Hasil Pencarian  ::  Simpan CSV :: Kembali

"Pandemi Covid-19 membuat metode pembelajaran bauran berpotensi makin sering digunakan dalam pendidikan kedokteran. Berbagai studi menunjukkan bahwa terdapat hubungan antara kemampuan regulasi diri mahasiswa dengan lingkungan pembelajaran bauran. Blended Learning Questionnaire (BLQ) merupakan instrumen yang dikembangkan di University of Western Sydney, Australia untuk mengukur regulasi diri mahasiswa kedokteran dalam lingkungan pembelajaran bauran. Penelitian ini bertujuan untuk memperoleh BLQ versi bahasa Indonesia untuk digunakan pada mahasiswa kedokteran Indonesia.Penelitian ini dilakukan dalam beberapa tahap, yaitu penerjemahan, telaah ahli, wawancara kognitif, uji pilot, dan pengumpulan data akhir dengan BLQ versi bahasa Indonesia. Validitas isi diukur berdasarkan nilai Content Validity Index (CVI). Validitas konstruksi diukur dengan metode exploratory factor analysis (EFA). Reliabilitas diukur dari konsistensi internal dengan nilai Cronbach’s alpha.Seluruh butir pernyataan yang menyusun BLQ versi bahasa Indonesia mendapatkan nilai CVI≥0.83. Hasil EFA mengekstraksi 5 faktor. Faktor 4 dan 5 memiliki nilai Cronbach’s alpha≤0,7. Hasil-hasil tersebut menunjukkan bahwa BLQ versi bahasa Indonesia memiliki validitas isi yang baik untuk mengukur tingkat regulasi diri mahasiswa kedokteran Indonesia dalam lingkungan pembelajaran bauran. Namun, instrumen ini belum memiliki validitas konstruksi yang baik sehingga saat ini belum dapat digunakan pada mahasiswa kedokteran Indonesia. Diperlukan penelitian lebih lanjut untuk meningkatkan validitas konstruksi dan konsistensi internal dari instumen ini.

---

Covid-19 pandemic has made blended learning as a more common learning environment design in medical education. Many studies have shown that there is a relationship between students' self-regulation and blended learning environment. The Blended Learning Questionnaire (BLQ) is an instrument developed at the University of Western Sydney, Australia to measure self-regulation of medical students in a blended learning environment. This study aims to obtain the Indonesian version of the BLQ to be used in Indonesia’s medical education setting.

This research was conducted in several stages, namely translation, expert review, cognitive interviews, pilot testing, and final data collection using the Indonesian version of the BLQ. Content validity is measured based on the value of the Content Validity Index (CVI). Construct validity was measured by exploratory factor analysis (EFA) method. Reliability is measured from internal consistency with Cronbach's alpha value.

All of the items of Indonesian version of the BLQ get CVI≥0.83. EFA results extract 5 factors. Factors 4 and 5 have a Cronbach's alpha value≤0.7. These results indicate that the Indonesian version of the BLQ has good content validity for measuring the level of self-regulation of Indonesian medical students in a blended learning environment. However, this instrument does not have good construct validity so that currently it cannot be used on Indonesian medical students. Further research is needed to improve the construct validity and internal consistency of this instrument."

"Korpus relasi semantik dapat menunjang berbagai penelitian di bidang pengolahan bahasa manusia. Untuk Bahasa Indonesia, korpus relasi semantik yang berukuran besar dan berkualitas baik masih belum tersedia. Korpus relasi semantik dapat dibuat secara manual dengan melibatkan anotator dan juga dapat dihasilkan secara otomatis menggunakan algoritma rule-based atau machine learning. Penelitian ini bertujuan untuk mengevaluasiseberapa baik kualitas korpus relasi semantik Bahasa Indonesia, khususnya relasi hiponim-hipernim, apabila dibangun dengan pendekatan machine learning dan metode crowdsourcing yang menerapkan gamifikasi. Algoritma pattern-based yang sebelumnya pernah diteliti untuk Bahasa Indonesia akan digunakan untuk menghasilkan data training algoritma machine learning dan kandidat entri korpus untuk dianotasi dengan metode crowdsourcing. Kualitas korpus hasil metode crowdsourcing diukur berdasarkan tingkat persetujuan antar anotator dan diperoleh hasil yang cukup baik walaupun belum sempurna. Untuk pendekatan machine learning, beberapa modelmachine learning yang diterapkan masih belum memberikan hasil optimal karenaketerbatasan resource.Kata kunci: relasi semantik, hiponim-hipernim, crowdsourcing, gamifikasi, machinelearning, pattern-based

---

Semantic relations corpus is vital to support research in the field of Natural Language

Processing. Currently, there is no existing corpus of semantic relations in Indonesian

language which is enormous and high-quality. The corpus can be constructed manually

by employing human annotators or built automatically using rule-based or machine

learning algorithms. This research aims to evaluate the quality of Indonesian hyponym-

hypernym semantic relations corpus that is produced by crowdsourcing mechanism with

gamification, and to test the model for semantic relations prediction using machine

learning algorithms. The pattern-based method is applied to obtain the training data for

machine learning experiments and corpus entry candidates to be annotated using the

crowdsourcing method. The quality of the crowdsourced corpus is measured using inter-

annotator agreement. The experimental result shows that the gamification-based

crowdsourcing method is promising to produce the corpus. On the other hand, machine

learning models tested in this research have not given optimal results yet due to the

limitations of the lexical resources in Indonesian language."

"Artificial Intelligence (AI) model Machine Learning (ML) merupakan perkembangan teknologi yang memiliki potensi untuk berperan sebagai pengambil keputusan dalam kehidupan manusia. Teknolgi harus dijaga agar memberikan dampak positif dalam kehidupan masyarakat sesuai amanat dalamPasal 28C UUD 1945. Pemerintah yang memiliki kewajiban untuk memenuhi hal tersebut. Tujuan dari penelitian ini untuk menganalisa pengaturan terkait AI model ML terkait penggunaan dan pemanfaatan di Indonesia. Penelitian ini juga akan menganlisa peraturan hukum Indonesia dalam melingkupi prinsip Ethical and trustworty AI dalam penyelenggaraan AI model ML. Kemudian penelitian inijuga mengalisa bentuk pertanggunjawaban hukum terkait AI di Indonesia. Metode yang digunakan dalam penelitian ini adalah penelitian yuridis normatif dengan pendekatan kualitif yang bersifat exploratoris. Hasil dari penelitian ini menunjukan Indonesia memiliki sisnas IPTEK untuk mencapai tujuan Pasal 28C UUD 1945. AI yang tergolong dalam sistem elektronik, menjadikan tunduk padaaturan terkait penyelenggaraan sistem elektronik dalam UU ITE. Utilitarian purposes yang melekat pada teknologi AI membuat perlindungan kekayaan intelektual berada dalam perlindungan Paten. Ethical dan trustworthy pada AIdapat dikrucutkan kedalam 5 prinsip utama dalam penggunaan dan pemanfaatan AI dalam industri. Prinsip tersebut adalah Keaman dan Keselamatan, Privasi, Keadilan, Transparansi serta Akuntabilitas. Prinsip ini telah tertanggulangi dalam prinsip dalam strategi nasional kecerdasan Artifisial. Pemenuhan standar produk AI dan Kode Etik yang mengadopsi prinsip ethical and trustworthy AI diperlukan dalam peraturan hukum di Indonesia saat ini. Berdasarkan peraturan yang ada, pertanggungjawaban dalam penyelenggaraan Sistem Elektronik, termasuk AI, menerapkan prinsip praduga bersalah. Besarnya risiko pada AI membuatnya termasuk kedalam dengerous activities, sehingga perlu diterapkan strict liability.

---

Artificial Intelligence (AI) Machine Learning (ML) model is a technologicaldevelopment that has the potential to be a decision maker in human life. According to the article 28C of the UUD 1945, technology must be maintained to has a positive impact on people's lives. Government has the obligation to fulfill this. The purpose of this research is to analyze regulations related to AI model ML about its use and utilization in Indonesia. This research will also analyze Indonesian regulations covering principles of Ethical and trustworthiness of AI in implementation of AI model ML. Then this reasearch also analyzes forms of legal liabiility related to AI in Indonesia. Analysis method used a normative juridical research with a qualitative approach. The results show that Indonesia has Sisnas IPTEK to achieve a possitive impact. AI is classified as an electronic system, making it subject to rules related to the implementation of electronic systems in UU ITE. AI being protect by Paten, because of utilitarian purposes attached to it.

Ethical and trustworthy of AI can be narrowed down into 5 main principles. These are Security and Safety, Privacy, Fairness, Transparency and Accountability. They have been addressed in Stragtegi Nasional Kecerdasan Artifisial. Current regulations require product standard and Code of Ethics that adopts ethical and trustworthy principles of AI. Based on existing regulations, legal liability in operation of Electronic Systems, including AI, applies the presumption of guilt.

Big risk in AI makes it included in dengerous activities, so it is necessary to applystrict liability."

"Saat ini ada banyak sekali pengembangan m-Learning materi pembelajaran nonformal. Salah satu hal yang paling diminati dari m-Learning adalah pembelajaran dengan waktu dan tempat yang fleksibel. Di sisi lain, mempelajari dasar Islam adalah kebutuhan setiap muslim. Namun, aktivitas yang padat dapat menjadi kendala untuk menghadiri pembelajaran dasar Islam. Menjawab permasalahan tersebut, penelitian ini bertujuan untuk memberikan kemudahan untuk umat muslim di Indonesia dalam mempelajari dasar agama Islam dengan mengembangkan desain aplikasi m-Learning dasar Islam.Penelitian ini dilakukan menggunakan metode campuran, yaitu dengan menggabungkan pendekatan kualitatif dan kuantitatif. Pengembangan desain pada penelitian ini mengacu pada metode User-Centered Design (UCD). Data penelitian diperoleh melalui wawancara dengan pakar pendidikan Islam, kuesioner daring, dan wawancara kontekstual. Dari tahapan pengumpulan kebutuhan, diperoleh 24 kebutuhan desain aplikasi m-Learning dasar Islam. Hasil evaluasi desain berupa nilai SUS dengan skor 76, dan diperoleh 56 saran yang berkaitan dengan desain interaksi, dan tiga saran yang berkaitan dengan sistem pembelajaran.

---

Prophet Muhammad (blessings of God be upon him and his progeny and grant him peace) said “Seeking knowledge is an obligation upon every Muslim” [Ibn Majah] and “Whoever travels a path in search of knowledge, Allah will make easy for him a path to Paradise” [Shahih Muslim]. From this hadith, stated that one of the most important pray on Islam is about to learn about the religion itself. It is obligatory for a Muslim to study the science of religion to know Allah, His Prophet, and Islam along with the proofs.[21]

However, Islamic knowledge students who do not attend formal Islamic Institution class generally will need information of available live Islamic Studies around the cities (sometimes countries) and time adjustment to attend it. intense activities can be an obstacle to attend live Islamic lectures. On the other hand, current generation has been providing solutions for flexible learning. One of them is m-Learning. Based on this issue, this research discusses the development and evaluation of m-learning application for learning the foundation of Islamic knowledge design by integrating online learning theory with Islamic learning methods to help learn Islam easier.

This research was conducted using a mixed method by combining qualitative and quantitative approaches. The design development in this study uses the User-Centred Design (UCD) method. Research data were obtained through interview with Islamic education experts, online questionnaires, and contextual interviews. After doing requirements gathering, we obtained 22 design insights of the Islamic foundation m-Learning application. Design evaluation provides the results of SUS score with the score of 76, and we have proposed 56 suggestions related to interaction design; three suggestions are related to learning systems."

"Sistem penilai otomatis SIMPLE-O untuk bahasa Jepang telah diteliti selama beberapa tahun belakangan. Namun, penilaian yang dilakukan belum mencakup nilai morfologis, padahal morfologi merupakan hal yang penting dalam ujian sastra. Penelitian ini melakukan clustering pada 215 jawaban mahasiswa dan mengelompokkannya ke 6 cluster berdasarkan topiknya. Berdasarkan hasil, didapatkan bahwa K-means clustering mengelompokkan dengan lebih baik dibanding hierarchical agglomerative clustering (HAC), terutama dengan penambahan Romanisasi. K-means clustering dengan Romansasi menunjukkan 96.5% precision dan 96% recall, sementara HAC memiliki 95% precision dan 93.7% recall. Pada proses penilaian, jawaban dinilai pertopik atau nomor soal dan dicari rasio antara nilai yang didapat dari LSA dengan nilai morfologi dengan akurasi tertinggi. LSA memiliki rata-rata akurasi 79.92%. Penambahan analisis morfologi pada nilai akhir mendapatkan akurasi tertinggi sebesar 78.77% dengan bobot 10% nilai morfologi dan 90% nilai LSA.

---

The research on automated grading system SIMPLE-O for Japanese language has been done for a few years. However, in the grading system, there is still no means to grade the morphological component even though it is an important part of language test. This research groups 215 student answers to 6 cluster according to the topics. According to the results, K-means clustering performs better than hierarchical agglomerative clustering (HAC) especially with Romanization. K-means clustering with Romanization shows 96.5% precision and 96% recall while HAC has 95% precision and 93.7% recall. For the grading prosess, the answers will be scored by its topic or question number and the ratio between similarity measurement score and morphological score with the highest accuracy will be selected. LSA has the average accuracy of 79.92%. With the addition of morphological analysis on the final score, the highest average accuracy of 78.77% is selected with the ratio of 10% morphological score and 90% LSA score."

"Perkembangan teknologi pada bidang pendidikan mendorong terciptanya berbagai inovasi baru seperti e-Learning. Adanya e-Learning memberikan berbagai kemudahan baru dalam proses pembelajaran. Salah satu inovasi yang muncul adalah e-Learning yang mampu menyediakan fasilitas personalisasi bagi penggunanya. Berbagai penelitian telah mencoba membahas pengembangan e-Learning dengan personalisasi. Sayangnya secara umum penelitian yang dilakukan hanya terbatas sampai pada tahap pengembangan desain interaksi. Belum banyak penelitian yang membahas pengembangan sampai pada tahap implementasi aplikasi. Berangkat dari isu tersebut, penelitian ini membahas lebih lanjut pengembangan aplikasi e-Learning yang melakukan personalisasi berdasarkan gaya belajar Felder-Silverman. Penelitian ini menggunakan pendekatan user-centered design dalam implementasinya. Aplikasi yang dikembangkan mengacu kepada desain interaksi penelitian sebelumnya, studi demografi pengguna, dan wawancara eksplorasi pengguna. Aplikasi kemudian dievaluasi oleh partisipan penelitian pada tahap usability testing. Berdasarkan hasil penelitian, aplikasi yang dikembangan telah mendapatkan hasil usability yang baik dari pengguna. Penelitian ini juga mengusulkan rekomendasi perbaikan yang dapat digunakan dalam pengembangan aplikasi personalisasi e-Learning ke depannya.

---

Various research has discussed the development of personalized e-Learning. One of the main topics of recent research is how personalizing learning styles can improve the user experience of e-Learning applications. Based on the issue, this study is focused on the development of a prototype of a personalized e-Learning application using three Felder-Silverman Learning Styles as a main focus. User-centered design is used in this study as an approach to the development of the e-Learning application. This study analyzes the design of similar personalized e-learning interactions, user learning styles, and various user information obtained from user demographic surveys and user interviews. The demographics of the users studied were computer science students from the University of Indonesia. The application was then evaluated by participants in the usability testing stage. Furthermore, this study also proposes recommendations for improvements that can be used in the development of personalized e-Learning applications in the upcoming studies."

"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."

"ABSTRAKSalah satu komponen penting dalam Sistem Monitoring Keamanan Jaringan adalah Intrusion Detection System IDS yang berfungsi untuk mendeteksi setiap potensi serangan yang mengancam keamanan jaringan. Keunggulan sebuah IDS ditentukan oleh kemampuannya untuk mendeteksi serangan siber secara akurat dan mudah beradaptasi terhadap perubahan lingkungan sistem yang terus berkembang. Sebuah IDS yang akurat mampu mendeteksi berbagai jenis serangan secara tepat dengan sedikit kesalahan deteksi false alarm .Penelitian ini merancang dan mengimplementasikan metode machine learning ke dalam IDS yang digunakan untuk mendeteksi serangan dalam jaringan sebenarnya secara akurat dan cepat. Dalam pengembangan model machine learning untuk IDS ini digunakan dataset KDDCUP rsquo;99 dan NSL-KDD. Dengan melakukan analisis pemilihan fitur diperoleh subset 28 fitur dari total 41 fitur dataset KDD yang paling relevan dan dapat diimplementasikan dalam jaringan sebenarnya. Dalam pengembangan model machine learning diperoleh hasil bahwa metode terbaik adalah menggunakan SVM.Pada tahap implementasi digunakan metode multi-stage detection yang memberikan hasil deteksi serangan yang lebih cepat dan akurat. Hasil ujicoba model IDS yang telah dikembangkan menggunakan metode machine learning dengan implementasi multi-stage detection mampu mendeteksi serangan dengan tingkat akurasi sampai 99,37 . Lebih jauh lagi, kecepatan proses deteksi meningkat dengan rata-rata 24 pada data testing dan rata-rata 10 pada lingkungan jaringan sebenarnya.

---

ABSTRACTAn important component in Network Security Monitoring System is Intrusion Detection System IDS . IDS serves to detect any potential attacks that threaten network security. The reliability of an IDS is determined by its ability to detect cyber attacks accurately, and to dynamically adapt to ever-evolving system environment changes. An accurate IDS is able to detect different types of attacks appropriately with minimum false alarm.This research designs and implements machine learning method into IDS to detect actual network attacks accurately and quickly. In the development of machine learning model for IDS, KDDCUP 39;99 and NSL-KDD dataset are used. By performing feature selection analysis, a subset of 28 most relevant features of a total of 41 features of KDD dataset is obtained and can be implemented in the actual network. In the development of machine learning model it is found that the best method for our approach is by using SVM.In the implementation phase the proposed multi-stage detection method provides faster and more accurate attack detection. The experiments also show that combining machine learning method with multi-stage detection implementation improves detection accuracy up to 99.37 . Further, the proposed method increases the average speed of detection process up to 24 in data testing and up to 10 average in the real network environment."

"Seiring perkembangan teknologi, berbagai m-Learning hadir dan berperan sebagai bimbel daring bagi siswa sekolah dasar dan menengah. Zenius adalah salah satunya. Dengan kondisi saat ini, bimbel daring semakin merebak dan digunakan oleh lebih banyak pengguna. Namun, layanan ini belum pernah diteliti dan dikaji secara ilmiah. Penelitian tentang e-Learning dan m-Learning lebih banyak membahas Massive Open Online Course (MOOC), bukan e-Learning untuk siswa K-12. Penelitian ini dilakukan untuk mengetahui sejauh mana Zenius menerapkan desain interaksi dan desain instruksional pada proses pembelajarannya. Penelitian ini juga bertujuan untuk mengetahui evaluasi usability dari Zenius dan memberikan rancangan rekomendasi perbaikan. Penelitian ini menggunakan pendekatan metode campuran. Pengumpulan data kuantitatif menggunakan System Usability Scale (SUS) dan E-Learning Usability Scale (EUS), sementara untuk memperoleh data kualitatif dilakukan usability testing dan wawancara kontekstual. Prinsip-prinsip Gagné’s Nine Events of Instruction dan Shneiderman’s Eight Golden Rules of Interface Design digunakan untuk melakukan analisis atas desain instruksional dan desain antarmuka. Hasil menunjukkan bahwa perlu perbaikan dari segi konsistensi dan kehadiran pengajar. Terdapat juga beberapa permasalahan usability, yaitu penggunaan forum diskusi. Dalam penelitian ini juga dijabarkan desain alternatif yang ditawarkan untuk meningkatkan usability dari Zenius. Terdapat 25 rekomendasi perbaikan yang dipetakan dalam tiga jenis urgensi. Rekomendasi tersebut kemudian dievaluasi kembali sehingga diusulkan saran-saran untuk perbaikan ulang.

---

As technology develops, m-Learnings are present and act as an online tutoring for K-12 students. Zenius is one of them. In current conditions, online tutoring has increasingly spread and is used by more users. However, this service has never been studied scientifically. Research on e-Learning and m-Learning focuses more on Massive Open Online Course (MOOC), not e-Learning for K-12 students. This study aims to find out the extent of Zenius on applying interaction design and learning design in the learning process. This study also aims to find out the usability evaluation of Zenius and provide recommendation. This research uses a mixed methods approach. Quantitative data collection uses System Usability Scale (SUS) dan E-Learning Usability Scale (EUS), while usability testing is used to obtain qualitative data. An analysis of the principles of Gagné's nine events of instruction and Shneiderman’s Eight Golden Rules of Interface Design was carried out. The results show that improvements in terms of consistency and instructor presence need to be improved. There are also some usability issues, namely the use of discussion forums. This study also described alternative designs offered to improve the usability of Zenius. There are 25 improvement recommendations mapped into three types of urgency. The recommendations are then re-evaluated. As a result, suggestion for further improvement and future research topics are proposed."

"Penelitian ini melakukan klasifikasi stadium penyakit Diabetik Retinopati (DR) menjadi 2 hirarki, yaitu Global dan Lokal. Hirarki Global hanya terdiri dari normal (0) dan abnormal (1). Sedangkan klasifikasi lokal terdiri dari 4 kategori yaitu kategori normal (R0), early NPDR (R1), advanced NPDR (R3), dan PDR (R4). Kategori early NPDR adalah stadium mild NPDR, sedangkan advanced NPDR adalah gabungan dari moderate dan severe NPDR.Secara umum penelitian ini dilakukan untuk menyelesaikan masalah yang timbul akibat adanya kemiripan citra per kenaikan stadium yang tidak bisa dinilai secara kasat mata. Sehingga membutuhkan sebuah penanganan dimana citra retina dapat digolongkan ke dalam kategori yang tepat. Berdasarkan masalah tersebut, dilakukan 2 mekanisme percobaan untuk setiap hirarki, yaitu melalui pendekatan computer vision yang hanya fokus untuk mengolah citra secara keseluruhan dan pendekatan yang dilakukan oleh medis dimana sebelum menentukan kategori citra, terlebih dahulu dilakukan deteksi fitur penanda DR seperti eksudat, mikroaneurisma, dan pembuluh darah. Data yang digunakan ada 2 jenis yaitu data citra dari RSCM Jakarta dan database publik Diaretdb0.Metode klasifikasi ELM yang diusulkan mampu memberikan performansi yang cukup baik dari sisi waktu dan akurasi, dimana rata-rata klasifikasi menggunakan cross validation mencapai 50% untuk data RSCM dan 60% untuk data DB0. Sedangkan untuk klasifikasi lokal mencapai 50% untuk data RSCM dan 40% untuk data DB0.

---

This study determined the classification of the stage of disease Diabetic retinopathy (DR) into two hierarchies , namely the Global and the Local . Global hierarchy consisting only of normal (0) and abnormal (1). While local classification consists of 4 categories: normal category (R0), early NPDR (R1), advanced NPDR (R3), and PDR (R4). Categories early stages of NPDR is Mild NPDR, whereas advanced NPDR is a combination of moderate and severe NPDR.

In general, this study was conducted to resolve the problems arising from the similarity image that stage increments can not be assessed by naked eye . Thus require a treatment in which the retinal image can be classified into appropriate categories . Based on these issues, conducted 2 experiments for each hierarchy mechanism, namely through the computer vision approach that only focuses on the image of the overall process and the approach taken by a medical before determining which image category , first detection of features such as bookmarks DR exudates, microaneurysms, and blood vessels . The data used there are 2 types of image data from public databases RSCM Jakarta and Diaretdb0.

The proposed classification method ELM is able to provide good enough performance in terms of time and accuracy , where the average classification using cross validation to achieve 50 % for data RSCM and 60 % for data DB0. Whereas for the local classification, data RSCM achieve 50 % and 40 % for data DB0."