Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Optimasi Klasifikasi Gaya Belajar Mahasiswa Inklusif Berdasarkan Model VAK dengan Stratified Split dan Multilayer Perceptron
Get PDFIdentifikasi gaya belajar mahasiswa dengan mempertimbangkan fitur disabilitas memiliki peran penting dalam menciptakan pengalaman belajar yang inklusif dan personal. Namun, ketidakseimbangan data dalam kategori gaya belajar dan disabilitas menimbulkan tantangan yang signifikan bagi model klasifikasi. Penelitian ini bertujuan mengatasi tantangan tersebut dengan menerapkan teknik stratified split untuk menjaga keseimbangan distribusi kelas, khususnya pada variabel disabilitas dan gaya belajar. Algoritma Random Forest dan Multilayer Perceptron (MLP) digunakan untuk mengklasifikasikan gaya belajar mahasiswa berdasarkan model Visual, Auditory, dan Kinesthetic (VAK). Data yang digunakan berasal dari Open University Learning Analytics Dataset (OULAD), yang diproses melalui penggabungan data, pengkodean label, dan transformasi fitur untuk meningkatkan kinerja model. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model MLP mencapai kinerja sempurna dengan skor 100% pada semua metrik, sementara Random Forest menunjukkan performa sangat baik dengan skor 99%. Implementasi stratified split terbukti efektif dalam menjaga keseimbangan distribusi data, memastikan representasi yang memadai untuk semua kelas, termasuk mahasiswa dengan disabilitas. Penelitian ini memberikan kontribusi penting dalam mengembangkan model klasifikasi gaya belajar yang lebih akurat dan mendukung pendekatan pembelajaran yang lebih inklusif.
Abstract
Identifying students\u27 learning styles by considering disability features plays an important role in creating an inclusive and personalized learning experience. However, the imbalance of data in learning style and disability categories poses significant challenges for classification models. This research aims to overcome these challenges by applying a stratified split technique to maintain a balanced class distribution, especially in the disability and learning style variables. Random Forest and Multilayer Perceptron (MLP) algorithms are used to classify student learning styles based on the Visual, Auditory, and Kinesthetic (VAK) model. The data used comes from the Open University Learning Analytics Dataset (OULAD), which is processed through data merging, label coding, and feature transformation to improve model performance. Model evaluation was conducted using accuracy, precision, recall, and F1-score metrics. The results showed that the MLP model achieved perfect performance with a score of 100% on all metrics, while Random Forest showed excellent performance with a score of 99%. The implementation of stratified split proved effective in maintaining the balance of data distribution, ensuring adequate representation for all classes, including students with disabilities. This research makes an important contribution in developing more accurate learning style classification models and supporting more inclusive learning approaches.Identifikasi gaya belajar mahasiswa dengan mempertimbangkan fitur disabilitas memiliki peran penting dalam menciptakan pengalaman belajar yang inklusif dan personal. Namun, ketidakseimbangan data dalam kategori gaya belajar dan disabilitas menimbulkan tantangan yang signifikan bagi model klasifikasi. Penelitian ini bertujuan mengatasi tantangan tersebut dengan menerapkan teknik stratified split untuk menjaga keseimbangan distribusi kelas, khususnya pada variabel disabilitas dan gaya belajar. Algoritma Random Forest dan Multilayer Perceptron (MLP) digunakan untuk mengklasifikasikan gaya belajar mahasiswa berdasarkan model Visual, Auditory, dan Kinesthetic (VAK). Data yang digunakan berasal dari Open University Learning Analytics Dataset (OULAD), yang diproses melalui penggabungan data, pengkodean label, dan transformasi fitur untuk meningkatkan kinerja model. Evaluasi model dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil penelitian menunjukkan bahwa model MLP mencapai kinerja sempurna dengan skor 100% pada semua metrik, sementara Random Forest menunjukkan performa sangat baik dengan skor 99%. Implementasi stratified split terbukti efektif dalam menjaga keseimbangan distribusi data, memastikan representasi yang memadai untuk semua kelas, termasuk mahasiswa dengan disabilitas. Penelitian ini memberikan kontribusi penting dalam mengembangkan model klasifikasi gaya belajar yang lebih akurat dan mendukung pendekatan pembelajaran yang lebih inklusif.
Abstract
Identifying students\u27 learning styles by considering disability features plays an important role in creating an inclusive and personalized learning experience. However, the imbalance of data in learning style and disability categories poses significant challenges for classification models. This research aims to overcome these challenges by applying a stratified split technique to maintain a balanced class distribution, especially in the disability and learning style variables. Random Forest and Multilayer Perceptron (MLP) algorithms are used to classify student learning styles based on the Visual, Auditory, and Kinesthetic (VAK) model. The data used comes from the Open University Learning Analytics Dataset (OULAD), which is processed through data merging, label coding, and feature transformation to improve model performance. Model evaluation was conducted using accuracy, precision, recall, and F1-score metrics. The results showed that the MLP model achieved perfect performance with a score of 100% on all metrics, while Random Forest showed excellent performance with a score of 99%. The implementation of stratified split proved effective in maintaining the balance of data distribution, ensuring adequate representation for all classes, including students with disabilities. This research makes an important contribution in developing more accurate learning style classification models and supporting more inclusive learning approaches
Pengoptimalan Gerakan Lengan Prostetik Bionik Menggunakan Decision Based Velocity Ramp
Get PDFDi seluruh dunia, terdapat 57,7 juta individu yang kehilangan lengan mereka dan menghadapi hambatan dalam melakukan tugas sehari-hari. Saat ini, lengan prostetik bionik telah dikembangkan salah satunya yaitu "Sistem Pengenalan Pergerakan Prostetik Tangan Bionik Bawah Siku Menggunakan Metode K-Nearest Neighbor berbasis sinyal Electromyography" (Adani, M. S., Widasari, E.R., 2023). Namun, penelitian tersebut memiliki beberapa keterbatasan dalam kecepatan dan posisi sudut servo. Untuk mengatasi masalah ini, penelitian ini mengusulkan penggunaan Decision Based Velocity Ramp (DBVR) sebagai metode post-processing untuk memperbaiki kecepatan servo dalam mencapai posisi target dan meningkatkan presisi sudut posisi target servo. Hasil menunjukkan bahwa pembacaan sensor Myoware memiliki tingkat akurasi yang sangat tinggi hingga 100%, dengan nilai minimum 0.18V dan maksimum 2.84V untuk seluruh gerakan lengan prostetik bionik. Kemudian, kecepatan servo meningkat secara signifikan sebesar 74.16%. Servo dengan menggunakan DBVR berhasil mencapai posisi sudut target dengan tingkat keberhasilan rata-rata 92%, dimana lebih baik 16% dibandingkan dengan servo tanpa penerapan DBVR. Oleh karena itu, penggunaan DBVR telah terbukti efektif dalam meningkatkan kecepatan dan akurasi servo dalam mencapai posisi sudut target pada seluruh gerakan lengan prostetik bionik, meliputi gerakan buka, gerakan genggam, gerakan sip, gerakan ok-tengah, gerakan cool, gerakan spiderman, gerakan pistol dan gerakan tengah.
Abstract
Globally, there are 57.7 million individuals who have lost their arms and face challenges in performing daily tasks. Currently, bionic prosthetic arms have been developed, one of which is the "Recognition System for Bionic Forearm Prosthetic Hand Movements Using K-Nearest Neighbor Method Based on Electromyography Signal" (Adani, M. S., Widasari, E.R., 2023). However, this research has some limitations in terms of speed and servo angle positions. To address this issue, this study proposes the use of Decision Based Velocity Ramp (DBVR) as a post-processing method to improve the servo speed in reaching target positions and enhance the precision of target servo angle positions. The results indicate that Myoware sensor readings have a very high accuracy level, up to 100%, with a minimum value of 0.18V and a maximum of 2.84V for all bionic prosthetic arm movements. Furthermore, the servo speed increased significantly by 74.16%. Servo, when using DBVR, successfully reached the target angle positions with an average success rate of 92%, which is 16% better compared to servo without the implementation of DBVR. Therefore, the use of DBVR has proven to be effective in improving the speed and accuracy of the servo in reaching target angle positions for all bionic prosthetic arm movements, including open movement, grip movement, sip movement, ok-middle movement, cool movement, spiderman movement, pistol movement, and middle movement.Di seluruh dunia, terdapat 57,7 juta individu yang kehilangan lengan mereka dan menghadapi hambatan dalam melakukan tugas sehari-hari. Saat ini, lengan prostetik bionik telah dikembangkan salah satunya yaitu "Sistem Pengenalan Pergerakan Prostetik Tangan Bionik Bawah Siku Menggunakan Metode K-Nearest Neighbor berbasis sinyal Electromyography" (Adani, M. S., Widasari, E.R., 2023). Namun, penelitian tersebut memiliki beberapa keterbatasan dalam kecepatan dan posisi sudut servo. Untuk mengatasi masalah ini, penelitian ini mengusulkan penggunaan Decision Based Velocity Ramp (DBVR) sebagai metode post-processing untuk memperbaiki kecepatan servo dalam mencapai posisi target dan meningkatkan presisi sudut posisi target servo. Hasil menunjukkan bahwa pembacaan sensor Myoware memiliki tingkat akurasi yang sangat tinggi hingga 100%, dengan nilai minimum 0.18V dan maksimum 2.84V untuk seluruh gerakan lengan prostetik bionik. Kemudian, kecepatan servo meningkat secara signifikan sebesar 74.16%. Servo dengan menggunakan DBVR berhasil mencapai posisi sudut target dengan tingkat keberhasilan rata-rata 92%, dimana lebih baik 16% dibandingkan dengan servo tanpa penerapan DBVR. Oleh karena itu, penggunaan DBVR telah terbukti efektif dalam meningkatkan kecepatan dan akurasi servo dalam mencapai posisi sudut target pada seluruh gerakan lengan prostetik bionik, meliputi gerakan buka, gerakan genggam, gerakan sip, gerakan ok-tengah, gerakan cool, gerakan spiderman, gerakan pistol dan gerakan tengah.
Abstract
Globally, there are 57.7 million individuals who have lost their arms and face challenges in performing daily tasks. Currently, bionic prosthetic arms have been developed, one of which is the "Recognition System for Bionic Forearm Prosthetic Hand Movements Using K-Nearest Neighbor Method Based on Electromyography Signal" (Adani, M. S., Widasari, E.R., 2023). However, this research has some limitations in terms of speed and servo angle positions. To address this issue, this study proposes the use of Decision Based Velocity Ramp (DBVR) as a post-processing method to improve the servo speed in reaching target positions and enhance the precision of target servo angle positions. The results indicate that Myoware sensor readings have a very high accuracy level, up to 100%, with a minimum value of 0.18V and a maximum of 2.84V for all bionic prosthetic arm movements. Furthermore, the servo speed increased significantly by 74.16%. Servo, when using DBVR, successfully reached the target angle positions with an average success rate of 92%, which is 16% better compared to servo without the implementation of DBVR. Therefore, the use of DBVR has proven to be effective in improving the speed and accuracy of the servo in reaching target angle positions for all bionic prosthetic arm movements, including open movement, grip movement, sip movement, ok-middle movement, cool movement, spiderman movement, pistol movement, and middle movement
Simulasi Pemodelan Jalur Semiparametrik Truncated Spline pada Kasus Perkembangan Cashless Society
Get PDFSimulasi merupakan suatu proses merancang model matematis dari sistem yang nyata dengan cara melakukan percobaan terhadap model menggunakan komputer. Pada penelitian ini simulasi untuk memodelkan kasus perkembangan cashless society karena adanya keterbatasan ketersediaan data asli. Pemodelan simulasi dilakukan berdasarkan hasil analisis data asli yang menggunakan analisis jalur semiparametrik truncated spline. Data asli yang digunakan merupakan hasil kuesioner dengan responden sebanyak 100 nasabah bank pengguna m-banking. Perkembangan cashless society merupakan topik yang menarik untuk diteliti karena di Indonesia sendiri terdapat perubahan kebiasaan masyarakat dalam bertransaksi menggunakan non-tunai semenjak mewabahnya virus COVID-19. Hasil penelitian menunjukkan bahwa skenario model yang dapat dijadikan acuan untuk pengambilan keputusan terkait perkembangan cashless society adalah kombinasi model semiparametrik truncated spline berordo linier dengan dua titik knot di mana hanya terdapat satu hubungan nonparametrik pada model. Hasil penelitian dijadikan acuan oleh pemerintah terkhusus pihak bank untuk mendukung perkembangan cashless society.
Abstract
Simulation is a process of designing a mathematical model of a real system by conducting experiments on the model using a computer. In this study, a simulation is used to model the case of the development of a cashless society due to the limited availability of original data. Simulation modeling was carried out based on the results of original data analysis using truncated spline semiparametric path analysis.The original data used was the result of a questionnaire with respondents of 100 bank customers using m-banking. The development of a cashless society is an interesting topic to study because in Indonesia itself there has been a change in people\u27s habits in transacting using non-cash since the outbreak of the COVID-19 virus. The results show that the model scenario that can be used as a reference for decision-making related to the development of a cashless society is a combination of a semiparametric truncated spline model of a linear order with two knots where there is only one nonparametric relationship in the model. The results of the research are used as a reference by the government, especially the bank to support the development of a cashless society
Pembuka Kunci Pintu Ruang Isolasi Mandiri Menggunakan Suhu Tubuh Dengan Notifikasi Foto Menggunakan Konsep IoT
Get PDFKedisiplinan dan pengetahuan setiap warga dalam menjalani isolasi mandiri berbeda–beda ada warga yang patuh terhadap protokol isolasi mandiri dan ada warga yang tidak peduli dengan kesehatan dirinya sendiri dan kesehatan orang lain. Banyaknya jumlah penderita COVID-19 khususnya penderita yang memiliki gejala ringan disarankan untuk menjalankan isolasi mandiri di rumah. Tujuan dari penelitian ini adalah merancang pembuka kunci pintu menggunakan suhu tubuh bagi pasien isolasi mandiri agar tidak bebas keluar dari ruang isolasi sehingga orang yang menjalani isolasi mandiri dapat tertib menjalankan prosedur isolasi mandiri. Pembuatan alat pembuka kunci pintu ruang isolasi mandiri ini menggunakan komponen elektronik utama yaitu Sensor Mlx yang digunakan untuk mendeteksi suhu tubuh pasien, Nodemcu yang berfungsi untuk memprogram sistem menjadi IoT yang tersambung ke solenoid doorlock. LCD digunakan untuk menampilkan output hasil pengukuran suhu tubuh. ESP32 Cam untuk mendeteksi objek dan hasilnya ditampilkan sebagai objek foto untuk mengetahui siapa yang mengakses kunci pintu ruang isolasi mandiri. Alat ini dapat mendeteksi suhu tubuh yang hasilnya dapat dilihat melalui smartphone, apabila suhu orang yang isolasi mandiri >37,5ºC maka solenoid doorlock akan mengunci sehingga orang tersebut tidak bebas keluar ruangan. Dengan menggunakan ESP32 Cam dapat diketahui siapa yang mengakses kunci pintu ruang isolasi mandiri yang ditampilkan dalam objek foto pada smartphone melalui aplikasi Blynk.
Abstract
The discipline and knowledge of each resident in undergoing self-isolation is different, there are residents who comply with the self-isolation protocol and there are residents who don\u27t care about their own health and the health of others. The large number of COVID-19 sufferers, especially sufferers who have mild symptoms, are advised to self-isolate at home. The aim of this research is to design a door lock opener using body temperature for self-isolated patients so that they are not free to leave the isolation room so that people undergoing self-isolation can carry out self-isolation procedures in an orderly manner. Making this self-isolation room door unlocking tool uses the main electronic components, namely the Mlx Sensor which is used to detect the patient\u27s body temperature, Nodemcu which functions to program the system into IoT which is connected to the doorlock solenoid. The LCD is used to display the output of body temperature measurement results. ESP32 Cam to detect objects and the results are displayed as photo objects to find out who accessed the self-isolation room door lock. This tool can detect body temperature, the results of which can be seen via a smartphone. If the temperature of a person in self-isolation is >37.5ºC, the doorlock solenoid will lock so that the person is not free to leave the room. By using the ESP32 Cam, you can find out who accessed the door key to the self-isolation room which is displayed in the photo object on the smartphone via the Blynk application.Kedisiplinan dan pengetahuan setiap warga dalam menjalani isolasi mandiri berbeda–beda ada warga yang patuh terhadap protokol isolasi mandiri dan ada warga yang tidak peduli dengan kesehatan dirinya sendiri dan kesehatan orang lain. Banyaknya jumlah penderita COVID-19 khususnya penderita yang memiliki gejala ringan disarankan untuk menjalankan isolasi mandiri di rumah. Tujuan dari penelitian ini adalah merancang pembuka kunci pintu menggunakan suhu tubuh bagi pasien isolasi mandiri agar tidak bebas keluar dari ruang isolasi sehingga orang yang menjalani isolasi mandiri dapat tertib menjalankan prosedur isolasi mandiri. Pembuatan alat pembuka kunci pintu ruang isolasi mandiri ini menggunakan komponen elektronik utama yaitu Sensor Mlx yang digunakan untuk mendeteksi suhu tubuh pasien, Nodemcu yang berfungsi untuk memprogram sistem menjadi IoT yang tersambung ke solenoid doorlock. LCD digunakan untuk menampilkan output hasil pengukuran suhu tubuh. ESP32 Cam untuk mendeteksi objek dan hasilnya ditampilkan sebagai objek foto untuk mengetahui siapa yang mengakses kunci pintu ruang isolasi mandiri. Alat ini dapat mendeteksi suhu tubuh yang hasilnya dapat dilihat melalui smartphone, apabila suhu orang yang isolasi mandiri >37,5ºC maka solenoid doorlock akan mengunci sehingga orang tersebut tidak bebas keluar ruangan. Dengan menggunakan ESP32 Cam dapat diketahui siapa yang mengakses kunci pintu ruang isolasi mandiri yang ditampilkan dalam objek foto pada smartphone melalui aplikasi Blynk.
Abstract
The discipline and knowledge of each resident in undergoing self-isolation is different, there are residents who comply with the self-isolation protocol and there are residents who don\u27t care about their own health and the health of others. The large number of COVID-19 sufferers, especially sufferers who have mild symptoms, are advised to self-isolate at home. The aim of this research is to design a door lock opener using body temperature for self-isolated patients so that they are not free to leave the isolation room so that people undergoing self-isolation can carry out self-isolation procedures in an orderly manner. Making this self-isolation room door unlocking tool uses the main electronic components, namely the Mlx Sensor which is used to detect the patient\u27s body temperature, Nodemcu which functions to program the system into IoT which is connected to the doorlock solenoid. The LCD is used to display the output of body temperature measurement results. ESP32 Cam to detect objects and the results are displayed as photo objects to find out who accessed the self-isolation room door lock. This tool can detect body temperature, the results of which can be seen via a smartphone. If the temperature of a person in self-isolation is >37.5ºC, the doorlock solenoid will lock so that the person is not free to leave the room. By using the ESP32 Cam, you can find out who accessed the door key to the self-isolation room which is displayed in the photo object on the smartphone via the Blynk application
Peningkatan Akurasi Sistem Pemantauan Suhu Dan Kelembapan Pada Laboratorium Pengujian Benih Tanaman Menggunakan Inversi Regresi Linier
Get PDFLaboratorium uji benih memerlukan informasi suhu dan kelembapan ruang untuk menjaga kualitas proses pengujian benih. Saat ini, laboran mencatat parameter lingkungan dua kali sehari pada pukul 9.00 dan 14.00 dengan menggunakan alat ukur terkalibrasi. Namun, metode ini tidak mencakup data di luar jam kerja atau pada hari libur, sehingga tidak memenuhi persyaratan pencatatan kontinu yang diwajibkan oleh Komite Akreditasi Nasional (KAN). Penelitian ini bertujuan untuk mengembangkan sistem pemantauan kualitas udara berbasis IoT yang mampu mencatat suhu dan kelembapan secara kontinu tanpa keterbatasan waktu serta memastikan akurasi data dengan mekanisme kalibrasi menggunakan metode inversi regresi linier. Sistem ini menampilkan data langsung pada layar OLED, menyimpan data di media microSD, dan mengunggahnya ke lembar kerja daring untuk pemantauan dan analisis lebih lanjut. Hasil pengujian menunjukkan bahwa sistem memiliki tingkat akurasi pengukuran sebesar 98% untuk suhu dan 97% untuk kelembapan setelah menggunakan inversi regresi linier dengan menggunakan 15 data. Dengan demikian, sistem ini mampu menggantikan metode pencatatan manual yang terbatas dan memenuhi persyaratan pencatatan kontinu dari KAN.
Abstract
Seed testing laboratories require temperature and humidity information to maintain the quality of seed testing processes. Currently, laboratory staff record environmental parameters twice daily at 9:00 AM and 2:00 PM using calibrated measuring instruments. However, this method does not cover data outside working hours or during holidays, thus failing to meet the continuous recording requirements mandated by the National Accreditation Committee (KAN). This study aims to develop an IoT-based air quality monitoring system capable of recording temperature and humidity continuously without time constraints while ensuring data accuracy through a calibration mechanism using the linear regression inversion method. The system displays real-time data on an OLED screen, stores data on a microSD card, and uploads it to an online spreadsheet for further monitoring and analysis. The test results show that the system achieves a measurement accuracy of 98% for temperature and 97% for humidity after applying the linear regression inversion method by using 15 data. Thus, the system can replace the limited manual recording method and meet the continuous recording requirements set by the KAN.Laboratorium uji benih memerlukan informasi suhu dan kelembapan ruang untuk menjaga kualitas proses pengujian benih. Saat ini, laboran mencatat parameter lingkungan dua kali sehari pada pukul 9.00 dan 14.00 dengan menggunakan alat ukur terkalibrasi. Namun, metode ini tidak mencakup data di luar jam kerja atau pada hari libur, sehingga tidak memenuhi persyaratan pencatatan kontinu yang diwajibkan oleh Komite Akreditasi Nasional (KAN). Penelitian ini bertujuan untuk mengembangkan sistem pemantauan kualitas udara berbasis IoT yang mampu mencatat suhu dan kelembapan secara kontinu tanpa keterbatasan waktu serta memastikan akurasi data dengan mekanisme kalibrasi menggunakan metode inversi regresi linier. Sistem ini menampilkan data langsung pada layar OLED, menyimpan data di media microSD, dan mengunggahnya ke lembar kerja daring untuk pemantauan dan analisis lebih lanjut. Hasil pengujian menunjukkan bahwa sistem memiliki tingkat akurasi pengukuran sebesar 98% untuk suhu dan 97% untuk kelembapan setelah menggunakan inversi regresi linier dengan menggunakan 15 data. Dengan demikian, sistem ini mampu menggantikan metode pencatatan manual yang terbatas dan memenuhi persyaratan pencatatan kontinu dari KAN.
Abstract
Seed testing laboratories require temperature and humidity information to maintain the quality of seed testing processes. Currently, laboratory staff record environmental parameters twice daily at 9:00 AM and 2:00 PM using calibrated measuring instruments. However, this method does not cover data outside working hours or during holidays, thus failing to meet the continuous recording requirements mandated by the National Accreditation Committee (KAN). This study aims to develop an IoT-based air quality monitoring system capable of recording temperature and humidity continuously without time constraints while ensuring data accuracy through a calibration mechanism using the linear regression inversion method. The system displays real-time data on an OLED screen, stores data on a microSD card, and uploads it to an online spreadsheet for further monitoring and analysis. The test results show that the system achieves a measurement accuracy of 98% for temperature and 97% for humidity after applying the linear regression inversion method by using 15 data. Thus, the system can replace the limited manual recording method and meet the continuous recording requirements set by the KAN
Klasifikasi Katarak Berdasarkan Optic Disc Citra Fundus Smartphone: Perbandingan Ekstraksi Ciri Tekstur Dan Metode Neural Network
Get PDFbiaya tinggi pemeriksaan sering kali menjadi hambatan, terutama di Indonesia. Kamera fundus konvensional, meskipun efektif, memiliki harga yang mahal dan kurang portabel, membatasi aksesibilitas di daerah terpencil. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi katarak otomatis menggunakan kamera fundus berbasis smartphone, yang menawarkan solusi lebih ekonomis dan portabel dibandingkan perangkat konvensional. Penelitian ini mengevaluasi kinerja tiga algoritma jaringan syaraf tiruan yaitu, Backpropagation Neural Network (BPNN), Probabilistic Neural Network (PNN), dan Radial Basis Function Neural Network (RBFNN), dalam klasifikasi katarak. Metode penelitian meliputi pra-pengolahan citra, segmentasi optic disc, ekstraksi ciri tekstur menggunakan Gray-Level Co-occurrence Matrix (GLCM) dan Filter Gabor, serta klasifikasi tingkat keparahan katarak ke dalam empat kategori, yaitu retina normal, katarak ringan (mild), katarak sedang (medium), dan katarak berat (severe). Hasil pelatihan menunjukkan rerata nilai akurasi sistem sebesar 96,35%, dengan kinerja terbaik pada ekstraksi ciri GLCM menggunakan PNN (100%) dan Filter Gabor menggunakan PNN (96,88%). Sensitivitas tertinggi dalam pelatihan dicapai oleh metode GLCM dan PNN (100%) untuk kategori katarak normal dan berat. Pada pengujian, sistem mencapai nilai rerata akurasi sebesar 77,98%, dengan hasil terbaik pada ekstraksi ciri GLCM menggunakan PNN (89,29%). Sensitivitas tertinggi pada pengujian diperoleh dengan metode GLCM dan PNN (89,29%) untuk katarak ringan dan berat, sementara spesifisitas tertinggi dicapai oleh GLCM dan BPNN (95,24%) untuk katarak normal. Temuan ini menunjukkan bahwa sistem berbasis smartphone ini tidak hanya meningkatkan aksesibilitas diagnosis katarak di daerah terpencil tetapi juga memberikan akurasi yang kompetitif dengan solusi konvensional.
Absctract
Eye health, particularly cataract diagnosis, is a crucial aspect of individual well-being. However, the high cost of examinations often poses a barrier, especially in Indonesia. Conventional fundus cameras, while effective, are expensive and less portable, limiting accessibility in remote areas. This research aims to develop an automatic cataract classification system using smartphone-based fundus cameras, offering a more cost-effective and portable solution compared to conventional devices. The study evaluates the performance of three neural network algorithms: Backpropagation Neural Network (BPNN), Probabilistic Neural Network (PNN), and Radial Basis Function Neural Network (RBFNN) for cataract classification. The research methodology includes image preprocessing, optic disc segmentation, texture feature extraction using Gray-Level Co-occurrence Matrix (GLCM) and Gabor Filter, and classification of cataract severity into four categories: normal retina, mild cataract, medium cataract, and severe cataract. Training results show an average system accuracy of 96.35%, with the best performance on GLCM feature extraction using PNN (100%) and Gabor Filter using PNN (96.88%). The highest sensitivity in training was achieved by GLCM and PNN (100%) for normal and severe cataract categories. During testing, the system achieved an average accuracy of 77.98%, with the best results for GLCM feature extraction using PNN (89.29%). The highest sensitivity in testing was obtained with GLCM and PNN (89.29%) for mild and severe cataracts, while the highest specificity was achieved by GLCM and BPNN (95.24%) for normal cataracts. These findings indicate that the smartphone-based system not only enhances cataract diagnosis accessibility in remote areas but also provides competitive accuracy compared to conventional solutions.biaya tinggi pemeriksaan sering kali menjadi hambatan, terutama di Indonesia. Kamera fundus konvensional, meskipun efektif, memiliki harga yang mahal dan kurang portabel, membatasi aksesibilitas di daerah terpencil. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi katarak otomatis menggunakan kamera fundus berbasis smartphone, yang menawarkan solusi lebih ekonomis dan portabel dibandingkan perangkat konvensional. Penelitian ini mengevaluasi kinerja tiga algoritma jaringan syaraf tiruan yaitu, Backpropagation Neural Network (BPNN), Probabilistic Neural Network (PNN), dan Radial Basis Function Neural Network (RBFNN), dalam klasifikasi katarak. Metode penelitian meliputi pra-pengolahan citra, segmentasi optic disc, ekstraksi ciri tekstur menggunakan Gray-Level Co-occurrence Matrix (GLCM) dan Filter Gabor, serta klasifikasi tingkat keparahan katarak ke dalam empat kategori, yaitu retina normal, katarak ringan (mild), katarak sedang (medium), dan katarak berat (severe). Hasil pelatihan menunjukkan rerata nilai akurasi sistem sebesar 96,35%, dengan kinerja terbaik pada ekstraksi ciri GLCM menggunakan PNN (100%) dan Filter Gabor menggunakan PNN (96,88%). Sensitivitas tertinggi dalam pelatihan dicapai oleh metode GLCM dan PNN (100%) untuk kategori katarak normal dan berat. Pada pengujian, sistem mencapai nilai rerata akurasi sebesar 77,98%, dengan hasil terbaik pada ekstraksi ciri GLCM menggunakan PNN (89,29%). Sensitivitas tertinggi pada pengujian diperoleh dengan metode GLCM dan PNN (89,29%) untuk katarak ringan dan berat, sementara spesifisitas tertinggi dicapai oleh GLCM dan BPNN (95,24%) untuk katarak normal. Temuan ini menunjukkan bahwa sistem berbasis smartphone ini tidak hanya meningkatkan aksesibilitas diagnosis katarak di daerah terpencil tetapi juga memberikan akurasi yang kompetitif dengan solusi konvensional.
Absctract
Eye health, particularly cataract diagnosis, is a crucial aspect of individual well-being. However, the high cost of examinations often poses a barrier, especially in Indonesia. Conventional fundus cameras, while effective, are expensive and less portable, limiting accessibility in remote areas. This research aims to develop an automatic cataract classification system using smartphone-based fundus cameras, offering a more cost-effective and portable solution compared to conventional devices. The study evaluates the performance of three neural network algorithms: Backpropagation Neural Network (BPNN), Probabilistic Neural Network (PNN), and Radial Basis Function Neural Network (RBFNN) for cataract classification. The research methodology includes image preprocessing, optic disc segmentation, texture feature extraction using Gray-Level Co-occurrence Matrix (GLCM) and Gabor Filter, and classification of cataract severity into four categories: normal retina, mild cataract, medium cataract, and severe cataract. Training results show an average system accuracy of 96.35%, with the best performance on GLCM feature extraction using PNN (100%) and Gabor Filter using PNN (96.88%). The highest sensitivity in training was achieved by GLCM and PNN (100%) for normal and severe cataract categories. During testing, the system achieved an average accuracy of 77.98%, with the best results for GLCM feature extraction using PNN (89.29%). The highest sensitivity in testing was obtained with GLCM and PNN (89.29%) for mild and severe cataracts, while the highest specificity was achieved by GLCM and BPNN (95.24%) for normal cataracts. These findings indicate that the smartphone-based system not only enhances cataract diagnosis accessibility in remote areas but also provides competitive accuracy compared to conventional solutions
Peningkatan Kualitas Layanan Jaringan Restoran Cepat Saji Indonesia: Analisis Sentimen dan Emosi Berbasis Aspek
Get PDFKehadiran restoran cepat saji telah mempengaruhi pola makan masyarakat khususnya perkotaan karena ketersediaannya yang mudah dan variasinya. Penelitian ini bertujuan menganalisis preferensi konsumen terhadap restoran cepat saji di Indonesia dengan menggunakan analisis sentimen dan emosi berbasis aspek. Data penelitian diperoleh dari ulasan Google Review dan kuesioner dari 100 responden. Proses analisis meliputi pembersihan data, pembobotan TF-IDF, dan pemisahan data menjadi set pelatihan dan pengujian. Analisis sentimen berbasis aspek digunakan untuk mengidentifikasi sentimen positif dan negatif berbagai aspek layanan, sementara analisis emosi untuk mengukur jenis dan tingkat emosi pelanggan berdasarkan sentimen yang terdeteksi. Hasil visualisasi menunjukkan berbagai sentimen dan emosi yang terkait dengan setiap aspek atribut layanan restoran. Model Importance Performance Analysis (IPA) tiga dimensi digunakan untuk mengevaluasi hubungan antara tingkat kepentingan dan kepuasan hasil sentimen dan emosi pelanggan. Hasil analisis sentimen berbasis aspek menunjukkan bahwa sebagian besar restoran mendapat sentimen positif pada semua aspek. Pada hasil analisis emosi terlihat bahwa pada setiap sentimen positif akan selaras dengan emosi yang positif dan begitu sebaliknya. Temuan dalam penelitian ini diharapkan dapat memberikan wawasan berharga bagi para pengelola restoran untuk meningkatkan pengalaman pelanggan melalui pemahaman mendalam tentang sentimen dan emosi pelanggan.
Abstract
The presence of fast food restaurants has influenced people\u27s diets, especially in urban areas, due to their readily availability and variety. This study aims to analyze consumer preferences for fast food restaurants in Indonesia using aspect-based sentiment and emotion analysis. The research data was obtained from Google reviews and questionnaires distributed to 100 respondents. The analysis process includes data cleaning, TF-IDF weighting, and data separation into training and testing sets. Aspect-based sentiment analysis was used to identify positive and negative sentiments on various aspects of the service, while emotion analysis was applied to measure the types and levels of customer emotions based on the detected sentiments. The visualization results show the various sentiments and emotions associated with each aspect of the restaurant\u27s service attributes. In addition, this study used a three-dimensional Importance Performance Analysis (IPA) model to evaluate the relationship between importance and satisfaction levels based on customer sentiments and emotions. The results of aspect-based sentiment analysis show that most restaurants get positive sentiments on all aspects. The emotion analysis results demonstrate a correlation between any positive sentiment and positive emotions, and vice versa. The findings in this study are expected to provide valuable insights for restaurant managers to improve customer experience through an in-depth understanding of customer sentiments and emotions.Kehadiran restoran cepat saji telah mempengaruhi pola makan masyarakat khususnya perkotaan karena ketersediaannya yang mudah dan variasinya. Penelitian ini bertujuan menganalisis preferensi konsumen terhadap restoran cepat saji di Indonesia dengan menggunakan analisis sentimen dan emosi berbasis aspek. Data penelitian diperoleh dari ulasan Google Review dan kuesioner dari 100 responden. Proses analisis meliputi pembersihan data, pembobotan TF-IDF, dan pemisahan data menjadi set pelatihan dan pengujian. Analisis sentimen berbasis aspek digunakan untuk mengidentifikasi sentimen positif dan negatif berbagai aspek layanan, sementara analisis emosi untuk mengukur jenis dan tingkat emosi pelanggan berdasarkan sentimen yang terdeteksi. Hasil visualisasi menunjukkan berbagai sentimen dan emosi yang terkait dengan setiap aspek atribut layanan restoran. Model Importance Performance Analysis (IPA) tiga dimensi digunakan untuk mengevaluasi hubungan antara tingkat kepentingan dan kepuasan hasil sentimen dan emosi pelanggan. Hasil analisis sentimen berbasis aspek menunjukkan bahwa sebagian besar restoran mendapat sentimen positif pada semua aspek. Pada hasil analisis emosi terlihat bahwa pada setiap sentimen positif akan selaras dengan emosi yang positif dan begitu sebaliknya. Temuan dalam penelitian ini diharapkan dapat memberikan wawasan berharga bagi para pengelola restoran untuk meningkatkan pengalaman pelanggan melalui pemahaman mendalam tentang sentimen dan emosi pelanggan.
Abstract
The presence of fast food restaurants has influenced people\u27s diets, especially in urban areas, due to their readily availability and variety. This study aims to analyze consumer preferences for fast food restaurants in Indonesia using aspect-based sentiment and emotion analysis. The research data was obtained from Google reviews and questionnaires distributed to 100 respondents. The analysis process includes data cleaning, TF-IDF weighting, and data separation into training and testing sets. Aspect-based sentiment analysis was used to identify positive and negative sentiments on various aspects of the service, while emotion analysis was applied to measure the types and levels of customer emotions based on the detected sentiments. The visualization results show the various sentiments and emotions associated with each aspect of the restaurant\u27s service attributes. In addition, this study used a three-dimensional Importance Performance Analysis (IPA) model to evaluate the relationship between importance and satisfaction levels based on customer sentiments and emotions. The results of aspect-based sentiment analysis show that most restaurants get positive sentiments on all aspects. The emotion analysis results demonstrate a correlation between any positive sentiment and positive emotions, and vice versa. The findings in this study are expected to provide valuable insights for restaurant managers to improve customer experience through an in-depth understanding of customer sentiments and emotions
Peningkatan Akurasi Prediksi Harga Barang Impor Menggunakan XGBoost dan Particle Swarm Optimization
Get PDFImpor di Indonesia dilakukan untuk memenuhi kebutuhan dalam negeri dan memastikan kelancaran produksi serta distribusi. Namun sering terjadi under invoicing, yaitu harga barang yang diimpor dilaporkan lebih rendah dari nilai sebenarnya, yang mengakibatkan kerugian penerimaan negara. Penelitian ini bertujuan untuk memprediksi harga barang impor yang sebenarnya guna mengurangi kerugian tersebut. Data yang digunakan diperoleh dari dataset barang impor yang tersedia di platform Kaggle, yang disediakan oleh Data Analytics Community (Mof-DAC) dari Kementerian Keuangan Indonesia. Metode yang diusulkan meliputi beberapa langkah, dimulai dengan ekstraksi fitur menggunakan Large Language Model (LLM) dan Regular Expression (Regex), diikuti oleh optimasi hyperparameter XGBoost menggunakan Particle Swarm Optimization (PSO). Hasil penelitian menunjukkan bahwa model dengan ekstraksi fitur menggunakan metode Regex mengungguli LLM berdasarkan nilai Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Kombinasi ekstraksi fitur menggunakan Regex dan TFIDF memberikan hasil yang optimal dalam hal waktu pemrosesan dan akurasi prediksi. Hyperparameter terbaik untuk XGBoost ditemukan dengan max-depth 51,49, subsample 0,89, dan min_child_weight 0,65, yang meningkatkan akurasi MAPE menjadi 14,6%. Meskipun model Random Forest memiliki akurasi prediksi sedikit lebih baik dengan MAPE sebesar 12,8%, namun waktu pemrosesannya sangat lama sekitar 3 jam membuatnya kurang efisien. Sebaliknya, XGBoost dengan waktu pemrosesan hanya 51,49 detik dan MAPE 14,6% dipilih sebagai model terbaik karena akurasi yang cukup baik dengan waktu komputasi yang cepat.
Abstact
Imports in Indonesia fulfill domestic needs and sustain manufacturing and distribution. Under invoicing, where imported products are purposely underpriced, reduces state revenue. This study predicts imported goods prices to reduce financial losses. The Data Analytics Community (Mof-DAC) of the Indonesian Ministry of Finance provided the Kaggle imported products dataset. The Large Language Model (LLM) and Regular Expression are used to extract features in the suggested method. XGBoost hyperparameters are then optimized using Particle Swarm Optimization. Research shows that the Regex-extracted feature model outperforms the LLM model in MSE, RMSE, and MAPE. Regex feature extraction and TFIDF produce the best processing time and prediction accuracy. The ideal XGBoost hyperparameters were a maximum depth of 51.49, a subsample value of 0.89, and a minimum child weight of 0.65. These hyperparameters increased MAPE accuracy to 14.6%. The Random Forest model has a Better Prediction Accuracy (MAPE) of 12.8%, but its processing time is 3 hours, lowering its efficiency. XGBoost was chosen as the best model due to its 51.49-second processing time and 14.6% MAPE. High accuracy and efficient computing make this model effective.Impor di Indonesia dilakukan untuk memenuhi kebutuhan dalam negeri dan memastikan kelancaran produksi serta distribusi. Namun sering terjadi under invoicing, yaitu harga barang yang diimpor dilaporkan lebih rendah dari nilai sebenarnya, yang mengakibatkan kerugian penerimaan negara. Penelitian ini bertujuan untuk memprediksi harga barang impor yang sebenarnya guna mengurangi kerugian tersebut. Data yang digunakan diperoleh dari dataset barang impor yang tersedia di platform Kaggle, yang disediakan oleh Data Analytics Community (Mof-DAC) dari Kementerian Keuangan Indonesia. Metode yang diusulkan meliputi beberapa langkah, dimulai dengan ekstraksi fitur menggunakan Large Language Model (LLM) dan Regular Expression (Regex), diikuti oleh optimasi hyperparameter XGBoost menggunakan Particle Swarm Optimization (PSO). Hasil penelitian menunjukkan bahwa model dengan ekstraksi fitur menggunakan metode Regex mengungguli LLM berdasarkan nilai Mean Squared Error (MSE), Root Mean Squared Error (RMSE), dan Mean Absolute Percentage Error (MAPE). Kombinasi ekstraksi fitur menggunakan Regex dan TFIDF memberikan hasil yang optimal dalam hal waktu pemrosesan dan akurasi prediksi. Hyperparameter terbaik untuk XGBoost ditemukan dengan max-depth 51,49, subsample 0,89, dan min_child_weight 0,65, yang meningkatkan akurasi MAPE menjadi 14,6%. Meskipun model Random Forest memiliki akurasi prediksi sedikit lebih baik dengan MAPE sebesar 12,8%, namun waktu pemrosesannya sangat lama sekitar 3 jam membuatnya kurang efisien. Sebaliknya, XGBoost dengan waktu pemrosesan hanya 51,49 detik dan MAPE 14,6% dipilih sebagai model terbaik karena akurasi yang cukup baik dengan waktu komputasi yang cepat.
Abstact
Imports in Indonesia fulfill domestic needs and sustain manufacturing and distribution. Under invoicing, where imported products are purposely underpriced, reduces state revenue. This study predicts imported goods prices to reduce financial losses. The Data Analytics Community (Mof-DAC) of the Indonesian Ministry of Finance provided the Kaggle imported products dataset. The Large Language Model (LLM) and Regular Expression are used to extract features in the suggested method. XGBoost hyperparameters are then optimized using Particle Swarm Optimization. Research shows that the Regex-extracted feature model outperforms the LLM model in MSE, RMSE, and MAPE. Regex feature extraction and TFIDF produce the best processing time and prediction accuracy. The ideal XGBoost hyperparameters were a maximum depth of 51.49, a subsample value of 0.89, and a minimum child weight of 0.65. These hyperparameters increased MAPE accuracy to 14.6%. The Random Forest model has a Better Prediction Accuracy (MAPE) of 12.8%, but its processing time is 3 hours, lowering its efficiency. XGBoost was chosen as the best model due to its 51.49-second processing time and 14.6% MAPE. High accuracy and efficient computing make this model effective
Implementasi Algoritma Clefia 128 Dan Time-Based One Time Password Sebagai Two-Factor Authentication Untuk Meningkatkan Keamanan Pada Proses Autentikasi
Get PDF
Autentikasi merupakan proses verifikasi data dengan cara memastikan bahwa pengguna atau users adalah pemilik akses yang sah pada sistem. Proses autentikasi sederhana menggunakan metode single-factor authentication (SFA) dengan menggunakan password atau PIN. SFA memiliki kelemahan karena rentan terhadap serangan seperti brute force dan sniffing. Efek dari serangan ini berimbas pada kebocoran data. Badan Siber dan Sandi Negara (BSSN) mencatat pada tahun 2023 terdapat 103 insiden dugaan kebocoran data. Insiden ini terjadi karena prosedur pengamanan masih rendah, terutama dalam mengamankan PIN, aplikasi, dan keamanan internet yang menggunakan SFA. Solusi untuk meningkatkan keamanan pada proses autentikasi dilakukan dengan mengkombinasikan kriptografi berupa algoritma Clefia-128 dengan two-factor authentication berupa TOTP. Penelitian ini mengimplementasikan algoritma Clefia-128 yang ditulis dalam bahasa pemrograman Python versi 3 untuk proses enkripsi dan dekripsi secret key token TOTP pada sistem yang dibangun menggunakan bahasa pemrograman PHP dengan web-server XAMPP. Implementasi Clefia-128 dan TOTP pada sistem berhasil meningkatkan keamanan data ketika proses autentikasi login website. Hal ini dibuktikan dengan pengujian keamanan dengan metode cipher-only attack menggunakan wireshark yang dikombinasikan dengan brute force menunjukkan bahwa ciphertext yang didapat tidak berhasil dipecahkan. Pengujian berdasarkan test vector menunjukkan bahwa Clefia-128 memberikan hasil yang konsisten dan akurat, serta hasil pengujian performa Clefia-128 untuk enkripsi memerlukan waktu 0.0012277 detik dan dekripsi memerlukan waktu 0.0012895 detik.Autentikasi merupakan proses verifikasi data dengan cara memastikan bahwa pengguna atau users adalah pemilik akses yang sah pada sistem. Proses autentikasi sederhana menggunakan metode single-factor authentication (SFA) dengan menggunakan password atau PIN. SFA memiliki kelemahan karena rentan terhadap serangan seperti brute force dan sniffing. Efek dari serangan ini berimbas pada kebocoran data. Badan Siber dan Sandi Negara (BSSN) mencatat pada tahun 2023 terdapat 103 insiden dugaan kebocoran data. Insiden ini terjadi karena prosedur pengamanan masih rendah, terutama dalam mengamankan PIN, aplikasi, dan keamanan internet yang menggunakan SFA. Solusi untuk meningkatkan keamanan pada proses autentikasi dilakukan dengan mengkombinasikan kriptografi berupa algoritma Clefia-128 dengan two-factor authentication berupa TOTP. Penelitian ini mengimplementasikan algoritma Clefia-128 yang ditulis dalam bahasa pemrograman Python versi 3 untuk proses enkripsi dan dekripsi secret key token TOTP pada sistem yang dibangun menggunakan bahasa pemrograman PHP dengan web-server XAMPP. Implementasi Clefia-128 dan TOTP pada sistem berhasil meningkatkan keamanan data ketika proses autentikasi login website. Hal ini dibuktikan dengan pengujian keamanan dengan metode cipher-only attack menggunakan wireshark yang dikombinasikan dengan brute force menunjukkan bahwa ciphertext yang didapat tidak berhasil dipecahkan. Pengujian berdasarkan test vector menunjukkan bahwa Clefia-128 memberikan hasil yang konsisten dan akurat, serta hasil pengujian performa Clefia-128 untuk enkripsi memerlukan waktu 0.0012277 detik dan dekripsi memerlukan waktu 0.0012895 detik.
Abstract
Authentication is the process of verifying data by ensuring that users are the legitimate owners of access to the system. Simple authentication process uses single-factor authentication (SFA) methods, such as password or PIN. SFA has the disadvantage of being vulnerable to attacks such as brute force and sniffing. The effect of these attacks leads to data leakage. The National Cyber and Crypto Agency, often known as BSSN noted that in 2023 there were 103 incidents of suspected data leakage. These incidents occur because security procedures are still low, especially in securing PINs, applications, and internet security that use SFA. The solution to improve security in the authentication process is to combine cryptography, specifically the Clefia-128 algorithm, with TOTP as two-factor authentication. This study implements the Clefia-128 algorithm written in the Python version 3 for the encryption and decryption process of the secret key in the TOTP token generation which is implemented on the system using the PHP programming language with the XAMPP web-server. The implementation of Clefia-128 and TOTP on the system successfully increases the security of user data during the website login authentication process. This is proven by security testing with the cipher-only attack method using wireshark combined with brute force showing that the ciphertext was not successfully cracked. Test vector show that Clefia-128 provides consistent and accurate results, and the results of Clefia-128 performance testing for encryption takes 0.0012277 seconds and decryption takes 0.0012895 seconds
Sistem Pakar Fuzzy Modular untuk Identifikasi Dosis Obat Leukemia
Get PDFDiagnosis dan pengambilan keputusan tentang penyakit dalam bidang medis menghadapi ketidakpastian yang dapat memengaruhi proses pengobatan. Keputusan ini dibuat berdasarkan pengetahuan pakar dan cara seorang pakar dalam mendefinisikan kondisi pasien, gejala yang dialami dan faktor-faktor lain yang memengaruhi. Hasil definisi setiap pakar mungkin saja terdapat perbedaan berdasarkan faktor-faktor tersebut. Fuzzy modular expert system adalah suatu sistem berbasis pengetahuan yang memanfaatkan logika fuzzy untuk menangani ketidakpastian dan modularitas dalam pengambilan keputusan. Dalam sistem dengan ketidakpastian tinggi dan kompleksitas tinggi, logika fuzzy merupakan metode yang cocok untuk pemodelan. Dalam penelitian ini, fuzzy modular expert system untuk pemodelan ketidakpastian dalam pemberian dosis obat untuk terapi penyakit leukemia. Variabel output yang digunakan pada penelitian ini adalah tingkat toksisitas yang dihasilkan dari proses pemberian dosis obat yang dibagi menjadi lima kategori yaitu sangat rendah, rendah, sedang, tinggi dan sangat tinggi. Variabel output yang kedua adalah kategori stadium leukemia yang diderita oleh pasien yang dibagi menjadi empat kategori yaitu stadium 1, stadium 2, stadium 3 dan stadium 4. Penelitian ini menggunakan 128 data latih pasien dengan dua variabel output. Hasil yang diperoleh menunjukkan bahwa fuzzy modular expert system dalam mengindentifikasi dosis obat yang diberikan sebagai terapi obat leukemia dengan akurasi rata-rata sekitar 94,8% berdasarkan data yang telah diuji dan dibandingkan dengan informasi dari pakar.
Abstract
Diagnosis and decision-making about diseases in the medical field face uncertainties that can affect the treatment process. These decisions are based on expert knowledge and how an expert defines the patient\u27s condition, symptoms experienced, and other influencing factors. The results of each expert\u27s definition may differ based on these factors. A fuzzy modular expert system is a knowledge-based system that utilizes fuzzy logic to handle uncertainty and modularity in decision-making. In systems with high uncertainty and high complexity, fuzzy logic is a suitable method for modeling. In this study, a fuzzy modular expert system for modeling uncertainty in leukemia diagnosis. The output variables used in this study are the level of toxicity resulting from the drug dosing process which is divided into five categories, namely shallow, low, medium, high, and very high. The second output variable is the category of leukemia stage suffered by the patient which is divided into four categories, namely stage 1, stage 2, stage 3, and stage 4. This study used 128 patient training data with 2 output variable. The results indicate that the fuzzy modular expert system can diagnose leukemia with an average accuracy of around 94.8% based on data that has been tested and compared with expert diagnoses.Diagnosis dan pengambilan keputusan tentang penyakit dalam bidang medis menghadapi ketidakpastian yang dapat memengaruhi proses pengobatan. Keputusan ini dibuat berdasarkan pengetahuan pakar dan cara seorang pakar dalam mendefinisikan kondisi pasien, gejala yang dialami dan faktor-faktor lain yang memengaruhi. Hasil definisi setiap pakar mungkin saja terdapat perbedaan berdasarkan faktor-faktor tersebut. Fuzzy modular expert system adalah suatu sistem berbasis pengetahuan yang memanfaatkan logika fuzzy untuk menangani ketidakpastian dan modularitas dalam pengambilan keputusan. Dalam sistem dengan ketidakpastian tinggi dan kompleksitas tinggi, logika fuzzy merupakan metode yang cocok untuk pemodelan. Dalam penelitian ini, fuzzy modular expert system untuk pemodelan ketidakpastian dalam pemberian dosis obat untuk terapi penyakit leukemia. Variabel output yang digunakan pada penelitian ini adalah tingkat toksisitas yang dihasilkan dari proses pemberian dosis obat yang dibagi menjadi lima kategori yaitu sangat rendah, rendah, sedang, tinggi dan sangat tinggi. Variabel output yang kedua adalah kategori stadium leukemia yang diderita oleh pasien yang dibagi menjadi empat kategori yaitu stadium 1, stadium 2, stadium 3 dan stadium 4. Penelitian ini menggunakan 128 data latih pasien dengan dua variabel output. Hasil yang diperoleh menunjukkan bahwa fuzzy modular expert system dalam mengindentifikasi dosis obat yang diberikan sebagai terapi obat leukemia dengan akurasi rata-rata sekitar 94,8% berdasarkan data yang telah diuji dan dibandingkan dengan informasi dari pakar.
Abstract
Diagnosis and decision-making about diseases in the medical field face uncertainties that can affect the treatment process. These decisions are based on expert knowledge and how an expert defines the patient\u27s condition, symptoms experienced, and other influencing factors. The results of each expert\u27s definition may differ based on these factors. A fuzzy modular expert system is a knowledge-based system that utilizes fuzzy logic to handle uncertainty and modularity in decision-making. In systems with high uncertainty and high complexity, fuzzy logic is a suitable method for modeling. In this study, a fuzzy modular expert system for modeling uncertainty in leukemia diagnosis. The output variables used in this study are the level of toxicity resulting from the drug dosing process which is divided into five categories, namely shallow, low, medium, high, and very high. The second output variable is the category of leukemia stage suffered by the patient which is divided into four categories, namely stage 1, stage 2, stage 3, and stage 4. This study used 128 patient training data with 2 output variable. The results indicate that the fuzzy modular expert system can diagnose leukemia with an average accuracy of around 94.8% based on data that has been tested and compared with expert diagnoses