Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kehadiran mahasiswa merupakan aspek penting dalam kegiatan perkuliahan. Sistem kehadiran yang banyak digunakan saat ini masih menggunakan kertas, smart card, RFID, dan fingerprint, yang sering kali memerlukan kontak fisik, rentan terhadap manipulasi, atau implementasi yang kompleks. iBeacon dipilih sebagai alternatif karena kemampuannya untuk mendeteksi keberadaan perangkat melalui sinyal Bluetooth Low Energy (BLE), yang memungkinkan pemantauan kehadiran tanpa kontak fisik serta biaya implementasi dan perawatan yang lebih rendah. Penelitian ini bertujuan untuk mengembangkan dan mengimplementasikan sistem pencatatan dan pemantauan kehadiran siswa otomatis berbasis teknologi iBeacon. Sistem yang dibentuk menggunakan metode pemantauan proximity iBeacon untuk penentuan pola masuk atau keluar mahasiswa. Machine learning (ML) berperan penting dalam mendeteksi pola kehadiran mahasiswa dengan memproses data proximity yang diterima dari iBeacon untuk menentukan status kehadiran. Penelitian ini memberikan rekomendasi peletakan iBeacon serta model yang dapat digunakan, menunjukkan bahwa iBeacon yang diletakkan dengan jarak pemisahan sebesar 5 meter memberikan hasil terbaik. Model Random Forest menunjukkan akurasi tertinggi pada jarak 5 meter dengan akurasi 0.9727, F1-score 0.9731, precision 0.9735, dan recall 0.9727. Model ini juga kemudian diuji coba pada ruangan lain yang memiliki layout dan luas yang serupa, dan mendapatkan hasil yang cukup memuaskan. Sistem diuji menggunakan beberapa skenario yang mencakup berbagai kemungkinan yang terjadi saat penggunaan aplikasi sistem kehadiran. Selain itu, sistem ini juga menerapkan verifikasi random checking untuk memastikan validitas kehadiran mahasiswa secara acak, yang meningkatkan keakuratan dan mengurangi kemungkinan manipulasi data. Secara keseluruhan, hasil penelitian ini menunjukkan bahwa sistem kehadiran berbasis iBeacon ini mampu meningkatkan efisiensi dan akurasi pencatatan kehadiran siswa.

---

Student attendance is a crucial aspect of college activities. The attendance systems widely used today still rely on paper, smart cards, RFID, and fingerprints, which often require physical contact, are prone to manipulation, or involve complex implementation. iBeacon was chosen as an alternative due to its ability to detect the presence of devices through Bluetooth Low Energy (BLE) signals, enabling contactless attendance monitoring and offering lower implementation and maintenance costs. This study aims to develop and implement an automatic student attendance recording and monitoring system based on iBeacon technology. The system employs iBeacon proximity monitoring to determine student entry or exit patterns. Machine learning (ML) plays a crucial role in detecting attendance patterns by processing proximity data received from iBeacons to determine attendance status. This study provides recommendations for iBeacon placement and suitable models, demonstrating that iBeacons placed with a separation distance of 5 meters yield the best results. The Random Forest model shows the highest accuracy at a 5-meter distance with an accuracy of 0.9727, an F1-score of 0.9731, a precision of 0.9735, and a recall of 0.9727. This model was also tested in another room with a similar layout and size, yielding satisfactory results. The system was tested using several scenarios covering various possible situations during the application of the attendance system. Additionally, the system implements random checking verification to ensure the validity of student attendance randomly, increasing accuracy and reducing the possibility of data manipulation. Overall, the findings indicate that the iBeacon-based attendance system can improve the efficiency and accuracy of student attendance recording."

"Pencatatan kehadiran pelajar di banyak instansi pendidikan masih dilakukan secara manual dan tradisional. Hal tersebut menimbulkan berbagai macam masalah dalam akurasi pencatatan kehadiran pelajar. Hadir adalah aplikasi yang dirancang untuk membantu pengajar, pelajar, dan administrator instansi pendidikan dalam mencatat kehadiran kelas. Sistem dirancang melalui tahap-tahap DSR (design science research), yaitu menganalisis kebutuhan pengguna, pembuatan persona, perancangan desain aplikasi, usability testing, pengembangan aplikasi, dan pengujian aplikasi. Bentuk dari aplikasi Hadir adalah aplikasi mobile yang dapat digunakan menggunakan smartphone dan aplikasi web yang dapat digunakan melalui browser. Hadir menggunakan arsitektur client-server dimana server akan menyediakan dan mengelola data yang diminta oleh client (aplikasi mobile dan web). Setelah merancang dan membangun aplikasi Hadir, pengujian dilakukan melalui UAT dan simulasi kelas. Setelah dievaluasi dan diuji, dapat dinyatakan bahwa aplikasi Hadir dapat bermanfaat dalam pencatatan dan pengelolaan kehadiran pelajar dalam kelas.

---

Recording student’s class attendances in many educational institutions is still done manually and traditionally. This raises various kinds of problems in the accuracy of student attendance records. Hadir is an application designed to assist teachers, students, and administrators of educational institutions in recording class attendance. The system is designed through DSR (design science research) stages, namely analyzing user’s requirements, creating personas, designing application prototype, usability testing, application development, and application testing. Hadir comes in two forms: a mobile application that can be used using a smartphone and a web application that can be used via a web browser. Hadir was built using a client-server architecture where the server will provide and manage the data requested by the client (mobile and web applications). After designing and developing Hadir, testing is carried out through UAT and a class simulation. After being evaluated and tested, it can be stated that Hadir can be useful in helping teachers and administration in recording and managing student attendances in class."

"Pencatatan kehadiran pelajar di banyak instansi pendidikan masih dilakukan secara manual dan tradisional. Hal tersebut menimbulkan berbagai macam masalah dalam akurasi pencatatan kehadiran pelajar. Hadir adalah aplikasi yang dirancang untuk membantu pengajar, pelajar, dan administrator instansi pendidikan dalam mencatat kehadiran kelas. Sistem dirancang melalui tahap-tahap DSR (design science research), yaitu menganalisis kebutuhan pengguna, pembuatan persona, perancangan desain aplikasi, usability testing, pengembangan aplikasi, dan pengujian aplikasi. Bentuk dari aplikasi Hadir adalah aplikasi mobile yang dapat digunakan menggunakan smartphone dan aplikasi web yang dapat digunakan melalui browser. Hadir menggunakan arsitektur client-server dimana server akan menyediakan dan mengelola data yang diminta oleh client (aplikasi mobile dan web). Setelah merancang dan membangun aplikasi Hadir, pengujian dilakukan melalui UAT dan simulasi kelas. Setelah dievaluasi dan diuji, dapat dinyatakan bahwa aplikasi Hadir dapat bermanfaat dalam pencatatan dan pengelolaan kehadiran pelajar dalam kelas. 

---

Recording student’s class attendances in many educational institutions is still done manually and traditionally. This raises various kinds of problems in the accuracy of student attendance records. Hadir is an application designed to assist teachers, students, and administrators of educational institutions in recording class attendance. The system is designed through DSR (design science research) stages, namely analyzing user’s requirements, creating personas, designing application prototype, usability testing, application development, and application testing. Hadir comes in two forms: a mobile application that can be used using a smartphone and a web application that can be used via a web browser. Hadir was built using a client- server architecture where the server will provide and manage the data requested by the client (mobile and web applications). After designing and developing Hadir, testing is carried out through UAT and a class simulation. After being evaluated and tested, it can be stated that Hadir can be useful in helping teachers and administration in recording and managing student attendances in class. "

"Educational subsidies are increasing school attendance, but the impact on the child’s working participation is vague. After running for five years, the government of Indonesia changed the regulation of Bantuan Operasional Sekolah (the BOS program or school operational assistance) to eliminate school fees for all elementary and junior secondary schools in 2009. This study intends to estimate the impact of hours of school attendance on children working using the 2009 regulation BOS program as an instrument. The estimation uses data from the fourth and fifth Indonesia Family Life Survey (IFLS) with Fuzzy Regression Discontinuity Design (FRDD) as methodology. The result presents that the children who benefited from the 2009 regulation BOS program spent more hours attending school than non-beneficiaries. However, the increase in school attendance is increasing the time allocation for income-generating and household work, supporting the idea that working and schooling are not perfectly substitutable."

"Pemanfaatan lahan untuk lahan parkir harus dapat dilakukan secara optimal dikarenakan terjadinya peningkatan jumlah kendaraan di setiap tahun serta penurunan jumlah lahan kosong di perkotaan. Selain itu, Konsep smart city juga menuntut pemerintah untuk meningkatkan keefektifan dan efisiensi dari sistem layanan urban termasuk jasa penyedia lahan parkir. Sistem ini dirancang untuk menjawab persoalan tersebut dengan mengimplementasikan algoritma pemrosesan citra dan pendeteksian objek. Tata letak lahan parkir yang didapat dari masukan berupa video akan dipetakan setiap petak parkirnya secara otomatis dengan menggunakan salah satu dari 3 mode pemetaan yaitu pemetaan dengan mobil, garis parkir, serta keduanya. Pemetaan ini dilakukan menggunakan algoritma Canny Edge Detection, Hough Line Transform, dan framework pendeteksian objek Mask R-CNN. Kemudian, data ketersediaan lahan parkir akan divisualisasikan kepada pengguna melalui aplikasi android. Sistem ini mampu menyediakan informasi ketersediaan lahan parkir secara real-time dengan latensi sebesar 1.4-2.2 detik dan mampu bekerja pada berbagai kondisi seperti variasi kondisi cahaya, sudut kamera, ataupun jumlah mobil terparkir.

---

Utilization of land for parking lots must be done optimally due to an increase in the number of vehicles every year and a decrease in the number of vacant land in urban areas. In addition, the concept of smart city also requires the government to increase effectiveness and efficiency of the urban service system including parking lot service providers. This system is designed to solve these problems by implementing image processing and object detection algorithms. The layout of parking lot obtained from the video input and each parking space will be mapped automatically by using one of 3 mapping modes, i.e. mapping by car, parking lines, or both. This mapping was done using Canny Edge Detection Algorithm, Hough Line Transform, and Mask R-CNN object detection framework. Then, the availability of parking space data will be visualized to users through the android application. This system is able to provide information on the availability of parking lots in real-time with latency of 1.4-2.2 seconds and is able to work in various conditions such as variations in light conditions, camera angles, or the number of parked cars."

"Tenaga kerja kesehatan pada masa pandemi bekerja sebagai garda terdepan yang memiliki resiko tertinggi tertular virus corona. Sampai pada hari ini, perawatan dan pemeriksaan kondisi vital pasien COVID-19 masih banyak dilakukan dengan kontak langsung minimal sebanyak empat kali dalam sehari. Hal ini berisiko meningkatkan penyebaran virus hingga menurunkan jumlah tenaga kerja kesehatan. Sampai pada saat ini, hampir seluruh rumah sakit masih menggunakan sphygmomanometer tradisional dengan cuff yang membutuhkan bantuan tenaga medis ataupun tanpa bantuan, namun pengukuran dilakukan secara invasif. Oleh karena itu, dibutuhkan suatu alat yang dapat memonitor kondisi vital pasien tanpa kontak langsung terutama dalam mengukur tekanan darah dan bersifat noninvasif. Penelitian ini bertujuan untuk membuat suatu algoritma pengolahan sinyal plethysmography berbasis ekstraksi fitur dan machine learning untuk prediksi tekanan darah. Dengan menggunakan sensor MAX30102 dan ESP32, sinyal PPG yang didapat dari jari akan dilakukan pre-processing dengan menenerapkan baseline fitting, kemudian deteksi puncak, hingga empat fitur utama sinyal PPG, yaitu systolic peak, diastolic peak, dicrotic notch, dan foot dapat diekstrak. Data ekstraksi fitur sinyal PPG secara ­real-time ini digabungkan menjadi satu dataset dan dimasukkan ke dalam machine learning untuk diprediksi nilai tekanan darahnya. Evaluasi hasil prediksi tekanan darah menunjukkan nilai Mean Absolute Error yang kecil, yaitu 1,56/2,35 yang masih diterima oleh standar ISO 81060-2:2013 sehingga dapat dijadikan fundamental untuk sistem pengukuran tekanan darah noninvasif.

---

Health workers during the pandemic act as the frontliner who have the highest risk of contracting the coronavirus. Most of the treatment and examination of the vital condition of COVID-19 patients is carried out with direct contact at least four times a day. This increases the risk of virus spreading, moreover reducing the number of health workers. To date, almost all hospitals still require medical assistance to measure blood pressure using the traditional cuff sphygmomanometer or without assistance however, the measurements are carried out invasively. Therefore, a device that can monitor the patient's vital condition without direct contact, especially in measuring blood pressure and non-invasive is needed. This thesis aims to develop a plethysmography signal processing algorithm based on feature extraction and machine learning for blood pressure prediction. By using the MAX30102 and ESP32 sensors, the PPG signal obtained from the finger will be preprocessed by applying a baseline fitting and peak detection, thus the four main features of the PPG signal, namely systolic peak, diastolic peak, dicrotic notch, and foot can be extracted. This real-time PPG signal feature extraction data is then combined into a single dataset and by using machine learning, blood pressure values are predicted. Evaluation of the blood pressure predictions shows a small Mean Absolute Error value, 1.56/2.35 which meets the ISO 81060-2:2013 standard. Hence, the results demonstrate the applicability of the proposed algorithm in predicting blood pressure and can be developed as a noninvasive real-time blood pressure measurement system in the future."

"ABSTRAKPendidikan menjadi bagian terpenting dalam menyiapkan generasi suatu bangsa. Keberhasilan suatu bangsa juga dapat diukur dari bagaimana pendidikan diselenggarakan. Jepang adalah salah satu negara di dunia yang memiliki reputasi baik dalam hal penyelenggaraan pendidikan. Namun, dalam penyelenggaran pendidikan bukan berarti tidak terjadi masalah. Permasalahan yang menyangkut perilaku siswa juga masih terjadi di Jepang, salah satunya adalah futōkō atau ketidakhadiran siswa di sekolah dalam jangka waktu yang lama. Siswa yang tidak hadir di sekolah dalam jangka waktu lama akan menimbulkan dampak negatif, terutama dalam hal sosialisasi. Semakin banyaknya siswa yang tidak hadir di sekolah mengakibatkan keresahan para orangtua dan masyarakat, sehingga pemerintah dianggap penting untuk segera mengatasi permasalahan tersebut. Untuk mengatasi hal tersebut pemerintah Jepang melalui kementerian pendidikan merancang kebijakan yang dapat membantu siswa yang tidak hadir di sekolah agar tetap dapat mengenyam pendidikan. Selain pemerintah, pihak non profit organization atau NPO juga mengusahakan program untuk membantu para siswa tersebut. Salah satu program NPO yang mendapatkan perhatian pemerintah adalahfree-school, yaitu sekolah bagi siswa futōkō. Undang-undang terbaru yangdisahkan oleh pemerintah telah melegitimasi free-school sebagai salah satu bentuk sekolah yang dapat menyelenggarakan wajib belajar. Melalui undang-undang ini Jepang telah melakukan perubahan dalam sistem pendidikan dan semakin terbuka dengan sekolah-sekolah jenis baru pada era globalisasi.

---

ABSTRACTEducation is the most important part in preparing generation of a nation. Thesuccess of a nation can also be measured on how education is organized. Japan is one of the countries in the world with good reputation in terms of education. However, it does not mean Japan has no problemin the delivery of education. Problems concerning student behaviour also happened in Japan, one of them is futōkō or the absence of students in school for long periods of time. Students who are absent in school for a long time will have a negative impact, especially in terms of socialization. The increasing number of students who are absent from school leads to anxiety among parents and the community, so the government is considered important to address the problem immediately. Japanese government through Ministry of Education Culture, Sport, Science and Technology (MEXT), designed policies to help students who are absent in school to continue receiving education. In addition to the government, non-profit organizations or NGOs also work on programs to help these students. One of the NPO programs that get government attention is free-school, which is a school for futōkō students. Recent legislation passed by the government has legitimized free-school as one form of school that can provide compulsory education. Through this law Japan has made changes in the education system and is increasingly open to schools of a new kindin the era of globalization."

"Large Language Model (LLM) generatif merupakan jenis model machine learning yang dapat diaplikasikan dalam industri jurnalisme, khususnya dalam proses pembuatan dan validasi berita. Namun, LLM memerlukan sumber daya yang besar untuk operasionalnya serta membutuhkan waktu proses inferensi yang relatif lama. Penelitian ini bertujuan untuk mengembangkan layanan web machine learning yang memanfaatkan LLM generatif untuk proses pembuatan dan validasi berita. Tujuan lainnya adalah menciptakan sistem dengan mekanisme manajemen beban yang efisien untuk meminimalkan waktu inferensi. Pengembangan melibatkan beberapa tahap, yakni analisis kebutuhan stakeholder, perancangan desain dan arsitektur, implementasi, serta evaluasi. Dalam implementasi layanan web machine learning, pengembangan ini berfokus pada manajemen GPU untuk meningkatkan kecepatan proses inferensi LLM. Selain itu, dilakukan implementasi design pattern untuk meningkatkan skalabilitas dalam penambahan model machine learning. Untuk manajemen beban, dikembangkan dua mekanisme, yaitu load balancer dan scheduler. Implementasi load balancer memanfaatkan NGINX dengan metode round-robin. Sedangkan untuk scheduler, digunakan RabbitMQ sebagai antrean, dengan publisher menerima permintaan dan subscriber mendistribusikan permintaan ke layanan yang tersedia. Berdasarkan API Test, layanan ini berhasil melewati uji fungsionalitas dengan waktu respons API sekitar 1-2 menit per permintaan. Evaluasi performa pada kedua mekanisme manajemen beban menunjukkan tingkat keberhasilan 100%, dengan waktu respon rata-rata meningkat seiring dengan peningkatan jumlah request per detik. Pengelolaan beban dengan load balancer menghasilkan waktu respon yang lebih cepat, sementara pengelolaan beban dengan scheduler menghasilkan mekanisme yang lebih efektif pada proses koneksi asinkron.

---

Generative Large Language Model (LLM) is a type of machine learning model that can be applied in the journalism industry, especially in the process of news generation and validation. However, LLM requires large resources for its operation and requires a relatively long inference process time. This research aims to develop a machine learning web service that utilizes generative LLM for news generation and validation. Another goal is to create a system with an efficient load management mechanism to minimize inference time. The development involves several stages, namely stakeholder needs analysis, design and architecture, implementation, and evaluation. In the implementation of machine learning web services, this development focuses on GPU management to increase the speed of the LLM inference process. In addition, the implementation of design patterns is done to improve scalability in adding machine learning models. For load management, two mechanisms are developed: load balancer and scheduler. The load balancer implementation utilizes NGINX with the round-robin method. As for the scheduler, RabbitMQ is used as a queue, with the publisher receiving requests and the subscriber distributing requests to available services. Based on the API Test, the service successfully passed the functionality test with an API response time of about 1-2 minutes per request. Performance evaluation on both load management mechanisms showed a 100% success rate, with the average response time increasing as the number of requests per second increased. The use of a load balancer results in faster response times, while load management with a scheduler results in a more effective mechanism for asynchronous connection processes. "

"Jakarta sebagai kota besar yang memiliki tingkat kepadatan yang tinggi pada saat jam-jam dan hari-hari kerja memiliki peraturan guna mengurangi kemacetan di jalan. Salah satu peraturannya adalah pemberlakukan plat nomor kendaraan ganjil genap sesuai dengan tanggal. Peraturan ini cukup efektif dalam mengurangi tingkat kemacetan di jalan-jalan protokol. Namun masih saja ada oknum-oknum yang melanggar peraturan ini dikarenakan kemampuan manusia yang terbatas sehingga tidak dapat selalu mengawasi plat nomor kendaraan secara maksimal. Dengan berkembangnya teknologi terutama di bidang computer vision masalah ini dapat dikurangi. Dengan menggunakan bantuan machine learning yaitu computer vision menggabungkan alat fisik yaitu kamera dengan komputer sehingga dapat mendeteksi dan membaca plat nomor pada kendaraan. Perkembangan teknologi membuat machine learning semakin berkembang sehingga proses melakukan deteksi dapat dilakukan dengan lebih cepat dan akurat. Untuk melakukan hal ini algoritma YOLOv7 dilatih untuk melakukan deteksi pada plat nomor kendaraan serta membacanya sehingga dapat diklasifikasian termasuk ganjil / genap sesuai dengan tanggal pendeteksian. Pada penelitian ini dilakukan pembangunan prototype sistem pendeteksi dan klasifikasi ini menggunakan machine learning dan computer vision untuk melakukan deteksi plat nomor pada kendaraan yang lewat di jalan-jalan protokol. Hasil dari penelitan ini adalah dengan menggunakan algoritma YOLOv7, model yang dihasilkan memiliki akurasi sebesar 86%, melakukan pembacaan plat nomor hasil deteksi dengan EeasyOCR memiliki tingkat kesalahan pembacaan per karakter 3.81% dan kesalahan pembacaan per kata sebesar 11.90%, sistem dapat melakukan deteksi dan pembacaan plat nomor secara real time dengan baik, melakukan identifikasi pada jenis tanggal (ganjil  genap) dan memberikan alert ketika ada plat nomor yang tidak sesuai ketentuan tanggal.

---

Jakarta as the big city and the capital of Indonesia that have high density rate in the work hours and days have a special rule to decrease the congestion rate in the road. One of the rules is the enforcement of odd even license plate rules that connect to the real time date. This rule is effective in decreasing the congestion rate in the major arterial roads. but there's still a loophole that makes people violate this rule, the human limited ability makes them can't always observe all the license plate. With the help of technology development in computer vision, can help to reduce the problem. Computer vision combines the video camera and computer to work side by side so it can read and detect the license plate number. Technology development also develops the computer vision ability so detection and recognition can be done with more accuracy and less time. To do this thing YOLOv7 algorithm trains a model to detect the license plate in a car and read the license plate so it can classify the license plate type (odd/even) and compare it with the research date type. This research build the prototype of detection and classifier system with machine learning and computer vision, to do the automatic odd /even license plate detection and recognition at the car in artery road. As the result of the research , the detection model made by YOLOv7 algorithm have a 86 % accuracy, and the character recognition with EasyOCR have a character error rate 3.81 %  and word error rate 11.90 % , the system prototype can run the detection and OCR in real time, the prototype can get the real time date and classified it as odd or even number, and give an alert when the detected license plate number violated the odd even rule."

"Pencitraan 'X-ray' dapat digunakan sebagai alternatif penunjang diagnostik klinis untuk mendeteksi penyakit COVID-19 pada paru-paru pasien. 'Machine learning' atau 'Deep Learning' akan disematkan pada 'computer-aided-diagnosis' (CAD) untuk meningkatkan efisiensi dan akurasi dalam menangani permasalahan membedakan COVID-19 dengan penyakit lain yang memiliki karakteristik yang serupa. Beberapa sistem kecerdasan buatan berbasis 'Convolutional Neural Network' (CNN) pada penelitian sebelumnya, memiliki akurasi yang menjanjikan dalam mendeteksi COVID-19 menggunakan citra 'X-ray' rongga dada. Dalam penelitian ini, dikembangkan 'classifier' berbasis CNN dengan teknik 'transfer learning', yakni memanfaatkan model CNN pra-terlatih dari ImageNet bernama Xception dan ResNet50V2 yang dikombinasikan agar sistem menjadi lebih akurat dalam kemampuan ekstraksi fitur untuk mendeteksi COVID-19 melalui citra 'X-ray' rongga dada. 'Classifier' yang dikembangkan terdiri dari 2 jenis, yakni 'classifier' yang disusun secara serial dan paralel. Pengujian dilakukan dalam 2 skenario berbeda. Pada skenario 1, digunakan 'dataset' dan pengaturan parameter yang mengacu pada penelitian sebelumnya, sedangkan skenario 2 dilakukan dengan menambahkan sejumlah citra kedalam 'dataset' baru serta pengaturan parameter yang berbeda untuk memperoleh peningkatan akurasi. Dari pengujian untuk kelas COVID-19 pada skenario 1, diperoleh 'classifier' paralel berhasil menggungguli 'classifier' lain dengan mencapai akurasi rata-rata 93,412% serta memperoleh 'precision', 'recall,' dan 'f1-score' masing – masing mencapai 96.8%, 99.6% dan 98%. Pada skenario 2, 'classifier' paralel mencapai akurasi rata-rata yang lebih tinggi, yakni mencapai 96,678% serta memperoleh 'precision', 'recall,' dan 'f1-score' yang cukup tinggi pula, yakni masing – masing mencapai 98.8%, 99.8% dan 99.4% untuk kelas COVID-19. Adanya penambahan jumlah 'dataset' pada skenario 2 dapat meningkatkan akurasi dari 'classifier' yang dikembangkan. Secara keseluruhan, 'classifier' paralel yang dikembangkan dapat direkomendasikan menjadi alat yang dapat membantu praktisi klinis dan ahli radiologi untuk membantu mereka dalam diagnosis, kuantifikasi, dan tindak lanjut kasus COVID-19.

---

X-ray imaging can be used as an alternative support clinical diagnostics to detect COVID-19 in the patient's lungs. Machine learning or Deep Learning will be embedded in computer-aided diagnosis (CAD) to increase efficiency and accuracy in dealing with problems distinguishing COVID-19 from other diseases that have similar characteristics. Several artificial intelligence systems based on the Convolutional Neural Network (CNN) in previous studies have promising accuracy in detecting COVID-19 using Chest X-ray images. In this study, a CNN-based classifier with transfer learning techniques was developed, which utilizes a pre-trained CNN model from ImageNet named Xception and ResNet50V2 combined that makes the system powerful using multiple feature extraction capabilities to detect COVID-19 through Chest X-ray images. There are 2 types of classifiers developed, classifiers arranged in serial and parallel. The testing in this study was carried out in two different scenarios. In the scenario 1, the dataset and parameter settings are used referring to previous studies, while the scenario 2 was carried out by adding several images to the new dataset and setting different parameters to obtain increased accuracy. From testing of the COVID-19 class in the scenario 1, the parallel classifier succeeded in outperforming other classifiers by achieving an average accuracy in 93.412% and also obtains precision, recall and f1-score, which reached 96.8%, 99.6%, and 98% respectively. In the scenario 2, the parallel classifier achieved a higher average accuracy of 96.678%, and also obtained quite high precision, recall and f1-score, which reached 98.8%, 99.8% and 99.4% for the COVID-19 class, respectively. The addition of the number of datasets in scenario 2 can increase the accuracy of the developed classifier. Overall, the developed parallel classifier can be recommended as a tool that can help clinical practitioners and radiologists to aid them in diagnosis, quantification, and follow-up of COVID-19 cases."