Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penggunaan data sebagai dasar pengambilan keputusan menjadi hal yang sangat penting dilakukan di dunia olahraga saat ini dan biasa disebut dengan sports analytics. Bola basket menjadi salah satu olahraga yang sangat memanfaatkan hal tersebut untuk memperoleh informasi berharga yang dapat membantu memenangkan pertandingan. Keputusan-keputusan penting saat pertandingan berlangsung menjadi sangat bergantung pada hasil analisis data yang dilakukan. Salah satu faktor penting yang dapat mempengaruhi performa tim adalah komposisi pemain yang bertanding. Saat ini, dunia bola basket, termasuk NBA yang merupakan liga basket terbesar di dunia yang ada di Amerika Serikat, masih menggunakan 5 posisi pemain tradisional sebagai salah satu hal yang mempengaruhi komposisi pemain. Hal tersebut sangat tidak efektif karena posisi tersebut sudah tidak dapat lagi menggambarkan peran dan cara bermain pemain ketika bertanding seiring berovolusinya para pemain bola basket. Penelitian ini bertujuan untuk menghasilkan posisi baru untuk skema penyerangan yang sesuai dengan tipe pemain dan dapat menggambarkan dengan baik peran dan cara bermain pemain dalam skema penyerangan ketika bertanding. Metode clustering dengan algoritma Gaussian Mixture Model (GMM) dan K-Medoids digunakan untuk melakukan hal tersebut dengan mengelompokkan para pemain berdasarkan variabel-variabel yang berkaitan dengan skema penyerangan di olahraga bola basket. Penelitian ini berhasil menemukan kelompok-kelompok baru yang menyatukan para pemain dengan tipe permainan yang mirip dan lebih menggambarkan peran dan cara bermain para pemain ketika bertanding. ......The use of data as a basis for decision making become very important in the world of sports today and is known as sports analytics. Basketball is a sport that really takes advantage of that to get valuable information that can help win matches. Important decisions during a game are very dependent on the results of the data analysis carried out. One of the important factor that can affect a team's performance is the composition of the players that play the game. Currently, the world of basketball, including the United States's NBA which is the largest basketball league in the world, still uses the 5 traditional player positions as one of the things that influence the composition of players. That is really ineffective because this position can no longer describe the roles and ways players play when competing as basketball players evolve. This study aims to produce new positions for attack schemes that suit the type of player and can well describe the roles and ways of playing players in attack schemes when playing in a game. The clustering method with the Gaussian Mixture Model (GMM) algorithm and K-Medoids is used for grouping the players based on variables related to the attack scheme in basketball. This research succeeded in finding new groups that identify players with similar game types and better describe the roles and ways of players play when competing.

Abstrak :
Aplikasi real-time collaborative editor mengizinkan beberapa pengguna bekerja pada suatu dokumen dalam waktu yang sama meski dalam lokasi yang berjauhan. Real-time collaborative editor yang populer seperti Google Docs dan Figma memanfaatkan arsitektur client-server dalam mengimplementasikan fitur tersebut. Arsitektur client-server dalam membuat real-time collaborative editor memiliki beberapa kelemahan, diantaranya hilangnya kepemilikan data pengguna serta latensi sinkronisasi perubahan yang lebih tinggi daripada seharusnya. Tldraw adalah aplikasi real-time collaborative editor berupa whiteboard bersifat open-source. Tldraw masih memanfaatkan arsitektur client-server dalam implementasi real-time collaboration. Local-first software adalah proposal jenis aplikasi yang menyelesaikan kelemahan-kelemahan tersebut. Berdasarkan proposal tersebut, diusulkan implementasi Tldraw P2P yang merupakan pengembangan dari aplikasi Tldraw yang memenuhi aspek Local-first software. Tldraw P2P memanfaatkan teknologi peer-to-peer networkingWebRTC dan implementasi CRDT Yjs untuk memenuhi aspek local-first software. Dalam penelitian ini, Tldraw P2P diuji dalam aspek local-first software serta latensi sinkronisasi. Dari hasil pengujian, berhasil ditunjukkan bahwa Tldraw P2P berhasil memenuhi aspek local-first software yang tidak dipenuhi Tldraw, serta memiliki latensi sinkronisasi yang lebih rendah dibandingkan Tldraw. ......A real-time collaborative editor allows multiple users to work on the same document simultaneously, even from distant geographic locations. Popular real-time collaborative editors such as Google Docs and Figma use client-server architecture in implementing these features. However, client-server architecture has a few weaknesses, such as lost user data ownership and unnecessarily higher update synchronization latency. Tldraw is an open-source real-time collaborative editor in the form of a whiteboard. Tldraw is still using a client-server architecture in its implementation. Local-first software is a proposal for a type of application that aims to solve these weaknesses. Based on the Local-first software proposal, Tldraw P2P is proposed as an implementation of Tldraw which fulfills local-first software aspects. Tldraw P2P utilizes WebRTC, a peer-to-peer networking technology, and Yjs, a CRDT implementation, to fulfill local-first software aspects. In this research, Tldraw P2P is evaluated on local-first software aspects and sync latency. The evaluation results demonstrated that Tldraw P2P had fulfilled local-first software aspects that Tldraw does not while also having lower sync latency than Tldraw

Abstrak :
Automated test adalah otomatisasi dari aktivitas software testing menggunakan testing tool. Namun, pada kenyataannya, testing tool untuk melakukan automated test masih memiliki kekurangan. Berdasarkan wawancara dengan Tim Research and Development (Tim RnD) PT. Global Digital Niaga (Blibli), automated test pada Blibli dieksekusi secara berkala dengan bantuan automation server sehingga menghasilkan report yang terpisah-pisah. Hal tersebut disebabkan testing tool membuat satu report setiap kali test cases dieksekusi. Berdasarkan masalah tersebut, tim pengembang merealisasikan project “Error Book”, sebuah dashboard automated test error. Error Book memanfaatkan custom maven plugin dan Elastic Stack untuk mengelola data dari automated test secara real-time sehingga dapat disajikan pada aplikasi front-end dashboard. Dengan Error Book, Tim RnD akan lebih mudah untuk mendapatkan informasi mengenai error yang terjadi pada automated test secara keseluruhan. Informasi tersebut akan menjadi acuan untuk melakukan improvement. QA engineer akan lebih mudah mengidentifikasi error yang sering terjadi pada automated test milik divisinya sehingga perbaikan preventif dan represif untuk error tersebut dapat dilakukan dengan cepat. Tim pengembang telah melakukan user acceptance testing (UAT) kepada Tim RnD Blibli, QA engineer Blibli, dan QA engineer perusahaan lain. ......Automated test is the automation of software testing activities using testing tools. However, in reality, testing tools to perform automated tests still have drawbacks. Based on interviews with the Research and Development Team (RnD Team) at PT. Global Digital Niaga (Blibli), automated tests at Blibli are executed periodically with the help of an automation server. Hence, it generates separate reports. This is because the testing tool creates one report each time a test case is executed. Based on this problem, we develop the “Error Book” project, an automated test error dashboard. Error Book utilizes a custom maven plugin and Elastic Stack to manage data from automated tests in real-time so that it can be presented in front-end dashboard application. With Error Book, the RnD team can get information about errors that occur in the automated test as a whole easier. This information will serve as a reference for making improvements. QA engineers can easily identify errors that often occur in their division's automated tests so that preventive and repressive repairs for these errors can be carried out quickly. We have carried out user acceptance testing (UAT) to Blibli RnD team, QA engineers at Blibli, and QA engineers at other companies.

Abstrak :
Trauma kepala merupakan cedera fisik pada jaringan otak yang secara sementara atau permanen merusak fungsi otak. Salah satu akibat yang dapat disebabkan oleh trauma kepala adalah perdarahan intrakranial. Perdarahan intrakranial perlu didiagnosis dengan mengambil gambar computed tomography (CT) scan oleh dokter radiolog. Setelah itu dokter radiolog akan mensegmentasi dan menghitung volume perdarahan pada gambar CT scan untuk menentukan Tindakan selanjutnya. Namun, pada beberapa rumah sakit di Indonesia, kurangnya sumber daya dokter yang dapat menafsirkan hasil CT scan dapat menyebabkan morbiditas dan mortalitas pasien perdarahan intrakranial. Algoritma deep learning, di antaranya convolutional neural networks (CNN) dapat digunakan untuk membantu dokter untuk mensegmentasi dan menghitung volume perdarahan intrakranial. Pada penelitian ini, penulis mengusulkan segmentasi otomatis dan aproksimasi volume perdarahan pada penderita perdarahan intrakranial dengan menggunakan metode deep learning dan regresi. Segmentasi perdarahan dilakukan dengan menggunakan arsitektur Dynamic Graph Convolutional Neural Network (DGCNN) sementara perhitungan volume perdarahan dilakukan dengan menggunakan beberapa metode regresi. Data pasien perdarahan intrakranial diperoleh dari rumah sakit Cipto Mangunkusumo yang telah disegmentasi secara manual oleh dokter radiolog. Pada segmentasi perdarahan, dibuat beberapa skenario dengan melakukan up sampling dan down sampling pada data. Hasil terbaik didapatkan pada skenario tanpa melakukan up sampling menghasilkan sensitivitas 97,8% dan spesifisitas 95,6%. Pada aproksimasi volume perdarahan, hasil terbaik didapatkan dengan menggunakan metode support vector machine (SVM) dengan kernel radial basis function (RBF) dengan mean squared error (MSE) 3,67 x 104. ......Traumatic brain injury is a common injury that can range from mild concussions to severe permanent brain damage. One of the severe damages caused by traumatic brain injury is intracranial hemorrhage, which is typically diagnosed by clinicians using head computed tomography (CT) scans. However, in some hospitals in Indonesia, sometimes there is a lack of clinicians who are able to interpret the CT scan results, leading to morbidity and mortality. Deep learning algorithms, especially convolutional neural networks (CNN) can be utilized to help clinicians in diagnosing patients with intracranial hemorrhage. In this study, we propose an automated segmentation and blood volume approximation of intracranial hemorrhage patients from CT scan images using deep learning and regression methods. For the blood segmentation, we utilized Dynamic Graph Convolutional Neural Network (DGCNN) architecture and for the blood volume approximation, we utilized regression methods. The dataset for this work consists of 27 head CT scans obtained from the Cipto Mangunkusumo National General Hospital 2019 traumatic brain injury data segmented manually by a radiologist. For blood segmentation, we proposed several scenarios by up sampling or down sampling the data. The best results obtained in the scenario without doing up sampling resulted in a sensitivity of 97.8% and a specificity of 95.6%. For blood volume approximation, the best results are obtained using the support vector machine (SVM) method with a radial basis function (RBF) kernel, with a mean squared error of 3.67 x 104.