Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRAK
Kecepatan produk sampai ke pasaran menuntut kecepatan dalam pemilihan desain, dimana bentuk desain dipengaruhi oleh fitur, bentuk fitur berbeda bisa memiliki fungsi sama sehingga pilihan bentuk fitur akan ikut menentukan dalam proses permesinan dan biaya produksinya

Pada penelitian ini dilakukan penetapan identitas melalui pengenalan informasi geometri dari bentuk-bentuk fitur yang diklasifikasikan oleh Jong-Yun Jung kemudian digambar dengan model solid disimpan bentuk stp atau step file selanjutnya diekstrak dengan notepad sehingga diperoleh entity Advance_Face dan Edge_Curve, yang diolah menjadi koefisien relatif produk.

Indek kompleksitas fitur produk mekanik dihitung menggunakan model yang dikembangkan sebelumnya oleh El Maraghy dan diperoleh nilai kompleksitas tertinggi untuk fitur rotasional adalah bentuk Neck yaitu 6,30, fitur prismatik bentuk slot yaitu 6,05, fitur slab yaitu bentuk pocket sebesar 5,66 dan fitur revolving sebesar 4,94

---

Abstract
The speed of products demands speed in the selection of design where design is influenced by the shape of the feature, having different form of a feature can have the same functions so insiders features form options determine the process of machinery and production costs.

This research was conducted on identity determination through the introduction of information geometry forms features are classified by Jong-Yun Jung later drawn with CAD solid form, it saved on stp model or step file and then extracted with notepad so that retrieved entity Advance_Face and Edge_Curve, which are processed into relative complexity coefficients.

Feature product complexity index was calculated using a model developed by El Maraghy and accrues the highest complexity value for rotational features is a form of neck of 6.30, prismatic features form slots which of 6.05, the form of pocket features slab of 5.66 and revolving features of 4.94.

Abstrak :
ABSTRAK
Teknologi pengenalan fitur telah berkembang seiring dengan proses pengintegrasian CAD/CAPP/CAM. Aplikasi pendeteksian fitur secara otomatis dengan berbasis model faset diharapkan mampu untuk membantu mempercepat aktivitas perancangan proses manufaktur semisal seting tool yang akan digunakan atau proses machining yang dibutuhkan pada berbagai fitur yang berbeda. Fitur suatu part pada bidang dapat dideteksi dengan mengaplikasikan metode slicing dan teknik pengelompokan faset triangulasi yang berdekatan. Identifikasi jenis fitur ini dikembangkan dengan aturan berdasarkan arah vektor normal pada grup suatu fitur tersebut. Untuk mengidentifikasi fitur pada berbagai bidang suatu part, dengan bantuan transformasi rotasi akan merotasi part sehingga bidang vektor normal terluar seakan berada pada posisi bidang referensi. Hasil penelitian ini menunjukkan bahwa dengan pendekatan ini dapat mengidentifikasi fitur primitif secara otomatis meliputi : pocket, cylindrical dan profile pada berbagai bidang suatu part.

---

Abstract
Feature recognition technology has been developed along with the process of integrating CAD/CAPP/CAM. Automatic feature detection applications based on faceted models expected to speed up the manufacturing process design activities such as setting tool to be used or required machining process in a variety of different features. Features of a part in the plane can be detected by applying method of slicing and the technique of grouping adjacent triangles. Identify type of feature is developed by the rule based on normal vector direction of the group a feature. In order to identify features of various planes of a part, rotation transformation will help to rotate as if normal vector plane is on the outer part of the reference plane. The results showed that this approach could identify the primitive features automatically covered : pocket, cylindrical and profile in various plane on part.

Abstrak :
Dalam beberapa tahun terakhir, keamanan data pada sistem informasi organisasi telah menjadi perhatian serius. Banyak serangan menjadi kurang terdeteksi oleh firewall dan perangkat lunak antivirus. Untuk meningkatkan keamanan, intrusion detection systems (IDS) digunakan untuk mendeteksi serangan dalam lalu lintas jaringan. Saat ini, teknologi IDS memiliki masalah kinerja mengenai akurasi deteksi, waktu deteksi, pemberitahuan alarm palsu, dan deteksi jenis serangan baru atau belum diketahui. Beberapa studi telah menerapkan pendekatan pembelajaran mesin (machine learning) sebagai solusi, dan mendapat beberapa peningkatan. Penelitian ini menggunakan pendekatan pembelajaran ensemble (ensemble learning) yang dapat mengintegrasikan manfaat dari setiap algoritma pengklasifikasi tunggal. Pada penelitian ini, dibandingkan tujuh pengklasifikasi tunggal untuk mengidentifikasi pengklasifikasi dasar yang digunakan untuk model ensemble learning. Kemudian dataset IDS terbaru dari Canadian Institute for Cybersecurity yaitu CSE-CIC-IDS2018 digunakan untuk mengevaluasi model ensemble learning. Hasil percobaan menujukan bahwa implementasi metode ensemble learning khususnya majority voting dengan tiga algoritma dasar (gradient boosting, decision tree dan logistic regression) dapat meningkatkan nilai akurasi lebih baik dibandingkan implementasi algoritma klasifikasi tunggal, yaitu 0,988. Selanjutnya, implementasi teknik pemilihan fitur spearman-rank order correlation pada dataset CSE-CIC-IDS2018 menghasilkan 23 dari 80 fitur, dan dapat meningkatkan waktu pelatihan model, yaitu menjadi 11 menit 4 detik dibanding sebelumnya 34 menit 2 detik. ......In recent years, data security in organizational information systems has become a serious concern. Many attacks are becoming less detectable by firewall and antivirus software. To improve security, intrusion detection systems (IDSs) are used to detect anomalies in network traffic. Currently, IDS technology has performance issues regarding detection accuracy, detection times, false alarm notifications, and unknown attack detection. Several studies have applied machine learning approaches as solutions. This study used an ensemble learning approach that integrates the benefits of each single classifier algorithms. We made comparisons with seven single classifiers to identify the most appropriate basic classifiers for ensemble learning. Then the latest IDS dataset from the Canadian Institute for Cybersecurity, CSE-CIC-IDS2018, was used to evaluate the ensemble learning model. The experimental results show that the implementation of the ensemble learning method, especially majority voting with three basic algorithms (gradient boosting, decision tree and logistic regression) can increase the accuracy rate better than the implementation of a single classification algorithm, which is 0.988. Furthermore, the implementation of the spearman-rank order correlation feature selection technique in the CSE-CIC-IDS2018 dataset produced 23 of the 80 features, and could increase the model training time, which was 11 minutes 4 seconds compared to 34 minutes 2 seconds before.

Abstrak :

Penelitian ini mengeksplanasi tipe interaktivitas; jangkauan interaktivitas; dan prediktor yang dapat memperkuat interaktivitas media sosial Facebook dan Twitter pemerintah. Kebaruan penelitian ini dari penelitian terdahulu adalah elaborasi pengukuran interaktivitas di media sosial serta uji prediksi variabel yang lebih komprehensif. Metode penelitian menggunakan metode campuran analisis isi dan kualitatif. Uji hipotesis dilakukan dengan regresi binomial negatif. Hasil penelitian menunjukkan tipe interaktivitas media sosial pemerintah adalah interaktivitas reaktif. Komunikasi pemerintah melalui media sosial masih cenderung satu arah. Sementara jangkauan interaktivitas pesan pemerintah memiliki frekuensi kedua terbesar setelah pengaplikasian interaktivitas dengan tipe reaktif oleh pengguna. Prediktor signifikan interaktivitas dari fitur konten baik di Facebook maupun twitter adalah topik post/tweet. Topik yang secara umum berpengaruh positif terhadap keseluruhan tipe interaktivitas dan jangkauan interaktivitas baik di Facebook maupun Twitter adalah topik Iklan Layanan Masyarakat. Prediktor signifikan interaktivitas dari fitur struktur di Facebook adalah hashtag. Sementara prediktor signifikan interaktivitas dari fitur struktur di Twitter adalah elemen multimedia dan external link. Hasil penelitian diperkaya dalam bentuk masukan dari pengguna untuk meningkatkan interaktivitas media sosial pemerintah di era open government.

 

---

This study describes the type of interactivity; the breadth of interactivity; and predictors that can strengthen the interactivity of government account on Facebook and Twitter. The novelty of this research from previous research is the elaboration of measurements of interactivity on social media as well as more comprehensive variable prediction tests. The research method uses a mixture of content and qualitative analysis methods. Hypothesis testing is done by negative binomial regression. The results of the study show that the type of government social media interactivity is reactive interactivity. Government communication through social media still tends to be one-way. While the message the breadth of interactivity of the government has the second largest frequency after the application of interactivity to the reactive type by the user. A significant predictor of interactivity from content features both on Facebook and Twitter is the topic of posts / tweets. Topics that generally have a positive influence on the overall type of interactivity and interactivity range both on Facebook and Twitter are the topics of public service advertising. A significant predictor of interactivity from the structural features on Facebook is the hashtag. While significant predictors of interactivity from structural features on Twitter are multimedia elements and external links. The research results are enriched in the form of input from users to enhance the interactivity of government social media in the open government era.

 

 

Abstrak :
Kualitas permukaan produk hasil proses pemesinan adalah salah satu parameter penting dalam proses manufaktur. Metode yang paling umum untuk mengukur nilai kekasaran permukaan adalah metode kontak mekanik antara pergerakan jarum dengan permukaan produk. Metode ini memiliki banyak kelemahan karena bisa merusak permukaan poduk dan cenderung lama. Untuk itu maka dikembangkan teknologi optik-elektrik yang mampu mengevaluasi kekasaran permukaan berdasarkan image hasil identifikasi kamera digital. Penelitian ini bertujuan untuk mengidentifikasi fitur permukaan produk hasil pemesinan turning dan melakukan analisa korelasi dengan nilai kekasaran rata-ratanya (Ra). Material yang diuji adalah carbonsteel dengan diameter 20 mm dan panjang 100 mm sejumlah 10 sampel. Pengukuran kekasaran rata-rata (Ra) memakai stylus-profile meter. Identifikasi profil permukaan menggunakan kamera digital Canon EOS 350D yang terhubung pada mikroskop dengan perbesaran 100 kali. Pencahayaan yang digunakan adalah 10 buah LED warna putih dengan sudut pencahayaan sebesar 45°. Software yang digunakan untuk melakukan image processing adalah Matlab. Hasil yang dicapai menunjukan adanya pola yang khas pada image berupa garis hitam dan putih yang bervariasi. Lebar garis putih, jarak antar garis putih dan grafik histogram warna menunjukan adanya korelasi dengan nilai kekasaran rata-ratanya. ......Surface quality of machined-part is an important parameter in manufacturing process. Recently, measuring of surface roughness is commonly performed by mechanical contact between stylus and product surface. However, this method is not fast enough and can potentialy damage the product. Therefore, a different method, which is used here, relied on optic-electric relationship has been developed based on digital camera images. The objective of current study is to identify the surface features of turned-parts machining and their correlation with respect to Roughness average (Ra) of stylus-profile meter. Ten samples of carbonsteel specimen, i.e., 100 mm length and 20 mm wide, are used during experiment. The identification of surface features is done by Canon EOS 350D digital camera and 100 times microscope magnification using 10 white LED and 45 degrees angle lighting. Sample images produced by the identification is then processed in Matlab. Finally, a unique pattern, i.e., black and white line, can be observed on the processed images which indicates correlation with roughness average.

Abstrak :
Kematian yang disebabkan oleh kanker diperkirakan akan terus meningkat, terutama untuk kanker prostat. Penyakit ini adalah jenis kanker yang paling umum untuk pria di dunia. Jumlah kematian dapat dikurangi dengan deteksi dini menggunakan machine learning. Salah satunya adalah klasifikasi data kanker prostat. Data kanker yang digunakan memiliki berbagai fitur, tetapi tidak semua fitur adalah fitur penting. Dalam penelitian ini, kami menggunakan Support Vector Machine-Recursive Feature Elimination (SVM-RFE) dan One Dimensional Naïve Bayes Classifier (1-DBC) sebagai metode seleksi fitur. Dalam kedua metode itu akan mendapatkan peringkat untuk setiap fitur. Penggunaan kedua metode ini dalam klasifikasi data kanker prostat menghasilkan tingkat evaluasi yang tinggi. Kedua metode ini dapat menghasilkan tingkat akurasi 100%, precision 100%, dan recall 100% pada metode klasifikasi Random Forest. Dan menghasilkan tingkat akurasi 95%, precision 100%, dan recall 94,11% pada metode klasifikasi SVM. Dalam evaluasi tambahan, SVM-RFE memiliki running time lebih rendah dari 1-DBC.

---

Death caused by cancer is expected to continue to increase, especially for prostate cancer. This disease is the most common type of cancer for men in the world. The number of deaths can be reduced by early detection using machine learning. One of them is the classification of prostate cancer data. Cancer data used has various features, but not all features are essential features. In this study, we use Support Vector Machine-Recursive Feature Elimination (SVM-RFE) and One Dimensional Naïve Bayes Classifier (1-DBC) as a feature selection method. In both methods, it will get a rating for each feature. The use of these two methods in the classification of prostate cancer data produces a high level of evaluation. Both of these methods can produce 100% accuracy, 100% precision, and 100% recall in the Random Forest classification method. And it produces 95% accuracy, 100% precision, and 94.11% recall in the SVM classification method. In the additional evaluation, SVM-RFE has a running time lower than 1-DBC.

Abstrak :
Teknologi deep learning dapat menyelesaikan banyak masalah yang sulit dipecahkan oleh rumus matematis biasa. Salah satu masalah yang bisa diatasi adalah bahaya akibat rasa kantuk yang dialami pengemudi saat berkendara. Pada penelitian ini dibuat aplikasi android sistem deteksi kantuk yang memanfaatkan kamera smartphone. Kamera digunakan untuk mendapatkan informasi fitur citra wajah yaitu aspek rasio mata kanan, aspek rasio mata kiri, aspek rasio mulut, percentage of eye closure (PERCLOS), tingkat kejadian microsleep, dan tingkat kejadian menguap. Fitur-fitur tersebut didapat dari proses transformasi titik-titik landmark wajah. Pada penelitian ini, ditemukan bahwa metode terbaik untuk mendapatkan titik landmark wajah adalah dengan pelacakan Lucas-Kanade optical flow dengan 5 jumlah frame yang dilacak. Fitur-fitur yang dikumpulkan dapat digunakan untuk mendeteksi tingkat kantuk dengan memanfaatkan model deep learning yang telah dilatih dengan data yang dikumpulkan dari 10 orang. Pada penelitian ini, ada 2 jenis model deep learning yang dilatih untuk mendeteksi tingkat kantuk yaitu model deep neural network (DNN) dan long short-term memory (LSTM). DNN memiliki keseluruhan performa yang lebih baik dibandingkan LSTM. DNN memiliki accuracy sebesar 0.902538 dan f1 sebesar 0.899563. Sedangkan LSTM memiliki dari accuracy sebesar 0.891857 dan f1 sebesar 0.892689. Aplikasi android sistem deteksi kantuk yang dibuat menggunakan model deep learning DNN dan memiliki performa yang bagus dengan accuracy sebesar 0.844 dan f1 sebesar 0.865052. Aplikasi Android memiliki mekanisme pemberitahuan berupa suara yang dimainkan ketika pengemudi mengantuk. Selain itu, pada aplikasi Android juga terdapat 2 fungsi tambahan yaitu deteksi tidur dan deteksi gangguan konsentrasi pengemudi. Kedua fungsi tersebut akan mengeluarkan suara ketika terdeteksi untuk memberitahukan kepada pengguna. Dengan adanya aplikasi sistem deteksi kantuk yang dibuat pada penelitian ini, diharapkan dapat mendeteksi tingkat kantuk pengemudi sehingga mengurangi risiko kecelakaan akibat mengantuk.

---

Deep learning technology can solve many problems that are difficult to solve by ordinary mathematical formulas. One of the problems that can be overcome is the danger due to drowsiness experienced by the driver while driving. In this study, a drowsiness detection system on Android application that uses a smartphone camera is made. The camera is used to obtain facial image feature informations which is right eye aspect ratio, left eye aspect ratio, mouth aspect ratio, percentage of eye closure (PERCLOS), microsleep rate, and yawning rate. These features are obtained by transforming and processing facial landmark points. In this study, it was found that the best method for obtaining facial landmarks points is from Lucas-Kanade optical flow tracking with 5 frames tracked. The features collected can be used to detect drowsiness by utilzing a deep learning model that has been trained with data collected from 10 volunteers. In this study, there are 2 types of deep learning models that are trained to detect drowsiness that are deep neural network (DNN) and long short-term memory (LSTM). DNN has better overall performance than LSTM. DNN has an accuracy of 0.902538 and f1 of 0.899563. Whereas LSTM has an accuracy of 0.891857 and f1 of 0.892689. The drowsiness detection system Android application is created using the DNN model and has a good performance with an accuracy of 0.844 and f1 of 0.865052. The Android application has a notification mechanism in the form of sound that played when the driver is detected to be drowsy. In addition, the Android application also has an additional function that are sleeping detection and driver distraction detection. Both functions will make a sound when detected to notify the user. With the application of drowsiness detection system made in this study, it is expected to detect the level of drowsiness of the driver thereby reducing the risk of accidents due to drowsiness.

Abstrak :
Penelitian analisis sentimen sudah banyak dikaji untuk berbagai bahasa, termasuk bahasa Indonesia. Namun sayangnya, belum terdapat penelitian benchmarking analisis sentimen untuk teks berbahasa Indonesia. Hal ini menyebabkan kesulitan bagi para peneliti untuk mendapatkan informasi mengenai metode klasifikasi dengan performa terbaik pada saat ini. Dengan adanya permasalahan tersebut, penelitian ini dilakukan dengan tujuan membantu memberikan arahan untuk penelitian sentimen analisis dalam bahasa Indonesia. Untuk dapat memberikan arahan, penelitian ini berusaha untuk membandingkan pendekatan klasifikasi sentimen rule-based, machine learning dan deep learning serta teknik ekstraksi fitur untuk mendapatkan skenario analisis sentimen terbaik. Berdasarkan hasil eksperimen penelitian, ditunjukkan bahwa klasifikasi terbaik dicapai oleh deep learning, disusul dengan metode klasifikasi machine learning dan rule-based. Pencapaian nilai terbaik pada klasifikasi menggunakan deep learning diperoleh menggunakan model BERT. Untuk klasifikasi menggunakan machine learning, didapatkan bahwa nilai F1-Score terbaik diperoleh saat digunakan metode klasifikasi Logistic Regression dengan teknik ekstraksi fitur kombinasi unigram dengan leksikon kombinasi. Sedangkan untuk klasifikasi rule-based nilai F1-Score tertinggi didapatkan menggunakan metode klasifikasi adjektiva. ...... Currently, there have been many kinds of research done on sentiment analysis. However, there are no papers on sentiment analysis benchmarks for the Indonesian language. Due to the absence of such research, it became difficult for researchers to get information about classifiers with the best performance. Because of this problem, this research is conducted so it would be easier for researchers to get information and direction on doing Indonesian sentiment analysis. In this paper, we held an experiment comparing sentiment classification using rule-based, machine learning, and deep learning and comparing feature extraction techniques to achieve the best sentiment analysis scenario. Based on our experiments in this research, prediction using deep learning classification gave the best result compared to machine learning and rule-based classification. Using deep learning classification, the BERT model is used to get the best result. The best F1-Score for machine learning classification is obtained using a Logistic Regression classifier alongside a combination of unigram and combined lexicon feature extraction. Meanwhile, the best F1-Score for the rule-based classification is obtained using the Adjective classification method

Abstrak :
Apoteker sebagai bagian dari tim pelayanan kesehatan memiliki peran penting dalam PTO. Peran tersebut yakni mencegah munculnya permasalahan terkait dengan obat. Pengetahuan penunjang yang harus dimiliki seorang apoteker dalam PTO adalah terkait farmakoterapi, patofisiologi penyakit, serta interpretasi hasil pemeriksaan fisik, diagnostic dan laboratorium. Selain itu, diperlukan keterampilan berkomunikasi, membina hubungan interpersonal, serta menganalisis suatu permasalahan (Kemenkes RI, 2009). Apotek Kimia Farma merupakan perusahaan farmasi dengan jaringan apotek terbesar dan penyedia layanan kesehatan yang terintegrasi melalui layanan obat dan alat kesehatan lengkap, konsultasi apoteker dan dokter, layanan laboratorium, dan optik serta menyediakan aplikasi kesehatan untuk mempermudah akses layanan. Aplikasi Kesehatan yang dimaksud yaitu aplikasi Kimia Farma Mobile yang memiliki beberapa fitur antara lain fitur layanan klinik, layanan laboratorium, dan layanan apotek. Ketiga fitur tersebut dikembangkan untuk mempermudah pengguna dalam memperoleh pelayanan kefarmasian dari Apotek Kimia Farma. Meninjau dari adanya beberapa kekurangan seperti miss communication antara pasien dan tenaga kefarmasian terkait terapi yang digunakan, sehingga pengembangan inovasi terbaru berbasis digital melalui aplikasi Kimia Farma Mobile yakni fitur PTO (Pemantauan Terapi Obat) diharapkan mampu meminimalisir terjadinya kesalahan tersebut. ......Pharmacists as part of the health care team have an important role in the PTO. This role is to prevent the emergence of problems related to drugs. The supporting knowledge that a pharmacist must have in PTO is related to pharmacotherapy, disease pathophysiology, and interpretation of physical, diagnostic and laboratory examination results. In addition, communication skills are needed, fostering interpersonal relationships, and analyzing a problem (Kemenkes RI, 2009).Kimia Farma Apotek is a pharmaceutical company with the largest pharmacy network and integrated health service provider through complete drug and medical device services, pharmacist and doctor consultation, laboratory services, and optics as well as providing health applications to facilitate access to services. The Health application in question is the Kimia Farma Mobile application which has several features including clinical service features, laboratory services, and pharmacy services. These three features were developed to make it easier for users to obtain pharmaceutical services from the Kimia Farma Pharmacy. In view of the existence of several deficiencies such as miss communication between patients and pharmacy staff regarding the therapy used, it is hoped that the development of the latest digital-based innovations through the Kimia Farma Mobile application, namely the PTO (Drug Therapy Monitoring) feature, is expected to be able to minimize the occurrence of these errors.