Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
Penggunaan Kartu Tanda Penduduk (KTP) sebagai kartu identitas aplikasi sudah umum diimplementasikan, terutama pada sektor teknologi finansial (fintech) yang sudah banyak diadopsi masyarakat. Meskipun begitu, modul ekstraksi data dari KTP yang bersifat terbuka (open source) dan siap guna belum tersedia. Penelitian ini memiliki tujuan membuat modul tersebut, untuk penggunaan penelitian dan/atau membantu bisnis startup dengan memberikan opsi gratis perihal ekstrak data KTP pelanggan mereka. Penelitian ini juga dibuat dengan harapan dapat menggunakan penelitian sebelumnya sebagai pembelajaran dan referensi, dan memperbaiki kekurangan penelitian tersebut. Modul ini memiliki bentuk akhir docker image yang dapat digunakan langsung dengan utilisasi docker engine, dengan harapan proses kontainerisasi tersebut dapat mempermudah layanan - layanan yang menggunakan container orchestration seperti kubernetes, yang sangat umum digunakan e-commerce, untuk mengadopsi modul ini. Data dari gambar KTP akan melalui tahap preprocessing, pengenalan karakter, pengelompokan data, dan pembersihan data. Hasil eksperimen menggunakan 30 sampel KTP asli menunjukkan bahwa penggunaan masukan yang sudah ter crop lebih baik karena tingkat keberhasilan otomasi cropping hanya 43,3%. Selain itu, dari hasil bacaan pada sampel 75% berhasil terbaca dan dikelompokkan dengan tepat. Dari data yang sudah berhasil dibaca dan dikelompokan, 17% value dari data mengandung kesalahan. Dari kesalahan yang terjadi, 52.94% kesalahan berhasil dikoreksi oleh algoritma pembersihan data. Secara keseluruhan sistem berhasil membaca dengan tingkat keberhasilan 74,6% ......The use of Indonesian Citizen’s Identity Cards (KTP) as Identifiers in apps has been commonly implemented in apps, particularly those that work in the financial technology (fintech) sector, something that the masses have adopted to use in recent years. Despite this, an open (open source) and free module for Identity Card data extraction isn’t available for immediate use. This research aims to make such a module, with the intent to help research and/or small businesses and startups by giving them a solution in the form of a free and ready to use identity card data extraction module. This paper also aims to learn from past papers, and hopefully improve upon them on some aspects. This module will take the form of a docker image that can immediately be used as a standalone container with the use of docker engine. With this containerization approach, we hope that services using container orchestration such as kubernetes, a very commonly used platform used by e-commerces, will have an easier time adopting this module. Data from Identity Cards will go through several stages, including preprocessing, character recognition, data classification, and data cleaning. Experiments using 30 real life Identity Card samples resulted in cropped input being better since cropping automation only resulted in 43,3% success rate. The experiment also found that the reading and categorizing success rate are 75%.Out of all the categorized data, 17% of the values contained inaccuracies, 52.94% of which were successfully corrected by the cleaning algorithm. Overall, the system successfully extracted 74,6% of the data.

Abstrak :
Sistem Informasi Asisten (SI Asisten) merupakan aplikasi berbasis website milik Fakultas Ilmu Komputer Universitas Indonesia yang digunakan sebagai sarana sistem informasi pengelolaan asisten untuk memudahkan dosen dalam merekrut calon asisten dan memungkinkan mahasiswa untuk mendaftar sebagai asisten, serta merekam log aktivitas. Terdapat beberapa masalah pada SI Asisten, yaitu antarmuka yang kurang optimal dan kemunculan skenario diluar ekspektasi. Penelitian ini bertujuan mengidentifikasi masalah dari SI Asisten dan memberikan solusi berupa rancangan desain antarmuka alternatif dengan menggunakan pendekatan User-Centered Design (UCD) mengacu pada Nielsen's Ten Usability Heuristics. Pengumpulan data keluhan dan saran pengguna dilakukan melalui penyebaran kuesioner daring, Usability Testing (UT), dan penyebaran kuesioner System Usability Scale (SUS). Data tersebut dianalisis dan hasilnya akan menjadi dasar untuk merancang desain antarmuka alternatif berupa high-fidelity prototype. Desain antarmuka alternatif yang telah dirancang kemudian di evaluasi dengan UT dan SUS, hasil evaluasi dibandingkan dengan aplikasi saat ini. Dari perbandingan tersebut didapatkan peningkatan nilai SUS aplikasi saat ini yaitu 61,73 menjadi 90,77 untuk desain antarmuka alternatif. ......The Assistant Information System (SI Assistant) is a web-based application owned by the Faculty of Computer Science at the University of Indonesia. It is used as a means of assistant management information system to facilitate professors in recruiting assistant candidates and enable students to apply as assistants, as well as record activity logs. There are several issues with SI Assistant, including suboptimal interface and unexpected scenario occurrences. This research aims to identify the problems of SI Assistant and provide a solution in the form of an alternative interface design using the User-Centered Design (UCD) approach, referring to Nielsen's Ten Usability Heuristics. Complaint and suggestion data from users were collected through online questionnaires, Usability Testing (UT), and the distribution of the System Usability Scale (SUS) questionnaire. The data was analyzed, and the results served as a basis for designing an alternative interface design in the form of a high-fidelity prototype. The designed alternative interface was then evaluated using UT and SUS, and the evaluation results were compared with the current application. From this comparison, an improvement in the SUS score of the current application was obtained, increasing from 61.73 to 90.77 for the alternative interface design.

Abstrak :
Mempelajari bahasa isyarat bukanlah sesuatu yang mudah. Untuk membantu mempelajari bahasa isyarat, muncul penelitian mesin translasi gerakan isyarat menjadi teks yang dapat dibaca. Untuk penggunaan secara luas, terdapat mesin translasi gerakan isyarat menjadi teks memanfaatkan telepon pintar. Hasil teks yang dihasilkan oleh mesin translasi bergantung terhadap masukkan rangkaian gerakan isyarat. Masukkan ini dapat diperoleh melalui rekaman kamera telepon pintar. Ketika gerakan isyarat bergerak lebih cepat dibandingkan penangkapan bingkai oleh kamera, hasil rekaman menjadi kabur. Rekaman yang kabur akan membuat mesin translasi tidak dapat melakukan prediksi dengan baik. Salah satu solusi untuk mengurangi kabur pada gambar adalah dengan melakukan deblurring. Penelitian ini akan menggunakan metode DeblurGAN-v2 untuk mengurangi tingkat kabur pada bingkai dan menguji hasilnya pada mesin translasi gerakan isyarat SIBI ke teks. Mesin translasi gerakan isyarat SIBI ke teks memperoleh hasil teks yang cukup baik pada data berlatar belakang hijau. Hasil Nugraha dan Rakun (2022) memperoleh 2,986% WER (Word Error Rate), 83,434% SAcc (Sentence Accuracy), dan TC (Time Computation) menggunakan RetinaNet sebesar 0.038 detik per frame pada data berlatar belakang hijau. Hasil evaluasi juga menemukan kekurangan kualitas hasil prediksi dikarenakan masukkan bingkai yang kabur. Penelitian ini mencoba mengatasi masalah bingkai yang kabur dengan menggabungkan metode deblurring ke dalam sistem mesin translasi gerakan isyarat dan mengukur kinerja dengan WER, SAcc, dan TC. Terjadi penambahan TC akibat penambahan metode deblurring, dan untuk mengurangi TC, digunakan nilai ambang batas agar tidak semua bingkai di-deblur. Peneliti menemukan bahwa dengan menambahkan proses deblurring, terjadi peningkatan kinerja mesin translasi gerakan isyarat dari 2.37% WER dan 87.85% SAcc menjadi 1.95% WER dan 89.28% SAcc (tanpa ambang batas) dan 1.96% WER dan 89.28% SAcc (dengan ambang batas) pada data berlatar belakang hijau. Mesin translasi gerakan isyarat menjadi teks tanpa metode deblurring memerlukan TC 0.8036 detik per frame dan setelah menambahkan metode deblurring menjadi 0.8650 detik per frame (tanpa ambang batas) dan 0.8436 detik per frame (dengan ambang batas). ...... Learning sign language isn’t something easy to do. To help learning sign language, born machine sign language translation to text that can be read. For widely usage, there is a machine for translating gestures into text using a smartphone. Text result from machine translation depend on input sign language sequence frame. This input can be obtain from smartphone video recording. When sign language movement is faster than camera frame rate, recording result become blurry. Blurry record will make machine translation can’t make good prediction. One of the solution to reduce blur on the image is by doing deblurring. This research will use DeblurGAN-v2 as method to reduce image blurry rate on frame and test it on machine sign language SIBI translation to text. Machine sign language SIBI translation to text gain good text result on greenscreen background. Result Nugraha dan Rakun (2022) obtain 2,986% WER (Word Error Rate), 83,434% SAcc (Sentence Accuracy), and TC (Time Computation) using RetinaNet at 0.038 seconds per frame on background greenscreen data. Evaluation result also found a lack of of predictive quality due to blurred frame input. This research attempts to overcome the blurred frame problem by combining deblurring method to inside machine sign language translation system and measure performance with WER, SAcc, and TC. There is an addition of TC due to the addition of the deblurring method and to reduce TC, a threshold value is used so not all frames are deblurred. The researcher found that by adding deblurring process, there was an improvement on machine sign language translation from 2.37% WER and 87.85% SAcc to 1.95% WER and 89.28% SAcc (without threshold) and 1.96% WER and 89.28% SAcc (with threshold) on background greenscreen data. Machine for translating gestures into text without deblurring method need TC 0.8036 seconds per frame and after adding deblurring method become 0.8650 seconds per frame (without threshold) and 0.8436 seconds per frame (with threshold).

Abstrak :
Pada era globalisasi sekarang ini, teknologi merupakan salah satu sektor yang berkembang dengan sangat pesat. Kejadian ini memicu semua sektor industri untuk terus berlomba mengembangkan inovasi teknologi, demi mempertahankan eksistensinya kepada pengguna. Pihak PT Transportasi Jakarta dan PT Kereta Commuter Indonesia (KCI) sebagai salah satu penyelenggara transportasi publik mengeluarkan smartphone transit apps masing-masing bernama TiJe dan KRL Access. Kedua aplikasi ini memiliki penilaian dan ulasan dari pengguna yang cukup rendah. Motivasi tersebut mendorong penulis untuk melakukan penelitian untuk menghasilkan usulan desain antar muka pada aplikasi Tije dan KRL Access. Pada penelitian kali ini penulis menggunakan kedua aplikasi ini dengan alasan sebagai contoh aplikasi transit dari pihak pertama penyedia transportasi umum. Penelitian ini merupakan mixed methods research di mana akan menggunakan data kuantitatif dan kualitatif dalam melakukan analisis data. Pendekatan desain yang digunakan adalah Human-Centered Design (HCD). Melalui pendekatan ini didapatkan rancangan desain purwarupa pada platform iOS. Rancangan desain tersebut selanjutnya akan diuji usabilitasnya menggunakan pendekatan remote usability testing. Hasil evaluasi kuantitatif yang dilakukan kepada 20 narasumber yang melakukan sebanyak 17 tugas usability menunjukkan rata-rata keberhasilan sebesar 92.35%. Hasil kualitatif mendapatkan beberapa saran pertimbangan rekomendasi perbaikan desain purwarupa lebih lanjut ......In this globalization era, technology is one sector that is growing rapidly. This phenomenon triggers all kinds of industries to innovate to keep their existence to their users. PT Transportasi Jakarta and PT Kereta Commuter Indonesia show their commitment by making smartphone transit apps Tije and KRL Access, respectively. Both of these applications have lousy reviews and ratings from their respective users. This motivation pushes us to write this study and create a working prototype design suggestion for KRL Access and Tije. We use KRL Access and Tije because they are examples of applications provided by the first-party public transport provider. We use qualitative and quantitative data to analyze data and draw a conclusion. Human-centered design is used as the design approach. With this approach, we also make the prototype of KRL Access and Tije on the iOS platform. The final prototype is tested using remote usability testing to gauge performance and user satisfaction. Based on the test by 20 users who did 17 usability tasks, the quantitative data shows that 92.35% of users can finish their tasks. The qualitative data gave several design recommendations for the next design iteration.

Abstrak :
Perkembangan gim pada platform mobile meningkat sehingga dibutuhkan gim porting, khususnya dari gim PC ke gim mobile. Hasil dari gim porting meliputi transformasi user interface yang memerlukan banyak penyesuaian dari karakteristik PC ke karakteristik mobile. Penelitian ini bertujuan untuk mengevaluasi hasil transformasi user interface gim PC menjadi gim mobile untuk mengetahui komponen yang berpengaruh dan perubahannya. Berdasarkan penelitian sebelumnya, penelitian tersebut baru terbatas web ke mobile dan dekstop ke mobile dan adapun peneletian yang hanya membandingkan komponen yang ada tanpa memberikan penjelasan dibalik perubahan yang terjadi. Peneliti menggunakan pengumpulan data dengan play-test dan wawancara, kemudian hasil dievaluasi dengan metode analisis kualitatif yang melibatkan perhitungan variabel yang dijelaskan dan pengelompokan dalam beberapa kategori. Hasil yang didapat adalah komponen yang berpengaruh adalah resolusi dan rasio aspek layar, kontrol input, dan kinerja dan kapasitas. Kemudian, perubahan yang dilakukan adalah menyesuaikan kontrol fungsionalitas dari kedua platform dibuat mirip sedemikian rupa, kontrol joystick menjadi opsi kontrol yang cukup sering digunakan untuk gim yang membutuhkan pergerakan, komponen.Komponen ukurannya mengalami penyesuaian ukuran di platform mobile, View gim mengalami penyesuaian tergantung aspek ration dan ukuran layar, dan Fitur pada platform mobile dibuat lebih sederhana dibandingkan dengan fitur di platform PC ......The development of games on mobile platforms has increased, resulting in a need for game porting, particularly from PC games to mobile games. The outcomes of game porting include user interface transformations that require significant adjustments from PC characteristics to mobile characteristics. This research aims to evaluate the results of transforming the user interface of PC games into mobile games in order to identify influential components and their changes. Previous studies have mainly focused on web to mobile and desktop to mobile transformations, and there are limited studies that compare the components without providing explanations behind the observed changes. The researcher collects data through play-testing and interviews, and then evaluates the results using qualitative analysis methods involving the calculation of described variables and grouping into several categories. The findings indicate that influential components include screen resolution and aspect ratio, input controls, and performance and capacity. The changes made involve adapting the functional controls of both platforms to be similar, making the joystick control option frequently used for games requiring movement, adjusting the size of components to fit the mobile platform, adjusting the view of the game based on aspect ratio and screen size, and simplifying features on the mobile platform compared to the PC platform

Abstrak :
Transportasi kereta api merupakan moda transportasi publik yang populer di Indonesia, dengan jumlah penumpang mencapai 277 ribu pada tahun 2022. Salah satu cara masyarakat Indonesia membeli tiket kereta api adalah melalui aplikasi resmi KAI Access, yang dikembangkan oleh PT. Kereta Api Indonesia. Tujuan dari penelitian ini adalah meningkatkan efektivitas, efisiensi, dan kepuasan pengguna aplikasi KAI Access di Indonesia. Pendekatan yang digunakan dalam penelitian ini adalah kuantitatif dan kualitatif dengan menggunakan metode kuesioner daring, System Usability Scale (SUS), User Interview, dan Usability Testing. Penelitian ini menerapkan prinsip-prinsip User-Centered Design, Nielsen’s Ten Usability Heuristics, serta penelitian terkait untuk merancang desain antarmuka alternatif. Partisipan penelitian terdiri dari 104 orang yang mengisi kuesioner dan 15 orang yang mengikuti usability testing dan user interview. Untuk memperoleh wawasan yang lebih luas mengenai pengalaman pengguna, penelitian ini melibatkan tiga tipe pengguna yang dibagi berdasarkan frekuensi penggunaan mereka, yaitu Extreme, Intermediate, dan Novice. Dalam usability testing, partisipan menggunakan aplikasi KAI Access yang telah diunduh dari App Store atau Play Store pada perangkat ponsel mereka. Proses yang dievaluasi dalam penelitian ini meliputi proses registrasi, pencarian tiket kereta, pembelian tiket kereta, dan aktivasi tiket kereta. Setelah desain antarmuka alternatif dirancang, dilakukan evaluasi menggunakan metode usability testing dan System Usability Scale (SUS). Evaluasi ini melibatkan lima orang partisipan yang mencakup tiga tipe pengguna yang telah diidentifikasi pada tahap penelitian sebelumnya. Selama sesi evaluasi, partisipan diminta untuk menyelesaikan skenario yang diberikan oleh peneliti dan mengisi survei SUS. Hasil evaluasi SUS menunjukkan nilai 89.5 yang menunjukkan pengalaman penggunaan yang “excellent”. Selain itu, tingkat keberhasilan partisipan dalam usability testing mencapai 80%. ...... Railway transportation is a popular public mode of transportation in Indonesia, with a passenger count of 277,000 in 2022. One of the ways Indonesian citizens purchase train tickets is through the official KAI Access application developed by PT. Kereta Api Indonesia. The objective of this research is to enhance the effectiveness, efficiency, and user satisfaction of the KAI Access application in Indonesia. The research adopts a quantitative and qualitative approach, employing online questionnaires, System Usability Scale (SUS), user interviews, and usability testing. User-Centered Design principles, Nielsen's Ten Usability Heuristics, and related studies are applied to design alternative interface layouts. The study involves 104 participants who completed the questionnaires and 15 participants who took part in usability testing and user interviews. To obtain a broader understanding of user experiences, the research includes three user types categorized based on their frequency of usage: Extreme, Intermediate, and Novice. During the usability testing, participants utilize the KAI Access application downloaded from either the App Store or Play Store on their mobile devices. The evaluated processes include registration, train ticket search, ticket purchase, and ticket activation. Following the design of alternative interface layouts, an evaluation is conducted using usability testing and the System Usability Scale (SUS) method. This evaluation comprises five participants representing the three user types identified in the earlier stages of the research. Throughout the evaluation sessions, participants are requested to complete scenarios provided by the researchers and fill out the SUS survey. The results of the SUS evaluation indicate a score of 89.5, indicating an “excellent” usability experience. Furthermore, the participants' success rate in usability testing reaches 80%.

Abstrak :
Penyakit stroke adalah penyebab kematian terbesar kedua di dunia. Pasien stroke harus menjalani perawatan berupa latihan rehabilitasi secara rutin untuk memulihkan fungsi motorik mereka. Sering kali pasien stroke kesulitan mendapatkan perawatan karena keterbatasan ekonomi dan mobilisasi. Selain itu, kondisi pandemi COVID-19 sekarang ini membuat pasien takut untuk pergi ke rumah sakit. Telehealth sebagai pelayanan kesehatan jarak jauh merupakan salah satu solusi untuk kondisi tersebut. Aplikasi telehealth untuk rehabilitasi stroke dapat dikembangkan dikombinasikan dengan teknologi human motion detection. Penelitian ini bertujuan untuk mengetahui model human motion detection yang dapat mendeteksi gerakan secara stabil serta untuk mengetahui model klasifikasi yang dapat mengklasifikasi gerakan stroke dan non stroke secara akurat. Penelitian dilakukan menggunakan data video gerakan pasien stroke dan orang sehat sebagai input model human motion detection. Keypoints hasil ekstraksi dari model human motion detection kemudian ditransformasi menjadi gambar RGB dan digunakan sebagai input model klasifikasi. Penelitian ini membandingkan tiga model human motion detection, yaitu PoseNet, BlazePose, dan MoveNet, serta dua model klasifikasi gambar, yaitu AlexNet dan SqueezeNet. Beberapa eksperimen dilakukan untuk mengklasifikasi gerakan stroke dan non stroke. Terdapat eksperimen dengan pembagian data tanpa 3-Fold Cross Validation, eksperimen dengan pembagian data 3-Fold Cross Validation, eksperimen menggunakan semua keypoints hasil ekstraksi model human motion detection, dan eksperimen menggunakan beberapa keypoints yang relevan. Model human motion detection dan model klasifikasi terbaik dari hasil penelitian ini diharapkan dapat berkontribusi kepada para pihak yang ingin mengembangkan aplikasi telehealth sebagai sarana rehabilitasi stroke. Berdasarkan hasil penelitian ini, didapatkan bahwa MoveNet adalah model human motion detection yang paling stabil dalam memantau pergerakan pasien dan AlexNet adalah model klasifikasi terbaik untuk mengklasifikasikan pasien stroke dan non stroke berdasarkan gerakan upper body dan gerakan lower body. ......Stroke is the second biggest cause of death in the world. Stroke patients must undergo rehabilitation on regular basis to exercise and restore their motor functions. Oftentimes, stroke patients find it difficult to get their treatment because of economic and mobility limitations. In addition, the current state of the COVID-19 pandemic makes patients afraid to go to the hospital. Telehealth as a long-distance health service is one of the solution for this condition. Telehealth applications for stroke rehabilitation can be developed in combination with human motion detection technology. This study aims to determine the human motion detection model that can detect movement steadily and determine the classification model that can classify stroke and non-stroke motions accurately. The study was conducted using video data of stroke patients and healthy people as input for the human motion detection model. Keypoints extracted from the human motion detection model are then transformed into RGB images and used as input for the classification model. This study compares three models of human motion detection, namely PoseNet, BlazePose, and MoveNet and two image classification models, namely AlexNet and SqueezeNet. Several experiments were conducted to classify stroke and non-stroke motions. There are experiments without data splitting 3-Fold Cross Validation, experiments with data splitting 3-Fold Cross Validation, experiments using all keypoints extracted from the human motion detection model, and experiments using several relevant keypoints. The most steady human motion detection model and the best classification model from the results of this study are expected to contribute to those who want to develop telehealth applications as a means of stroke rehabilitation. Based on the results of this study, it was found that MoveNet is the most steady human motion detection model for monitoring the patients motions and AlexNet is the best classification model for classifying stroke and non stroke patients based on upper body and lower body movements.

Abstrak :
Deep learning telah digunakan dalam berbagai masalah klasifikasi gambar dan deteksi objek. Dalam proses pelatihan pada Deep Learning membutuhkan data berlabel yang tidak sedikit dan akibatnya memakan waktu yang lama. Untuk mengatasi hal tersebut, metode transfer learning diperkenalkan dengan mengambil hasil pelatihan dari data sebelumnya dengan dataset yang umum, seperti ImageNet. VIT-B/16 merupakan model network yang menerapkan konsep transformer pada gambar. Model ini memiliki kinerja yang sangat baik saat dilatih menggunakan dataset ImageNet tetapi tidak terlalu baik saat dilatih menggunakan dataset Describable Textures Dataset dan Flowers-102. Penelitian ini bertujuan untuk melihat apakah metode transfer learning bisa digunakan sehingga model Vision Transformer mempunyai kinerja lebih baik saat dilatih menggunakan kedua dataset tersebut. Pada penelitian ini dilakukan transfer learning pada DTD dan dataset flowers-102 dengan menggunakan model yang sudah di pre-trained dengan ImageNet- 21K. Dari Hasil penelitian didapat bahwa model ViT mengenali dengan cukup baik pada DTD dengan akurasi pada testing hanya mencapai76,67% dengan optimizer Adam dan dataset Flowers-102 dengan akurasi pada testing mencapai 98,91% dengan optimizer Adadelta. Model ViT ini selanjutnya dibandingkan dengan model CNN ResNet50 dan didapat bahwa hasil akurasi sedikit di bawah ResNet50. ......Deep learning has been used in various image classification and object detection problems. The training process in Deep Learning requires quite a lot of labeled data and as a result takes a long time. To overcome this, a transfer learning method was introduced by taking training results from previous data with a common dataset, such as ImageNet. VIT-B/16 is a network model that applies the transformer concept to images. This model performs very well when trained using the ImageNet dataset but not so well when trained using the Describable Textures Dataset and Flowers-102 datasets. This research aims to see whether the transfer learning method can be used so that the Vision Transformer model has better performance when trained using both datasets. In this research, transfer learning was carried out on the DTD and Flowers-102 dataset using a model that was pre-trained with ImageNet-21K. From the research results, it was found that the ViT model recognized the DTD quite well with accuracy in testing only reaching 76.67% with the Adam optimizer and the Flowers-102 dataset with accuracy in testing reaching 98.91% with the Adadelta optimizer. This ViT model was then compared with the ResNet50 CNN model and it was found that the accuracy results were slightly below that of ResNet50.

Abstrak :
Coronavirus Disease 2019 (COVID-19) merupakan sebuah penyakit yang disebabkan oleh novel coronavirus SARS-CoV-2. Penyakit yang berasal dari Provinsi Hubei di China ini sudah menyebar ke seluruh dunia, menjangkiti banyak hingga seluruh negara di dunia. Sudah menginfeksi kurang lebih 400 juta jiwa di seluruh dunia pada pertengahan kuartal pertama tahun 2022. Mencegah penyebaran COVID-19 merupakan tindakan yang harus segera dilakukan, salah satu caranya adalah dengan pendeteksian sedini mungkin. Pendeteksian COVID-19 selain menggunakan metode kedokteran, dapat dipertimbangkan mengenai penggunaan artificial intelligence. Penelitian mengenai metode pendeteksian COVID-19 menggunakan citra X-Ray yang telah dilakukan oleh Dhita menuai hasil yang cukup sukses. Menambahkan penelitian tersebut, kami melakukan metode pendeteksian menggunakan citra CT Scan. Beberapa penelitian mengenai pendeteksian COVID-19 menggunakan citra CT Scan seperti Tang et al. meneliti mengenai segmentasi citra CT Scan terhadap daerah local lesi terindikasi COVID-19 atau Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei juga melakukan penelitian sebelumnya mengenai pengklasifikasian pasien COVID-19 menggunakan citra CT Scan dengan mendapatkan hasil 90% akurasi dengan menggunakan metode FPN. ......Coronavirus Disease 2019 (COVID-19) is a disease caused by the novel coronavirus SARS-CoV-2. This disease which originates from the Hubei Province in China has already spread throughout the world, reaching many if not all countries in the world. There have been more than 400 million people infected across the globe as of the first quarter of 2022. Prevention of the spreading of the disease is very important, and one of the best ways to do so is to detect its infection as soon as possible. Aside from asking a doctor, the task of detecting COVID-19 using artificial intelligence has been considered. The research done by Dhita to detect COVID-19 using X-ray images has been seen as a success. Adding to that, we attempt to detect COVID-19 using CT Scan images. A couple research papers about detecting COVID-19 using CT Scan images such as the ones done by Tang et al. tried to segment CT Scan images related to the lesions that indicate COVID-19 or Pneumonia. Rahimzadeh, Attar, and S. M. Sakhaei also conducted research related to classifying COVID-19 patients using CT Scan images and found success at 90% accuracy with an FPN model.