Hasil Pencarian  ::  Simpan CSV :: Kembali

"ChatGPT merupakan model bahasa Generative Pre-trained Transformer yang dikembangkan oleh OpenAI dan dirilis pada tahun 2015 dan mulai marak digunakan dalam konteks pendidikan. Dalam penerapannya penggunaan generative AI seperti ChatGPT memiliki tantangan dan risiko yang harus diatasi untuk menjaga integritas dan kejujuran akademis serta memastikan pemanfaatannya yang bertanggung jawab. Studi ini bertujuan untuk mengidentifikasi apakah sebaiknya digunakan secara resmi atau melarang penggunananya, mengidentifikasi risiko terkait dengan penerapannya, serta mengeksplorasi metode penggunaan yang bertanggung jawab dalam konteks belajar mengajar di lingkungan Universitas. Penelitian ini menggabungkan metode kualitatif dan kuantitatif atau mixed method dengan melakukan wawancara semi terstruktur terhadap 11 narasumber menggunakan open question serta menyebarkan kuesioner secara daring kepada responden. Hasil penelitian kualitatif dianalisis menggunakan metode thematic analyisis yang kemudian menjadi sumber acuan pengembangan model penggunaan ChatGPT yang bertanggung jawab. Pada pendekatan kuantitatif, sebanyak 251 data responden valid dianalisis menggunakan Partial Least Square Structural Equation Modeling (PLS-SEM) dengan bantuan aplikasi SmartPLS 4. Hasil penelitian menunjukkan bahwa model penggunaan ChatGPT yang bertanggung jawab didukung oleh berbagai faktor, termasuk Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behavior, serta Facilitating Conditions penggunaan ChatGPT dalam kegiatan belajardanmengajar. Penelitian ini berkontribusi memberikan pedoman penggunaan ChatGPT yang bertanggung jawab untuk kegiatan belajar dan mengajar di lingkungan Universitas.

---

ChatGPT is a Generative Pre-trained Transformer language model developed by OpenAI and released in 2015 and is beginning to be widely used in educational contexts. In its application, the use of generative AI such as ChatGPT has challenges and risks that must be addressed to maintain academic integrity and honesty and ensure its responsible utilisation. This study aims to identify whether it should be officially used or banned, identify the risks associated with its use, and explore methods of responsible use in the context of teaching and learning in a University environment. This research combines qualitative and quantitative methods or mixed methods by conducting semi-structured interviews with 11 interviewees using open questions and distributing online questionnaires to respondents. The results of the qualitative research were analysed using the thematic analysis method which then became a source of reference for developing a model of responsible use of ChatGPT. In the quantitative approach, a total of 251 valid respondent data were analysed using Partial Least Square Structural Equation Modeling (PLS-SEM) with the help of the SmartPLS 4 application. The results showed that the model of responsible use of ChatGPT was supported by various factors, including Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behaviour, and Facilitating Conditions for using ChatGPT in learning and teaching activities. This research contributes to providing guidelines for the responsible use of ChatGPT for learning and teaching activities in the University environment."

"ChatGPT merupakan model bahasa Generative Pre-trained Transformer yang dikembangkan oleh OpenAI dan dirilis pada tahun 2015 dan mulai marak digunakan dalam konteks pendidikan. Dalam penerapannya penggunaan generative AI seperti ChatGPT memiliki tantangan dan risiko yang harus diatasi untuk menjaga integritas dan kejujuran akademis serta memastikan pemanfaatannya yang bertanggung jawab. Studi ini bertujuan untuk mengidentifikasi apakah sebaiknya digunakan secara resmi atau melarang penggunananya, mengidentifikasi risiko terkait dengan penerapannya, serta mengeksplorasi metode penggunaan yang bertanggung jawab dalam konteks belajar mengajar di lingkungan Universitas. Penelitian ini menggabungkan metode kualitatif dan kuantitatif atau mixed method dengan melakukan wawancara semi terstruktur terhadap 11 narasumber menggunakan open question serta menyebarkan kuesioner secara daring kepada responden. Hasil penelitian kualitatif dianalisis menggunakan metode thematic analyisis yang kemudian menjadi sumber acuan pengembangan model penggunaan ChatGPT yang bertanggung jawab. Pada pendekatan kuantitatif, sebanyak 251 data responden valid dianalisis menggunakan Partial Least Square Structural Equation Modeling (PLS-SEM) dengan bantuan aplikasi SmartPLS 4. Hasil penelitian menunjukkan bahwa model penggunaan ChatGPT yang bertanggung jawab didukung oleh berbagai faktor, termasuk Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behavior, serta Facilitating Conditions penggunaan ChatGPT dalam kegiatan belajardanmengajar. Penelitian ini berkontribusi memberikan pedoman penggunaan ChatGPT yang bertanggung jawab untuk kegiatan belajar dan mengajar di lingkungan Universitas.

---

ChatGPT is a Generative Pre-trained Transformer language model developed by OpenAI and released in 2015 and is beginning to be widely used in educational contexts. In its application, the use of generative AI such as ChatGPT has challenges and risks that must be addressed to maintain academic integrity and honesty and ensure its responsible utilisation. This study aims to identify whether it should be officially used or banned, identify the risks associated with its use, and explore methods of responsible use in the context of teaching and learning in a University environment. This research combines qualitative and quantitative methods or mixed methods by conducting semi-structured interviews with 11 interviewees using open questions and distributing online questionnaires to respondents. The results of the qualitative research were analysed using the thematic analysis method which then became a source of reference for developing a model of responsible use of ChatGPT. In the quantitative approach, a total of 251 valid respondent data were analysed using Partial Least Square Structural Equation Modeling (PLS-SEM) with the help of the SmartPLS 4 application. The results showed that the model of responsible use of ChatGPT was supported by various factors, including Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behaviour, and Facilitating Conditions for using ChatGPT in learning and teaching activities. This research contributes to providing guidelines for the responsible use of ChatGPT for learning and teaching activities in the University environment."

"ChatGPT merupakan model bahasa Generative Pre-trained Transformer yang dikembangkan oleh OpenAI dan dirilis pada tahun 2015 dan mulai marak digunakan dalam konteks pendidikan. Dalam penerapannya penggunaan generative AI seperti ChatGPT memiliki tantangan dan risiko yang harus diatasi untuk menjaga integritas dan kejujuran akademis serta memastikan pemanfaatannya yang bertanggung jawab. Studi ini bertujuan untuk mengidentifikasi apakah sebaiknya digunakan secara resmi atau melarang penggunananya, mengidentifikasi risiko terkait dengan penerapannya, serta mengeksplorasi metode penggunaan yang bertanggung jawab dalam konteks belajar mengajar di lingkungan Universitas. Penelitian ini menggabungkan metode kualitatif dan kuantitatif atau mixed method dengan melakukan wawancara semi terstruktur terhadap 11 narasumber menggunakan open question serta menyebarkan kuesioner secara daring kepada responden. Hasil penelitian kualitatif dianalisis menggunakan metode thematic analyisis yang kemudian menjadi sumber acuan pengembangan model penggunaan ChatGPT yang bertanggung jawab. Pada pendekatan kuantitatif, sebanyak 251 data responden valid dianalisis menggunakan Partial Least Square Structural Equation Modeling (PLS-SEM) dengan bantuan aplikasi SmartPLS 4. Hasil penelitian menunjukkan bahwa model penggunaan ChatGPT yang bertanggung jawab didukung oleh berbagai faktor, termasuk Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behavior, serta Facilitating Conditions penggunaan ChatGPT dalam kegiatan belajardanmengajar. Penelitian ini berkontribusi memberikan pedoman penggunaan ChatGPT yang bertanggung jawab untuk kegiatan belajar dan mengajar di lingkungan Universitas.

---

ChatGPT is a Generative Pre-trained Transformer language model developed by OpenAI and released in 2015 and is beginning to be widely used in educational contexts. In its application, the use of generative AI such as ChatGPT has challenges and risks that must be addressed to maintain academic integrity and honesty and ensure its responsible utilisation. This study aims to identify whether it should be officially used or banned, identify the risks associated with its use, and explore methods of responsible use in the context of teaching and learning in a University environment. This research combines qualitative and quantitative methods or mixed methods by conducting semi-structured interviews with 11 interviewees using open questions and distributing online questionnaires to respondents. The results of the qualitative research were analysed using the thematic analysis method which then became a source of reference for developing a model of responsible use of ChatGPT. In the quantitative approach, a total of 251 valid respondent data were analysed using Partial Least Square Structural Equation Modeling (PLS-SEM) with the help of the SmartPLS 4 application. The results showed that the model of responsible use of ChatGPT was supported by various factors, including Ability, Ascription of Responsibility, Personal Norm, Benefit, Intention, Behaviour, and Facilitating Conditions for using ChatGPT in learning and teaching activities. This research contributes to providing guidelines for the responsible use of ChatGPT for learning and teaching activities in the University environment."

"Tidak dapat dipungkiri bahwa teknologi semakin berkembang dan inovasi baru terus bermunculan. ChatGPT merupakan salah satunya; dan menjadi buah bibir di awal tahun 2023. Teknologi ini dapat melayani aktivitas tanya-jawab yang membuat pengguna dapat merasa telah melakukan percakapan dengan manusia lainnya, alih-alih dengan mesin. Kemampuan ChatGPT bersumber dari model GPT yang digunakannya. Selaku large language model, GPT dapat memproses banyak teks untuk memproduksi teks lainnya. Walaupun secara umum dapat memberikan jawaban yang memadai, saat berurusan dengan domain yang spesifik, misalnya legal, ChatGPT memberikan jawaban yang kurang memuaskan. Penelitian ini dilakukan untuk mengatasi hal tersebut dengan menyisipkan konteks atau kepingan informasi yang spesifik kepada model melalui suatu prompt (in-context learning). Karena domain legal menjadi fokus penelitian ini, maka teks yang akan diproses berasal dari dokumen peraturan perundang-undangan. Penelitian ini diawali dengan preliminary research, sehingga diidentifikasi permasalahan yang telah dijabarkan. Kemudian, dilanjutkan dengan perancangan serta pengembangan dua sistem tanya-jawab yang menggunakan dua framework LlamaIndex dan LangChain. Sebelum mengembangkan sistem, peneliti mempersiapkan terlebih dahulu data/teks yang perlu diekstrak dari dokumen peraturan perundang-undangan. Pengembangan sistem dilakukan secara iteratif dan evaluasi diadakan pada setiap iterasi. Evaluasi dilakukan secara kualitatif dengan menggunakan human judgement serta secara kualitatif dengan menggunakan metrik ROUGE dan SAS. Hasil akhir evaluasi menunjukkan bahwa kedua sistem tersebut baik dalam menjawab pertanyaan terkait definisi dan substansi pada domain legal. Selain itu, dilakukan juga perbandingan hasil evaluasi terhadap ChatGPT dan ditemukan bahwa kedua sistem unggul. Penelitian ini telah menunjukkan bahwa teknologi GPT dapat dimanfaatkan pada domain spesifik, yaitu legal, melalui kedua sistem yang dibuat.

---

It cannot be denied that technology is constantly advancing and new innovations continue to emerge. ChatGPT is one of them and has become the talk of the town in early 2023. This technology can facilitate question-and-answer interactions that make users feel like they are having a conversation with another human rather than a machine. This capability of ChatGPT is derived from the GPT model it uses. As a large language model, GPT can process a large amount of text to generate new text. Although it generally provides adequate answers, when dealing with specific domains such as legal matters, ChatGPT may give unsatisfactory responses. This research was conducted to overcome this issue by incorporating specific context or pieces of information into the model through a prompt (in-context learning). As the legal domain is the focus of this research, the text to be processed are Indonesian legal regulatory documents. The research begins with preliminary research. It is then followed by the design and development of two question-and-answer systems using two frameworks: LlamaIndex and LangChain. Before developing the systems, the researcher first prepares the data/text that needs to be extracted from the legal documents. The system development is carried out iteratively and evaluations are conducted at each iteration. The evaluations are performed qualitatively using human judgment and quantitatively using ROUGE and SAS metrics. The final evaluation results indicate that both systems perform well in answering questions related to definitions and substance in the legal domain. Additionally, a comparison of the evaluation results with ChatGPT shows that both systems outperform it. This research has demonstrated that GPT technology can be utilized in specific domains, namely legal, through the two developed systems."

"Retinopati hipertensi merupakan penyakit yang timbul pada retina akibat komplikasi dari hipertensi atau tekanan darah tinggi. Pemeriksaan gejala retinopati hipertensi penting untuk dilakukan supaya penanganan yang tepat dapat diberikan. Gejala retinopati hipertensi terdapat pada pembuluh darah di retina sehingga diagnosis dapat dilakukan melalui citra fundus retina. Penelitian ini memanfaatkan model Data-Efficient Image Transformer (DeiT) untuk mengklasifikasikan citra fundus retina menjadi dua kelas, yaitu kelas retinopati hipertensi dan kelas normal. Data yang digunakan dalam penelitian ini diperoleh dari empat database open-source, yaitu DRIVE, JSIEC, ODIR, dan STARE. Preprocessing berupa resize dan Contrast Limited Adaptive Histogram Equalization (CLAHE) diterapkan untuk menyeragamkan ukuran citra dan meningkatkan kontras citra. Generative Adversarial Network (GAN) digunakan untuk menghasilkan citra sintetis guna mengatasi masalah keterbatasan jumlah data serta meningkatkan variasi data yang dapat dipelajari oleh model DeiT. Penelitian ini menganalisis pengaruh metode GAN terhadap kinerja model DeiT dengan menggunakan metrik evaluasi accuracy, sensitivity, dan specificity. Analisis dilakukan dengan membandingkan tiga skenario: skenario A menggunakan data asli, skenario B menggunakan data hasil augmentasi GAN, dan skenario C menggunakan preprocessing CLAHE dan data hasil augmentasi GAN. Skenario A menunjukkan kinerja yang cukup baik dengan nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 94%, 97,7%, dan 84,6% untuk rasio pembagian data 70:30, serta 95,7%, 97%, dan 92,8% untuk rasio pembagian data 80:20. Skenario B mengungguli skenario sebelumnya dengan nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 96,4%, 97,2%, dan 95,7% untuk rasio pembagian data 70:30, serta 97,5%, 97,9%, dan 97,1% untuk rasio pembagian data 80:20. Pada skenario C, diperoleh nilai rata-rata accuracy, sensitivitiy, dan specificity sebesar 95,7%, 95%, dan 96,2% untuk rasio pembagian data 70:30, serta 95,5%, 94,9%, dan 96,4% untuk rasio pembagian data 80:20. Hasil penelitian menunjukkan bahwa penerapan metode GAN berhasil meningkatkan kinerja model DeiT, khususnya pada nilai specificity. Dari ketiga skenario yang diuji, skenario B yang memanfaatkan data sintetis hasil augmentasi GAN tanpa preprocessing CLAHE memberikan hasil yang paling unggul.

---

Hypertensive retinopathy is a disease that occurs in the retina due to complications from hypertension or high blood pressure. Examination of hypertensive retinopathy symptoms is important to ensure appropriate treatment can be performed. The symptoms of hypertensive retinopathy are found in the blood vessels of the retina, allowing diagnosis to be performed through retinal fundus images. This study uses the Data-Efficient Image Transformer (DeiT) model to classify retinal fundus images into two classes: hypertensive retinopathy and normal. The data used in this study were obtained from four different open-source databases: DRIVE, JSIEC, ODIR, and STARE. Preprocessing in the form of resizing and Contrast Limited Adaptive Histogram Equalization (CLAHE) was applied to standardize the image size and enhance the image contrast. Generative Adversarial Network (GAN) was used to generate synthetic images to address the problem of limited data availability and increase the variety of data that can be learned by the DeiT model. This study analyzes the impact of the GAN method on the performance of the DeiT model using evaluation metrics of accuracy, sensitivity, and specificity. The analysis was conducted by comparing three scenarios: scenario A using the original data, scenario B using GAN-augmented data, and scenario C using CLAHE preprocessing and GAN-augmented data. Scenario A showed fairly good performance with average accuracy, sensitivity, and specificity values of 94%, 97.7%, and 84.6% for a 70:30 data split ratio, and 95.7%, 97%, and 92.8% for an 80:20 data split ratio. Scenario B outperformed the previous scenario with average accuracy, sensitivity, and specificity values of 96.4%, 97.2%, and 95.7% for a 70:30 data split ratio, and 97.5%, 97.9%, and 97.1% for an 80:20 data split ratio. In scenario C, the average accuracy, sensitivity, and specificity values were 95.7%, 95%, and 96.2% for a 70:30 data split ratio, and 95.5%, 94.9%, and 96.4% for an 80:20 data split ratio. The results of the study indicate that the application of the GAN method successfully improved the performance of the DeiT model, particularly in terms of specificity. Out of the three scenarios tested, scenario B, which utilized GAN-augmented synthetic data without CLAHE preprocessing, yielded the best results."

"Penilaian citra embrio manusia memiliki peran yang penting dalam proses Fertilisasi In Vitro (FIV) atau yang dikenal juga sebagai proses bayi tabung. Penilaian citra embrio ini dilakukan secara manual oleh ahli embriologi. Hal ini tentunya membutuhkan waktu yang lama dan konsentrasi yang tinggi dari ahli embriologi sehingga perlu ada sistem yang dapat membantu ahli embriologi dalam melakukan penilaian dengan lebih efisien. Salah satu waktu penilaian embrio yang paling penting yaitu ketika embrio berusia lima hari, dimana ini merupakan tahap penilaian akhir sebelum proses implantasi ke rahim. Penilaian embrio pada hari kelima didasarkan pada tiga aspek yaitu derajat ekspansi, Inner Cell Mass, dan Trophoectoderm, yang menjadi tantangan tersendiri dalam penelitian di bidang ini. Permasalahan lain yang muncul yaitu ketersediaan data yang terbatas dan ketidakseimbangan proporsi kelas atau target pada dataset. Penelitian ini mengusulkan penggunaan augmentasi data berbasis Generative Adversarial Network seperti VanillaGAN, InfoGAN, DCGAN, dan Adversarial Autoencoder sehagai solusi permasalahan ketidakseimbangan data. Penelitian ini juga mengembangkan model klasifikasi berbasis Convolutional Neural Network sebagai klasifikator untuk menilai citra embrio. Penelititan ini menggunakan 10-fold cross validation untuk mengukur kinerja model. Untuk kategori derajat ekspansi, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Untuk kategori Inner Cell Mass, penelitian ini memperoleh hasil terbaik dengan model Convolutional Neural Network yang dikombinasikan dengan VanillaGAN sebagai augmentasi data dengan nilai f1-score sebesar 0.92. Serta untuk kategori Trophoectoderm, model Convolutional Neural Network yang dikombinasikan dengan Adversarial Autoencoder memperoleh hasil terbaik dengan nilai f1-score sebesar 0.89.

---

Assessment of human embryo images has an important role in the process of In Vitro Fertilization (IVF). Evaluation of this embryo image is done manually by the embryologist. This requires a long time and high concentration of embryologists, so it is necessary to create a system that can assist embryologists in making assessments more efficiently. One of the most important parts of human embryo assessment is the embryo on the fifth day after fertilization. Evaluation of embryos on the fifth day is based on three aspects, namely the degree of expansion, Inner Cell Mass, and Trophoectoderm, which is a particular challenge in research in this field. Another problem for this case is the limited availability of data and an imbalanced dataset. This study proposes the use of Generative Adversarial Network-based for data augmentation such as VanillaGAN, InfoGAN, DCGAN, and Adversarial Autoencoder as a solution to imbalanced data problems. This study also developed a classification model based on the Convolutional Neural Network as a classifier for assessing embryo images. This research uses 10-fold cross validation to measure model performance. This study obtained the best results for the degree of expansion category with the Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.92. This study obtained the best results for the Inner Cell Mass category with the Convolutional Neural Network model combined with VanillaGAN as a data augmentation with an f1-score of 0.92. The best result for Trophoectoderm category is Convolutional Neural Network model combined with the Adversarial Autoencoder as a data augmentation with an f1-score of 0.89."

"Age-related macular degeneration (AMD) adalah penyakit degeneratif pada makula yang menyebabkan gangguan penglihatan sentral pada orang lanjut usia. Secara global, orang yang didiagnosis mengalami AMD mencapai 170 juta orang. Pada 2018, AMD menjadi penyebab kebutaan terbesar ketiga di Indonesia, setelah katarak dan gangguan refraksi. Salah satu pendekatan teknologi dalam bidang kedokteran adalah menggunakan sains data dan deep learning untuk mendeteksi dan mendiagnosis penyakit mata. Salah satu metode deep learning yang paling efektif untuk memahami data berbasis citra adalah Convolutionl Neural Network (CNN). Di antara arsitektur CNN yang dikembangkan, arsitektur EfficientNet merupakan salah satu yang paling efektif untuk mencapai akurasi terbaik pada tugas klasifikasi gambar serta efisien secara komputasional. Data yang digunakan dalam penelitian ini adalah data citra fundus retina yang bersumber dari empat open source database. Terdapat dua kelas yang akan diklasifikasi yaitu Normal dan AMD. Dengan penggabungan beberapa dataset muncul beberapa masalah yaitu terdapat perbedaan dimensi dan kontras pada citra. Sebelum dataset digunakan untuk melatih model, dilakukan preprocessing dengan centered crop, resize, dan Contrast Limited Adaptive Histogram Equalization (CLAHE). Masalah lain yang muncul adalah ukuran dataset yang kecil karena sulitnya mendapatkan data medis pasien. Salah satu metode yang dapat menjadi solusi adalah Generative Adversarial Network (GAN) yang digunakan untuk menghasilkan data citra sintetis. Penelitian ini diajukan untuk menerapkan metode GAN guna meningkatkan kinerja model EfficientNet dalam mendeteksi AMD. Untuk melakukan hal tersebut dibuat tiga skenario untuk membandingkan kinerja EfficientNet. Skenario A yaitu melakukan klasifikasi dengan dataset asli, tanpa preprocessing CLAHE dan tanpa augmentasi GAN. Skenario B melakukan klasifikasi dengan dataset yang sudah diaugmentasi dengan GAN. Sedangkan, skenario C melakukan klasifikasi dengan dataset yang diaugmentasi dengan GAN dan melalui preprocessing CLAHE. Metrik evaluasi yang digunakan untuk mengukukur kinerja adalah akurasi, sensitivity, dan specifity. Pada skenario A dengan rasio splitting data 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 89,01% dan 88,52%. Sedangkan, pada skenario B dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 87,10% dan 89,86%. Pada Skenario C dengan rasio 70:15:15 dan 80:10:10 didapat rata-rata akurasi sebesar 88,97% dan 91,27%. Skenario terbaik adalah skenario C dengan rasio 80:10:10 dengan nilai akurasi tertinggi 92,96%, sensitivity tertinggi mencapai 93,55%, dan specifity tertinggi mencapai 95,00%.

---

Age-related macular degeneration (AMD) is a degenerative disease of the macula that causes central vision impairment in the elderly. Globally, the number of people diagnosed with AMD reaches 170 million. In 2018, AMD became the third leading cause of blindness in Indonesia, following cataracts and refractive errors. One technological approach in the field of medicine is utilizing data science and deep learning to detect and diagnose eye diseases. One of the most effective deep learning methods for understanding image-based data is the Convolutional Neural Network (CNN). Among the developed CNN architectures, EfficientNet is one of the most effective in achieving the best accuracy in image classification tasks while being computationally efficient. The data used in this research consists of fundus retinal images sourced from four open source databases. There are two classes: Normal and AMD. Combining multiple datasets presents several issues, such as differences in image dimensions and contrast. Before the dataset is used to train the model, preprocessing is conducted using centered crop, resize, and Contrast Limited Adaptive Histogram Equalization (CLAHE). Another emerging issue is the small dataset size due to the difficulty of obtaining patient medical data. One method that can provide a solution is the Generative Adversarial Network (GAN), which is used to generate synthetic image data. This study proposes to implement GAN to enhance the performance of the EfficientNet model in detecting AMD. To achieve this, three scenarios were created to compare the performance of EfficientNet. Scenario A involves classification with the original dataset, without CLAHE preprocessing and without GAN augmentation. Scenario B involves classification with the dataset augmented by GAN. Scenario C involves classification with the dataset augmented by GAN and processed through CLAHE preprocessing. The evaluation metrics used to measure performance are accuracy, sensitivity, and specificity. In Scenario A, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 89.01% and 88.52%, respectively. In Scenario B, with the same data splitting ratios, the average accuracy obtained was 87.10% and 89.86%, respectively. In Scenario C, with data splitting ratios of 70:15:15 and 80:10:10, the average accuracy obtained was 88.97% and 91.27%, respectively. The best scenario is Scenario C with a ratio of 80:10:10, achieving the highest accuracy of 92.96%, the highest sensitivity of 93.55%, and the highest specificity of 95.00%."

"Dalam sistem industri modern, dengan majunya teknologi Internet of Things (IoT), pelaku industri dapat merekam data mesin dan sistem untuk kemudian dianalisa secara lebih komprehensif. Salah satu bentuk analisa yang dapat dilakukan adalah mendeteksi apakah ada anomali dari mesin atau sistem tsb. Aktivitas ini kemudian menjadi krusial bagi pelaku industri karena berdasarkan analisa ini, jika ditemukan anomali, maka secara dini dapat diambil tindakan yang diperlukan untuk melakukan pemeliharaan. Tetapi, sangat umum bagi pelaku industri tidak memiliki atau kekurangan data anomali, terutama pada sistem yang baru beroperasi. Dalam tesis ini, kami mengembangkan sebuah model untuk mendeteksi anomali pada data yang tidak berimbang dari sistem Secure Water Treatment (SWaT). Performa dari model ini kemudian dibandingkan dengan metode lain dari riset sebelumnya, mendemonstrasikan peningkatan dalam kapabilitas mendeteksi anomali.

---

In modern industrial systems, particularly with the advancement of the Internet of Things (IoT), industry players can record machine and system data for comprehensive analysis. One such analysis involves detecting anomalies in machines or systems. This activity becomes crucial because, if an anomaly is found in the data, corrective actions can be taken promptly. However, it is common for manufacturers to lack recorded anomaly datasets, especially for newly operational systems. In this paper, we develop a model to detect anomalies in an imbalanced dataset from the Secure Water Treatment (SWaT) system. The performance of the proposed model is compared with previous works, demonstrating significant improvements in anomaly detection capabilities."

"Dalam rumusan pola pengembangan perpustakaan perguruan tinggi dikatakan bahwa fungsi utama perguruan tinggi di Indonesia adalah mendukung dan memperkaya program pendidikan, pengajaran, penelitian dan pengabdian masyarakat dari perguruan tinggi tempat ia bernaung. Disebutkan lebih lanjut bahwa agar fungsi tersebut dapat dipenuhi, maka tugas perpustakaan adalah melaksanakan pemilihan bahan pustaka yang sesuai dengna kebutuhan para pemakai perpustakaan yaitu mahasiswa atau penelitiserta pihak lainnya yang membutuhkan informasi, mengolah bahan pustakayang tersedia sehingga dengan mudah dapat dipergunakan oleh pemakai, menyelenggarakan peminjaman bahan pustaka dengan cara yang efisien, membantu para pemakai perpustakaan untuk mendapatkan dan memakai bahan pustaka yang diperlukannya baik dalam bentuk program bimbingan penggunaan perpustakaan yang bersifat resmi/kurikuler maupun secara perseorangan, Menyelenggarakan kerjasama antar perpustakaan dengan memanfaatan system jaringan informasi yang ada dalam rangka meluaskan cakupan koleksi dan pelayanan informasi masing-masing perpustakaan."

"Segmentasi dokumen merupakan suatu proses untuk membagi dokumen menjadi bagian-bagian yang homogen atau memiliki keterkaitan yang tinggi. Pada tugas akhir ini digunakan genetic algorithm sebagai metode untuk melakukan segmentasi dokumen. Genetic algorithm merupakan suatu algoritma pencarian solusi terhadap permasalahan dengan search space yang besar dengan menggunakan pendekatan evolusi.Penelitian tentang segmentasi dokumen menggunakan genetic algorithm telah dilakukan oleh Lamprier (Lamprier et al., 2007) terhadap dokumen bahasa Inggris dengan hasil yang memuaskan. Pada penelitian yang dilakukan Lamprier, proses segmentasi dilakukan dengan mengoptimisasi 2 fungsi objektif yaitu internal cohesion dan dissimilarity. Data yang digunakan pada percobaan ini terdiri dari dokumen artikel media massa Indonesia dan abstrak tulisan ilmiah dari Fakultas Ilmu Komputer Universitas Indonesia.Percobaan ini dilakukan dan dianalisa dari beberapa aspek yaitu aspek fitness function, metode penghitungan similarity, jumlah iterasi, ukuran populasi, jumlah segmen, dan kemiripan antar dokumen penyusun. Selain itu dilakukan pula perbandingan hasil segmentasi antara metode genetic algorithm dengan metode Texttiling.Hasil percobaan yang didapat adalah segmentasi dokumen menggunakan genetic algorithm dengan fitness function SPEA 2, metode penghitungan similarity menggunakan dice coefficient, jumlah iterasi 1000 iterasi, ukuran populasi 50 individu, tipe crossover two point crossover, dan probabilitas mutasi 0.09 memberikan hasil segmentasi terbaik. Pada percobaan untuk membandingkan 2 metode segmentasi yaitu genetic algorithm dan Texttiling diperoleh hasil precision 0.081 dan recall 0.46 untuk metode genetic algorithm dan precision 0.12 dan recall 0.58 untuk metode Texttiling.Dari data hasil percobaan diperoleh kesimpulan bahwa hasil segmentasi dengan metode Texttiling lebih baik daripada hasil segmentasi dengan metode genetic algorithm. Hasil ini bertolak belakang dengan apa yang dilaporakan pada penelitian yang dilakukan Lamprier (Lamprier et al., 2007), hal tersebut dipengaruhi oleh data dan penggunaan genetic operator yang lebih kompleks.

---

Document segmentation is a process to segments text into thematic homogeneous parts. The segmenting process uses genetic algorithm as a method to segment the text. Genetic algorithm is a searching algorithm for problem involving large search space by using evolution approach.Research about document segmentation has been done by Lamprier (Lamprier et al., 2007) for English document and show satisfied results. The segmentation in Lamprier?s research uses internal cohesion and dissimilarity as objective function to be optimized. This experiments use Indonesian mass media articles and abstracts of scientific paper from Lontar System of Faculty of Computer Science University of Indonesia.Experiments have been done and analyzed towards several aspects such as fitness function, similarity calculating method, number of iteration, number of population, number of boundary, and similarity between appended documents. Furthermore the experiment to compare genetic algorithm and other segmentation method (Texttiling) is done in the last experiment.The experiments shows that genetic algorithm using SPEA 2 as fitness function, dice coefficient as similarity calculating method, 1000 iteration, 50 individuals in population, two point crossover, and 0.09 mutation probability gives the best result. When comparing segmentation method between genetic algorithm and Texttiling, genetic algorithm gives precision 0.081 and recall 0.46 in other hand Texttiling gives precision 0.12 and recall 0.58.The results show that Texttiling gives better segmentation than genetic algorithm, this conclusion is diffrent with the conclusion reported by Lamprier?s research (Lamprier et al., 2007). The diffrent is related with data and genetic operator used by Lamprier?s research."