Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
COVID-19 merupakan penyakit pernapasan seperti pneumonia yang mengakibatkan kematian pada jutaan orang setiap harinya. Januari 2020, "Organisasi Kesehatan Dunia" WHO menyatakan COVID-19 sebagai wabah penyakit virus yang menjadi perhatian internasional sebagai darurat kesehatan masyarakat yang menjadi perhatian internasional, dikenal sebagai pandemi dunia. Dilaporkan dari 205 negara di seluruh dunia, pada 1 April 2020, penularan virus COVID-19 sekitar ada lebih dari 900000 kasus COVID-19 yang dikonfirmasi dan hampir 50000 kematian. Berdasarkan laporan WHO, angka kematian 2-3% orang karena virus. Sangat penting untuk melakukan tes diagnostik sejak dini stadium berdasarkan kriteria sebagai gejala klinis, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR), sehingga dapat segera mengisolasi orang yang terinfeksi. Mendiagnosis penyakit virus COVID-19 dengan pencitraan yang lebih efektif menggunakan citra CT dada. Model DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, dan VGG19 untuk memeriksa keakuratannya dalam pengenalan gambar. Untuk menganalisis kinerja model, 1888 sampel dari gambar CT paru-paru dikumpulkan dari situs resmi Kaggle. Model penggabungan (concatenate) pada arsitektur CNN yang telah terlatih seperti penggabungan (concatenate) antara ResNet152V2 dengan VGG19 memiliki accuracy sebesar 99,65%, sensitivity sebesar 99,66%, precision sebesar 99,66%, recall sebesar 99,66%, specificity sebesar 99,64%, dan skor F-measure sebesar 99,66%; gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 99,64%, precision sebesar 99,64%, recall sebesar 99,64%, specificity sebesar 99,66%, dan F-measure sebesar 99,64%; serta gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,001 maupun gabungan InceptionV3 dan Xception saat batchsize 32 dan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 100%, precision sebesar 99,28%, recall sebesar 100%, specificity sebesar 99,31%, dan F-measure sebesar 99,64%. ......COVID-19 is a respiratory disease like pneumonia that kills millions of people every day. January 2020, the WHO "World Health Organization" declared COVID-19 as a viral outbreak of international concern as a public health emergency of international concern, known as a world pandemic. Reported from 205 countries around the world, as of April 1, 2020, the transmission of the COVID-19 virus was around more than 900000 confirmed cases of COVID-19 and nearly 50000 deaths. Based on the WHO report, the death rate of 2-3% of people is due to the virus. To isolate the infected person immediately, it is very important to carry out a diagnostic test early based on the criteria as a clinical symptom, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR). Diagnosing COVID-19 viral disease with more effective imaging using chest CT images. DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, and VGG19 models for accuracy in image recognition. To analyze the model's performance, 1888 samples of CT images of the lungs were collected from the official Kaggle website. The concatenate model on the CNN architecture that has occurred, such as the concatenate between ResNet152V2 and VGG19, has an accuracy of 99.65%, sensitivity of 99.66%, the precision of 99.66%, recall of 99.66%, specificity by 99.64%, and the F-measure score of 99.66%; the combination of DenseNet201 and MobileNet was obtained when batch size 32 and 64 with a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 99.64%, the precision of 99.64%, recall of 99.64%, specificity of 99.66 %, and F-measure of 99.64%; and the combination of DenseNet201 and MobileNet obtained at batch size 32 and 64 with a learning rate of 0.001 or a combination of InceptionV3 and Xception at batch size 32 and a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 100%, precision of 99.28%, recall of 100%, specificity of 99.31%, and F-measure of 99.64%.

Abstrak :
Tahun 2020, dunia dikejutkan dengan munculnya virus Covid-19. Efek domino di segala bidang dan merenggut banyak nyawa menjadi sebuah permasalahan serius dan penting untuk diantisipasi. Dari hasil analisa Social Media Monitoring Dashboard Mediawave, media sosial Twitter menjadi saluran yang digunakan dalam rangka memberikan pemahaman terhadap masyarakat oleh buzzer sebagai opinion leader. Dalam melakukan kampanye di Twitter, buzzer yang terlibat melakukan berbagai cara untuk menyampaikan pesan dan informasi agar postingan mendapatkan reach dan impression yang baik sehingga viral di Twitter. Penelitian ini menganalisis unsur apa saja yang ada dalam postingan buzzer sesuai dengan MAD Model of Moral Contagion Theory. Penelitian ini menggunakan metode analisis data small story research dengan jenis penelitian kualitatif. Hasil penelitian menunjukkan bahwa buzzer memenuhi unsur dalam aspek Motivation (Group Identity), Attention (Engagement), dan Design (amplification; share, like, dan comment) dalam melakukan orkestrasi dengan diksi yang dilihat dari penyebaran konten dan informasi melalui like, retweet, dan reply dari setiap postingan buzzer yang teridentifikasi dari analisa konten isi di Twitter sehingga menciptakan polarisasi percakapan dengan sentimen positif dan negatif. ......In 2020, the world was shocked by the emergence of the Covid-19 virus. The domino effect in all fields and claimed many lives is a serious and important problem to anticipate. From the results of the analysis of Social Media Monitoring Dashboard Mediawave, social media Twitter is a channel used to provide understanding to the public by buzzers as opinion leaders. In conducting a campaign on Twitter, the buzzers involved used various ways to convey messages and information so that the post would get a good reach and impression so that it went viral on Twitter. This study analyzes what elements are contained in buzzer posts according to the MAD Model of Moral Contagion Theory. This study uses a small story research data analysis method with a qualitative research type. The results showed that the buzzer met the elements in the aspects of Motivation (Group Identity), Attention (Engagement), and Design (amplification; share, like, and comment) in conducting orchestration with diction seen from the dissemination of content and information through likes, retweets, and replies to each buzzer post identified from content analysis on Twitter so as to create a polarizing conversation with positive and negative sentiments.

Abstrak :
Tujuan dari penelitian ini adalah untuk menganalisis bagaimana faktor-faktor yang mempengaruhi implementasi kebijakan commuterline di Stasiun Tanah Abang. Covid-19 adalah penyakit yang dapat menular dari individu terhadap individu lain dan juga Stasiun Tanah Abang ini juga memiliki tingkat kerawanan dalam penyebaran virus Covid-19 dikarenakan banyaknya penumpang yang menggunakan Commuterline melalui stasiun Tanah Abang yang akan berdampak terjadinya penumpukan atau kerumunan di stasiun tersebut. Oleh karena itu, untuk mengatasi hal tersebut,. Penerapan kebijakan dalam transportasi publik ini perlu ditingkatkan salah satunya adalah penerapan protokol kesehatan di stasiun tanah abang. Kebijakan tersebut menagcu kepada Surat Edaran Nomor 14 Tahun 2020 Tentang Pedoman Dan Petunjuk Teknis Pengendalian Transportasi Perkeretaapian Dalam Masa Adaptasi Kebiasaan Baru Untuk Mencegah Penyebaran Corona Virus Disease 2019 (Covid-19) Teori yang digunakan dalam penelitian ini adalah teori implementasi kebijakan Van Meter dan Van Horn. Penelitian ini menggunakan pendekatan ­­post-positivisme dengan metode pengumpulan data kualitatif yakni dengan wawancara mendalam, studi kepustakaan, dan observasi. Hasil dari implementasi kebijakan transportasi di commuterline masih kurang efektif. Terdapat faktor-faktor yang mempengaruhi hal tersebut diantaranya, tidak adanya ukuran indicator keberhasilan implementasi kebijakan, sumber daya yang minim, komunikasi yang belum dilakukan secara efektif, Hambatan dari pelaksanaan kebijakan transportasi ini adalah masih banyaknya mobilitas masyarakat yang menggunakan KRL sehingga menimbulkan kerumunan di Stasiun Tanah Abang. Berdasarkan faktor-faktor dan hambatan yang sudah dijelaskan maka dapat dikatakan bahwa dalam implementasi kebijakan ini masih belum dapat dilaksanakan secara efektif. ......The purpose of this study is to analyze how the factors that influence the implementation of commuterline policies at Tanah Abang Station. Covid-19 is a disease that can be transmitted from individuals to other individuals and this Tanah Abang Station also has a level of vulnerability in the spread of the Covid-19 virus due to the large number of passengers using the Commuterline through the Tanah Abang station which will have an impact on congestion or crowds at the station. Therefore, to overcome this, The implementation of policies in public transportation needs to be improved, one of which is the application of health protocols at Tanah Abang stations. This policy refers to Circular Number 14 of 2020 concerning Guidelines and Technical Instructions for Railway Transportation Control in the Adaptation Period for New Habits to Prevent the Spread of Corona Virus Disease 2019 (Covid-19) The theory used in this study is the theory of implementation of the Van Meter and Van Horn policies. . This study uses a post-positivism approach with qualitative data collection methods, namely by in-depth interviews, literature study, and observation. The results of the implementation of transportation policies on the commuterline are still ineffective. There are factors that influence this, including the absence of a measure of the success indicator of policy implementation, minimal resources, communication that has not been carried out effectively, The obstacle to the implementation of this transportation policy is that there is still a large number of community mobility using KRL, causing crowds at Tanah Abang Station. Based on the factors and obstacles that have been explained, it can be said that the implementation of this policy has not been implemented effectively.