Hasil Pencarian  ::  Simpan CSV :: Kembali

"Kesehatan adalah masalah serius di seluruh dunia termasuk Indonesia. Lima penyebab kematian di Indonesia adalah masalah kesehatan. Salah satu solusi untuk masalah kesehatan adalah dengan menerapkan pola hidup sehat. Penerapan pola hidup sehat menjadi tantangan, karena dibutuhkan konsistensi yang tinggi sehingga sulit untuk dilakukan. Ditambah lagi kesadaran masyarakat Indonesia tentang kesehatan masih cukup rendah. Mengetahui hal tersebut peneliti ingin memberikan motivasi pada masyarakat Indonesia agar dapat menerapkan hidup sehat dengan mengembangkan aplikasi mobile health (mHealth) yang mengimplementasikan konsep gamifikasi. Pengembangan aplikasi mHealth dilakukan menggunakan metode waterfall. Aplikasi yang dikembangkan ada dua, yaitu gamifikasi dan non gamifikasi. Requirement dari mHealth diambil dari Gerkan Masyarakat Sehat (Germas) dan anjuran kementerian kesehatan. Rancangan aplikasi menggunakan lima elemen gamifikasi, yaitu: poin, progress bar, leaderbaoard, badge, dan feedback. Aplikasi yang sudah jadi kemudian diujikan ke 64 responden, 32 responden menggunakan aplikasi gamifikasi dan 32 lainnya menggunakan aplikasi non gamifikasi. Responden tersebut menggunakan aplikasinya selama tiga hari. Setelah tiga hari log aktivitas pengguna dianalisis dan pengguna diberikan kuesioner mengenai keterlibatan pengguna dan akseptabilitas pengguna. Hasil analisis dari kuesioner menunjukkan pengguna aplikasi gamifikasi memiliki potensi keterlibatan dengan aplikasi mHealth gamifikasi. Hal itu didukung dari aktivitas log pengguna yang menandakan pengguna gamifikasi lebih aktif menggunakan aplikasi mHealth.

---

Health is a serious problem in the world, including Indonesia. The top five causes of death in Indonesia are health problems. One of the solutions to this problem is a healthy lifestyle. The implementation of this solution is difficult, because it needs high consistency. Moreover, Indonesian people have a little bit of health awareness. Therefore, this research wants to raise the motivation and engagement for Indonesian people in a healthy lifestyle with mobile health (mHealth) that implements gamification. The waterfall method has been used for developing the mHealth application. The application was developed into two, gamification and non gamification. Requirement for this application was taken from healthy community movement (Germas) and suggestion from ministry of health. The application implements five elements of gmaification. These elements are point, progress bar, leaderboard, badge, and feedback. This application was tested on 64 respondents, 32 respondents use gamification and the rest use non gamification. The respondents use the application for three days. After that, the activity log was analyze and the respondents were given engagement questionnaire and acceptance questionnaire. The result from the questionnaires are the respondents that use gamification application have potential for being engaged with mHealth application. Furthermore, the result for users log activity are the respondents with mHealth gamification are more active using the mHealth application."

"Solar filament adalah objek pada kromosfer atau korona matahari yang dapat menjadi indikator terjadinya aktivitas-aktivitas cuaca antariksa (space weather). Aktivitas-aktivitas tersebut dapat menimbulkan efek pada kehidupan di bumi seperti gangguan pada pembangkit listrik, kerusakan pada komponen satelit dan wahana luar angkasa, membahayakan aktivitas manusia di luar angkasa, mengakibatkan gangguan pada sistem berbasis komunikasi radio, dan lain-lain. Deteksi filament merupakan bagian penting dari aktivitas peramalan dan peringatan dini serta riset terhadap cuaca antariksa. Pengamatan filament dilakukan menggunakan teleskop dengan fiter Hydrogen-Alpha (H-Alpha). Hingga saat ini telah teradapat beberapa metode yang dikembangkan untuk melakukan deteksi filament pada citra H-Alpha secara otomatis. Namun metode-metode tersebut masih menggunakan algoritma tradisional yang berbasis intensity thresholding, yang mana sangat bergantung pada banyak langkah preprocessing untuk melakukan binerisasi citra H-Alpha. Penelitian ini memanfaatkan deep learning berbasis CNN yaitu Mask R-CNN untuk melakukan deteksi dan ekstraksi fitur-fitur matahari pada citra H-Alpha secara otomatis dan real-time. Hasil dari deteksi dan ekstraksi fitur ini kemudian disimpan ke dalam basis data hingga dapat digunakan dalam memenuhi kebutuhan data untuk aktivitas riset, peramalan, dan sistem peringatan dini. Citra yang digunakan dalam penelitian adalah citra H-Alpha milik Lembaga Penerbangan dan Antariksa Nasional (LAPAN), yang diambil pada bulan Oktober 2017 – Agustus 2018. Sistem yang dirancang dapat mendeteksi filament dan fitur-fitur matahari lainnya dalam waktu 0.3 detik dengan skor ketelitian hingga 0.95.

---

Solar filament is an object in the Sun’s chromosphere, in which its appearance used as indicator of Sun’s activites in term of space weather. The Sun’s activities itself affect human life in any ways, such as disturbance on power grids, errors on satellites and spacecrafts, anomalies on radio waves based systems, etc. Thus, solar filament detection is an important task on forecasting, early warning, and other research activities regerding the Sun on solar physics topic. Filament observation carried out using solar telescope equipped with Hydrogen-Alpha (H-Alpha) filter, and captured in an image using a capture device. There are some methods has developed to detect filament on H-Alpha images automatically. Most of them uses traditional algorithm based on intensity thresholding, which is very dependent on many preprocessing steps in the binarizing process. This study utilize CNN based deep learning named Mask R-CNN to perform real-time, automatic detection and ectraction of filaments and other solar features on H-Alpha images. The detection and extraction results then recorded in a database to satisfy data availability on solar activity related tasks. This study uses H-Alpha images obtained from Lembaga Penerbangan dan Antariksa Nasional (LAPAN), captured between October 2017 - August 2018. This study shows that the implemented Mask R-CNN based system detects filament and other solar features in approximately 0.3 seconds with 0.95 precision score."

"Chatbot sebagai asisten virtual yang digunakan oleh suatu instansi dapat memberikan manfaat bagi penggunanya. Dengan adanya chatbot, pengguna dapat berbicara langsung kepada chatbot melalui pesan singkat, yang kemudian sistem secara spontan mengidentifikasi intent pesan tersebut dan merespons dengan tindakan yang relevan. Sayangnya, cakupan pengetahuan chatbot terbatas dalam menangani pesan oleh pengguna yang semakin bervariasi. Dampak utama dari adanya variasi tersebut adalah adanya perubahan pada komposisi label intent. Untuk itu, penelitian ini berfokus pada dua hal. Pertama, pemodelan topik untuk menemukan intent dari pesan pengguna yang belum teridentifikasi intent-nya. Kedua, pemodelan topik digunakan untuk mengorganisasi intent yang sudah ada dengan menganalisis hasil keluaran model topik. Setelah dianalisis, terdapat dua kemungkinan fenomena perubahan komposisi intent yaitu: penggabungan dan pemecahan intent, dikarenakan terdapat noise saat proses anotasi dataset orisinal. Pemodelan topik yang digunakan terdiri dari Latent Dirichlet Allocation (LDA) sebagai model baseline dan dengan model state-of-the-art Top2Vec dan BERTopic. Penelitian dilakukan terhadap dataset salah satu e-commerce di Indonesia dan empat dataset publik. Untuk mengevaluasi model topik digunakan metrik evaluasi coherence, topic diversity dan topic quality. Hasil penelitian menunjukkan model topik BERTopic dan Top2Vec menghasilkan nilai topic quality 0.036 yang lebih baik dibandingkan model topik LDA yaitu -0.014. Terdapat pula pemecahan intent dan penggabungan intent yang ditemukan dengan analisis threshold proporsi.

---

Chatbot, as a virtual assistant used by an institution, can provide benefits for its users. With a chatbot, users can speak directly to the chatbot via a short message, which then the system spontaneously identifies the intent of the message and responds with the relevant action. Unfortunately, the scope of chatbot knowledge is limited in handling messages by an increasingly varied user. The main impact of this variation is a change in the composition of the intent label. For this reason, this research focuses on two things. First, topic modeling to find intents from user messages whose intents have not been identified. Second, topic modeling is used to organize existing intents by analyzing the output of the topic model. After being analyzed, there are two possible phenomena of changing intent composition: merging and splitting intents because there is noise during the annotation process of the original dataset. The topic modeling used consists of Latent Dirichlet Allocation (LDA) as the baseline model and the state-of-the-art Top2Vec and BERTopic models. The research was conducted on one dataset of e-commerce in Indonesia and four public datasets. The evaluation metrics of coherence, topic diversity, and topic quality were used to evaluate the topic model. The results showed that the BERTopic and Top2Vec topic models produced a topic quality value of 0.036, better than the LDA topic model, which was -0.014. There are also intent splitting and intent merging found by proportion threshold analysis."

"Pada tahun 2020, nilai customer satisfaction index (CSI) PT XYZ yang mempresentasikan kepuasan konsumen XYZ berjumlah 83.9. Angka ini gagal mencapai target PT XYZ di tahun tersebut yaitu 87, dan turun dari tahun sebelumnya yaitu 86,5 di tahun 2019. Berdasarkan pengambilan data, diketahui bahwa XYZ mengelola aduan konsumen hanya melalui Twitter. Dari ribuan tweet yang diterima akun resmi customer care PT XYZ (@XYZCares) tiap bulan di Twitter, diperkirakan hanya 1-2% yang dideteksi sebagai aduan dengan proses pengawasan manual. Penelitian ini merancang solusi dua langkah berupa implementasi social media listening dalam bentuk sentiment analysis dan topic modelling, untuk mengetahui isu dalam tweet aduan kepada XYZ. Dataset berupa kumpulan tweet yang menyebutkan @XYZCares pada kurun waktu 1 Januari 2020 - 31 Desember 2020. Data di-scrape dari Twitter menggunakan script Python. Hasil evaluasi secara cross-validation menunjukkan akurasi rerata sentiment analysis dengan algoritme SVM lebih akurat (77%) untuk kasus ini dibandingkan algoritme RF (75%). Untuk task pemodelan topik, algoritme LDA menghasilkan klaster topik sejumlah 4 dengan rerata TPC sebesar 80%. Diketahui bahwa topik yang dominan adalah isu korupsi dan suap di badan PT XYZ. Dengan mempertimbangkan penemuan tersebut, saran yang dapat diberikan berdasarkan penelitian ini adalah memberhentikan staf yang diduga terlibat dalam isu-isu tersebut, serta menerapkan good corporate governance berupa aspek pengawasan dan pencegahan korupsi.

---

The customer satisfaction index (CSI) for the year 2020 is calculated at 83.9. This value fails to reach the company’s target for the year at 87 and is lower than the CSI value for 2019 at 86.5. Data acquired from the company shows that consumer complaints are accepted and processed only through Twitter. It is estimated that of the thousands of tweets processed by PT XYZ’s official customer care account (@XYZCares) each month, only 1-2% of the tweets are considered complaints based on manual searching and classification. This research proposes a two-step solution by implementing social media listening in the form of sentiment analysis and topic modelling, to detect the most frequent issues addressed to XYZ. The dataset consists of tweets created from January 1st, 2020, to December 31st, 2020 which mentioned @XYZCares. The tweets were scraped from Twitter using Python scripts. The results of cross-validation show that for the task of sentiment analysis, SVM is a more accurate algorithm on average (77%) compared to Random Forest (75%). For the following task of topic modelling, the LDA algorithm model produced 4 topic clusters with an average TPC of 80%. The most dominant topic detected relate to allegations of bribery and corruption within PT XYZ. Taking these finds into consideration, this research suggests that PT XYZ immediately dismiss all staff implicated in the aforementioned cases, as well as implementing good corporate governance in the form of tighter supervision and prevention of corrupt dealings."

"Pembentukan RUU Cipta Kerja memunculkan berbagai macam polemik di Indonesia. Penolakan terhadap RUU tersebut ditunjukkan oleh masyarakat Indonesia dengan berbagai cara. Mulai dari diskusi dengar pendapat dengan DPR, membahas dan mengangkat isu-isu kontroversial dalam RUU tersebut di berbagai media sosial, bahkan sampai melakukan demonstrasi besar-besaran yang tidak jarang berakhir dengan kericuhan. Penelitian ini bertujuan untuk mengidentifikasi stance masyarakat terhadap RUU Cipta kerja pada media sosial Twitter. Dataset diambil dari Twitter menggunakan kata kunci terkait RUU Cipta Kerja sebanyak 9440 data Tweet dalam periode 25 Oktober 2019 sampai pada 25 Oktober 2020. Anotasi dilakukan menggunakan label PRO, ANTI, ABS, dan IRR. Eksperimen yang dilakukan mengguanakan fitur unigram, bigram, dan unigram+bigram, dengan algoritma Multinomial Naïve Bayes, Support Vector Machine, dan Logistic Regression. Model terbaik dari eksperimen tersebut adalah model yang menggunakan fitur unigram dengan menggunakan algoritma klasifikasi logistic regression yang dapat mencapai nilai micro f-1 score sebanyak 72,3%.

---

The formation of RUU Cipta Kerja (Job creation law) gave rise to various kinds of polemics in Indonesia. The Indonesian people have shown rejection of the law in various ways. Starting from hearing discussions with the DPR, discussing and raising controversial issues in the law on various social media, even holding large demonstrations that often end in chaos. This study aims to identify the public's stance on the job creation law on Twitter social media. The dataset was taken from Twitter using keywords related to the job creation law, totaling 9440 Tweets from 25 October 2019 to 25 October 2020. Annotations were carried out using the PRO, ANTI, ABS, and IRR labels. The experiments were carried out using unigram, bigram, and unigram + bigram features, with the Naïve Bayes Multinomial algorithm, Support Vector Machine, and Logistic Regression. The best model of the experiment is a model that uses the unigram feature using the logistic regression classification algorithm which can achieve a micro f-1 score of 72,3%."