujian SSIM nilai pengujian rata-rata 0.98 yang berarti secara struktural kedua gambar sama. Kapasitas penyimpanan informasi untuk gambar berwarna sebesar 13.05% sedangkan untuk gambar hitam putih sebesar 66.88%.
Abstract
Reversible Data Hiding (RDH) is an effective method in steganography that enables the embedding of information into digital media, such as images, with the ability to fully recover the original data once the embedded information has been extracted. By integrating the use of a Personal Identification Number (PIN), the owner of a work of art can carry out the processes of data embedding, data extraction, and image validation. The PIN functions as a security mechanism that restricts access exclusively to the rightful owner, thereby ensuring data protection and preventing unauthorized manipulation or access to the digital artwork. Additionally, the PIN is employed to identify specific pixel locations that can be altered within the image. The dataset used consists of ten digital images with a resolution of 720 x 1280 pixels, consisting of five colored images and five grayscale images The results of the system evaluation indicate that the extracted images maintain high quality, with minimal differences that are generally imperceptible where the PSNR for colored images is 38.076 dB, and the average PSNR for grayscale images is 50.58 dB. Meanwhile, SSIM testing yielded an average value of 0.98, signifying that the structural similarity between the original and extracted images is nearly identical. The information storage capacity for colored images was measured at 13.05%, whereas for grayscale images, it reached 66.88%.Reversible Data Hiding (RDH) adalah salah satu metode yang efektif dalam steganografi, yang memungkinkan penyisipan informasi ke dalam media digital, seperti gambar, dengan kemampuan untuk memulihkan data asli sepenuhnya setelah informasi yang disisipkan diekstraksi. Dengan mengkombinasikan menggunakan Personal Identification Number (PIN), pemilik karya seni dapat menjalankan proses penyisipan data, ekstraksi data, serta validasi gambar. PIN berfungsi sebagai mekanisme keamanan yang membatasi akses hanya kepada pemilik yang sah, sehingga memastikan perlindungan data serta mencegah manipulasi atau akses tidak sah terhadap karya digital. Selain itu, PIN digunakan untuk menentukan lokasi piksel yang dapat dimodifikasi pada gambar. Dataset yang digunakan adalah sepuluh gambar digital dengan ukuran piksel 720 x 1280 yang terdiri dari lima gambar digitar berwarna dan lima gambar hitam putih. Hasil pengujian sistem yang dibuat menunjukan sistem yang dibangun bekerja dengan baik dimana gambar hasil ekstraksi berkualitas baik dengan perbedaan kecil yang mungkin terlihat namun umumnya tidak mengganggu dengan nilai PSNR gambar berwarna adalah 38.076 db dan rata-rata PSNR gambar hitam putih 50.58. Sedangkan untuk pengujian SSIM nilai pengujian rata-rata 0.98 yang berarti secara struktural kedua gambar sama. Kapasitas penyimpanan informasi untuk gambar berwarna sebesar 13.05% sedangkan untuk gambar hitam putih sebesar 66.88%.
Abstract
Reversible Data Hiding (RDH) is an effective method in steganography that enables the embedding of information into digital media, such as images, with the ability to fully recover the original data once the embedded information has been extracted. By integrating the use of a Personal Identification Number (PIN), the owner of a work of art can carry out the processes of data embedding, data extraction, and image validation. The PIN functions as a security mechanism that restricts access exclusively to the rightful owner, thereby ensuring data protection and preventing unauthorized manipulation or access to the digital artwork. Additionally, the PIN is employed to identify specific pixel locations that can be altered within the image. The dataset used consists of ten digital images with a resolution of 720 x 1280 pixels, consisting of five colored images and five grayscale images The results of the system evaluation indicate that the extracted images maintain high quality, with minimal differences that are generally imperceptible where the PSNR for colored images is 38.076 dB, and the average PSNR for grayscale images is 50.58 dB. Meanwhile, SSIM testing yielded an average value of 0.98, signifying that the structural similarity between the original and extracted images is nearly identical. The information storage capacity for colored images was measured at 13.05%, whereas for grayscale images, it reached 66.88%