Hasil Pencarian  ::  Simpan CSV :: Kembali

"White Matter Hyperintensities (WMH) adalah area di otak yang memiliki intensitas yang lebih tinggi dibandingkan dengan area normal lainnya pada hasil pemindaian Magnetic Resonance Imaging (MRI). WMH seringkali terkait dengan penyakit pembuluh kecil di otak, sehingga deteksi dini WMH sangat penting. Namun, terdapat dua masalah umum dalam mendeteksi WMH, yaitu ambiguitas yang tinggi dan kesulitan dalam mendeteksi WMH yang berukuran kecil. Dalam penelitian ini, kami mengusulkan metode yang disebut Probabilistic TransUNet untuk mengatasi masalah segmentasi objek WMH yang berukuran kecil dan ambiguitas yang tinggi pada citra medis. Kami melakukan eksperimen K-fold cross validation untuk mengukur kinerja model. Berdasarkan hasil eksperimen, model berbasis Transformer (TransUNet dan Probabilistic TransUNet) lebih baik dan presisi dalam melakukan segmentasi pada obyek WMH yang berukuran kecil, hal ini ditunjukkan oleh nilai Dice Similarity Coefficient (DSC) yang dihasilkan lebih tinggi dibandingkan dengan model berbasis Convolutional Nueral Networks (CNN) (U-Net dan Probabilistic U-Net). Penambahan probabilistic model dan pendekatan berbasis transformer berhasil mendapatkan performa yang lebih baik. Metode yang kami usulkan berhasil mendapatkan nilai DSC sebesar 0,744 dalam 5-fold cross validation, lebih baik dari metode sebelumnya. Dalam melakukan segmentasi objek kecil metode usulan kami mendapatkan nilai DSC sebesar 0,51.

---

White Matter Hyperintensities (WMH) are areas of the brain that have a higher intensity than other normal brain regions on Magnetic Resonance Imaging (MRI) scans. WMH is often associated with small vessel disease in the brain, making early detection of WMH important. However, there are two common issues in detecting WMH: high ambiguity and difficulty detecting small WMH. In this study, we propose a method called Probabilistic TransUNet to address the precision of small object segmentation and the high ambiguity of medical images. We conducted a k-fold cross-validation experiment to measure model performance. Based on the experiments, Transformer-based models (TransUNet and Probabilistic TransUNet) were found to provide more precise and better segmentation results, as demonstrated by the higher DSC scores obtained compared to CNN-based models (U-Net and Probabilistic U-Net) and their ability to segment small WMH objects. The proposed method obtained a DSC score of 0742 in k-fold cross-validation, better than the previous method. In conducting segmentation of small objects, our proposed method achieved a DSC score of 0,51."

"Penelitian pada pengolahan bahasa manusia tentang resolusi kata ganti yang membutuhkan penalaran menjadi sangat penting agar mesin mampu menyelesaikan tugas dengan tingkat kesulitan yang lebih tinggi dari resolusi kata ganti biasa. Mesin dituntut untuk mampu menyelesaikan tugas tersebut yang membutuhkan penalaran seperti yang dimiliki otak manusia. Penelitian tentang ini sudah berjalan selama satu dekade terakhir pada Bahasa Inggris, yang disebut dengan the Winograd Schema Challenge (WSC). Namun, sepanjang pencarian kami, belum ditemukan sama sekali penelitian tentang ini pada Bahasa Indonesia. Kami menginisiasi penelitian tentang WSC pada Bahasa Indonesia dengan membangun dataset baru yang diadaptasi dari dataset WSC berbahasa Inggris yang sudah ada. Dataset baru ini diberi nama IndoGrad (Indonesian Winograd). IndoGrad memiliki 1.134 data latih, 284 data validasi, dan 318 data uji dengan format cloze-style. Untuk menguji kelayakan data ujinya, IndoGrad diujikan kepada tiga orang manusia pemegang gelar sarjana dan disimpulkan bahwa data ujinya bisa dijawab oleh manusia dengan akurasi tinggi. Performa manusia secara Full-Agreement yang didapatkan adalah 94,0% akurasi dan secara Majority-Agreement adalah 97,8% akurasi. Kelayakan data latihnya disimpulkan dari bisanya data latih dipelajari oleh model sehingga mendapatkan training accuracy mendekati 100%. Dua belas pretrained models berbasis BERT diuji untuk mengukur performa mereka terhadap dataset ini. Performa deep learning model terbaik yang didapatkan adalah 62,58% akurasi oleh IndoBERT-Large dan 68,86% akurasi oleh XLM-RoBERTa-Large. Hasil ini masih jauh dari performa manusia dan perlu penelitian lebih lanjut di masa depan.

---

Natural Language Processing (NLP) study on coreference resolution with commonsense reasoning becomes very important to make machines capable of tackling high-difficulty coreference resolution. Machines are required to complete the task that needs reasoning, like the human brain. Study on this topic has been running for the last decade on English, named the Winograd Schema Challenge (WSC). However, as far as our search goes, we did not find any study on this in Indonesian. We initiate the first study about WSC in Indonesian by building a new dataset adapted from the previouly available English WSC dataset. This new dataset is named as IndoGrad (Indonesian Winograd). IndoGrad has 1,134 training data, 284 validation data, and 318 testing data in cloze-style format. To determine the feasibility of the testing data, IndoGrad was tested on three humans holding bachelor's degrees and it was concluded that the testing data could be answered by humans with high accuracy. The human performance achieved are 94,0% Full-Agreement Accuracy and 97,8% Majority-Agreement Accuracy. The feasibility of the training data is concluded from its ability to be studied by the model so that the training accuracy is close to 100%. Twelve BERT-based pretrained models were tested to measure their performance against this dataset. The best deep learning model performance achieved are 62,58% accuracy by IndoBERT-Large and 68,86% accuracy by XLM-RoBERTa-Large. This result is far from human performance and it needs further study in the future."

"Deep learning telah digunakan dalam berbagai masalah klasifikasi gambar dan deteksi objek. Dalam proses pelatihan pada Deep Learning membutuhkan data berlabel yang tidak sedikit dan akibatnya memakan waktu yang lama. Untuk mengatasi hal tersebut, metode transfer learning diperkenalkan dengan mengambil hasil pelatihan dari data sebelumnya dengan dataset yang umum, seperti ImageNet. VIT-B/16 merupakan model network yang menerapkan konsep transformer pada gambar. Model ini memiliki kinerja yang sangat baik saat dilatih menggunakan dataset ImageNet tetapi tidak terlalu baik saat dilatih menggunakan dataset Describable Textures Dataset dan Flowers-102. Penelitian ini bertujuan untuk melihat apakah metode transfer learning bisa digunakan sehingga model Vision Transformer mempunyai kinerja lebih baik saat dilatih menggunakan kedua dataset tersebut. Pada penelitian ini dilakukan transfer learning pada DTD dan dataset flowers-102 dengan menggunakan model yang sudah di pre-trained dengan ImageNet- 21K. Dari Hasil penelitian didapat bahwa model ViT mengenali dengan cukup baik pada DTD dengan akurasi pada testing hanya mencapai76,67% dengan optimizer Adam dan dataset Flowers-102 dengan akurasi pada testing mencapai 98,91% dengan optimizer Adadelta. Model ViT ini selanjutnya dibandingkan dengan model CNN ResNet50 dan didapat bahwa hasil akurasi sedikit di bawah ResNet50.

---

Deep learning has been used in various image classification and object detection problems. The training process in Deep Learning requires quite a lot of labeled data and as a result takes a long time. To overcome this, a transfer learning method was introduced by taking training results from previous data with a common dataset, such as ImageNet. VIT-B/16 is a network model that applies the transformer concept to images. This model performs very well when trained using the ImageNet dataset but not so well when trained using the Describable Textures Dataset and Flowers-102 datasets. This research aims to see whether the transfer learning method can be used so that the Vision Transformer model has better performance when trained using both datasets. In this research, transfer learning was carried out on the DTD and Flowers-102 dataset using a model that was pre-trained with ImageNet-21K. From the research results, it was found that the ViT model recognized the DTD quite well with accuracy in testing only reaching 76.67% with the Adam optimizer and the Flowers-102 dataset with accuracy in testing reaching 98.91% with the Adadelta optimizer. This ViT model was then compared with the ResNet50 CNN model and it was found that the accuracy results were slightly below that of ResNet50."

"mHealth merupakan sarana alternatif untuk mendapatkan layanan kesehatan melalui pemanfaatan teknologi, khususnya teknologi mobile. mHealth dimanfaatkan untuk mendukung berbagai kondisi kesehatan, salah satunya yaitu kehamilan. Masa kehamilan sangat penting untuk diperhatikan demi menjaga kesehatan ibu dan anak. Namun, aplikasi kehamilan memiliki kekurangan dalam bidang usability yang menghambat penggunaan aplikasi tersebut sehingga pemanfaatan aplikasi menjadi kurang maksimal. Penelitian ini bertujuan untuk menganalisis dan mengevaluasi masalah terkait usability yang mungkin ditemukan pada aplikasi kehamilan di Indonesia yang diteliti. Aplikasi dipilih melalui seleksi urutan peringkat dan jumlah unduhan pada layanan distribusi aplikasi mobile dan ditemukan lima aplikasi, yaitu: Hallobumil, Teman Bumil, Diary Bunda, Pregnancy Calculator Pro, dan Ruangmom. Pemilihan lima aplikasi populer ini bertujuan untuk mewakili aplikasi kehamilan yang dikembangkan di Indonesia dengan jumlah pengguna yang tinggi sebagai acuan dalam menilai usability yang telah baik diterapkan maupun yang belum baik. Selanjutnya, dilakukan proses pengumpulan data kuantitatif dengan menggunakan kuesioner mHealth App Usability Questionnaire (MAUQ) oleh 139 responden. Pengumpulan data kualitatif melalui sesi wawancara kontekstual diikuti oleh lima partisipan dan evaluasi heuristik oleh ahli berdasarkan prinsip Nielsen’s Ten Usability Heuristics melibatkan lima evaluator. Analisis kuesioner menghasilkan skor usability dengan nilai rata-rata keseluruhan sebesar 5,826 yang dinilai baik karena sudah berada di atas nilai netral, yaitu 4. Analisis wawancara kontekstual menghasilkan 10 permasalahan. Evaluasi heuristik menghasilkan 127 permasalahan. Triangulasi dilakukan untuk mengelompokkan temuan masalah dari hasil wawancara dengan evaluasi heuristik sehingga ditemukan total 14 kelompok masalah untuk kemudian dipetakan ke usulan perbaikan dan dibentuk 17 butir panduan desain umum bagi aplikasi kehamilan di Indonesia. Hasil penelitian menemukan bahwa aplikasi mHealth kehamilan di Indonesia masih memiliki banyak ruang untuk perbaikan, terutama pada aspek usefulness dan visibility.

---

mHealth is an alternative way to obtain health services through the implementation of technologies, especially mobile technology. mHealth can support many life and health conditions, including pregnancy. During pregnancy, it is essential to keep the health of both the mom and the child. But, the state of the applications still needs to be improved in usability, which hinders usage and becomes non-optimal. This study aims to analyze and evaluate usability problems found in selected pregnancy apps for research. Applications were chosen based on rankings and total downloads from the app distribution platform: Hallobumil, Teman Bumil, Diary Bunda, Pregnancy Calculator App, and Ruangmom. These popular apps were chosen to represent pregnancy apps developed in Indonesia with a high number of users to indicate what aspects of usability are implemented well or not. Quantitative data are collected using the mHealth App Usability Questionnaire, with 139 respondents participating. Qualitative data are collected with contextual interviews with the participation of five users and heuristic evaluation according to Nielsen's Ten Usability Heuristics with five evaluators. Results were found from the questionnaire with an average usability score of 5,826 above the neutral score of 4, which is rated good. Results from contextual interviews found ten usability problems. The heuristic evaluation found 127 usability problems. All findings from contextual interviews and heuristic evaluation were triangulated into 14 groups with improvement recommendations, and 17 design guidelines were formed for the development of pregnancy apps in Indonesia. The study found that mHealth pregnancy apps in Indonesia still have a lot of room for improvement, specifically in usefulness and visibility."

"mHealth merupakan sarana alternatif untuk mendapatkan layanan kesehatan melalui pemanfaatan teknologi, khususnya teknologi mobile. mHealth dimanfaatkan untuk mendukung berbagai kondisi kesehatan, salah satunya yaitu kehamilan. Masa kehamilan sangat penting untuk diperhatikan demi menjaga kesehatan ibu dan anak. Namun, aplikasi kehamilan memiliki kekurangan dalam bidang usability yang menghambat penggunaan aplikasi tersebut sehingga pemanfaatan aplikasi menjadi kurang maksimal. Penelitian ini bertujuan untuk menganalisis dan mengevaluasi masalah terkait usability yang mungkin ditemukan pada aplikasi kehamilan di Indonesia yang diteliti. Aplikasi dipilih melalui seleksi urutan peringkat dan jumlah unduhan pada layanan distribusi aplikasi mobile dan ditemukan lima aplikasi, yaitu: Hallobumil, Teman Bumil, Diary Bunda, Pregnancy Calculator Pro, dan Ruangmom. Pemilihan lima aplikasi populer ini bertujuan untuk mewakili aplikasi kehamilan yang dikembangkan di Indonesia dengan jumlah pengguna yang tinggi sebagai acuan dalam menilai usability yang telah baik diterapkan maupun yang belum baik. Selanjutnya, dilakukan proses pengumpulan data kuantitatif dengan menggunakan kuesioner mHealth App Usability Questionnaire (MAUQ) oleh 139 responden. Pengumpulan data kualitatif melalui sesi wawancara kontekstual diikuti oleh lima partisipan dan evaluasi heuristik oleh ahli berdasarkan prinsip Nielsen’s Ten Usability Heuristics melibatkan lima evaluator. Analisis kuesioner menghasilkan skor usability dengan nilai rata-rata keseluruhan sebesar 5,826 yang dinilai baik karena sudah berada di atas nilai netral, yaitu 4. Analisis wawancara kontekstual menghasilkan 10 permasalahan. Evaluasi heuristik menghasilkan 127 permasalahan. Triangulasi dilakukan untuk mengelompokkan temuan masalah dari hasil wawancara dengan evaluasi heuristik sehingga ditemukan total 14 kelompok masalah untuk kemudian dipetakan ke usulan perbaikan dan dibentuk 17 butir panduan desain umum bagi aplikasi kehamilan di Indonesia. Hasil penelitian menemukan bahwa aplikasi mHealth kehamilan di Indonesia masih memiliki banyak ruang untuk perbaikan, terutama pada aspek usefulness dan visibility.

---

mHealth is an alternative way to obtain health services through the implementation of technologies, especially mobile technology. mHealth can support many life and health conditions, including pregnancy. During pregnancy, it is essential to keep the health of both the mom and the child. But, the state of the applications still needs to be improved in usability, which hinders usage and becomes non-optimal. This study aims to analyze and evaluate usability problems found in selected pregnancy apps for research. Applications were chosen based on rankings and total downloads from the app distribution platform: Hallobumil, Teman Bumil, Diary Bunda, Pregnancy Calculator App, and Ruangmom. These popular apps were chosen to represent pregnancy apps developed in Indonesia with a high number of users to indicate what aspects of usability are implemented well or not. Quantitative data are collected using the mHealth App Usability Questionnaire, with 139 respondents participating. Qualitative data are collected with contextual interviews with the participation of five users and heuristic evaluation according to Nielsen's Ten Usability Heuristics with five evaluators. Results were found from the questionnaire with an average usability score of 5,826 above the neutral score of 4, which is rated good. Results from contextual interviews found ten usability problems. The heuristic evaluation found 127 usability problems. All findings from contextual interviews and heuristic evaluation were triangulated into 14 groups with improvement recommendations, and 17 design guidelines were formed for the development of pregnancy apps in Indonesia. The study found that mHealth pregnancy apps in Indonesia still have a lot of room for improvement, specifically in usefulness and visibility."