Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Masuknya industri 4.0 di Indonesia membuat mesin dapat terintegrasi dengan komputer melalui perangkat IoT sehingga membuat proses produksi lebih efisien. Salah satu upaya untuk mempertahankan hal tersebut adalah dengan melakukan maintenance menggunakan metode predictive maintenance. Kegagalan mesin dalam predictive maintenance dapat diprediksi menggunakan machine learning. Metode sequence processing adalah algoritma machine learning yang cocok digunakan dalam predictive maintenance berbasis timeseries. Penelitian ini mencoba berbagai macam cara penerapan sequence processing untuk memprediksi kegagalan pada mesin. LSTM merupakan metode sequence processing yang populer digunakan untuk predictive maintenance. Terdapat tiga cara penerapan model LSTM yang diuji pada penelitian ini, yaitu model klasifikasi, regresi, dan regresi menggunakan sequence to sequence Ketiga model tersebut akan diuji menggunakan data yang didapat dari database terbuka. Setiap model akan dievaluasi dan dikomparasi untuk mengetahui model yang terbaik. Penelitian ini menunjukkan bahwa model klasifikasi memiliki kinerja yang buruk karena mengalami overfitting. Sementara itu, model regresi sequence to sequence memiliki kinerja yang paling baik, yaitu dengan nilai f-1 score mencapai 57.45%. ......The implementation of Industry 4.0 in Indonesia enables machines to be integrated with computers through IoT devices, resulting in more efficient production processes. One of the efforts to maintain this is by performing maintenance using predictive maintenance methods. Machine learning can be used to predict machine failures in predictive maintenance. Sequence processing is a suitable machine learning algorithm for predictive maintenance based on timeseries data. This research explores various ways to apply sequence processing for predicting machine failures. LSTM is a popular sequence processing method used in predictive maintenance. Three approaches for implementing LSTM models were tested in this study: classification, regression, and sequence to sequence regression. These models were tested using data obtained from an open database. Each model was evaluated and compared to determine the best-performing model. The research findings indicate that the classification model performed poorly due to overfitting. On the other hand, the sequence to sequence regression model achieved the best performance, with an f-1 score of 57.45%.

Abstrak :
Nilai kritis dalam laboratorium klinis merupakan sebuah nilai yang mengindikasikan adanya nilai tidak wajar pada pasien dan dapat membahayakan nyawa pasien jika tidak ditindaklanjuti dengan cepat dan tepat. Metode pengomunikasian nilai kritis yang digunakan pada kebanyakan rumah sakit saat ini berjalan secara manual dengan analis atau dokter laboratorium menyampaikan informasi nilai kritis melalui telepon atau media perpesanan. Proses komunikasi ini dapat menghambat kerja dari dokter laboratorium atau analis ketika sedang mendapatkan antrean tes analisis sampel laboratorium yang sangat banyak. Dalam tugas akhir ini dibahas sebuah program berbentuk aplikasi mobile sebagai moda penyampaian informasi nilai kritis yang terintegrasi dengan sistem informasi laboratorium FANSLab. Penulis menggunakan metode waterfall dalam mengembangkan aplikasi ini. Metode waterfall meliputi tahapan requirement gathering, mendesain sistem, implementasi, dan evaluasi. Tahap requirement gathering dilakukan dengan melakukan wawancara terhadap pengembang sistem informasi laboratorium FANSLab, observasi langsung di Rumah Sakit dr. Drajat Prawiranegara, kota serang, serta penyebaran kuesioner untuk dokter dan analis yang menggunakan sistem informasi laboratorium FANSLab. Berdasarkan hasil evaluasi, fitur yang diimplementasikan pada aplikasi ini telah memenuhi ekspektasi pengembang utama sistem informasi laboratorium FANSLab selaku product owner dan dilakukan pengujian performa dengan skenario 500 pengguna secara bersamaan dan dilakukan uji ketahanan selama 8 jam dengan error rate kurang dari satu persen. ...... A critical value in a clinical laboratory is a value that indicates an unusual value in a patient and can endanger the patient’s life if not followed up quickly and accurately. The critical value communication method used in most hospitals currently runs manually with analysts or laboratory doctors conveying critical value information via telephone or messaging media. This communication process can hamper the work of laboratory doctors or analysts when they are getting a very large queue of laboratory sample analysis tests. In this thesis, a program in the form of a mobile application is discussed as a mode of delivering critical value information that is integrated with the FANSLab laboratory information system. The author uses the waterfall method in developing this application. The waterfall method includes the stages of requirement gathering, system design, implementation, and evaluation. The requirement gathering stage was carried out by conducting interviews with the developer of the FANSLab laboratory information system, direct observation at Dr. Drajat Prawiranegara Hospital, Kota Serang, and distributing questionnaires to doctors and analysts who use the FANSLab laboratory information system. Based on the evaluation results, the features implemented in this application have met the expectations of the main developer of the FANSLab laboratory information system as the product owner and performance testing was carried out with a scenario of 500 users simultaneously and an 8-hour endurance test with an error rate of less than one percent.

Abstrak :
Dengan tumbuh dan berkembangnya platform media sosial, komunikasi bisa menjadi lebih mudah dilakukan. Namun, hal tersebut dapat disalahgunakan, seperti penyebaran hate speech melalui media sosial yang semakin marak terjadi. Meski kebebasan berekspresi adalah hak setiap orang di Indonesia, namun karena dampak negatifnya konten kebencian harus dihilangkan. Salah satu solusinya adalah dengan membangun sebuah model yang dapat mendeteksi hate speech secara otomatis. Untuk membangun model pendeteksian hate speech yang baik, dibutuhkan data beranotasi dengan jumlah yang besar untuk melatih model. Selain itu perlu juga diperhatikan target dan kategori dari hate speech tersebut. Namun, saat ini hanya ada satu multi-label hate speech dataset Bahasa Indonesia yang tersedia dan memiliki kekurangan proposi data dari setiap label yang tidak seimbang. Untuk mengatasi masalah kekurangan data ini, penulis mengusulkan sebuah metode yaitu Forward-Backward Translation untuk menghasilkan data secara otomatis. Metode ini merupakan gabungan dari forward translation dan back-translation. Forward translation dilakukan pada dataset dari high-resource language dan back-translation dilakukan pada dataset dari low-resource language. Dengan digabungkannya kedua proses ini dataset yang dihasilkan akan memiliki jumlah yang besar dan memiliki kualitas terjemahan yang baik. Metode ini digunakan untuk menambahkan data pada deteksi multi-label hate speech Bahasa Indonesia dengan tambahan data dari Bahasa Inggris. Performa pendeteksian multi-label hate speech pada dataset baru hasil penelitian ini berhasil meningkat bila dibandingkan dengan pada dataset hate speech Bahasa Indonesia yang sudah ada. Dataset ini mendapatkan F1-score sebesar 0.76 saat melakukan multi-label classification dan F1-score sebesar 0.78 saat melakukan hierarchical classification. ......The growth and development of social media platforms make communication easier. However, this can be misused. For example, the spread of hate speech via social media is increasing. Freedom of speech is everyone's right in Indonesia, but malicious content must be eliminated due to its negative impact. One solution is to build a model that can automatically detect hate speech. Building a good hate speech detection model requires a large amount of annotated data to train the model. It is also necessary to pay attention to the target, category, and level of hate speech. However, there is currently only one multi-label hate speech dataset in Bahasa Indonesia available and the proportion of data for each label is unequal. To overcome this data scarcity problem, we propose a forward-backward translation method to generate data automatically. This method combines forward and backward translation. A forward translation is performed for dataset in high-resource languages and a backward translation is performed for dataset in low-resource languages. By combining these two processes, the resulting dataset will have a large amount of data and good translation quality. This method will be used to add data on multi-label hate speech detection in Bahasa Indonesia with additional data from English. As a result of this study, the performance of multi-label hate speech detection in the new dataset improved compared to the existing Bahasa Indonesia hate speech dataset. This dataset gets an F1-score of 0.76 for multi-label classification and an F1-score of 0.78 for hierarchical classification.