Hasil Pencarian  ::  Simpan CSV :: Kembali

"COVID-19 merupakan penyakit pernapasan seperti pneumonia yang mengakibatkan kematian pada jutaan orang setiap harinya. Januari 2020, "Organisasi Kesehatan Dunia" WHO menyatakan COVID-19 sebagai wabah penyakit virus yang menjadi perhatian internasional sebagai darurat kesehatan masyarakat yang menjadi perhatian internasional, dikenal sebagai pandemi dunia. Dilaporkan dari 205 negara di seluruh dunia, pada 1 April 2020, penularan virus COVID-19 sekitar ada lebih dari 900000 kasus COVID-19 yang dikonfirmasi dan hampir 50000 kematian. Berdasarkan laporan WHO, angka kematian 2-3% orang karena virus. Sangat penting untuk melakukan tes diagnostik sejak dini stadium berdasarkan kriteria sebagai gejala klinis, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR), sehingga dapat segera mengisolasi orang yang terinfeksi. Mendiagnosis penyakit virus COVID-19 dengan pencitraan yang lebih efektif menggunakan citra CT dada. Model DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, dan VGG19 untuk memeriksa keakuratannya dalam pengenalan gambar. Untuk menganalisis kinerja model, 1888 sampel dari gambar CT paru-paru dikumpulkan dari situs resmi Kaggle. Model penggabungan (concatenate) pada arsitektur CNN yang telah terlatih seperti penggabungan (concatenate) antara ResNet152V2 dengan VGG19 memiliki accuracy sebesar 99,65%, sensitivity sebesar 99,66%, precision sebesar 99,66%, recall sebesar 99,66%, specificity sebesar 99,64%, dan skor F-measure sebesar 99,66%; gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 99,64%, precision sebesar 99,64%, recall sebesar 99,64%, specificity sebesar 99,66%, dan F-measure sebesar 99,64%; serta gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,001 maupun gabungan InceptionV3 dan Xception saat batchsize 32 dan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 100%, precision sebesar 99,28%, recall sebesar 100%, specificity sebesar 99,31%, dan F-measure sebesar 99,64%.

---

COVID-19 is a respiratory disease like pneumonia that kills millions of people every day. January 2020, the WHO "World Health Organization" declared COVID-19 as a viral outbreak of international concern as a public health emergency of international concern, known as a world pandemic. Reported from 205 countries around the world, as of April 1, 2020, the transmission of the COVID-19 virus was around more than 900000 confirmed cases of COVID-19 and nearly 50000 deaths. Based on the WHO report, the death rate of 2-3% of people is due to the virus. To isolate the infected person immediately, it is very important to carry out a diagnostic test early based on the criteria as a clinical symptom, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR). Diagnosing COVID-19 viral disease with more effective imaging using chest CT images. DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, and VGG19 models for accuracy in image recognition. To analyze the model's performance, 1888 samples of CT images of the lungs were collected from the official Kaggle website. The concatenate model on the CNN architecture that has occurred, such as the concatenate between ResNet152V2 and VGG19, has an accuracy of 99.65%, sensitivity of 99.66%, the precision of 99.66%, recall of 99.66%, specificity by 99.64%, and the F-measure score of 99.66%; the combination of DenseNet201 and MobileNet was obtained when batch size 32 and 64 with a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 99.64%, the precision of 99.64%, recall of 99.64%, specificity of 99.66 %, and F-measure of 99.64%; and the combination of DenseNet201 and MobileNet obtained at batch size 32 and 64 with a learning rate of 0.001 or a combination of InceptionV3 and Xception at batch size 32 and a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 100%, precision of 99.28%, recall of 100%, specificity of 99.31%, and F-measure of 99.64%."

"Penelitian ini mengeksplorasi optimasi model pembelajaran mesin untuk implementasi pada perangkat edge, dengan studi kasus Human Activity Recognition (HAR). Fokus utama adalah teknik optimasi model untuk meningkatkan efisiensi komputasi dan penggunaan sumber daya pada perangkat dengan keterbatasan, khususnya ESP32 dan ESP32-S3.Lima arsitektur model diuji sebagai basis evaluasi: Shallow Network, Deep Network, Gated Recurrent Unit (GRU), 1D Convolutional Neural Network (1DCNN), dan Long Short-Term Memory-Convolutional Neural Network (LSTM-CNN). Penelitian menerapkan kombinasi teknik pruning dan kuantisasi untuk mengoptimalkan model-model tersebut.Hasil menunjukkan bahwa teknik optimasi dapat mengurangi ukuran model hingga 90,43% dengan penurunan akurasi minimal. Evaluasi pada ESP32 dan ESP32-S3 mengungkapkan peningkatan kinerja yang signifikan setelah optimasi, dengan peningkatan throughput mencapai 592,09% pada ESP32-S3 yang dilengkapi fitur SIMD. Analisis menggunakan Analytical Hierarchy Process (AHP) mengidentifikasi model 1DCNN teroptimasi sebagai solusi paling seimbang, dengan ukuran 0,18 MB, latency 17,06 ms, dan akurasi 89,56%. Penelitian ini memberikan kerangka kerja sistematis untuk optimasi model pembelajaran mesin pada perangkat edge, serta pemahaman mendalam tentang trade-off antara efisiensi komputasi dan akurasi model.

---

This research explores machine learning model optimization for edge device implementation, using Human Activity Recognition (HAR) as a case study. The primary focus is on model optimization techniques to enhance computational efficiency and resource utilization on constrained devices, specifically ESP32 and ESP32-S3.Five model architectures were tested as evaluation bases: Shallow Network, Deep Network, Gated Recurrent Unit (GRU), 1D Convolutional Neural Network (1DCNN), and Long Short-Term Memory-Convolutional Neural Network (LSTM-CNN). The research applies a combination of pruning and quantization techniques to optimize these models.Results show that optimization techniques can reduce model size by up to 90.43% with minimal accuracy loss. Evaluation on ESP32 and ESP32-S3 reveals significant performance improvements after optimization, with throughput increases reaching 592.09% on the SIMD-equipped ESP32-S3. Analysis using the Analytical Hierarchy Process (AHP) identifies the optimized 1DCNN model as the most balanced solution, with a size of 0.18 MB, latency of 17.06 ms, and accuracy of 89.56%. This research provides a systematic framework for machine learning model optimization on edge devices, as well as deep insights into the trade-offs between computational efficiency and model accuracy."

"

Sebagai negara hukum, Indonesia memiliki sistem peradilan yang aktif. Setiap bulannya, terdapat sekitar 100.000 dokumen putusan yang dihasilkan oleh lembaga kehakiman di Indonesia. Volume dokumen yang banyak tersebut menimbulkan suatu tantangan bagi insan hukum di Indonesia. Guna mendukung dan mengakomodasi institusi publik dari aspek teknologi dan informasi, serta mendorong pelaksanaan keterbukaan informasi bagi masyarakat umum, maka dibutuhkan suatu metode yang dapat membantu untuk mencari dan mengumpulkan informasi penting dari suatu dokumen putusan pengadilan. Secara khusus, metode ini juga ditujukan untuk membantu para praktisi hukum untuk kepentingan penegakan hukum dan para akademisi hukum untuk kepentingan pendidikan dan pengembangan di bidang hukum. Salah satu teknik untuk mengumpulkan informasi penting dari suatu dokumen adalah Named Entity Recognition (NER). Teknik NER bekerja dengan cara menandai kata-kata yang merupakan informasi penting seperti orang, tempat, lokasi, waktu, kejadian, dan lainnya. NER dapat diterapkan untuk berbagai bidang permasalahan, seperti medis, hukum, dan pertanian. NER yang secara spesifik bekerja untuk menandai entitas hukum disebut dengan Legal Entity Recognition (LER). Penelitian sebelumnya telah menerapkan LER untuk dokumen legal berbahasa Indonesia dengan pendekatan BiLSTM dan CRF sehingga diperlukan penelitian lebih lanjut untuk mengetahui bagaimana performa model-model lain terhadap kasus tersebut. Penelitian ini menguji performa language model, yaitu model berbasis RoBERTa dan model berbasis BERT serta membandingkannya dengan deep learning model, yaitu BiLSTM dan BiLSTM-CRF sebagai model baseline penelitian sebelumnya untuk task LER bahasa indonesia. Hasil penelitian menunjukkan model berbasis RoBERTa memliki performa terbaik untuk task LER pada dataset penulis, XLM-R large dengan skor F1 sebesar 0,9295, XLM-R base dengan skor F1 sebesar 0,9281 dan Indonesian RoBERTa dengan skor F1 sebesar 0,9246.

---

As a rule of law country, Indonesia has an active justice system. Every month, there are around 100,000 decision documents produced by the judiciary in Indonesia. The large volume of documents poses a challenge for legal people in Indonesia. In order to support and accommodate public institutions from the aspects of technology and information, as well as encourage the implementation of information disclosure for the general public, a method is needed that can help find and collect important information from a court decision document. In particular, this method is also intended to assist legal practitioners for the benefit of law enforcement and legal academics for the benefit of education and development in the field of law. One technique for collecting important information from a document is Named Entity Recognition (NER). The NER technique works by marking words that are important information such as people, places, locations, times, events, and so on. NER can be applied to various problem areas, such as medical, legal, and agriculture. NER which specifically works to mark legal entities is called Legal Entity Recognition (LER). Previous studies have applied LER to legal documents in Indonesian using the BiLSTM and CRF approaches, so further research is needed to find out how other models perform in this case. This study examines the performance of language models, namely the RoBERTa-based model and the BERT-based model and compares them with deep learning models, namely BiLSTM and BiLSTM-CRF as the baseline models for previous studies for the Indonesian language LER task. The results showed that the RoBERTa-based model had the best performance for the LER task in the author’s dataset, XLM-R large with an F1 score of 0.9295, XLM-R base with an F1 score of 0.9281 and Indonesian RoBERTa with an F1 score of 0.9246.

"

"

Sebagai negara hukum, Indonesia memiliki sistem peradilan yang aktif. Setiap bulannya, terdapat sekitar 100.000 dokumen putusan yang dihasilkan oleh lembaga kehakiman di Indonesia. Volume dokumen yang banyak tersebut menimbulkan suatu tantangan bagi insan hukum di Indonesia. Guna mendukung dan mengakomodasi institusi publik dari aspek teknologi dan informasi, serta mendorong pelaksanaan keterbukaan informasi bagi masyarakat umum, maka dibutuhkan suatu metode yang dapat membantu untuk mencari dan mengumpulkan informasi penting dari suatu dokumen putusan pengadilan. Secara khusus, metode ini juga ditujukan untuk membantu para praktisi hukum untuk kepentingan penegakan hukum dan para akademisi hukum untuk kepentingan pendidikan dan pengembangan di bidang hukum. Salah satu teknik untuk mengumpulkan informasi penting dari suatu dokumen adalah Named Entity Recognition (NER). Teknik NER bekerja dengan cara menandai kata-kata yang merupakan informasi penting seperti orang, tempat, lokasi, waktu, kejadian, dan lainnya. NER dapat diterapkan untuk berbagai bidang permasalahan, seperti medis, hukum, dan pertanian. NER yang secara spesifik bekerja untuk menandai entitas hukum disebut dengan Legal Entity Recognition (LER). Penelitian sebelumnya telah menerapkan LER untuk dokumen legal berbahasa Indonesia dengan pendekatan BiLSTM dan CRF sehingga diperlukan penelitian lebih lanjut untuk mengetahui bagaimana performa model-model lain terhadap kasus tersebut. Penelitian ini menguji performa language model, yaitu model berbasis RoBERTa dan model berbasis BERT serta membandingkannya dengan deep learning model, yaitu BiLSTM dan BiLSTM-CRF sebagai model baseline penelitian sebelumnya untuk task LER bahasa indonesia. Hasil penelitian menunjukkan model berbasis RoBERTa memliki performa terbaik untuk task LER pada dataset penulis, XLM-R large dengan skor F1 sebesar 0,9295, XLM-R base dengan skor F1 sebesar 0,9281 dan Indonesian RoBERTa dengan skor F1 sebesar 0,9246.

---

As a rule of law country, Indonesia has an active justice system. Every month, there are around 100,000 decision documents produced by the judiciary in Indonesia. The large volume of documents poses a challenge for legal people in Indonesia. In order to support and accommodate public institutions from the aspects of technology and information, as well as encourage the implementation of information disclosure for the general public, a method is needed that can help find and collect important information from a court decision document. In particular, this method is also intended to assist legal practitioners for the benefit of law enforcement and legal academics for the benefit of education and development in the field of law. One technique for collecting important information from a document is Named Entity Recognition (NER). The NER technique works by marking words that are important information such as people, places, locations, times, events, and so on. NER can be applied to various problem areas, such as medical, legal, and agriculture. NER which specifically works to mark legal entities is called Legal Entity Recognition (LER). Previous studies have applied LER to legal documents in Indonesian using the BiLSTM and CRF approaches, so further research is needed to find out how other models perform in this case. This study examines the performance of language models, namely the RoBERTa-based model and the BERT-based model and compares them with deep learning models, namely BiLSTM and BiLSTM-CRF as the baseline models for previous studies for the Indonesian language LER task. The results showed that the RoBERTa-based model had the best performance for the LER task in the author’s dataset, XLM-R large with an F1 score of 0.9295, XLM-R base with an F1 score of 0.9281 and Indonesian RoBERTa with an F1 score of 0.9246.

 

"

"Arsitektur model deep learning kini sudah semakin kompleks setiap harinya. Namun semakin besar model maka dibutuhkan kekuatan komputasi yang cukup besar juga dalam menjalankan model. Sehingga tidak semua perangkat Internet of Things (IoT) dapat menjalankan model yang begitu besar secara efisien. Untuk itu teknik model optimization sangat diperlukan. Pada penelitian kali ini penulis menggunakan metode optimasi menggunakan layer weight regularization, serta penyederhanaan arsitektur model pada hybrid deep learning model. Dataset yang digunakan pada penelitian kali ini adalah N-BaIoT. Sementara evaluasi performa model yang digunakan adalah accuracy, confussion matrix, dan detection time. Dengan tingkat accuracy yang sama, model yang diusulkan berhasil meningkatkan waktu deteksi model lebih cepat 0,8 ms dibandingkan dengan model acuan.

---

The deep learning model architecture is getting more complex every day. However, the larger the model, the greater the computational power is needed to run the model. So not all Internet of Things (IoT) devices can run such a large model efficiently. For this reason, model optimization techniques are needed. In this study, the author uses an optimization method using layer weight regularization, as well as simplification of the model architecture on the hybrid deep learning model. The dataset used in this research is N-BaIoT. While the evaluation of the performance of the model used is accuracy, confusion matrix, and detection time. With the same level of accuracy, the proposed model succeeded in increasing the detection time of the model by 0.8 ms faster than the reference method."