Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Komparasi MobileNETV2 dengan Kustomisasi Transfer Learning dan Hyperparameter untuk Identifikasi Tumor Otak
Get PDFTumor otak disebabkan dengan pertumbuhan sel otak yang abnormal pada jaringan otak yang menyebabkan kematian bagi pria dan wanita. Identifikasi tumor otak umumnya dilakukan dengan metode biopsi oleh dokter selama 10 hingga 15 hari. Namun, pendekatan modern diperlukan untuk menekan waktu dalam identifikasi tumor otak dengan teknologi deep learning. Dalam penelitian ini, menggunakan 4 kategori tumor otak yaitu glioma, meningioma, notumor, dan pituitary dengan akumulasi citra data sebanyak 20.000 data dan pembagian data meliputi 75% untuk train data, 15% untuk validation data, dan 10% untuk testing data. Penelitian ini bertujuan untuk membandingkan performa dari Adam dan Stochastic Gradient Descent Optimizer, dan model arsitektur transfer learning MobileNetV2 dan MobileNetV2 dalam identifikasi tumor otak. Penelitian ini menggunakan metode komparatif dengan metode evaluasi menggunakan confusion matrix. Comparative analysis dilakukan dengan membandingkan 4 skenario meliputi skenario 1 yaitu menggunakan Adam optimizer dan transfer learning, skenario 2 yaitu menggunakan SGD optimizer dan transfer learning, skenario 3 yaitu menggunakan Adam optimizer dan tanpa transfer learning, serta skenario 4 yaitu menggunakan SGD optimizer dan tanpa transfer learning. Hasil penelitian menunjukkan bahwa skenario 1 dengan penggunaan Adam optimizer dan model transfer learning MobileNetV2 memperoleh accuracy sebesar 98%, precision sebesar 98%, recall sebesar 97,75%, dan f1-score sebesar 97,75% yang merupakan hasil model terbaik, Temuan ini mengindikasikan bahwa peran transfer learning sangat berpengaruh baik pada performa model dan diharapkan dapat memberikan wawasan lebih mendalam terkait model arsitektur yang paling akurat untuk identifikasi tumor otak serta menawarkan fondasi untuk pengembangan aplikasi berbasis Magnetic Resonance Imaging dalam citra medis.
Abstract
Brain tumors are caused by the abnormal growth of brain cells in brain tissue, leading to death for both men and women. Typically, brain tumor identification is performed through a biopsy by doctors, taking 10 to 15 days. However, a modern approach is needed to reduce the time for brain tumor identification using deep learning technology. This study uses four categories of brain tumors: glioma, meningioma, no tumor, and pituitary tumor, with a dataset of 20,000 images. The data is divided into 75% for training, 15% for validation, and 10% for testing. The purpose of this study is to compare the performance of the Adam and Stochastic Gradient Descent (SGD) optimizers, as well as the MobileNetV2 and MobileNetV2 transfer learning architecture models in brain tumor identification. A comparative method is used, with evaluation through a confusion matrix. The analysis compares four scenarios: Scenario 1 using the Adam optimizer and transfer learning, Scenario 2 using the SGD optimizer and transfer learning, Scenario 3 using the Adam optimizer with no transfer learning, and Scenario 4 using the SGD optimizer with no transfer learning. The results show that Scenario 1, using the Adam optimizer and MobileNetV2 transfer learning, achieved the highest performance with 98% accuracy, 98% precision, 97.75% recall, and 97.75% F1-score. This finding highlights the significant impact of transfer learning on model performance, providing valuable insights into the most accurate architecture for brain tumor identification, and offers a foundation for developing Magnetic Resonance Imaging-based medical image applications.Tumor otak disebabkan dengan pertumbuhan sel otak yang abnormal pada jaringan otak yang menyebabkan kematian bagi pria dan wanita. Identifikasi tumor otak umumnya dilakukan dengan metode biopsi oleh dokter selama 10 hingga 15 hari. Namun, pendekatan modern diperlukan untuk menekan waktu dalam identifikasi tumor otak dengan teknologi deep learning. Dalam penelitian ini, menggunakan 4 kategori tumor otak yaitu glioma, meningioma, notumor, dan pituitary dengan akumulasi citra data sebanyak 20.000 data dan pembagian data meliputi 75% untuk train data, 15% untuk validation data, dan 10% untuk testing data. Penelitian ini bertujuan untuk membandingkan performa dari Adam dan Stochastic Gradient Descent Optimizer, dan model arsitektur transfer learning MobileNetV2 dan MobileNetV2 dalam identifikasi tumor otak. Penelitian ini menggunakan metode komparatif dengan metode evaluasi menggunakan confusion matrix. Comparative analysis dilakukan dengan membandingkan 4 skenario meliputi skenario 1 yaitu menggunakan Adam optimizer dan transfer learning, skenario 2 yaitu menggunakan SGD optimizer dan transfer learning, skenario 3 yaitu menggunakan Adam optimizer dan tanpa transfer learning, serta skenario 4 yaitu menggunakan SGD optimizer dan tanpa transfer learning. Hasil penelitian menunjukkan bahwa skenario 1 dengan penggunaan Adam optimizer dan model transfer learning MobileNetV2 memperoleh accuracy sebesar 98%, precision sebesar 98%, recall sebesar 97,75%, dan f1-score sebesar 97,75% yang merupakan hasil model terbaik, Temuan ini mengindikasikan bahwa peran transfer learning sangat berpengaruh baik pada performa model dan diharapkan dapat memberikan wawasan lebih mendalam terkait model arsitektur yang paling akurat untuk identifikasi tumor otak serta menawarkan fondasi untuk pengembangan aplikasi berbasis Magnetic Resonance Imaging dalam citra medis.
Abstract
Brain tumors are caused by the abnormal growth of brain cells in brain tissue, leading to death for both men and women. Typically, brain tumor identification is performed through a biopsy by doctors, taking 10 to 15 days. However, a modern approach is needed to reduce the time for brain tumor identification using deep learning technology. This study uses four categories of brain tumors: glioma, meningioma, no tumor, and pituitary tumor, with a dataset of 20,000 images. The data is divided into 75% for training, 15% for validation, and 10% for testing. The purpose of this study is to compare the performance of the Adam and Stochastic Gradient Descent (SGD) optimizers, as well as the MobileNetV2 and MobileNetV2 transfer learning architecture models in brain tumor identification. A comparative method is used, with evaluation through a confusion matrix. The analysis compares four scenarios: Scenario 1 using the Adam optimizer and transfer learning, Scenario 2 using the SGD optimizer and transfer learning, Scenario 3 using the Adam optimizer with no transfer learning, and Scenario 4 using the SGD optimizer with no transfer learning. The results show that Scenario 1, using the Adam optimizer and MobileNetV2 transfer learning, achieved the highest performance with 98% accuracy, 98% precision, 97.75% recall, and 97.75% F1-score. This finding highlights the significant impact of transfer learning on model performance, providing valuable insights into the most accurate architecture for brain tumor identification, and offers a foundation for developing Magnetic Resonance Imaging-based medical image applications
Pengembangan Aplikasi Rekomendasi Berbasis Mobile Pada Destinasi Wisata Di Sekitar Danau Toba Menggunakan Metode Moora Dengan Pembobotan ROC
Get PDFDanau Toba merupakan destinasi wisata unggulan di Sumatera Utara yang memiliki potensi wisata alam, wisata buatan, dan budaya Batak. Namun, wisatawan seringkali membutuhkan rekomendasi wisata yang sesuai dengan kriteria keinginan mereka. Untuk mengatasi masalah ini, aplikasi rekomendasi destinasi wisata di sekitar Danau Toba dikembangkan menggunakan metode Multi-Objective Optimization on the basis of Ratio Analysis (MOORA) dengan pembobotan Rank Order Centroid (ROC). Aplikasi rekomendasi wisata dirancang untuk mempermudah para wisatawan untuk mencari destinasi wisata yang menarik sesuai keinginannya. Aplikasi akan memberikan rekomendasi wisata yang optimal berdasarkan kriteria yang telah ditentukan, yaitu jenis wisata, wilayah, rating, harga tiket, hari operasional, dan jam operasional. Jumlah data pada aplikasi rekomendasi wisata menggunakan 123 objek wisata. Hasil aplikasi yang dibangun berupa pengembangan aplikasi rekomendasi wisata berbasis mobile dengan menggunakan API, PHP dan teknologi multi-platform yaitu Flutter. Pengujian aplikasi melibatkan beberapa pengujian, termasuk system testing, user testing, dan pengujian akurasi pengelolaan data. Hasil system testing menunjukkan bahwa aplikasi beroperasi dengan stabil tanpa error dan semua fungsi berjalan sesuai yang diharapkan. User testing dilakukan dengan menyebarkan kuesioner kepada 625 responden yang telah menggunakan aplikasi tersebut, terdiri dari masyarakat domisili Sumatera Utara sebanyak 144 orang (69,2%) dan luar Sumatera Utara sebanyak 65 orang (30,8%). Sebanyak 94,2% responden menyatakan bahwa aplikasi mudah digunakan, 94,1% merasa fungsi rekomendasi sesuai dengan kebutuhan, 83,2% menganggap desain tampilan menarik, 95,5% menyatakan informasi pada setiap destinasi wisata sudah jelas, 94,7% pengguna dari luar dan dalam Sumatera Utara dapat memahami alur aplikasi, dan 94,4% berencana menggunakan aplikasi ini sebagai panduan untuk mengunjungi destinasi wisata di Sumatera Utara. Hasil pengujian akurasi pengelolaan data menunjukkan kecocokan yang tinggi antara hasil perhitungan manual dan implementasi sistem dalam menambah, mengubah, dan menghapus data wisata. Aplikasi rekomendasi ini memiliki keunggulan yang mampu menekankan wisata disekitar Danau Toba sehingga potensi dan kearifan lokalnya dapat terlihat lebih menarik bagi pengunjung baru.
Abstract
Lake Toba is a premier tourist destination in North Sumatra, renowned for its natural beauty, artificial attractions, and rich Batak culture. However, tourists often seek recommendations that align with their preferences. To address this need, a tourist destination recommendation application for the Lake Toba area has been developed using the Multi-Objective Optimization based on the Ratio Analysis (MOORA) method, incorporating Rank Order Centroid (ROC) weighting. This application aims to simplify the process for tourists to find appealing destinations based on their criteria. It provides optimal recommendations according to various factors, including type of tourism, region, ratings, ticket prices, operational days, and hours. The application features data on 123 tourist attractions. The resulting application is a mobile-based platform developed using API, PHP, and cross-platform technology, specifically Flutter. Thorough testing has been conducted, including system testing, user testing, and data management accuracy testing. The system testing revealed that the application operates smoothly without errors and that all functionalities perform as intended. User testing involved distributing questionnaires to 625 respondents who had used the application, comprising 144 individuals from North Sumatra (69.2%) and 65 from outside the region (30.8%). The feedback was overwhelmingly positive, with 94.2% of respondents finding the application easy to use, 94.1% satisfied that the recommendations met their needs, 83.2% deeming the design attractive, and 95.5% confirming that the information about each tourist destination was clear. Furthermore, 94.7% of users, both from within and outside North Sumatra, reported understanding the application flow, and 94.4% expressed their intention to use the app as a guide for visiting tourist sites in North Sumatra. The data management accuracy test indicated a strong correlation between manual calculations and the application\u27s data handling capabilities for adding, modifying, and deleting tourism data. This recommendation application highlights tourism around Lake Toba, making its potential and local wisdom more appealing to new visitors.Danau Toba merupakan destinasi wisata unggulan di Sumatera Utara yang memiliki potensi wisata alam, wisata buatan, dan budaya Batak. Namun, wisatawan seringkali membutuhkan rekomendasi wisata yang sesuai dengan kriteria keinginan mereka. Untuk mengatasi masalah ini, aplikasi rekomendasi destinasi wisata di sekitar Danau Toba dikembangkan menggunakan metode Multi-Objective Optimization on the basis of Ratio Analysis (MOORA) dengan pembobotan Rank Order Centroid (ROC). Aplikasi rekomendasi wisata dirancang untuk mempermudah para wisatawan untuk mencari destinasi wisata yang menarik sesuai keinginannya. Aplikasi akan memberikan rekomendasi wisata yang optimal berdasarkan kriteria yang telah ditentukan, yaitu jenis wisata, wilayah, rating, harga tiket, hari operasional, dan jam operasional. Jumlah data pada aplikasi rekomendasi wisata menggunakan 123 objek wisata. Hasil aplikasi yang dibangun berupa pengembangan aplikasi rekomendasi wisata berbasis mobile dengan menggunakan API, PHP dan teknologi multi-platform yaitu Flutter. Pengujian aplikasi melibatkan beberapa pengujian, termasuk system testing, user testing, dan pengujian akurasi pengelolaan data. Hasil system testing menunjukkan bahwa aplikasi beroperasi dengan stabil tanpa error dan semua fungsi berjalan sesuai yang diharapkan. User testing dilakukan dengan menyebarkan kuesioner kepada 625 responden yang telah menggunakan aplikasi tersebut, terdiri dari masyarakat domisili Sumatera Utara sebanyak 144 orang (69,2%) dan luar Sumatera Utara sebanyak 65 orang (30,8%). Sebanyak 94,2% responden menyatakan bahwa aplikasi mudah digunakan, 94,1% merasa fungsi rekomendasi sesuai dengan kebutuhan, 83,2% menganggap desain tampilan menarik, 95,5% menyatakan informasi pada setiap destinasi wisata sudah jelas, 94,7% pengguna dari luar dan dalam Sumatera Utara dapat memahami alur aplikasi, dan 94,4% berencana menggunakan aplikasi ini sebagai panduan untuk mengunjungi destinasi wisata di Sumatera Utara. Hasil pengujian akurasi pengelolaan data menunjukkan kecocokan yang tinggi antara hasil perhitungan manual dan implementasi sistem dalam menambah, mengubah, dan menghapus data wisata. Aplikasi rekomendasi ini memiliki keunggulan yang mampu menekankan wisata disekitar Danau Toba sehingga potensi dan kearifan lokalnya dapat terlihat lebih menarik bagi pengunjung baru.
Abstract
Lake Toba is a premier tourist destination in North Sumatra, renowned for its natural beauty, artificial attractions, and rich Batak culture. However, tourists often seek recommendations that align with their preferences. To address this need, a tourist destination recommendation application for the Lake Toba area has been developed using the Multi-Objective Optimization based on the Ratio Analysis (MOORA) method, incorporating Rank Order Centroid (ROC) weighting. This application aims to simplify the process for tourists to find appealing destinations based on their criteria. It provides optimal recommendations according to various factors, including type of tourism, region, ratings, ticket prices, operational days, and hours. The application features data on 123 tourist attractions. The resulting application is a mobile-based platform developed using API, PHP, and cross-platform technology, specifically Flutter. Thorough testing has been conducted, including system testing, user testing, and data management accuracy testing. The system testing revealed that the application operates smoothly without errors and that all functionalities perform as intended. User testing involved distributing questionnaires to 625 respondents who had used the application, comprising 144 individuals from North Sumatra (69.2%) and 65 from outside the region (30.8%). The feedback was overwhelmingly positive, with 94.2% of respondents finding the application easy to use, 94.1% satisfied that the recommendations met their needs, 83.2% deeming the design attractive, and 95.5% confirming that the information about each tourist destination was clear. Furthermore, 94.7% of users, both from within and outside North Sumatra, reported understanding the application flow, and 94.4% expressed their intention to use the app as a guide for visiting tourist sites in North Sumatra. The data management accuracy test indicated a strong correlation between manual calculations and the application\u27s data handling capabilities for adding, modifying, and deleting tourism data. This recommendation application highlights tourism around Lake Toba, making its potential and local wisdom more appealing to new visitors
Implementasi Robotic Process Automation Pada Proses Kompilasi Dokumen Nota Pemberitahuan Barang Larangan/Pembatasan (NPBL) Di Pt Merck Chemicals And Life Sciences
Get PDFKetepatan dan efisiensi dalam penanganan dokumen impor, khususnya pemenuhan persyaratan Nota Pemberitahuan Barang Larangan/Pembatasan (NPBL) sangat penting bagi kelancaran operasional perusahaan life sciences seperti PT Merck Chemicals and Life Sciences (MCLS) yang aktif dalam melakukan kegiatan ekspor dan impor. Proses kompilasi dokumen NPBL di PT MCLS yang selama ini dilakukan secara manual membutuhkan waktu 4 jam 11 menit dan rentan terhadap kesalahan yang dapat menyebabkan keluhan pelanggan akibat keterlambatan ketersediaan barang. Penelitian ini bertujuan untuk meningkatkan efisiensi dan akurasi proses tersebut melalui implementasi teknologi Robotic Process Automation (RPA). Metode penelitian meliputi evaluasi proses bisnis saat ini (as-is) melalui observasi dan wawancara, perancangan workflow RPA menggunakan UiPath Studio, perancangan antarmuka dengan UiPath Apps, dan penerapan teknologi Optical Character Recognition (OCR) Document Understanding dengan Microsoft AI Builder untuk meningkatkan akurasi pencarian dan pemilihan dokumen. Hasil pengujian menunjukkan bahwa sistem RPA mampu mengotomatisasi seluruh tahapan proses kompilasi dokumen NPBL dan menyelesaikannya dalam waktu 26 menit, mengefisiensikan waktu proses hingga 89.66%. Akurasi sistem mencapai 98% dalam pencarian dan pemilihan lisensi, 88.54% dalam penandaan produk, serta 92.81% dalam pengunduhan file Safety Data Sheets (SDS). Implementasi ini juga berhasil menghemat kapasitas kerja sebesar 0.466 FTE dan diterima dengan tingkat penerimaan pengguna sebesar 79%.
Abstract
Precision and efficiency in managing importation documents,, particularly in fulfilling the requirements for Nota Pemberitahuan Barang Larangan/Pembatasan (NPBL) are essential to maintaining the operational continuity of life sciences companies like PT Merck Chemicals and Life Sciences (MCLS), which actively engange in export and import activities. The NPBL document compilation process at PT MCLS, which has been carried out manually, takes 4 hours and 11 minutes and is prone to error, potentially resulting in customer complaints due to delays in goods availability. This study aims to improve the efficiency and accuracy of this process throught the implementation of Robotic Process Automation (RPA). The research methodology includes in evaluating the current business process (as-is) through observation and interviews, designing RPA workflows using UiPath Studio, developing an interface with UiPath Apps, and applying OCR Document Understanding technology using Microsoft AI Builder to enhance the accuracy of document search and selection. The testing results show that the RPA system successfully automated all stages of the NPBL document compilation proccess, completing it in 26 minutes and reducing process time by 89.66%. The system achieved 98% accuracy in license search and selection, 88.54% in product tagging inside the document, and 92.81% in downloading Safety Data Sheets (SDS). Additionaly, the implementation of RPA saved 0.466 FTE in work capacity and was accepted by users with a satisfaction rate of 79%.Ketepatan dan efisiensi dalam penanganan dokumen impor, khususnya pemenuhan persyaratan Nota Pemberitahuan Barang Larangan/Pembatasan (NPBL) sangat penting bagi kelancaran operasional perusahaan life sciences seperti PT Merck Chemicals and Life Sciences (MCLS) yang aktif dalam melakukan kegiatan ekspor dan impor. Proses kompilasi dokumen NPBL di PT MCLS yang selama ini dilakukan secara manual membutuhkan waktu 4 jam 11 menit dan rentan terhadap kesalahan yang dapat menyebabkan keluhan pelanggan akibat keterlambatan ketersediaan barang. Penelitian ini bertujuan untuk meningkatkan efisiensi dan akurasi proses tersebut melalui implementasi teknologi Robotic Process Automation (RPA). Metode penelitian meliputi evaluasi proses bisnis saat ini (as-is) melalui observasi dan wawancara, perancangan workflow RPA menggunakan UiPath Studio, perancangan antarmuka dengan UiPath Apps, dan penerapan teknologi Optical Character Recognition (OCR) Document Understanding dengan Microsoft AI Builder untuk meningkatkan akurasi pencarian dan pemilihan dokumen. Hasil pengujian menunjukkan bahwa sistem RPA mampu mengotomatisasi seluruh tahapan proses kompilasi dokumen NPBL dan menyelesaikannya dalam waktu 26 menit, mengefisiensikan waktu proses hingga 89.66%. Akurasi sistem mencapai 98% dalam pencarian dan pemilihan lisensi, 88.54% dalam penandaan produk, serta 92.81% dalam pengunduhan file Safety Data Sheets (SDS). Implementasi ini juga berhasil menghemat kapasitas kerja sebesar 0.466 FTE dan diterima dengan tingkat penerimaan pengguna sebesar 79%.
Abstract
Precision and efficiency in managing importation documents,, particularly in fulfilling the requirements for Nota Pemberitahuan Barang Larangan/Pembatasan (NPBL) are essential to maintaining the operational continuity of life sciences companies like PT Merck Chemicals and Life Sciences (MCLS), which actively engange in export and import activities. The NPBL document compilation process at PT MCLS, which has been carried out manually, takes 4 hours and 11 minutes and is prone to error, potentially resulting in customer complaints due to delays in goods availability. This study aims to improve the efficiency and accuracy of this process throught the implementation of Robotic Process Automation (RPA). The research methodology includes in evaluating the current business process (as-is) through observation and interviews, designing RPA workflows using UiPath Studio, developing an interface with UiPath Apps, and applying OCR Document Understanding technology using Microsoft AI Builder to enhance the accuracy of document search and selection. The testing results show that the RPA system successfully automated all stages of the NPBL document compilation proccess, completing it in 26 minutes and reducing process time by 89.66%. The system achieved 98% accuracy in license search and selection, 88.54% in product tagging inside the document, and 92.81% in downloading Safety Data Sheets (SDS). Additionaly, the implementation of RPA saved 0.466 FTE in work capacity and was accepted by users with a satisfaction rate of 79%
SCENE-CSIRT (Evaluasi Kompetensi Berbasis Skenario Untuk TTIS)
Get PDFTim Tanggap Insiden Siber (TTIS) merupakan tim yang bertanggung jawab untuk melaksanakan berbagai fungsi manajemen insiden, seperti deteksi, triase, analisis, dan respons insiden. Namun, dengan meningkatnya kompleksitas ancaman siber serta adanya kesenjangan kompetensi pada TTIS terutama di tingkat pemerintah daerah, diperlukan model evaluasi yang dapat menilai kesiapan personel secara komprehensif. Model SCENE-CSIRT (Evaluasi Kompetensi Berbasis Skenario untuk TTIS) merupakan model yang dikembangkan dengan mengintegrasikan kerangka regulasi nasional (Peraturan yang ada di Indonesia, Peta Okupasi BSSN) dengan standar internasional (NIST, FIRST, NICE Framework), sehingga relevan untuk konteks lokal maupun global. Pendekatan ini belum pernah dilakukan sebelumnya dalam konteks evaluasi TTIS di Indonesia. Selain itu, pendekatan berbasis skenario digunakan untuk mengevaluasi keterampilan teknis, seperti analisis insiden dan mitigasi, serta keterampilan non-teknis, seperti komunikasi dan koordinasi. Dengan model evaluasi yang telah disusun diharapkan dapat mengidentifikasi kesenjangan kompetensi serta memberikan rekomendasi pengembangan yang terarah guna meningkatkan efektivitas TTIS. Hasil validasi menunjukkan 97.7% ahli menyetujui model ini dengan mencakup aspek-aspek yang dibutuhkan oleh personel TTIS dalam menangani insiden siber. Penelitian ini diharapkan dapat menjadi acuan dalam pengembangan kebijakan dan penguatan kapasitas TTIS di pemerintah daerah, sehingga meningkatkan kesiapan dan ketangguhan dalam mengelola insiden siber secara efektif.
Abstract
Computer Incident Response Team (CSIRT) is responsible for carrying out various incident management functions, such as detection, triage, analysis, and response. However, with the increasing complexity of cyber threats and existing competency gaps within CSIRTs—particularly at the local government level—there is a need for an evaluation model that can comprehensively assess personnel readiness. The SCENE-CSIRT model (Scenario-Based Competency Evaluation for CSIRT) was developed by integrating national regulatory frameworks (including existing Indonesian regulations and the BSSN Occupational Map) with international standards (such as NIST, FIRST, and the NICE Framework), making it relevant to both local and global contexts. This integrated approach has not been previously applied in the context of CSIRT evaluation in Indonesia. Furthermore, the scenario-based approach is used to evaluate both technical skills (such as incident analysis and mitigation) and non-technical skills (such as communication and coordination). The model is designed to identify competency gaps and provide targeted development recommendations to improve the effectiveness of CSIRTs. Validation results indicate that 97.7% of experts agree that the model encompasses the necessary aspects required by CSIRT personnel in managing cyber incidents. This study is expected to serve as a reference for policy development and capacity building for CSIRTs at the local government level, thereby enhancing preparedness and resilience in managing cyber incidents effectively.
Tim Tanggap Insiden Siber (TTIS) merupakan tim yang bertanggung jawab untuk melaksanakan berbagai fungsi manajemen insiden, seperti deteksi, triase, analisis, dan respons insiden. Namun, dengan meningkatnya kompleksitas ancaman siber serta adanya kesenjangan kompetensi pada TTIS terutama di tingkat pemerintah daerah, diperlukan model evaluasi yang dapat menilai kesiapan personel secara komprehensif. Model SCENE-CSIRT (Evaluasi Kompetensi Berbasis Skenario untuk TTIS) merupakan model yang dikembangkan dengan mengintegrasikan kerangka regulasi nasional (Peraturan yang ada di Indonesia, Peta Okupasi BSSN) dengan standar internasional (NIST, FIRST, NICE Framework), sehingga relevan untuk konteks lokal maupun global. Pendekatan ini belum pernah dilakukan sebelumnya dalam konteks evaluasi TTIS di Indonesia. Selain itu, pendekatan berbasis skenario digunakan untuk mengevaluasi keterampilan teknis, seperti analisis insiden dan mitigasi, serta keterampilan non-teknis, seperti komunikasi dan koordinasi. Dengan model evaluasi yang telah disusun diharapkan dapat mengidentifikasi kesenjangan kompetensi serta memberikan rekomendasi pengembangan yang terarah guna meningkatkan efektivitas TTIS. Hasil validasi menunjukkan 97.7% ahli menyetujui model ini dengan mencakup aspek-aspek yang dibutuhkan oleh personel TTIS dalam menangani insiden siber. Penelitian ini diharapkan dapat menjadi acuan dalam pengembangan kebijakan dan penguatan kapasitas TTIS di pemerintah daerah, sehingga meningkatkan kesiapan dan ketangguhan dalam mengelola insiden siber secara efektif.
Abstract
Computer Incident Response Team (CSIRT) is responsible for carrying out various incident management functions, such as detection, triage, analysis, and response. However, with the increasing complexity of cyber threats and existing competency gaps within CSIRTs—particularly at the local government level—there is a need for an evaluation model that can comprehensively assess personnel readiness. The SCENE-CSIRT model (Scenario-Based Competency Evaluation for CSIRT) was developed by integrating national regulatory frameworks (including existing Indonesian regulations and the BSSN Occupational Map) with international standards (such as NIST, FIRST, and the NICE Framework), making it relevant to both local and global contexts. This integrated approach has not been previously applied in the context of CSIRT evaluation in Indonesia. Furthermore, the scenario-based approach is used to evaluate both technical skills (such as incident analysis and mitigation) and non-technical skills (such as communication and coordination). The model is designed to identify competency gaps and provide targeted development recommendations to improve the effectiveness of CSIRTs. Validation results indicate that 97.7% of experts agree that the model encompasses the necessary aspects required by CSIRT personnel in managing cyber incidents. This study is expected to serve as a reference for policy development and capacity building for CSIRTs at the local government level, thereby enhancing preparedness and resilience in managing cyber incidents effectively.
Analisis Sentimen Terhadap Pendapat Masyarakat Mengenai Pilkada 2024 Menggunakan Metode Support Vector Machine
Get PDFPemilihan Kepada Daerah dan Wakil Kepala Daerah, atau yang lebih dikenal sebagai Pilkada, merupakan pemilihan umum di Indonesia yang dilakukan secara langsung oleh masyarakat yang telah memenuhi ketentuan peraturan perundang-undangan. Twitter/X sebagai platform media sosial yang penting dalam komunikasi digital di Indonesia, menjadi tempat bagi masyarakat untuk menyuarakan pendapat mereka, termasuk pendapat mengenai pilkada. Tujuan penelitian ini adalah menganalisis sentimen masyarakat terhadap Pilkada melalui data yang dikumpulkan dari Twitter/X, serta memberikan wawasan berharga bagi pembuat kebijakan dan pemangku kepentingan dalam merespons aspirasi masyarakat. Analisis sentimen ini diharapkan dapat membantu memahami persepsi publik serta meningkatkan partisipasi dan kepercayaan masyarakat terhadap proses demokrasi. Penelitian ini dimulai dengan pengumpulan data dari Twitter/X. Proses berikutnya melibatkan enam tahap pre-processing, seperti case folding, pembersihan data, tokenizing, slang normalization, stemming, dan filtering. Metode klasifikasi menggunakan Support Vector Machine (SVM) dan pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dengan menerapkan teknik oversampling dengan SMOTE untuk menyeimbangkan data. Hasil pengujian SVM berhasil mendapatkan performa tinggi dengan tingkat akurasi sekitar 93,09%, precision sekitar 93,13%, recall sekitar 93,09%, dan f1-score sekitar 93,08%. Analisis menggunakan Root Cause Analysis (RCA) terhadap empat aspek utama: kandidat, kebijakan dan regulasi, proses Pilkada, serta partai politik. Hasil analisis mengungkapkan sumber ketidakpuasan masyarakat terkait Pilkada, termasuk kekhawatiran akan kurangnya pengalaman kandidat, perubahan undang-undang yang dianggap tidak transparan, kelemahan dalam verifikasi identitas pemilih selama proses Pilkada, serta tuntutan untuk peningkatan komunikasi dan kinerja partai politik.
Abstract
The election of Regional Heads and Deputy Regional Heads, commonly known as Pilkada, is a general election in Indonesia conducted directly by citizens who meet the legal requirements. Twitter/X, as a prominent social media platform in Indonesia\u27s digital communication landscape, serves as a platform for the public to express their opinions, including those about Pilkada. The aim of this study is to analyze public sentiment towards Pilkada using data collected from Twitter/X to provide valuable insights for policymakers and stakeholders in responding to public aspirations. This sentiment analysis is expected to help understand public perceptions and enhance participation and trust in the democratic process. The research begins with data collection from Twitter/X, followed by six pre-processing stages: case folding, data cleaning, tokenizing, slang normalization, stemming, and filtering. The classification method utilizes Support Vector Machine (SVM) and word weighting through Term Frequency-Inverse Document Frequency (TF-IDF), with oversampling techniques using SMOTE to balance the data. The SVM testing results achieved high performance with an accuracy rate of approximately 93,09%, precision of 93,13%, recall of 93,09%, and an f1-score of 93,08%. An analysis using Root Cause Analysis (RCA) was conducted on four key aspects: candidates, policies and regulations, the Pilkada process, and political parties. The analysis revealed sources of public dissatisfaction related to Pilkada, including concerns over candidates\u27 lack of experience, perceived opacity in legislative changes, weaknesses in voter identity verification during the Pilkada process, and demands for improved communication and performance from political parties.
Pemilihan Kepada Daerah dan Wakil Kepala Daerah, atau yang lebih dikenal sebagai Pilkada, merupakan pemilihan umum di Indonesia yang dilakukan secara langsung oleh masyarakat yang telah memenuhi ketentuan peraturan perundang-undangan. Twitter/X sebagai platform media sosial yang penting dalam komunikasi digital di Indonesia, menjadi tempat bagi masyarakat untuk menyuarakan pendapat mereka, termasuk pendapat mengenai pilkada. Tujuan penelitian ini adalah menganalisis sentimen masyarakat terhadap Pilkada melalui data yang dikumpulkan dari Twitter/X, serta memberikan wawasan berharga bagi pembuat kebijakan dan pemangku kepentingan dalam merespons aspirasi masyarakat. Analisis sentimen ini diharapkan dapat membantu memahami persepsi publik serta meningkatkan partisipasi dan kepercayaan masyarakat terhadap proses demokrasi. Penelitian ini dimulai dengan pengumpulan data dari Twitter/X. Proses berikutnya melibatkan enam tahap pre-processing, seperti case folding, pembersihan data, tokenizing, slang normalization, stemming, dan filtering. Metode klasifikasi menggunakan Support Vector Machine (SVM) dan pembobotan kata menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dengan menerapkan teknik oversampling dengan SMOTE untuk menyeimbangkan data. Hasil pengujian SVM berhasil mendapatkan performa tinggi dengan tingkat akurasi sekitar 93,09%, precision sekitar 93,13%, recall sekitar 93,09%, dan f1-score sekitar 93,08%. Analisis menggunakan Root Cause Analysis (RCA) terhadap empat aspek utama: kandidat, kebijakan dan regulasi, proses Pilkada, serta partai politik. Hasil analisis mengungkapkan sumber ketidakpuasan masyarakat terkait Pilkada, termasuk kekhawatiran akan kurangnya pengalaman kandidat, perubahan undang-undang yang dianggap tidak transparan, kelemahan dalam verifikasi identitas pemilih selama proses Pilkada, serta tuntutan untuk peningkatan komunikasi dan kinerja partai politik.
Abstract
The election of Regional Heads and Deputy Regional Heads, commonly known as Pilkada, is a general election in Indonesia conducted directly by citizens who meet the legal requirements. Twitter/X, as a prominent social media platform in Indonesia\u27s digital communication landscape, serves as a platform for the public to express their opinions, including those about Pilkada. The aim of this study is to analyze public sentiment towards Pilkada using data collected from Twitter/X to provide valuable insights for policymakers and stakeholders in responding to public aspirations. This sentiment analysis is expected to help understand public perceptions and enhance participation and trust in the democratic process. The research begins with data collection from Twitter/X, followed by six pre-processing stages: case folding, data cleaning, tokenizing, slang normalization, stemming, and filtering. The classification method utilizes Support Vector Machine (SVM) and word weighting through Term Frequency-Inverse Document Frequency (TF-IDF), with oversampling techniques using SMOTE to balance the data. The SVM testing results achieved high performance with an accuracy rate of approximately 93,09%, precision of 93,13%, recall of 93,09%, and an f1-score of 93,08%. An analysis using Root Cause Analysis (RCA) was conducted on four key aspects: candidates, policies and regulations, the Pilkada process, and political parties. The analysis revealed sources of public dissatisfaction related to Pilkada, including concerns over candidates\u27 lack of experience, perceived opacity in legislative changes, weaknesses in voter identity verification during the Pilkada process, and demands for improved communication and performance from political parties.
Penerapan Framework TOGAF Adm Dalam Perancangan Arsitektur Enterprise di SMAN 17 Surabaya
Get PDFKemajuan pesat dalam teknologi informasi dan komunikasi telah memberikan dampak besar pada bidang pendidikan. SMAN 17 Surabaya berupaya mengadopsi teknologi dengan mengembangkan pembelajaran berbasis website dan e-learning guna meningkatkan kualitas pendidikan. Namun, penerapan Teknologi Informasi dan Sistem Informasi di sekolah masih menemui berbagai hambatan, seperti kurangnya integrasi sistem dan belum adanya arsitektur yang sistematis untuk perencanaan dan pengelolaan TI/SI. Oleh karena itu, dibutuhkan perancangan arsitektur enterprise yang berfungsi sebagai acuan dalam merancang dan mengembangkan sistem informasi sekolah. Penelitian ini menggunakan framework The Open Group Architecture Framework dengan metode Architecture Development Method yang meliputi fase preliminary, arsitektur visi, arsitektur bisnis, arsitektur sistem informasi, arsitektur teknologi, hingga peluang dan solusi. Hasil penelitian ini menghasilkan rancangan arsitektur enterprise dengan usulan aplikasi untuk mendukung digitalisasi layanan sekolah, yaitu LMS berbasis Moodle, SIAKAD, SI_Pegawai, SI_Keuangan, Sistem Informasi Kearsipan Dinamis (SIKD), Sistem Perpustakaan Digital berbasis SLiMS, serta SI_Sarpras, yang dapat menjadi pedoman dalam pengembangan sistem informasi yang selaras dengan tujuan strategis SMAN 17 Surabaya.
Abstract
Rapid advances in information and communication technology have had a major impact on education. SMAN 17 Surabaya seeks to adopt technology by developing web-based learning and e-learning to improve the quality of education. However, the implementation of Information Technology and Information Systems in the school still encounters various obstacles, such as the lack of system integration and the absence of a systematic architecture for IT/IS planning and management. Therefore, it is necessary to design an enterprise architecture that serves as a reference in designing and developing school information systems. This research uses The Open Group Architecture Framework with Architecture Development Method which includes preliminary phase, vision architecture, business architecture, information system architecture, technology architecture, to opportunities and solutions. The results of this study resulted in an enterprise architecture design with proposed applications to support the digitization of school services, namely Moodle-based LMS, SIAKAD, SI_Employee, SI_Finance, Dynamic Archive Information System (SIKD), SLiMS-based Digital Library System, and SI_Sarpras, which can be a guideline in developing information systems that are aligned with the strategic objectives of SMAN 17 Surabaya.Kemajuan pesat dalam teknologi informasi dan komunikasi telah memberikan dampak besar pada bidang pendidikan. SMAN 17 Surabaya berupaya mengadopsi teknologi dengan mengembangkan pembelajaran berbasis website dan e-learning guna meningkatkan kualitas pendidikan. Namun, penerapan Teknologi Informasi dan Sistem Informasi di sekolah masih menemui berbagai hambatan, seperti kurangnya integrasi sistem dan belum adanya arsitektur yang sistematis untuk perencanaan dan pengelolaan TI/SI. Oleh karena itu, dibutuhkan perancangan arsitektur enterprise yang berfungsi sebagai acuan dalam merancang dan mengembangkan sistem informasi sekolah. Penelitian ini menggunakan framework The Open Group Architecture Framework dengan metode Architecture Development Method yang meliputi fase preliminary, arsitektur visi, arsitektur bisnis, arsitektur sistem informasi, arsitektur teknologi, hingga peluang dan solusi. Hasil penelitian ini menghasilkan rancangan arsitektur enterprise dengan usulan aplikasi untuk mendukung digitalisasi layanan sekolah, yaitu LMS berbasis Moodle, SIAKAD, SI_Pegawai, SI_Keuangan, Sistem Informasi Kearsipan Dinamis (SIKD), Sistem Perpustakaan Digital berbasis SLiMS, serta SI_Sarpras, yang dapat menjadi pedoman dalam pengembangan sistem informasi yang selaras dengan tujuan strategis SMAN 17 Surabaya.
Abstract
Rapid advances in information and communication technology have had a major impact on education. SMAN 17 Surabaya seeks to adopt technology by developing web-based learning and e-learning to improve the quality of education. However, the implementation of Information Technology and Information Systems in the school still encounters various obstacles, such as the lack of system integration and the absence of a systematic architecture for IT/IS planning and management. Therefore, it is necessary to design an enterprise architecture that serves as a reference in designing and developing school information systems. This research uses The Open Group Architecture Framework with Architecture Development Method which includes preliminary phase, vision architecture, business architecture, information system architecture, technology architecture, to opportunities and solutions. The results of this study resulted in an enterprise architecture design with proposed applications to support the digitization of school services, namely Moodle-based LMS, SIAKAD, SI_Employee, SI_Finance, Dynamic Archive Information System (SIKD), SLiMS-based Digital Library System, and SI_Sarpras, which can be a guideline in developing information systems that are aligned with the strategic objectives of SMAN 17 Surabaya
Penerapan Random Oversampling dan Principal Component Analysis untuk Meningkatkan Akurasi Prediksi Kebangkrutan Perusahaan di Indonesia dengan Model Machine Learning
Get PDFPrediksi kebangkrutan menjadi penting untuk memberikan peringatan dini bagi manajemen dan pemangku kepentingan agar dapat mengambil tindakan preventif. Penelitian ini menguji penerapan metode Random Oversampling dan Principal Component Analysis (PCA) dalam model machine learning untuk meningkatkan akurasi prediksi kebangkrutan perusahaan. Penelitian ini menggunakan dua dataset yaitu data Taiwanese Bankruptcy Prediction dari UCI Machine Learning Repository sebanyak 6.891 data dan data primer berupa data kebangkrutan perusahaan Indonesia dari Bursa Efek Indonesia (BEI) dari tahun 2021-2023 sebanyak 2.703 data. Total keseluruhan dataset yang digunakan sebanyak 9.594 data. Empat algoritma klasifikasi—KNN, Naïve Bayes, SVM, dan Decision Tree—diuji sebelum dan sesudah penerapan metode tersebut. Hasil menunjukkan bahwa kombinasi PCA dan Random Oversampling meningkatkan recall kelas minoritas (kebangkrutan) secara signifikan. SVM menjadi algoritma terbaik dengan precision 0,86, recall 0,76, dan F1-score 0,80, sementara Decision Tree mengalami overfitting setelah oversampling. PCA berhasil mereduksi dimensi dataset hingga 98,87% varian tetap terjaga, dan Random Oversampling menyeimbangkan distribusi kelas.
Abstract
Bankruptcy prediction is crucial for providing early warnings to management and stakeholders to take preventive actions. This study examines the application of Random Oversampling and Principal Component Analysis (PCA) in machine learning models to improve the accuracy of corporate bankruptcy prediction. The study uses two datasets: the Taiwanese Bankruptcy Prediction data from the UCI Machine Learning Repository (6,891 data points) and primary data on Indonesian company bankruptcies from the Indonesia Stock Exchange (IDX) for 2021–2023 (2,703 data points), totaling 9,594 data points. Four classification algorithms—K-Nearest Neighbors (KNN), Naïve Bayes, Support Vector Machine (SVM), and Decision Tree—were tested before and after applying these methods. The results show that the combination of PCA and Random Oversampling significantly improved the recall of the minority class (bankruptcy). SVM emerged as the best-performing algorithm with a precision of 0.86, recall of 0.76, and F1-score of 0.80, while the Decision Tree experienced overfitting after oversampling. PCA successfully reduced the dataset’s dimensions while retaining 98.87% of the variance, and Random Oversampling balanced the class distribution.Prediksi kebangkrutan menjadi penting untuk memberikan peringatan dini bagi manajemen dan pemangku kepentingan agar dapat mengambil tindakan preventif. Penelitian ini menguji penerapan metode Random Oversampling dan Principal Component Analysis (PCA) dalam model machine learning untuk meningkatkan akurasi prediksi kebangkrutan perusahaan. Penelitian ini menggunakan dua dataset yaitu data Taiwanese Bankruptcy Prediction dari UCI Machine Learning Repository sebanyak 6.891 data dan data primer berupa data kebangkrutan perusahaan Indonesia dari Bursa Efek Indonesia (BEI) dari tahun 2021-2023 sebanyak 2.703 data. Total keseluruhan dataset yang digunakan sebanyak 9.594 data. Empat algoritma klasifikasi—KNN, Naïve Bayes, SVM, dan Decision Tree—diuji sebelum dan sesudah penerapan metode tersebut. Hasil menunjukkan bahwa kombinasi PCA dan Random Oversampling meningkatkan recall kelas minoritas (kebangkrutan) secara signifikan. SVM menjadi algoritma terbaik dengan precision 0,86, recall 0,76, dan F1-score 0,80, sementara Decision Tree mengalami overfitting setelah oversampling. PCA berhasil mereduksi dimensi dataset hingga 98,87% varian tetap terjaga, dan Random Oversampling menyeimbangkan distribusi kelas.
Abstract
Bankruptcy prediction is crucial for providing early warnings to management and stakeholders to take preventive actions. This study examines the application of Random Oversampling and Principal Component Analysis (PCA) in machine learning models to improve the accuracy of corporate bankruptcy prediction. The study uses two datasets: the Taiwanese Bankruptcy Prediction data from the UCI Machine Learning Repository (6,891 data points) and primary data on Indonesian company bankruptcies from the Indonesia Stock Exchange (IDX) for 2021–2023 (2,703 data points), totaling 9,594 data points. Four classification algorithms—K-Nearest Neighbors (KNN), Naïve Bayes, Support Vector Machine (SVM), and Decision Tree—were tested before and after applying these methods. The results show that the combination of PCA and Random Oversampling significantly improved the recall of the minority class (bankruptcy). SVM emerged as the best-performing algorithm with a precision of 0.86, recall of 0.76, and F1-score of 0.80, while the Decision Tree experienced overfitting after oversampling. PCA successfully reduced the dataset’s dimensions while retaining 98.87% of the variance, and Random Oversampling balanced the class distribution
Analisis Model Jalur Longitudinal Berbasis Glmm Pada Kasus Pasien Penderita Tuberkulosis Paru: Studi Simulasi
Get PDFEvaluasi dan monitoring pada pasien penderita tuberkulosis paru membutuhkan pengobatan yang tepat. Dalam beberapa tahun terakhir, pada tahap monitoring telah ditemukan penanda biologis yang disebut suPAR (soluble urokinase plasminogen activator receptor) berpotensi sebagai biomarker untuk mendiagnosis, prognosis, dan evaluasi penyakit paru. Penelitian ini bertujuan untuk menyelidiki faktor-faktor yang berhubungan dengan pasien tuberkulosis paru dan menentukan faktor yang paling signifikan berdasarkan waktu pengamatan, indeks massa tubuh, dan laju endapan darah. Sampel sebanyak 60 pasien tuberkulosis paru di Malang dievaluasi secara longitudinal setiap dua minggu sekali selama 13 periode. Dalam penelitian ini, kami menggunakan analisis jalur dengan generalized linear mixed model (GLMM) dengan metode Weighted Least Square (WLS) untuk menyelidiki hubungan antarvariabel terhadap kadar monosit dan kadar suPAR pada pasien tuberkulosis paru. dan membandingkan hasilnya dengan Ordinary Least Square (OLS). Hasil penelitian menunjukkan bahwa model terbaik adalah GLMM dengan struktur kovarian unstructured dengan AIC terkecil dan R2 terbesar. Selain itu, indeks massa tubuh memiliki pengaruh yang paling signifikan terhadap kadar monosit dan suPAR pada pasien TB paru. Oleh karena itu, sangat penting untuk mempertimbangkan indeks massa tubuh pasien dalam evaluasi dan monitoring pasien tuberkulosis paru.
Abstract
Evaluating and monitoring patients with pulmonary tuberculosis needs an appropriate treatment. In recent years, a biological marker called suPAR (soluble urokinase plasminogen activator receptor) has been identified in the monitoring stage and has the potential as a biomarker for diagnosing, prognosing, and monitoring disease. This study aims to investigate the factors associated with patients with pulmonary tuberculosis and determine the most significant factor based on observation time, BMI, and ESR. A total of 60 patients diagnosed with pulmonary tuberculosis in Malang were included and evaluated longitudinally every two weeks over 13 periods. In this study, we use path analysis with the generalized linear mixed model (GLMM) using the Weighted Least Square (WLS) method to investigate the relationship between the variables on monocyte and suPAR levels in pulmonary tuberculosis patients and compare the results those obtained using the Ordinary Least Square (OLS) method. The results demonstrate that the optimal model is the GLMM with an unstructured covariance structure, exhibiting the smallest AIC and the largest R2. Additionally, body mass index exerts the most significant effect on monocyte and suPAR levels in patients with pulmonary tuberculosis. Consequently, considering patient’s BMI when evaluating and monitoring patients with pulmonary tuberculosis is imperative.Evaluasi dan monitoring pada pasien penderita tuberkulosis paru membutuhkan pengobatan yang tepat. Dalam beberapa tahun terakhir, pada tahap monitoring telah ditemukan penanda biologis yang disebut suPAR (soluble urokinase plasminogen activator receptor) berpotensi sebagai biomarker untuk mendiagnosis, prognosis, dan evaluasi penyakit paru. Penelitian ini bertujuan untuk menyelidiki faktor-faktor yang berhubungan dengan pasien tuberkulosis paru dan menentukan faktor yang paling signifikan berdasarkan waktu pengamatan, indeks massa tubuh, dan laju endapan darah. Sampel sebanyak 60 pasien tuberkulosis paru di Malang dievaluasi secara longitudinal setiap dua minggu sekali selama 13 periode. Dalam penelitian ini, kami menggunakan analisis jalur dengan generalized linear mixed model (GLMM) dengan metode Weighted Least Square (WLS) untuk menyelidiki hubungan antarvariabel terhadap kadar monosit dan kadar suPAR pada pasien tuberkulosis paru. dan membandingkan hasilnya dengan Ordinary Least Square (OLS). Hasil penelitian menunjukkan bahwa model terbaik adalah GLMM dengan struktur kovarian unstructured dengan AIC terkecil dan R2 terbesar. Selain itu, indeks massa tubuh memiliki pengaruh yang paling signifikan terhadap kadar monosit dan suPAR pada pasien TB paru. Oleh karena itu, sangat penting untuk mempertimbangkan indeks massa tubuh pasien dalam evaluasi dan monitoring pasien tuberkulosis paru.
Abstract
Evaluating and monitoring patients with pulmonary tuberculosis needs an appropriate treatment. In recent years, a biological marker called suPAR (soluble urokinase plasminogen activator receptor) has been identified in the monitoring stage and has the potential as a biomarker for diagnosing, prognosing, and monitoring disease. This study aims to investigate the factors associated with patients with pulmonary tuberculosis and determine the most significant factor based on observation time, BMI, and ESR. A total of 60 patients diagnosed with pulmonary tuberculosis in Malang were included and evaluated longitudinally every two weeks over 13 periods. In this study, we use path analysis with the generalized linear mixed model (GLMM) using the Weighted Least Square (WLS) method to investigate the relationship between the variables on monocyte and suPAR levels in pulmonary tuberculosis patients and compare the results those obtained using the Ordinary Least Square (OLS) method. The results demonstrate that the optimal model is the GLMM with an unstructured covariance structure, exhibiting the smallest AIC and the largest R2. Additionally, body mass index exerts the most significant effect on monocyte and suPAR levels in patients with pulmonary tuberculosis. Consequently, considering patient’s BMI when evaluating and monitoring patients with pulmonary tuberculosis is imperative
Deteksi Objek Pada Framework Yolov5 Dengan Penanganan Kesilauan Cahaya Menggunakan Gabungan Arsitektur U-Net Dan Inpaint
Get PDFCCTV telah diterapkan untuk memantau berbagai aktivitas di lingkungan Universitas Brawijaya, termasuk lalu lintas kendaraan di gerbang kampus. Pengawasan pada malam hari dalam kondisi intensitas cahaya yang rendah merupakan tantangan tersendiri dalam penggunaan CCTV. Hal ini dikarenakan kualitas gambar yang rendah sehingga menghambat kemampuan sistem untuk mendeteksi dan mengidentifikasi objek dengan tepat. Salah satu permasalahan yang timbul dalam kasus kurangnya pencahayaan adalah munculnya flare atau kesilauan yang disebabkan oleh lampu kendaraan yang mengarah langsung ke CCTV. Oleh karena itu, pada penelitian ini digunakan segmentasi U-Net dan restorasi inpaint untuk preproses data sebelum dilakukan deteksi objek menggunakan framework YOLOv5. Hasil pengujian deteksi objek diperoleh nilai precision 0.942, recall 0.873, dan F1-Score 0.88 pada model yang dipreproses menggunakan segmentasi U-Net dan restorasi inpaint. Nilai tersebut lebih tinggi sebesar 0.032 pada precision, 0.018 pada recall, dan 0.3 pada F1-Score jika dibandingkan dengan model yang tanpa preproses.
Abstract
CCTV has been implemented to monitor various activities within Brawijaya University, including vehicle traffic at the campus gate. Surveillance at night in low light intensity conditions is a challenge in the use of CCTV. This is due to the low image quality that hampers the system\u27s ability to detect and identify objects correctly. One of the problems that arise in the case of lack of lighting is the appearance of flares or glare caused by vehicle lights that point directly to the CCTV. Therefore, in this research, U-Net segmentation and inpaint restoration are used to preprocess data before object detection using the YOLOv5 framework. The results of object detection testing obtained precision values of 0.942, recall 0.873, and F1-Score 0.88 on models preprocessed using U-Net segmentation and inpaint restoration. These values are higher by 0.032 in precision, 0.018 in recall, and 0.3 in F1-Score when compared to the model without preprocessing.
CCTV telah diterapkan untuk memantau berbagai aktivitas di lingkungan Universitas Brawijaya, termasuk lalu lintas kendaraan di gerbang kampus. Pengawasan pada malam hari dalam kondisi intensitas cahaya yang rendah merupakan tantangan tersendiri dalam penggunaan CCTV. Hal ini dikarenakan kualitas gambar yang rendah sehingga menghambat kemampuan sistem untuk mendeteksi dan mengidentifikasi objek dengan tepat. Salah satu permasalahan yang timbul dalam kasus kurangnya pencahayaan adalah munculnya flare atau kesilauan yang disebabkan oleh lampu kendaraan yang mengarah langsung ke CCTV. Oleh karena itu, pada penelitian ini digunakan segmentasi U-Net dan restorasi inpaint untuk preproses data sebelum dilakukan deteksi objek menggunakan framework YOLOv5. Hasil pengujian deteksi objek diperoleh nilai precission 0.942, recall 0.873, dan F1-Score 0.88 pada model yang dipreproses menggunakan segmentasi U-Net dan restorasi inpaint. Nilai tersebut lebih tinggi sebesar 0.032 pada precision, 0.018 pada recall, dan 0.3 pada F1-Score jika dibandingkan dengan model yang tanpa preproses.
Pemodelan Sistem Monitoring Kualitas Udara Pintar Berbasis Internet of Things dengan Pendekatan Machine Learning
Get PDFPenelitian ini bertujuan untuk merancang arsitektur model sistem pemantauan kualitas udara di Kota Bandung menggunakan empat parameter polutan utama: PM1.0, PM2.5, PM10, dan CO. Sistem ini dirancang dengan memanfaatkan algoritma Long Short-Term Memory (LSTM) untuk memprediksi kualitas udara harian berdasarkan data historis. Fokus penelitian meliputi perancangan desain arsitektur sistem, model data, dan metode prediksi, yang disusun berdasarkan analisis arsitektur sebelumnya serta kajian literatur. Salah satu elemen penting dan kebaruan dalam penelitian ini adalah penggunaan sensor ZH03B untuk pemantauan kualitas udara secara real-time yang memberikan solusi hemat biaya dan dapat diandalkan. Kombinasi antara sensor real-time dan algoritma LSTM menghasilkan tingkat akurasi prediksi kualitas udara sebesar 88%. Hasil evaluasi model menunjukkan nilai Root Mean Square Error (RMSE) sebesar 2,68 yang mencerminkan kinerja prediksi yang baik. Selain itu, pendekatan ini memberikan peningkatan signifikan dibandingkan metode konvensional yang sering kali kurang responsif terhadap perubahan kualitas udara secara dinamis. Penelitian ini memberikan dasar yang kuat untuk pengembangan sistem monitoring kualitas udara yang lebih akurat dan adaptif. Arsitektur yang diusulkan dapat menjadi acuan untuk pengembangan sistem monitoring kualitas udara di masa depan.
Abstract
This research aims to design the architecture of an air quality monitoring system model in Bandung City using four main pollutant parameters: PM1.0, PM2.5, PM10, and CO. The system is designed by utilising the Long Short-Term Memory (LSTM) algorithm to predict daily air quality based on historical data. The focus of the research includes the design of the system architecture, data model, and prediction method, which were developed based on previous architecture analysis and literature review. One important element and novelty in this research is the use of the ZH03B sensor for real-time air quality monitoring which provides a cost-effective and reliable solution. The combination of the real-time sensor and the LSTM algorithm resulted in an air quality prediction accuracy rate of 88%. The model evaluation results show a Root Mean Square Error (RMSE) value of 2.68 which reflects good prediction performance. In addition, this approach provides a significant improvement over conventional methods that are often less responsive to dynamic changes in air quality. This research provides a solid foundation for the development of a more accurate and adaptive air quality monitoring system. The proposed architecture can serve as a reference for the development of future air quality monitoring systems.Penelitian ini bertujuan untuk merancang arsitektur model sistem pemantauan kualitas udara di Kota Bandung menggunakan empat parameter polutan utama: PM1.0, PM2.5, PM10, dan CO. Sistem ini dirancang dengan memanfaatkan algoritma Long Short-Term Memory (LSTM) untuk memprediksi kualitas udara harian berdasarkan data historis. Fokus penelitian meliputi perancangan desain arsitektur sistem, model data, dan metode prediksi, yang disusun berdasarkan analisis arsitektur sebelumnya serta kajian literatur. Salah satu elemen penting dan kebaruan dalam penelitian ini adalah penggunaan sensor ZH03B untuk pemantauan kualitas udara secara real-time yang memberikan solusi hemat biaya dan dapat diandalkan. Kombinasi antara sensor real-time dan algoritma LSTM menghasilkan tingkat akurasi prediksi kualitas udara sebesar 88%. Hasil evaluasi model menunjukkan nilai Root Mean Square Error (RMSE) sebesar 2,68 yang mencerminkan kinerja prediksi yang baik. Selain itu, pendekatan ini memberikan peningkatan signifikan dibandingkan metode konvensional yang sering kali kurang responsif terhadap perubahan kualitas udara secara dinamis. Penelitian ini memberikan dasar yang kuat untuk pengembangan sistem monitoring kualitas udara yang lebih akurat dan adaptif. Arsitektur yang diusulkan dapat menjadi acuan untuk pengembangan sistem monitoring kualitas udara di masa depan.
Abstract
This research aims to design the architecture of an air quality monitoring system model in Bandung City using four main pollutant parameters: PM1.0, PM2.5, PM10, and CO. The system is designed by utilising the Long Short-Term Memory (LSTM) algorithm to predict daily air quality based on historical data. The focus of the research includes the design of the system architecture, data model, and prediction method, which were developed based on previous architecture analysis and literature review. One important element and novelty in this research is the use of the ZH03B sensor for real-time air quality monitoring which provides a cost-effective and reliable solution. The combination of the real-time sensor and the LSTM algorithm resulted in an air quality prediction accuracy rate of 88%. The model evaluation results show a Root Mean Square Error (RMSE) value of 2.68 which reflects good prediction performance. In addition, this approach provides a significant improvement over conventional methods that are often less responsive to dynamic changes in air quality. This research provides a solid foundation for the development of a more accurate and adaptive air quality monitoring system. The proposed architecture can serve as a reference for the development of future air quality monitoring systems