Hasil Pencarian  ::  Simpan CSV :: Kembali

"Sektor pariwisata menjadi salah satu sektor yang memiliki banyak potensipemasukan anggaran negara. Salah satu cara untuk meningkatkan pemasukanmelalui sektor pariwisata adalah dengan memanfaatkan teknologi informasi agardapat menarik lebih banyak wisatawan yang datang. Pemanfaatan teknologitersebut adalah dengan menggunakan smart tourism. Implementasi smart tourismyang digunakan pada pariwisata di Indonesia, khususnya untuk objek wisataMonumen Nasional (Monas) adalah dengan memanfaatkan aplikasi telepon pintarberbasis Visual Question Answering (VQA) untuk memberikan informasi detailmengenai objek pariwisata yang sedang diamati dari kamera ponsel. Fokus dariskripsi ini adalah untuk menghasilkan model latihan dengan akurasi deteksi objekyang baik. Hasil dari proses latihan model akan dijadikan sebagai model untukdeteksi objek yang ada di sekitar Monas yang akan digunakan untuk melakukan VQA. Dataset yang digunakan dalam penelitian ini adalah gambar Monas besertaobjek-objek sekitarnya sebanyak 600 gambar dengan label kelas sebanyak 25 kelasobjek. Jaringan yang digunakan untuk melakukan deteksi objek adalah denganmenggunakan YOLO dan RetinaNet, dimana nantinya kedua jaringan ini akandilakukan komparasi dengan mencari skor akhir dari hasil evaluasi kedua modelyang telah dihasilkan. Dengan menggunakan dataset orisinil, pada jaringan YOLO mean average precision (mAP) yang didapatkan dengan rentang nilai confidencelevel threshold 0,1 sampai 0,9 berkisar antara 60,77% sampai 71,99%, sedangkanuntuk jaringan RetinaNet mAP yang didapatkan berkisar antara 72,18% sampai92,98%. Dengan menggunakan dataset augmentasi, pada jaringan YOLO mAPyang didapatkan berkisar antara 52,51% sampai 93,72%, sedangkan untuk jaringanRetinaNet mAP yang didapatkan berkisar antara 23,8% sampai 56,19%. Untuk skorArea Under Curve (AUC) pada dataset orisinil sebesar 0,99 dan 0,96 pada datasetaugmentasi. Berdasarkan hasil eksperimen ini dapat disimpulkan model YOLOdapat mendeteksi lebih baik dibandingkan dengan RetinaNet dan datasetaugmentasi dapat menghasilkan deteksi gambar lebih baik dibandingkan dengandataset orisinil.

---

Tourism sector has become one of the most potential income for some countires.One of the way to increase income from tourism sector is to implement informationtechnology so it can attract more tourists to come. The technology that can beimplemented is smart tourism. One of the smart tourism implementations forIndonesia tourism, especially for Monumen Nasional (Monas) tourism destinationis mobile based Visual Question Answering (VQA) application that can providedetailed information about tourism object from mobile phone camera. Focus of thisthesis is to produce training model with good detection accuracy. The result of themodel training process will be used as model for object detection model that willbe used for doing VQA. Dataset that will be used for this research are 600 picturescontaining Monas and 25 surrounding objects called class. The networks that willbe used for object detection is using YOLO and RetinaNet, where both of thesenetworks will be compared each other by searching the accuracy from evaluationmetric from both networks. By using original dataset, in YOLO network the meanaverage precision (mAP) score is between 60.77% to 71.99% with 0.1 to 0.9confidence level threshold range and in RetinaNet network the mAP score isbetween 72.18% to 92.98%. By using augmented dataset, in YOLO network themAP score is between 52.51% to 93.72% and in RetinaNet network the mAP scoreis between 23,8% to 56,19%. The Area Under Curve (AUC) score for originaldataset is 0.99 and 0.96 for augmented dataset using YOLO network. Based on theevaluation result, YOLO can detect objects better than RetinaNet and augmenteddataset can produce better detection than original dataset."

"ProWD adalah suatu aplikasi yang memberi informasi dengan memvisualisasikan ketimpangan pengetahuan pada Wikidata, salah satu basis pengetahuan yang paling populer di web. Dalam pelaksanaannya, terdapat beberapa aspek penting yang perlu diperhatikan sehingga ProWD dapat menyampaikan wawasan tentang ketimpangan pengetahuan dengan efektif. Skripsi ini mengeksplorasi aspek UI/UX pada ProWD dengan pendekatan User-Centered Design dan teori visualisasi data. Perumusan solusi desain alternatif pada ProWD dilakukan dengan melakukan sesi wawancara dan usability testing pada target pengguna, serta memanfaatkan alat-alat desain untuk menghasilkan redesain antarmuka ProWD. Hasil redesain tersebut selanjutnya diimplementasikan menjadi sebuah aplikasi web yang dapat diakses pada http://prowd.id/. Evaluasi dari hasil redesain ProWD menunjukkan kenaikan signifikan pada nilai System Usability Scale sebesar 27 poin secara keseluruhan, dengan hasil User Experience Questionnaire yang juga menunjukkan kenaikan pada tiap skala yang diukur dengan perubahan terbesar pada skala perspicuity sebesar 1.81 poin dan attractiveness sebesar 1.7 poin. Lebih lanjut lagi, terjadi peningkatan sebesar 25.9% pada success rate aplikasi secara keseluruhan dengan peningkatan rata-rata sebesar 3.56% pada average task completion time. Umpan balik kualitatif dari sesi usability testing juga dipaparkan pada skripsi ini untuk memberi wawasan yang lebih kaya terhadap redesain yang dilakukan.

---

ProWD is an application which provides information through visualizing the knowledge imbalance on Wikidata, one of the most popular knowledge bases on the web. In the process of creating a product, there are several aspects which needs to be kept in mind to be able to deliver the insights on knowledge imbalance effectively. This thesis explores the UI/UX aspect of ProWD using the User Centered Design approach and data visualization theories. Alternative design solutions for ProWD are formulated through conducting interviews and usability testing sessions with the target users, while utilizing the design tools to produce a redesign for ProWD’s interface. The redesign is then implemented into a web application which can be accessed on http://prowd.id/. The evaluation of ProWD’s redesign shows a significant increase of 27 points on the application’s System Usability Scale, with the results of the User Experience Questionnaire showing an increase on each scale with the largest increase of 1.81 points on perspicuity and 1.7 points on attractiveness. Furthermore, an overall increase of 25.9% can be seen on the Success Rate with an average increase of 3.56% on the average task completion time. The qualitative feedback from the usability testing sessions are also elaborated within this thesis to provide a richer insight on the implemented redesign."

"Sustainable Development Goals (SDGs) merupakan suatu rencana aksi global yang disepakati oleh para pemimpin negara di dunia, guna mengakhiri kemiskinan, mengurangi kesenjangan dan melindungi lingkungan. SDGs berisi 17 Tujuan dan 169 Target yang diharapkan dapat dicapai pada tahun 2030. Di Indonesia, SDGs mulai diterapkan pada tahun 2015. Penelitian ini melibatkan 34 Provinsi sebagai sampel dengan tahun pengamatan 2015-2016. Analisis regresi berganda digunakan dalam pengujian hipotesis dengan data pencapaian SDGs hasil scoring penulis dan Alisjahbana, et al. (2018) sebagai variabel dependen. Pada penelitian ini didapatkan hasil yaitu Luas wilayah, Satuan Kerja Perangkat Daerah dan Pendapatan Asli Daerah yang mewakili karakteristik pemerintah daerah berpengaruh terhadap SDGs.

---

The Sustainable Development Goals (SDGs) is a global action plan approved by world leaders, to put an end to poverty, diminish social discrepancies, and protect the environment. The SDGs contain 17 objectives and 169 targets that are expected to be achieved by 2030. Indonesia began to implement SDGs in 2015. This study involved 34 provinces as the samples with the observation period of 2015 – 2016. Multiple regression analysis was used for testing the hypothesis by having a result of scoring the accomplishment of Sustainable Development Goals. The result obtained by this study is the characteristic of local government presented by region size, number of the regional work units, and local own-source revenue impacting the accomplishment of SDGs."

"Jatuh merupakan penyebab utama kedua cedera dan kematian yang tidak disengaja di seluruh dunia. Kejadian ini sering terjadi pada lansia dan frekuensinya meningkat setiap tahun. Sistem pendeteksi aktivitas jatuh yang reliabel dapat mengurangi risiko cedera yang dialami. Mengingat jatuh adalah kejadian yang tidak dikehendaki atau terjadi secara tiba-tiba, sulit untuk mengumpulkan data jatuh yang sebenarnya. Deteksi jatuh juga sulit karena kemiripannya dengan beberapa aktivitas seperti jongkok, dan mengambil objek dari lantai. Selain itu, beberapa tahun belakangan dataset mengenai aktivitas jatuh yang tersedia secara publik juga terbatas. Oleh karena itu, di tahun 2019, beberapa peneliti mencoba membuat dataset jatuh yang komprehensif yang mensimulasikan kejadian yang sebenarnya dengan menggunakan perangkat kamera dan sensor. Dataset yang dihasilkan dataset multimodal bernama UP-Fall. Menggunakan dataset tersebut, penelitian ini mencoba mendeteksi aktivitas jatuh dengan pendekatan Convolutional Neural Network (CNN) dan Long Short Term Memory (LSTM). CNN digunakan untuk mendeteksi informasi spasial dari data citra, sedangakan LSTM digunakan untuk mengeksploitasi informasi temporal dari data sinyal. Kemudian, hasil dari kedua model digabungkan dengan strategi majority voting. Berdasarkan hasil evaluasi, CNN memperoleh akurasi sebesar 98,49% dan LSTM 98,88%. Kedua model berkontribusi kepada performa strategi majority voting sehingga mendapatkan akurasi (98,31%) yang melebihi akurasi baseline (96,4%). Metrik evaluasi lain juga meningkat seperti precision naik 11%, recall 14%, dan F1-score 12% jika dibandingan dengan baseline

---

.Fall is the second leading cause of accidental injury and death worldwide. This event often occurs in the elderly and the frequency is increasing every year. Reliable fall activity detection system can reduce the risk of injuries suffered. Since falls are unwanted events or occur suddenly, it is difficult to collect actual fall data. It is also difficult because of the similarity to some activities such as squatting, and picking up objects from the floor. In addition, in recent years the fall dataset that is publicly available is limited. Therefore, in 2019, some researchers tried to create a comprehensive fall dataset that simulates the actual events using camera and sensor devices. The experiment produced a multimodal dataset UP-Fall. Using this dataset, this study tries to detect falling activity using Convolutional Neural Network and Long Short Term Memory approaches. CNN is used to detect spatial information from image data, while LSTM is used to exploit temporal information from signal data. Then, the results of the two models are combined with the majority voting strategy. Based on the evaluation results, CNN obtained an accuracy of 98.49% and LSTM 98.88%. Both models contribute to the performance of the majority voting strategy with the result that the accuracy (98.31%) exceeds baseline accuracy (96.4%). Other evaluation metrics also improved such as precision goes up to 11%, recall 14%, and F1-score 12% in comparison with baseline."

"Pemilihan adalah proses keputusan penting yang dapat mempengaruhi kehidupan kita secara signifikan. Penghitungan suara di pemilihan tidak bebas dari kesalahan manusia atau kesalahan mesin. Audit berfungsi untuk memverifikasi hasil pemilihan. Sebuah audit dengan batasan risiko memastikan audit memiliki peluang tinggi untuk mengonfirmasikan pemenang yang dilaporkan (jika pemenang yang dilaporkan memang betul) sebagai pemenang sesungguhnya dan mengoreksi hasil pemilihan (jika pemenang yang dilaporkan salah). Ballot-polling Risk-limiting Audits to Verify Outcomes (BRAVO) adalah audit dengan batasan risiko yang menguji sampel per kertas suara individu yang diambil secara acak (dari hasil pemungutan suara). Riset ini mendefinisikan prosedur audit pada pemungutan suara dengan batasan risiko untuk seleksi pemenang Condorcet. Riset ini melakukan eksperimen yang menunjukkan kalau BRAVO bisa digunakan untuk seleksi pemenang Condorcet. Riset ini juga menunjukkan efektivitas dan efisiensi dari prosedur audit. Selain itu, riset ini menunjukkan efek dari batasan risiko dan terhadap banyak kertas suara yang diperlukan di prosedur audit.

---

Election is a crucial decision-making process that can affect significantly our lives. The outcome of an election must be accurate. Tallying in election is not free from human errors or machine errors. Therefore, a corrective measure is necessary to verify the election outcome. This is the role of an audit. A risk-limiting audit ensures that the audit has a high chance to confirm a correct reported winner and correct any erroneous reported winner. BRAVO is a risk-limiting audit that examines samples per randomly-drawn individual ballot (ballot-polling). This research defines the ballot-polling risk-limiting audit procedure for the selection of Condorcet winner. This research conducts an experiment that shows BRAVO can be used for the selection of Condorcet winner"

"Gempa bumi merupakan peristiwa alam yang kapan saja bisa terjadi dan dapat membahayakanorang-orang yang berada dekat dengan pusat gempa. Akan sangat baik jikakita dapat melakukan persiapan sebelum gempa bumi terjadi, tetapi permasalahannya kitatidak tahu kapan gempa bumi akan terjadi. Penelitian ini bertujuan untuk menganalisishubungan antara kejadian gempa bumi di masa lalu dan di masa mendatang denganmencoba memprediksi jumlah gempa tahunan pada suatu tahun dilihat dari jumlah kejadiangempa bumi di tahun-tahun sebelumnya. Penelitian ini membagi data kejadiangempa bumi berdasarkan dua kategori lokasi: zona waktu GMT dan lempengan bumi.Hasil dari penelitian ini berupa model-model machine learning yang dapat memprediksijumlah gempa tahunan berdasarkan masing-masing lokasi. Penelitian ini menggunakanteknik-teknik machine learning yaitu linear regression, LSTM, dan Prophet pada datasetgempa bumi dengan menggunakan pendekatan time series analysis. Penelitian ini jugamencoba beberapa pengaturan window size, dan penggunaan jenis data stationary untuktraining. Hal ini dilakukan untuk menemukan pengaturan terbaik yang dapat digunakanuntuk melakukan prediksi. Performa model yang dihasilkan akan dievaluasi menggunakanmetrik RMSE dan R2. Teknik machine learning yang dianggap memiliki performarata-rata terbaik (rata-rata dari penggunaan window size 3, 4, dan 5) untuk dua kategorilokasi tersebut adalah linear regression dengan penggunaan data stationary yang manamendapatkan rata-rata RMSE 11.26 dan R2 0.19 untuk kategori zona waktu, sedangkanuntuk kategori lempengan bumi mendapatkan rata-rata RMSE 6.87 dan R2 0.13.

---

An earthquake is a natural event that can occur anytime and endanger many lives. It is a

good thing if we can make a preparation to overcome the after-effect, but the problem is

we do not know when an earthquake will take place. The purpose of this research is to analyze

the correlation between the past and future earthquakes by predicting the number of

earthquakes in a certain year based on the number of earthquakes in previous years. This

research groups the earthquakes based on their location categorization: GMT time zone

and earth plate. The results of this research are machine learning models that can predict

the number of annual earthquakes for each location. We employ various machine learning

techniques in this research, such as linear regression, LSTM, and Prophet on earthquake

datasets with a time series analysis approach. This research also measures the effect of

window sizes and the usage of stationary data for training. This is done to find the best

settings that can be used in prediction. The models are evaluated using the RMSE and R2

metrics. The evaluation results suggest that the highest average performance (average on

the window size of 3, 4, and 5) is obtained by using the linear regression model, achieving

an RMSE score of 11.26 and an R2 score of 0.19 for the time zone categorization, and an

RMSE score of 6.87 and an R2 score of 0.13 for the earth plate categorization."