45 research outputs found
Kinerja Metode CNN untuk Klasifikasi Pneumonia dengan Variasi Ukuran Citra Input
Full text linkSaat ini banyak dikembangkan proses pendeteksian pneumonia berdasarkan citra paru-paru dari hasil foto rontgen (x-ray), sebagaimana juga dilakukan pada penelitian ini. Metode yang digunakan adalah Convolutional Neural Network (CNN) dengan arsitektur yang berbeda dengan sejumlah penelitian sebelumnya. Selain itu, penelitian ini juga memodifikasi model CNN dimana metode Extreme Learning Machine (ELM) digunakan pada bagian klasifikasi, yang kemudian disebut CNN-ELM. Dataset untuk uji coba menggunakan kumpulan citra paru-paru hasil foto rontgen pada Kaggle yang terdiri atas 1.583 citra normal dan 4.237 citra pneumonia. Citra asal pada dataset kaggle ini bervariasi, tetapi hampir semua diatas ukuran 1000x1000 piksel. Ukuran citra yang besar ini dapat membuat pemrosesan klasifikasi kurang efektif, sehingga mesin CNN biasanya memodifikasi ukuran citra menjadi lebih kecil. Pada penelitian ini, pengujian dilakukan dengan variasi ukuran citra input, untuk mengetahui pengaruhnya terhadap kinerja mesin pengklasifikasi. Hasil uji coba menunjukkan bahwa ukuran citra input berpengaruh besar terhadap kinerja klasifikasi pneumonia, baik klasifikasi yang menggunakan metode CNN maupun CNN-ELM. Pada ukuran citra input 200x200, metode CNN dan CNN-ELM menunjukkan kinerja paling tinggi. Jika kinerja kedua metode itu dibandingkan, maka Metode CNN-ELM menunjukkan kinerja yang lebih baik daripada CNN pada semua skenario uji coba. Pada kondisi kinerja paling tinggi, selisih akurasi antara metode CNN-ELM dan CNN mencapai 8,81% dan selisih F1 Score mencapai 0,0729. Hasil penelitian ini memberikan informasi penting bahwa ukuran citra input memiliki pengaruh besar terhadap kinerja klasifikasi pneumonia, baik klasifikasi menggunakan metode CNN maupun CNN-ELM. Selain itu, pada semua ukuran citra input yang digunakan untuk proses klasifikasi, metode CNN-ELM menunjukkan kinerja yang lebih baik daripada metode CNN. AbstractThis research developed a pneumonia detection machine based on the lungs\u27 images from X-rays (x-rays). The method used is the Convolutional Neural Network (CNN) with a different architecture from some previous research. Also, the CNN model is modified, where the classification process uses the Extreme Learning Machine (ELM), which is then called the CNN-ELM method. The empirical experiments dataset used a collection of lung x-ray images on Kaggle consisting of 1,583 normal images and 4,237 pneumonia images. The original image\u27s size on the Kaggle dataset varies, but almost all of the images are more than 1000x1000 pixels. For classification processing to be more effective, CNN machines usually use reduced-size images. In this research, experiments were carried out with various input image sizes to determine the effect on the classifier\u27s performance. The experimental results show that the input images\u27 size has a significant effect on the classification performance of pneumonia, both the CNN and CNN-ELM classification methods. At the 200x200 input image size, the CNN and CNN-ELM methods showed the highest performance. If the two methods\u27 performance is compared, then the CNN-ELM Method shows better performance than CNN in all test scenarios. The difference in accuracy between the CNN-ELM and CNN methods reaches 8.81% at the highest performance conditions, and the difference in F1-Score reaches 0.0729. This research provides important information that the size of the input image has a major influence on the classification performance of pneumonia, both classification using the CNN and CNN-ELM methods. Also, on all input image sizes used for the classification process, the CNN-ELM method shows better performance than the CNN method
PROMOTER ACCOUNT DETECTION IN TWITTER
Full text link Normal 0 false false false IN X-NONE X-NONE MicrosoftInternetExplorer4
/* Style Definitions */
table.MsoNormalTable
{mso-style-name:"Table Normal";
mso-tstyle-rowband-size:0;
mso-tstyle-colband-size:0;
mso-style-noshow:yes;
mso-style-priority:99;
mso-style-qformat:yes;
mso-style-parent:"";
mso-padding-alt:0cm 5.4pt 0cm 5.4pt;
mso-para-margin:0cm;
mso-para-margin-bottom:.0001pt;
mso-pagination:widow-orphan;
font-size:11.0pt;
font-family:"Calibri","sans-serif";
mso-ascii-font-family:Calibri;
mso-ascii-theme-font:minor-latin;
mso-fareast-font-family:"Times New Roman";
mso-fareast-theme-font:minor-fareast;
mso-hansi-font-family:Calibri;
mso-hansi-theme-font:minor-latin;
mso-bidi-font-family:"Times New Roman";
mso-bidi-theme-font:minor-bidi;}
Twitter is an online social network and micro-blog that becomes an alternative media for sharing and getting information. In the political area, Twitter provides various features as a media to promote campaign and get a good imaging for political party or contestant. In order to get a good opinion from other users, the contestant can manipulate their success with a massive promotion. This promotion activity could lead to public opinion that is not consistent with the facts. So that, we need to determine whether this is promoter account or not. In this paper, we propose a new framework for promoter account detection. This framework based on twitter content to detect promoter account according to their existence in topic of promotion. This framework employs k-means approach in order to cluster topic of promotion based on twitter’s content. From each cluster, we evaluate the existence of promoter account. With very simple approach, the results obtained on experiment show that this framework is effective for promoter account detection.</p
Identification of Papua Cenderawasih Batik Motifs using Local Binary Pattern and K-Nearest Neighbor
Full text linkPapua Island has natural and cultural richness wich is reflected in its batik motifs, such as the Cenderawasih and Tifa motifs. Although batik recognition technology has developed, systems capable of automatically identifying Papua batik motifs are still limited. This research aims to develop a texture recognition system using the Local Binary Pattern (LBP) feature extraction method and K-Nearest Neighbor (KNN) classification. The Cenderawasih motif dataset consists of 115 images, and the Tifa motif dataset consists of 120 images with an 80:20 composition for training and testing data. We tested the KNN model with various k values and found that k = 7 yielded the best results, with accuracy of 97.16%, precision of 97.10%, and F1-score of 97.10%. The developed GUI interface facilitates users in identifying batik motifs, providing prediction results, and texture visualization. The results of this study show that image processing technology could help protect Papuan batik. Future research could improve model accuracy by utilizing larger data sets and classification algorithms to make the models more accurate
Sistem Pendukung Keputusan Berbasis Interval Type-2 Fuzzy Sugeno Pada Kendali pH Air
Full text linkKemampuan sistem fuzzy dalam menangani hal-hal yang bersifat ambiguitas tinggi, seperti perubahan ekstrem pada pH air sangat diperlukan di era modern saat ini. Sebab, tingginya ambiguitas dapat mengakibatkan alat pengendali pH tidak berfungsi dengan baik, sehingga akan berakibat fatal khususnya pada sektor pertanian. Tipe algoritma fuzzy sangat menentukan keberhasilan dalam penanganan ambiguitas. Berdasarkan permasalahan tersebut, penulis mengusulkan metode IT2FL Sugeno Orde-Nol untuk digunakan sebagai pembelajaran dalam sistem pengendalian pH air yang merupakan inovasi baru yang layak untuk diperdalam lagi kedepannya. Fuzzy logic type-2 mempunyai 4 tahapan dalam penyelesaiannya yaitu meliputi: fuzzifikasi, inferensi, reduksi tipe, dan defuzzifikasi. Fuzzy memiliki beberapa komponen penting didalamnya yang meliputi: variabel, himpunan, domain, fungsi keanggotaan, representasi kurva, dan operator. Adapun tujuan dari penelitian ini ialah untuk memberikan gambaran sederhana dalam menerapkan algoritma IT2FL Sugeno sebagai sarana pengembangan IPTEK dalam ranah teknologi pertanian. Hasil dari penelitian ini menunjukkan bahwa SPK 0 untuk aksi pH up on: 25 detik, SPK 1 untuk aksi pH up on: 10 detik, SPK 2 untuk aksi all pH off: 0 detik, SPK 3 untuk aksi pH down on: 10 detik, dan SPK 4 untuk aksi pH down on: 25 detik. Pengkategorian pH dibagi menjadi 5 macam yaitu: Asam Kuat (0-3), Asam Lemah (4-6), Netral (7), Basa Lemah (8-10), dan Basa Kuat (11-14). Berdasarkan hasil pengujian, sistem memenuhi syarat dan dinyatakan valid dengan standarisasi perhitungan pada sensor : akurasi rata-rata sebesar 91.8%; galat selisih rata-rata sebesar 0.6; dan juga galat sistematis rata-rata sebesar 8.2%
CONVOLUTIONAL NEURAL NETWORK DAN FASTER REGION CONVOLUTIONAL NEURAL NETWORK UNTUK KLASIFIKASI KUALITAS BIJI KOPI ARABIKA
Full text linkIndustri kopi global sangat dipengaruhi oleh peran masyarakat pecinta kopi, yang menciptakan ekosistem dimana kopi tetap menjadi komoditas istimewa. Salah satu aspek penting dalam pengelolaan kopi adalah penentuan grade kopi. Standar penilaian cacat pada biji kopi telah diakui secara nasional sejak tahun 1984 dan diperbarui dengan SNI 01-2907-2008 untuk memastikan kualitas dan konsistensi. Untuk meningkatkan efisiensi dan akurasi proses grading kopi, diperlukan sistem otomatis berbasis deep learning. Penelitian ini membahas penerapan CNN dan Faster R-CNN untuk klasifikasi biji kopi, dengan menggunakan biji kopi arabika, robusta, dan liberica. Algoritma CNN VGG-16 dan Faster R-CNN dibandingkan untuk mengidentifikasi pengaruh Region Proposal Network (RPN) terhadap efisiensi klasifikasi citra. Hasil penelitian menunjukkan bahwa CNN VGG-16 mencapai akurasi 86%, sementara Faster R-CNN mencapai rata-rata akurasi 93%, dengan presisi 93%, recall 92%, dan skor F1 92%. Penelitian ini bertujuan untuk memberikan pemahaman mendalam tentang kedua algoritma dalam konteks klasifikasi biji kopi serta meningkatkan efisiensi proses grading kopi. Industri kopi global sangat dipengaruhi oleh peran masyarakat pecinta kopi, yang menciptakan ekosistem dimana kopi tetap menjadi komoditas istimewa. Salah satu aspek penting dalam pengelolaan kopi adalah penentuan grade kopi. Standar penilaian cacat pada biji kopi telah diakui secara nasional sejak tahun 1984 dan diperbarui dengan SNI 01-2907-2008 untuk memastikan kualitas dan konsistensi. Untuk meningkatkan efisiensi dan akurasi proses grading kopi, diperlukan sistem otomatis berbasis deep learning. Penelitian ini membahas penerapan CNN dan Faster R-CNN untuk klasifikasi biji kopi, dengan menggunakan biji kopi arabika, robusta, dan liberica. Algoritma CNN VGG-16 dan Faster R-CNN dibandingkan untuk mengidentifikasi pengaruh Region Proposal Network (RPN) terhadap efisiensi klasifikasi citra. Hasil penelitian menunjukkan bahwa CNN VGG-16 mencapai akurasi 86%, sementara Faster R-CNN mencapai rata-rata akurasi 93%, dengan presisi 93%, recall 92%, dan skor F1 92%. Penelitian ini bertujuan untuk memberikan pemahaman mendalam tentang kedua algoritma dalam konteks klasifikasi biji kopi serta meningkatkan efisiensi proses grading kopi.
KLASIFIKASI SENTIMEN TENTANG PEMINDAHAN IBU KOTA NEGARA INDONESIA DENGAN CONVOLUTIONAL NEURAL NETWORK MENGGUNAKAN GLOVE DAN FASTTEXT
Full text linkMedia sosial kini menjadi tempat untuk berkomunikasi jarak jauh yang marak digunakan. Di dalam media sosial, terdapat berbagai macam opini pengguna yang sering kali terjadi kesalahan penafsiran oleh pembaca. Kadang kala, informasi yang tersebar juga merupakan hoaks sehingga dapat mempersulit pemahaman aktual sentimen yang sesungguhnya ingin disampaikan. Beberapa waktu terakhir, topik pembicaraan mengenai pemindahan ibu kota negara Indonesia sangat banyak tersebar di media sosial. Dilakukannya penelitian ini memiliki tujuan untuk mendapatkan perbandingan hasil antara dua metode ekstraksi fitur yang digunakan. Penelitian ini menerapkan ekstraksi fitur GloVe dan FastText dengan besaran nilai ukuran vektor sebesar 100. Klasifikasi dalam penelitian ini dilakukan dengan algoritma Convolutional Neural Network yang menerapkan beberapa variasi skenario uji, yaitu dengan mengubah nilai batch size dan epoch. Penelitian dilakukan dengan 44957 data komentar YouTube yang besar perbandingannya adalah 70:30 untuk data pelatihan dan data pengujian. Hasil dari dilakukannya percobaan menunjukkan bahwa metode ekstraksi fitur GloVe menghasilkan akurasi yang lebih baik dibandingkan dengan FastText. Hasil akhir didapatkan bahwa implementasi Convolutional Neural Network dengan GloVe menghasilkan rata-rata nilai precision sebesar 74.3%, recall sebesar 73.6%, f1-score sebesar 73.6%, serta accuracy sebesar 76.1%
IMPLEMENTASI PROGRESSIVE WEB APPLICATION (PWA) DALAM PENGEMBANGAN SISTEM PESAN-ANTAR MAKANAN (STUDI KASUS: WIRAWIRI BOJONEGORO)
Full text linkLayanan pesan-antar makanan daring mengalami pertumbuhan pesat seiring dengan kemajuan teknologi dan perubahan gaya hidup modern. Salah satu layanan lokal, WiraWiri Bojonegoro, menawarkan jasa pesan-antar makanan dengan menggandeng UMKM dan PKL sebagai mitra. Namun, sistem saat ini masih bergantung pada WhatsApp untuk pemrosesan pesanan dan pemilihan driver secara manual, sehingga mengakibatkan antrian panjang dan kurang efisien. Untuk mengatasi masalah ini, penelitian ini mengembangkan sistem pesan-antar makanan mengimplementasikan Progressive Web Application (PWA). teknologi PWA menghadirkan pengalaman pengguna yang responsif, cepat, dan dapat diakses baik online maupun offline. Pada penelitian ini di dapat sistem pesan antar berbasis Progressive Web Application (PWA) dengan menerapkan push notification, serta kemampuan menambahkan aplikasi ke layar utama (home screen). Secara keseluruhan, fitur-fitur pada sistem pesan-antar berfungsi dengan baik berdasarkan hasil pengujian fungsionalitas
Image Color Correction for Color Vision Deficiency Using ResNet and CycleGAN
Full text linkColor blindness is a visual impairment that limits an individual's ability to accurately perceive certain colors, particularly red, green, or blue. This condition can hinder daily tasks, especially when color identification is crucial. This study proposes a color correction system designed to enhance color perception for individuals with color vision deficiency (CVD), focusing on important visual areas within an image. The method involves converting RGB images into LMS color space, simulating types of color blindness (protanopia, deuteranopia, and tritanopia), detecting visually important regions using a saliency mask, applying color correction through a ResNet-based deep learning model, and performing a reverse transformation back to RGB using a CycleGAN. A total of 5,020 images were used for evaluation, and the proposed system achieved an average Root Mean Square (RMS) error of 0.0212. The Mean Absolute Error (MAE) ranged from 0.1541 to 0.5582 depending on the CVD type. In addition to quantitative evaluation, qualitative validation was conducted through a GUI-based user test involving 10 color blind participants. The system showed the highest effectiveness for deuteranopia with a color recognition accuracy of 71.666%, followed by tritanopia at 59.666% and protanopia at 46.500%. These results indicate that the proposed system offers significant potential in aiding individuals with CVD to better interpret color-based information, especially in visually important regions of an image. Future work may explore broader datasets and alternative deep learning architectures to further improve accuracy and adaptability.Color blindness is a visual impairment that limits an individual's ability to accurately perceive certain colors, particularly red, green, or blue. This condition can hinder daily tasks, especially when color identification is crucial. This study proposes a color correction system designed to enhance color perception for individuals with color vision deficiency (CVD), focusing on important visual areas within an image. The method involves converting RGB images into LMS color space, simulating types of color blindness (protanopia, deuteranopia, and tritanopia), detecting visually important regions using a saliency mask, applying color correction through a ResNet-based deep learning model, and performing a reverse transformation back to RGB using a CycleGAN. A total of 5,020 images were used for evaluation, and the proposed system achieved an average Root Mean Square (RMS) error of 0.0212. The Mean Absolute Error (MAE) ranged from 0.1541 to 0.5582 depending on the CVD type. In addition to quantitative evaluation, qualitative validation was conducted through a GUI-based user test involving 10 color blind participants. The system showed the highest effectiveness for deuteranopia with a color recognition accuracy of 71.666%, followed by tritanopia at 59.666% and protanopia at 46.500%. These results indicate that the proposed system offers significant potential in aiding individuals with CVD to better interpret color-based information, especially in visually important regions of an image. Future work may explore broader datasets and alternative deep learning architectures to further improve accuracy and adaptability
Educational Game Design to Raise Awareness of Social Anxiety and Cognitive Behavioral Therapy
Full text linkSocial Anxiety Disorder (SAD) is a common yet often misunderstood mental health condition that significantly impacts the lives of adolescents and university students. Despite its prevalence, awareness and understanding of SAD and its evidence based treatment, Cognitive Behavioral Therapy (CBT), remain limited among young adults. This study aims to design and develop Social Survival, a 2D educational game intended to raise awareness of SAD and introduce CBT techniques through an interactive and engaging medium. The game is developed using the Unity engine and employs the Interactive Digital Narrative (IDN) framework to deliver a singleplayer narrative experience. It presents scenarios simulating SAD symptoms and embeds CBT strategi such as relaxation, cognitive restructuring, and exposure into gameplay via minigames. The development process included a needs analysis, general and detailed design phases, and implementation of mechanics aligned with CBT principles. To evaluate learning effectiveness, a pre-test and post-test were administered and analyzed using the N-Gain formula. Player satisfaction was assessed using the Game User Experience Satisfaction Scale (GUESS-18), which measures dimensions such as enjoyment, engagement, and educational value. The results indicate a positive improvement in player understanding of SAD and CBT, along with favorable user experience ratings. The study concludes that serious games can serve as effective tools for mental health education, although clinical treatment should still be guided by professionals
Optimization of CNN Activation Functions using Xception for South Sulawesi Batik Classification
Full text linkBatik motifs from South Sulawesi such as the Pinisi boat, Lontara script, Tongkonan house and Toraja combinations embody rich cultural narratives but are difficult to identify automatically. Automatic classification supports cultural preservation and education and empowers tourism and digital heritage applications. This study improves the performance of convolutional neural networks for South Sulawesi batik classification by optimizing activation functions within the Xception architecture which exploits depthwise separable convolutions for efficient and detailed feature extraction. A balanced dataset of 1400 labeled images in four classes was divided into eighty percent for training, ten percent for validation and ten percent for testing. Images were resized to 224 by 224 pixels, converted to grayscale and augmented through zoom, flip and rotation. With identical hyperparameters including a learning rate of 0.001, a batch size of 64 and training for 100 epochs using the Adam optimizer, ReLU, ELU, Leaky ReLU and Swish activation functions were compared. Evaluation metrics comprised accuracy, precision, recall, F1 score and cross entropy loss. ELU achieved the highest test accuracy of 98.57 percent, precision of 0.9864, recall of 0.9857 and F1 score of 0.9857, outperforming ReLU and Leaky ReLU with 97.86 percent accuracy and Swish with 97.14 percent accuracy. The results demonstrate that selecting an optimal activation function substantially enhances convolutional neural network classification of complex batik patterns. The findings offer practical guidance for development of resource aware batik identification systems in support of cultural digitization and education initiatives
