Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Pengenalan Jalan Berlubang Berbasis Vision Menggunakan Pyramid Histogram Of Oriented Gradients
Get PDFLubang, sejenis kerusakan jalan, dapat merusak kendaraan dan berdampak negatif pada keamanan mengemudi dari pengemudi. Bahkan, dalam kasus yang parah dapat menyebabkan kecelakaan lalu lintas. Manajemen jalan berlubang yang efisien dan preventif di lingkungan jalan yang kompleks memainkan peran penting dalam mengamankan keselamatan pengemudi. Hal ini juga diharapkan dapat memberikan kontribusi terhadap pencegahan kecelakaan lalu lintas dan kelancaran arus lalu lintas. Di masa lalu, deteksi lubang terutama dilakukan melalui inspeksi visual oleh ahli manusia. Baru-baru ini, metode deteksi lubang otomatis menerapkan berbagai teknologi yang menyatukan teknologi dasar seperti sensor dan pemrosesan sinyal. Pada artikel ini, metode berbasis pengolahan citra dan pembelajaran mesin diaplikasikan untuk mengenali lubang di jalan. Penelitian ini menghasilkan model dari bentuk lubang dengan memanfaatkan ciri bentuk yang diekstraksi dari Pyramid Histogram of Oriented Gradients (PHOG). Untuk metode klasifikasi, peneliti menggunakan Support Vector Machine (SVM) dengan hasil terbaik diperoleh pada penggunaan kernel polynomial. Sistem pengenalan jalan berlubang yang diusulkan mampu menunjukkan hasil performa yang sangat baik, yaitu akurasi sebesar 94,45%, precision sebesar 96,13% recall sebesar 95,77%, dan F1-score sebesar 95,95%. AbstractPotholes on roads can damage vehicles and endanger drivers, potentially leading to accidents. Preventative management of potholes is crucial for driver safety and efficient traffic flow. Traditional methods of pothole detection relied on visual inspection, but automatic methods have been developed using sensors and signal processing. This article presents a new approach using image processing and machine learning to identify potholes on roads. The proposed system uses shape features extracted from Pyramid Histogram of Oriented Gradients (PHOG) and a Support Vector Machine (SVM) with polynomial kernels for classification. The system achieves high accuracy, precision, recall, and F1-Score, with an accuracy of 94.45%, precision of 96.130%, recall of 95.77%, and F1-Score of 95.950%
Deteksi Persamaan Pola Gerakan pada Koreografi Tari Bali
Get PDFTarian daerah memegang peranan penting dalam tatanan kehidupan masyarakat Bali. Tarian tidak hanya sebagai hiburan tetapi juga sebagai sarana dalam kegiatan upacara keagamaan serta merupakan aset pariwisata. Jenis tari Bali cukup banyak, namun sebagian pencipta tari Bali sudah tiada. Perkembangan teknologi saat ini diharapkan dapat ikut memberikan kontribusi dalam penciptaan tarian baru. Penelitian ini bertujuan untuk mendeteksi persamaan pola gerakan dan menghitung banyaknya gerakan yang sama pada dua atau lebih tarian berbeda yang dikelompokkan berdasarkan penciptanya. Dengan menemukan banyaknya gerakan yang sama dalam beberapa tari ciptaan seorang maestro maka ciri khas seperti variasi gerakan dan tempo tarian diharapkan dapat diketahui. Penelitian ini merupakan penelitian yang berada di bawah payung proyek COMPUDANCE (Computerization of Dances), dimana proyek ini bertujuan untuk menciptakan sebuah tarian baru dengan cara mempelajari ciri khas dari masing-masing pencipta tari Bali. Tarian baru yang tercipta tentunya memiliki nilai yang sangat tinggi karena sebagian maestro sudah tiada. Dataset dalam penelitian ini adalah 8 jenis tari Bali yang berasal dari 3 pencipta yang berbeda. Delapan tarian tersebut melipiti : Tari Margapati, Tari Panji Semirang dan Tari Wiranata diciptakan oleh I Nyoman Kaler; Tari Cendrawasih, Tari Puspanjali dan Tari Sekar Jagat diciptakan oleh N.L.N. Swasthi Wijaya Bandem; Tari Wiranjaya dan Tari Nelayan diciptakan oleh I Ketut Merdana. Untuk mendeteksi persamaan pola gerakan akan digunakan metode skeletonisasi, dilanjutkan dengan proses ekstraksi fitur bentuk menggunakan metode HOG. Data hasil ekstraksi dari satu tarian kemudian dibandingkan dengan tarian lainnya. Untuk mengukur tingkat kesamaan dari dua atau lebih citra yang berbeda digunakan metode eucledian distance, dimana akan dipilih 5 nilai ambang yaitu 1,15, 1,18, 1,20, 1,22 dan 1,25. Nilai ini didasarkan pada pengamatan secara visual yang dilakukan terhadap citra hasil proses skeletonisasi, dimana citra yang jika dilihat secara visual memiliki gerakan sama memiliki nilai ambang antara 1,15 sampai 1,25. Dengan menggunakan 5 nilai ambang tersebut didapatkan jumlah gerakan yang terdeteksi sama dari masing-masing tarian yang dikelompokkan berdasarkan penciptanya. Dari analisa terhadap hasil penelitian dapat disimpulkan bahwa kelompok tari ciptaan I Nyoman Kaler memiliki gerakan yang paling dinamis dengan variasi gerakan yang banyak dan memiliki tempo tarian yang paling cepat. Diurutan berikutnya adalah tari ciptaan I Ketut Merdana. Kelompok tari yang memiliki jenis gerakan yang sedikit dan tempo gerakan yang paling lambat adalah kelompok tari ciptaan N.L.N. Swasthi Wijaya Bandem. Terdapat gerakan yang sebenarnya berbeda namun terdeteksi sama dan sebaliknya terdapat pula gerakan yang sebenarnya sama namun tidak terdeteksi.
Abstract
Traditional dances play an important role in the order of Balinese lives. Dances are not only an entertainment but also means of religious ceremonies and tourism assets. There are many types of Balinese dance, but some of the maestro are gone. Technology is expected to contribute of the new dances creation. The objective of this study is to detect the similarity of movement patterns in Balinese dances choreography and to calculate the same movements of several Balinese dances grouped by creator. By finding the number of the same movements in several dances that was created by a maestro, the characteristics such as variations of movements and dance tempos can be identified. This research was conducted under the framework of Project COMPUDANCE (Computerization of Dances), the goal of this project is to create a new dance by identifiying the characteristics of each Balinese dance creator. The newly created dances must have a very high value because some maestros are gone. Dataset in this study are 8 types of Balinese dances come from 3 different maestros. They are Margapati Dance, Panji Semirang Dance and Wiranata Dance were created by I Nyoman Kaler; Cendrawasih Dance, Puspanjali Dance and Sekar Jagat Dance were created by N.L.N. Swasthi Wijaya Bandem; Wiranjaya Dance and Nelayan Dance were created by I Ketut Merdana. To detecting the similarity of movement patterns we use skeletonization method, then followed by extracting shape features of the skeleton images using HOG method. We use euclidean distance method to measure the level of image similarity, there are 5 threshold values that is 1.15, 1.18, 1.20, 1.22 and 1.25. This value was chosen by visual observations of the skeleton image, where an image that visually has the same movement has a threshold value between 1.15 to 1.25. By using these 5 threshold values, the number of same movements is obtained from each dance which is grouped based on its creator. From the result of this study, it was found that the dance created by I Nyoman Kaler has the most dynamic with many variations movement and has the fastest dance tempo. Next in line is the dance created by I Ketut Merdana. The dances with slowest tempo and fewest types of movement is created by N.L.N. Swasthi Wijaya Bandem. There are some different movements that detected as the same movements. Otherwise, there are same movements but not detected
Desain Penilaian Risiko Privasi pada Aplikasi Seluler Melalui Model Machine Learning Berbasis Ensemble Learning dan Multiple Application Attributes
Get PDFAplikasi berbasis Android banyak dikembangkan dan tersedia secara bebas di berbagai sumber aplikasi karena sistem operasi Android yang bersifat open-source. Namun, tidak semua penyedia aplikasi memberikan informasi detail mengenai aspek keamanan aplikasi, sehingga pengguna mengalami kesulitan untuk menilai dan memahami risiko keamanan privasi yang mereka hadapi. Pada penelitian ini kami mengusulkan desain penilaian risiko privasi melalui pendekatan analisis permission dan informasi atribut aplikasi. Kami menggunakan ensemble learning untuk mengatasi kelemahan dari penggunaan model klasifikasi tunggal. Penilaian likelihood dilakukan dengan mengombinasikan prediksi ensemble learning dan informasi multiple application attributes, sementara penilaian severity dilakukan dengan memanfaatkan jumlah dan karakteristik permission. Sebuah matriks risiko dibentuk untuk menghitung nilai risiko privasi aplikasi dan dataset CIC-AndMal2017 digunakan untuk mengevaluasi model ensemble learning dan desain penilaian risiko privasi. Hasil percobaan menunjukkan bahwa penerapan ensemble learning dengan algoritma klasifikasi Decision Tree (DT), K-Nearest Neighbor (KNN), dan Random Forest (RF) memiliki performa model yang lebih baik dibandingkan dengan menggunakan algoritma klasifikasi tunggal, dengan accuracy sebesar 95.2%, nilai precision 93.2%, nilai F1-score 92.4%, dan True Negative Rate (TNR) sebesar 97.6%. Serta, desain penilaian risiko mampu menilai aplikasi secara efektif dan objektif. AbstractSince the Android operating system is open-source, many Android-based applications are developed and freely available in app stores. However, not all developers of applications supply detailed information about the app\u27s security aspects, making it difficult for users to assess and understand the risk of privacy breaches they confront. We propose a privacy risk assessment design in this study using an analytical approach to app permissions and attribute information. We use ensemble learning to overcome the drawbacks of using a single classification model. The likelihood assessment is performed by combining ensemble learning predictions and information on multiple application attributes, while the severity assessment is performed by utilizing the number and characteristics of permissions. A risk matrix was created to calculate the value of application privacy risk, and the CIC-AndMal2017 dataset was used to evaluate the ensemble learning model and privacy risk assessment designs. The experimental results show that the application of ensemble learning with the Decision Tree (DT), K-Nearest Neighbor (KNN), and Random Forest (RF) classification algorithms provides better model performance compared to using a single classification algorithm, with an accuracy of 95.2%, a precision value of 93.2%, a F1-score of 92.4%, and a True Negative Rate (TNR) of 97.6%. In addition, the risk assessment design can to assess the application effectively and objectively.
Prediksi Tipe Kepribadian MBTI Artis K-Pop Berdasarkan Caption Instagram Menggunakan Word2Vec dan Long-Short Term Memory (LSTM)
Get PDFMyers-Briggs Type Indicator (MBTI) adalah metode pengujian psikologi yang membedakan kepribadian seseorang. MBTI termasuk pembagian tipe kepribadian yang paling populer di dunia, termasuk di Korea Selatan. Tren MBTI di Korea Selatan juga dimanfaatkan oleh para artis K-Pop untuk berbagi tipe MBTI sehingga bisa mendekatkan hubungan antara penggemar dan idolanya. Salah satu media sosial yang umum digunakan oleh artis K-Pop adalah Instagram. Penelitian ini mencoba membuat model klasikasi tipe kepribadian berdasarkan caption Instagram artis K-Pop menggunakan Word2Vec dan Long-Short Term Memory (LSTM). Terdapat 118.401 data caption yang sudah dibersihkan melalui serangkaian langkah pre-processing dari 458 artis. Distribusi tipe kepribadian menunjukkan bahwa target tidak seimbang sehingga perlu dilakukan penanganan yaitu penggeseran threshold yang dilakukan pasca pemodelan. Evaluasi kombinasi model menghasilkan nilai macro f1 0,65 pada data artis, dengan rincian model Extroversion-Introversion, Sensing-Intuition, Thinking-Feeling memiliki nilai macro f1 yang sama yaitu 0,88, sedangkan model Judging-Perceiving memiliki nilai macro f1 yang sedikit lebih baik yaitu 0,90. Model diimplementasikan dalam aplikasi web Streamlit agar penggemar K-Pop dapat menggunakannya untuk memprediksi tipe MBTI dengan masukan caption Instagram. Aplikasi web dievaluasi menggunakan kuesioner System Usability Scale (SUS) dan mendapatkan skor 84,55 sehingga sudah termasuk kategori acceptable.
Abstract
Myers-Briggs Type Indicator (MBTI) is a psychological test that distinguishes a person\u27s personality. The MBTI is one of the most popular personality types in the world, including South Korea. The MBTI trend in South Korea is also used by K-Pop artists to share their MBTI types so they could be closer to their fans. One of the social media commonly used by K-Pop artists is Instagram. This study tries to develop a personality type classification model based on Instagram captions of K-Pop artists using Word2Vec and Long-Short Term Memory (LSTM). There are 118,401 caption data that have been cleaned through a series of pre-processing steps from 458 artists. The distribution of personality types shows that the target is not balanced, so it is necessary to handle imbalanced data, namely shifting the threshold after modeling. Evaluation of the combination model yields a macro f1 value of 0.65 in the artist data, with the details of the Extroversion-Introversion, Sensing-Intuition, Thinking-Feeling models having the same macro f1 value of 0.88, while the Judging-Perceiving model has a slightly better macro f1 value of 0.90. The model is deployed in the Streamlit web application so that K-Pop fans can use it to predict the MBTI type by inputting Instagram captions. The web application is evaluated using the System Usability Scale (SUS) questionnaire and gets a score of 84.55 so it is considered acceptable
Analisis Sentimen untuk Identifikasi Bantuan Korban Bencana Alam berdasarkan Data di Twitter Menggunakan Metode K-Means dan Naive Bayes
Get PDFMedia sosial telah menjadi sarana yang umum bagi orang untuk mengekspresikan diri dan meminta bantuan ketika mereka mengalami musibah. Banyak korban bencana alam di Indonesia menggunakan Twitter untuk meminta bantuan seperti makanan, air bersih, dan lainnya. Penelitian ini bertujuan untuk melakukan analisis sentimen dari data Twitter untuk menentukan bantuan bagi korban bencana alam di Indonesia. Pada penelitian ini, metode K-Means dan Naïve Bayes dikombinasikan untuk melakukan analisis sentimen. Dalam penelitian ini, bantuan yang akan ditemukan adalah pakaian, makanan, air bersih, dan obat. Metode K-Means dipilih karena mudah digunakan dan mudah diimplementasikan, sementara metode Naïve Bayes digunakan karena menghasilkan nilai akurasi yang baik dalam klasifikasi. Hasil uji coba memperlihatkan bahwa kombinasi K-Means dan Naïve Bayes menghasilkan akurasi sebesar 76,46%, di mana akurasi tersebut lebih tinggi daripada implementasi Naïve Bayes saja, dengan akurasi sebesar 74,65%. Berdasarkan validasi yang dilakukan dengan Kepala Badan Penanggulangan Bencana Daerah (BPBD) di Kota Tarakan, sistem ini dapat membantu BPBD Kota Tarakan dalam memberikan bantuan yang tepat ke lokasi bencana.
Abstract
Social media has become a common place for people to express themselves and ask for help when they are going through a calamity. Many victims of natural disasters in Indonesia use Twitter to request assistance such as food, clean water, and others. Therefore, this study aims to conduct sentiment analysis from Twitter data to determine aid for victims of natural disasters in Indonesia. In this research, K-Means and Naïve Bayes methods will be combined for sentiment analysis. In this study, the assistance that will be found is clothing, food, clean water, and medicine. The K-Means method was chosen because it is easy to use and easy to implement, while the Naïve Bayes method was chosen because it has a good level of accuracy in classification. The results showed that the combination of K-Means and Naïve Bayes had a higher accuracy rate of 76.46%, compared to the use of Naïve Bayes alone, which was 74.65%. Based on the validation conducted with the Head of the Regional Disaster Management Agency (BPBD) in Tarakan City, this system can assist the Tarakan City BPBD in providing appropriate assistance to disaster locations
Analisis Perilaku Entitas untuk Pendeteksian Serangan Internal Menggunakan Kombinasi Model Prediksi Memori dan Metode PCA
Get PDFTingkat ketahanan siber di Indonesia terhitung rendah dibanding dengan negara lain di dunia, terbukti dengan masih banyaknya kejahatan siber yang terjadi, seperti pencurian data dan identitas, penipuan dan peretasan situs-situs institusi pemerintah maupun swasta yang melibatkan peran internal secara penuh maupun sebagian. Menangkis serangan dari luar jaringan institusi/organisasi relatif lebih mudah dilakukan dibandingkan dengan menangkis serangan kejahatan siber dari dalam jaringan. Serangan dari luar dapat dicegah menggunakan firewall, anti virus dan perangkat lunak khusus untuk pendeteksi penyusupan/malware. Penelitian ini bertujuan untuk membangun suatu model analisis perilaku entitas berazaskan Model Prediksi Memori (MPM) yang dikombinasikan dengan metode seleksi fitur principal component analysis (PCA) yang diimplementasikan untuk mendeteksi serangan/anomali siber yang melibatkan internal. Model prediksi memori yang terdiri dari 6 lapisan hirarki, mengenali masukan dari lapisan hirarki rendah ke lapisan hirarki tinggi kemudian dilakukan proses pencocokan dan menciptakan serangkaian ekspektasi dari lapisan hirarki tinggi ke rendah.. Setiap tingkat hierarki mengingat urutan pola masukan temporal yang sering diamati dan menghasilkan label atau \u27nama\u27 untuk urutan ini. Algoritma PCA diterapkan untuk mengurangi jumlah fitur trafik sehingga mempercepat proses deteksi, Data untuk percobaan diambil dari jaringan nyata dengan 150 pengguna dan data serangan flooding dari dataset MACCDC. Hasil eksperimen dalam suatu jaringan testbed menunjukkan hasil akurasi pendeteksian mencapai 94.01%, presisi 95.64%, Sensitivitas 99.28% dan F1-Score 96.08%. Model yang diusulkan (PCA-MPM) menunjukkan kemampuan menjalankan pembelajaran secara on-the-fly yang sangat diperlukan untuk mengenali perubahan fitur pada pola serangan yang sifatnya berevolusi dari waktu ke waktu. Pada gilirannya model ini dapat mendukung sistem pertahanan siber holistik yang sedang dikembangkan. Sistem yang sedang dikembangkan diharapkan dapat memenuhi kebutuhan dalam negeri akan teknologi siber untuk mengurangi ketergantungan dari negara lain karena dikembangkan secara lokal.
Abstract
Compared to other countries in the world, the level of cyber resilience in Indonesia is low as evidenced by the number of cybercrimes that occur, such as data and identity theft, fraud, and hacking of websites of government and private institutions that involve full or partial insider roles. Fending off attacks from outside the institutional or organizational network is relatively easier than fending off cybercrime attacks from within the network. External attacks can be prevented using firewalls, anti-virus software, and special software for intruder and malware detection. This study intention is to build a model for analyzing entity behavior using a memory prediction model and uses the principal component analysis (PCA) as a feature selection method and implement it to detect cyber-attacks and anomalies involving insiders. The memory-prediction model recognizes bottom-up inputs that matched in hierarchy and evokes a series of top-down expectations. Each hierarchy level remembers frequently observed temporal sequences of input patterns and generates labels or \u27names\u27 for these sequences. To accelerate the detection process, the PCA algorithm is deployed to reduce the number of significant features of the traffic. Data for the experiment was taken from a real network with 150 users accessing the network. The experimental results in a testbed network show that the detection accuracy reaches 94.01%, the precision is 95.64%, the sensitivity is 99.28%, and the F1-score is 96.08%. The proposed model (PCA-MPM) is also capable of performing on-the-fly learning where this capability is needed to recognize feature changes in attacks that evolve over time. In turn, this model can support a holistic cyber defense system that is being developed. The system being developed is expected to meet the domestic need for cyber technology and reduce dependence on other countries as it is developed locally
Penerapan Algoritma Support Vector Machine pada Analisis Sentimen Terhadap Identitas Kependudukan Digital
Get PDFIdentitas Kependudukan Digital merupakan inovasi yang dikeluarkan oleh pemerintah yang diklaim dapat menjadi solusi permasalahan pencetakan dan pendistribusian e-KTP. Pemerintah telah berkomitmen untuk mendukung upaya digitalisasi E-KTP menjadi Identitas Kependudukan Digital yang mana masyarakat harus ikut mendukung upaya digitalisasi ini. Kehadiran Identitas Kependudukan Digital telah menjadi sorotan publik yang menimbulkan pro dan kontra. Himpunan data penelitian berasal dari crawling komentar pengguna Facebook dari 16 Februari hingga 10 Maret 2023, dengan proses pengolahan menggunakan pembobotan kata TF-IDF dan algoritma Support Vector Machine. Python merupakan bahasa pemrograman yang dipilih untuk melakukan pengumpulan hingga pengolahan data penelitian. Dari 902 yang diproses, dihasilkan 78,27% negatif, 12,97 netral, dan 8,76% positif. Dengan menggunakan perbandingan data latih dan data uji sebesar 80:20, didapati nilai akurasi pada data uji yang dihasilkan oleh Support Vector Machine adalah 77%. Tingginya angka persentase negatif yang diperoleh menunjukkan ketidakpuasan masyarakat terhadap Identitas Kependudukan Digital, dan diharapkan adanya penelitian ini dapat menjadi informasi bagi pihak-pihak terkait guna perbaikan di masa mendatang.
Abstract
Identitas Kependudukan Digital is an innovation issued by the government which is claimed to be a solution to the problem of printing and distributing e-KTP. The government has committed to supporting efforts to digitize E-KTP into Identitas Kependudukan Digital which the public must participate in supporting this digitization effort. The presence of Identitas Kependudukan Digital has been in the public spotlight which raises pros and cons. The research dataset comes from crawling Facebook user comments from February 16 to March 10, 2023, with processing using TF-IDF word weighting and Support Vector Machine algorithms. Python is the programming language chosen to collect and process research data. Of the 902 processed, 78.27% were negative, 12.97 were neutral, and 8.76% were positive. Using a comparison of training data and test data of 80:20, it was found that the accuracy value of the test data produced by the Support Vector Machine was 77%. The high number of negative percentages obtained shows public dissatisfaction with Digital Population Identity, and it is hoped that this research can be an information for related parties for future improvements
Automated Essay Scoring Menggunakan Semantic Textual Similarity Berbasis Transformer Untuk Penilaian Ujian Esai
Get PDFUjian berbasis esai seringkali digunakan untuk menguji pemahaman siswa dalam menyelesaikan permasalahan. Tak terkecuali dalam pelaksanaan ujian di Politeknik Statistika STIS. Dalam melakukan penilaian pada jawaban tipe ini, dibutuhkan waktu serta tenaga yang besar, dan sering kali menimbulkan ketidakkonsistenan dalam penilaian. Hal ini dapat terjadi salah satunya karena perbedaan cara penilaian yang dilakukan oleh orang yang berbeda. Oleh karena itu diperlukan penyelesaian yang bisa mengefektifkan waktu, tenaga serta menjaga kekonsistenan aspek penilaian, diantaranya yaitu dengan automated essay scoring (AES). AES merupakan suatu model yang dilatih untuk menilai suatu esai secara otomatis berdasarkan kemiripan jawaban dengan kunci jawaban. Pada penelitian ini, metode yang diusulkan untuk menghitung kemiripan semantik teks berbahasa Indonesia antara jawaban esai dan kunci jawabannya yaitu model berbasis Transformers IndoBERT. Sebagai baseline, digunakan teknik ekstraksi fitur Term Frequency - Inverse Document Frequency (TF-IDF) dan penghitungan kemiripan fitur menggunakan cosine similarity dan linear regression. Selanjutnya nilai kemiripan tersebut dikonversi ke rentang nilai yang diinginkan sebagai prediksi nilai dari setiap esai. Berdasarkan hasil evaluasi, diperoleh bahwa model fine-tuned IndoBERT merupakan model terbaik dengan nilai MAE dan RMSE sebesar 0.1285 dan 0.2001.
Abstract
Essay-based exams are often used to test students’ understanding of solving problems. However, assessing this type of answer takes a lot of time and effort and often results in inconsistencies. One of the reasons is the different ways between people while doing the assessment. Therefore, a solution is needed to streamline time, effort, and maintain consistency in aspects of assessment, including automated essay scoring (AES). AES is a model trained to assess an essay automatically based on the similarity of answers with the answer key. In this study, the method proposed to calculate the semantic similarity of Indonesian text between essay answers and answer keys is a model based on the Transformer BERT. As a baseline, the Term Frequency – Inverse Document Frequency (TF-IDF) feature extraction technique is used and calculating feature similarity using cosine similarity and linear regression. Then the similarity value is converted to the desired range of values as the predicted value of each essay. Based on the evaluation results, it was found that the fine-tuned IndoBERT model was the best model, with MAE and RMSE values of 0.1285 and 0.2001
Pengembangan Deep Learning untuk Sistem Deteksi Dini Komplikasi Kaki Diabetik Menggunakan Citra Termogram
Get PDFPrevalensi komplikasi kaki diabetik secara global mencapai 66% dengan resiko amputasi 20 kali lebih tinggi pada pasien diabetes mellitus. Tindakan pencegahan melalui deteksi dini komplikasi kaki diabetik mutlak dilakukan untuk meminimalisasi resiko amputasi. Penelitian sebelumnya menunjukkan validitas dan akurasi yang tinggi (mencapai 100%) dari sistem deteksi dini komplikasi kaki diabetik menggunakan termografi berbasis kecerdasan buatan. Namun sebagian besar penelitian tersebut terlalu berfokus pada peningkatan performa dan tidak memperhatikan aspek biaya komputasi yang berperan penting pada proses deployment model. Pada penelitian ini dirancang empat model deep convolutional neural network dengan prinsip Occam’s razor melalui pengaturan hyperparameter pada aspek struktur algoritma berupa jumah layer dan aspek optimasi berupa tipe optimizer. Penelitian bertujuan mengembangkan algoritma deep convolutional neural network untuk menghasilkan sistem deteksi dini komplikasi kaki diabetik dengan biaya komputasi terendah (jumlah parameter paling sedikit) dan mempertahankan kemampuan deteksi tetap tinggi (nilai rata-rata parameter evaluasi tertinggi). Data yang digunakan merupakan data primer berupa citra termogram telapak kaki dari RSUP. Dr. Sardjito Yogyakarta yang terdiri dari 20 subjek diabetes mellitus dan 20 subjek kontrol (sehat). Pengambilan data primer dilakukan menggunakan kamera thermal merek HIKMICRO B20 dengan resolusi inframerah 256x192 yang telah memenuhi standar internasional (IACT) untuk menghasilkan citra termogram dua dimensi. Hasil penelitian menunjukkan model 4 dengan Adam optimizer dan pengaturan hyperparameter tertentu merupakan model terbaik dengan jumlah parameter model paling sedikit yaitu 1.570.594 juta dan nilai rata-rata parameter evaluasi tetap tinggi sebesar 96%. Selain arsitektur deep convolutional neural network model 4, kontribusi penelitian yang didapatkan dari penelitian ini adalah penggunaan variasi ukuran filter 3x3, 2x2, dan 1x1 dengan jumlah convolutional layer yang tetap dan pengurangan jumlah hidden layer pada struktur algoritma mampu menurunkan jumlah parameter model dengan tetap mempertahankan kemampuan deteksi yang tinggi. Selain itu penelitian yang dilakukan merupakan penelitian pembuka atau pendahuluan mengenai perancangan sistem deteksi dini komplikasi kaki diabetik menggunakan termografi berbasis kecerdasan buatan deep learning di Indonesia.
Abstract
The prevalence of diabetic foot complications globally reaches 66% with a 20 times higher risk of amputation in patients with diabetes mellitus. Preventive measures through early detection of diabetic foot complications are necessary to minimize the risk of amputation. Previous studies have shown high validity and accuracy (up to 100%) of the early detection system of diabetic foot complications using artificial intelligence-based thermography. However, most of these studies focused too much on improving performance and did not pay attention to the computational cost aspect. In this study, four deep convolutional neural network models were designed with Occam\u27s razor principle through hyperparameter settings on the algorithm structure aspect in the form of number of layers and optimization aspect in the form of optimizer type. The research aims to develop a deep convolutional neural network algorithm to produce an early detection system for diabetic foot complications with the lowest computational cost (least number of parameters) and maintain high detection capability (highest average value of evaluation parameters). The data used is primary data in the form of foot thermogram images from the General Hospital. Dr. Sardjito Yogyakarta consisting of 20 diabetes mellitus subjects and 20 control (healthy) subjects. Primary data collection was carried out using a thermal camera brand HIKMICRO B20 with 256x192 infrared resolution that has met international standards (IACT) to produce a two-dimensional color thermogram image. The results show that model 4 with Adam optimizer and certain hyperparameter settings is the best model with the least number of model parameters, namely 1,570,594 million and the average value of evaluation parameters remains high at 96%. In addition to the deep convolutional neural network architecture model 4, the research contribution obtained from this research is the use of filter size variations of 3x3, 2x2, and 1x1 with a fixed number of convolutional layers and a reduction in the number of hidden layers in the algorithm structure can reduce the number of model parameters while maintaining high detection capability. In addition, the research conducted can be an opening or preliminary research on the design of an early detection system for diabetic foot complications using deep learning artificial intelligence-based thermography in Indonesia
Transformasi Kota Cerdas dalam Mitigasi Banjir: Pemodelan Curah Hujan DKI Jakarta dengan Pendekatan Spatial Vector Autoregressive (SpVAR) dan Pemetaan Bobot Queen Contiguity
Get PDFPerubahan iklim dan cuaca ekstrem menjadi tantangan global, termasuk di Indonesia, dengan peningkatan banjir di DKI Jakarta. Penanggulangan membutuhkan peramalan curah hujan yang akurat. Model VAR digunakan untuk memahami hubungan variabel cuaca. Namun, data deret waktu sering memiliki dimensi spasial. Oleh karena itu, dikembangkan model Spatial Vector Autoregressive (SpVAR) yang mempertimbangkan dimensi spasial dan waktu. Pembobot queen contiguity digunakan untuk representasi yang lebih akurat. Penelitian ini memanfaatkan data BPS DKI Jakarta dari Januari 2017 hingga Desember 2021. Hasilnya menunjukkan pengaruh spasial dalam model SpVAR (1,3) dengan bobot queen contiguity. Curah hujan, suhu, dan kelembaban udara saling mempengaruhi di wilayah diprediksi dan lainnya. Model ini penting dalam strategi mitigasi banjir dan kebijakan kota cerdas untuk mengurangi risiko banjir di DKI Jakarta.
Abstract
Climate change and extreme weather pose global challenges, including in Indonesia, leading to increased floods in DKI Jakarta. Addressing this requires accurate rainfall forecasts. The VAR model is used to understand the relationships between weather variables. However, time series data often have spatial dimensions. Therefore, a Spatial Vector Autoregressive (SpVAR) model has been developed considering both spatial and temporal dimensions. Queen contiguity weighting is used for more accurate representation. This study utilizes BPS DKI Jakarta data from January 2017 to December 2021. The results show spatial influence in the SpVAR (1,3) model with queen contiguity weighting. Rainfall, temperature, and humidity mutually influence predicted and other areas. This model is crucial for flood mitigation strategies and smart city policies to reduce flood risks in DKI Jakarta