Hasil Pencarian  ::  Simpan CSV :: Kembali

"Walaupun machine learning semakin umum digunakan pada berbagai bidang, mempercayakan sebuah kotak hitam untuk mengambil keputusan yang krusial, seperti keputusan terkait bidang kesehatan dan hukum, merupakan hal yang beresiko. Karena hal ini, merupakan ide yang baik jika terdapat suatu model machine learning yang mekanisme pengambilan keputusannya dapat diinterpretasikan oleh penggunanya untuk menjelaskan keputusan yang diambil. Dengan motivasi ini, tugas akhir ini akan berfokus pada studi lanjut mengenai model interpretable machine learning berbasis MaxSAT, yaitu MLIC dan IMLI. MLIC merupakan sebuah model interpretable machine learning berbasis MaxSAT yang mekanisme di dalamnya dapat terlihat secara transparan melalui rule berbentuk CNF dan DNF yang dihasilkan. Akan tetapi, performa waktu training model ini sangat buruk. Untuk mengatasi hal ini, IMLI dikembangkan dengan cara memodifikasi MLIC menggunakan sifat incremental. Hal ini berhasil meningkatkan waktu training MLIC dengan pengorbanan akurasi yang cukup kecil. Melalui studi lanjut ini, tugas akhir ini kemudian akan memaparkan perbandingan akurasi IMLI dengan cara mengganti metode diskretisasi fitur kontinu di dalamnya, dari diskretisasi berbasis quantile 10 bin menjadi diskretisasi berbasis entropi. Dari eksperimen yang dilakukan, diperoleh hasil bahwa IMLI memiliki performa waktu training hingga 1000 kali lebih baik daripada MLIC dengan pengorbanan akurasi tes secara rata-rata sebesar 1.47%. Kemudian, penggunaan diskretisasi berbasis entropi menghasilkan akurasi tes 2.67% lebih baik secara rata-rata dibandingkan diskretisasi berbasis quantile 10 bin pada IMLI. Uji statistik menunjukkan bahwa pengorbanan akurasi yang terjadi pada IMLI secara umum tidak signifikan. Terkait ukuran rule yang dihasilkan, diperoleh perubahan yang bervariasi tergantung dataset yang digunakan, baik antara MLIC dan IMLI maupun antara diskretisasi berbasis quantile dan entropi. Terakhir, tugas akhir ini juga akan memaparkan koreksi pengaruh banyak partisi terhadap waktu training yang sebelumnya dipaparkan pada paper IMLI.

---

Despite the wide adoption of machine learning in various domains, trusting a black-box machine learning model to make critical decisions, e.g. in medical and law, might be too risky. Thus, having a transparent machine learning model whose decision-making mechanism is easy to understand by humans is increasingly becoming a requirement. Motivated by this, this bachelor’s thesis conducts a thorough study about the MaxSAT- based interpretable machine learning model, namely MLIC and IMLI. MLIC is a MaxSAT-based interpretable machine learning model whose mechanism is transparent by its generated CNF and DNF rules. However, it suffers from poor training time performance. To overcome this, an incremental version of MLIC, namely IMLI, was developed. IMLI has a far better training time performance with a slight sacrifice on its accuracy. This bachelor’s thesis then compares IMLI accuracy by changing its discretization method from the 10-bin quantile-based discretization to the entropy-based discretization. The conducted empirical studies show that IMLI has better training time performance, up to 1000 times better than MLIC with 1.47% sacrifice of test accuracy on average. It also shows that the entropy-based discretization results in 2.67% higher test accuracy on average compared to the 10-bin quantile-based discretization in IMLI. Test statistic shows that the sacrifice of accuracy in IMLI is insignificant. For the rule size, it shows that the choice of model and its discretization has various effects across the datasets. Lastly, this bachelor’s thesis explains a correction on the effect of partitions to training accuracy that is reported in the IMLI paper."

"Citra satelit digunakan untuk memperoleh informasi mengenai area permukaan bumi agar dapat digunakan dalam berbagai keperluan. Misalnya, mendeteksi perubahan yang terjadi pada area yang terdampak bencana alam, mendeteksi perubahan area hutan dan lahan pertanian, keperluan keamanan nasional, pengamatan meteorologi, dan sebagainya. Namun citra yang dihasilkan ini biasanya terkontaminasi oleh partikel aerosol di udara yang ditunjukkan dengan adanya kabut atau awan yang mengakibatkan hilangnya informasi mengenai permukaan bumi pada citra tersebut. Salah satu metode yang banyak digunakan untuk proses menghapus awan pada citra satelit adalah Dark Channel Prior (DCP). DCP banyak dikombinasikan dengan beberapa metode untuk meningkatkan hasil yang diperoleh, salah satunya yaitu metode Low-rank. Pada penelitian ini diusulkan penggunaan diagram Voronoi pada metode Low-rank yang telah dikombinasikan dengan metode DCP. Nilai rata-rata PSNR dan SSIM yang diperoleh yaitu 9.93 dan 0.3572. Nilai PSNR dan SSIM yang diperoleh tidak menunjukkan adanya paningkatan dibandingkan dengan metode pembandingnya, namun berdasarkan hasil akhir visualisasi citra yang diperoleh menunjukkan bahwa terdapat peningkatan dalam hasil penghapusan awan. Hal ini menunjukkan masih perlu dilakukan peningkatan rekonstruksi citra agar nilai PSNR dan SSIM yang diperoleh sesuai dengan peningkatan hasil penghapusan awan melalui penggunaan diagram Voronoi.

---

Satellite imagery is used to obtain information about the Earth’s surface area for various purposes. For example, it is used to detect changes in areas affected by natural disasters, monitor changes in forest and agricultural lands, address national security needs, observe meteorological conditions, and more. However, the resulting satellite images are often contaminated by aerosol particles in the air, indicated by haze or clouds, which lead to the loss of information about the Earth’s surface in those images. One widely used method for cloud removal from satellite images is the Dark Channel Prior (DCP). DCP is often combined with several other methods to enhance the results, one of which is the Low-rank method. In this research, the use of the Voronoi diagram for the Low-rank method, combined with the DCP, is proposed. The average PSNR (Peak Signal-to-Noise Ratio) and SSIM (Structural Similarity Index) values obtained are 9.93 and 0.3572. The PSNR and SSIM values obtained did not show an increase compared to the comparison method, but based on the final image visualization results obtained, it showed that there was an increase in the cloud removal results. This shows that it is still necessary to improve image reconstruction so that the PSNR and SSIM values obtained are in accordance with the increase in cloud removal results through the use of Voronoi diagram."

"COVID-19 telah merenggut nyawa banyak manusia. Tercatat per tanggal 29 Juni 2021, sudah terdapat sekitar 3,923,238 pasien yang meninggal dunia akibat penyakit dengan tingkat penularan yang tinggi ini. Dengan semakin banyaknya orang yang terinfeksi COVID-19, persediaan alat untuk mendeteksi penyakit ini pun juga semakin terbatas yang dapat menyebabkan pandemi COVID-19 pun menjadi semakin tidak terkendali. Oleh karena itu, penting untuk mempertimbangkan metode deteksi COVID-19 lainnya yang dapat membantu para staf kesehatan untuk melakukan deteksi pasien positif COVID-19.Metode deteksi COVID-19 lainnya yang bisa dipertimbangkan untuk dikembangkan adalah metode deteksi COVID-19 dengan artificial intelligence. Dengan metode tersebut, data-data seperti data gejala pasien, data citra toraks, serta data interpretasi citra berupa teks dapat dimanfaatkan untuk mengembangkan suatu model prediksi COVID- 19. Ketiga tipe data yang berbeda tersebut dapat dikombinasikan sebagai data input untuk membangun suatu model klasifikasi COVID-19. Pengkombinasian data yang berbeda dapat dilakukan dengan cara melakukan konkatenasi pada tiap input layer yang menerima data gejala dan data teks dengan suatu layer dari arsitektur CNN. Beberapa arsitektur CNN yang dapat digunakan pada penelitian ini adalah ResNet, DenseNet, Inception- ResNet, DarkCovidNet, CoroNet, dan COVID-Net. Selain itu, metode Grad-CAM juga dipilih untuk proses deteksi persebaran coronavirus.Hasil pengujian menunjukkan bahwa banyak model yang dihasilkan dari pendekatan kombinasi data gambar, data tabular, dan data teks memiliki nilai sensitivitas, akurasi, serta f1-score yang tinggi. Hal tersebut menunjukkan bahwa pendekatan tersebut secara umum menghasilkan model-model dengan performa yang tinggi juga seimbang. Namun, berdasarkan hasil pengujian pula, diketahui bahwa model yang memiliki performa tertinggi dicapai oleh model dari pendekatan klasifikasi gambar dengan data tabular yang menggunakan arsitektur DenseNet khususnya dengan nilai learning rate = 10−3. Model tersebut tercatat memiliki performa yang tinggi dan seimbang dengan nilai sensitivitasnya mencapai angka 1,00, akurasi mencapai angka 0,94, dan F1-Score mencapai angka 0,94.

---

COVID-19 has taken the lives of many people. As of June 29th 2021, there were approximately 3.923.238 deaths due to this highly contagious disease. With the increasing number of infected people, the COVID-19 detection tool supplies are also getting limited that can lead to an out-of-control situation. Therefore, it is quite necessary to consider alternative methods for COVID-19 detection.

Another COVID-19 detection that can be considered to be developed is a COVID- 19 detection method with artificial intelligence. With artificial intelligence, a COVID-19 prediction model can be built by using any available data such as patient symptom dataset, patient thorax images especially chest X-Ray, and thorax interpretations in text form. Those three types of data can be utilized and combined as data input to build a COVID-19 detection system. The combination of those three different types of data can be done with the concatenation of each input layer of tabular and text data with a layer from a CNN architecture. In this study, there are six CNN architectures used and those are ResNet, DenseNet, Inception-ResNet, DarkCovidNet, CoroNet, and COVID-Net. Besides, the Grad-CAM technique is also implemented for coronavirus detection purposes.

The result shows that most of the models from the combined image, tabular, and text datasets offer high sensitivities, accuracies, and scores of F1-Score. It means that the combined image, tabular, and text datasets generally obtained high performance and balanced models. However, according to the test results, the best performance model is achieved by the combined image and tabular datasets approach with DenseNet architecture and the learning rate of 10−3. Such a model achieves the best performance model with an accuracy score of 0.94, a sensitivity score of 1.00, and an f1-score of 0.94."

"Pengenalan entitas bernama (named-entity recognition atau NER) adalah salah satu topik riset di bidang pemrosesan bahasa alami (natural language processing atau NLP). Pen- genalan entitas bernama merupakan langkah awal mengubah unstructured text menjadi structured text. Pengenalan entitas bernama berguna untuk mengerjakan NLP task yang lebih high-level seperti ekstraksi informasi (information extraction atau IE), Question Answering (QA), dan lain-lain. Penelitian ini memanfaatkan data berita dan wikipedia masing-masing sebanyak 200 dokumen yang digunakan untuk proses pengujian dan pelatihan. Penelitian ini mencoba mengeksplorasi entitas bernama baru yang tidak sebatas Person, Location, dan Organization. Named entity baru tersebut adalah Event, Product, Nationalities Or Religious or Political groups (NORP), Art, Time, Language, NonHuman or Fictional Character (NHFC), dan Miscellaneous. Jadi, penelitian ini menggunakan 11 entitas bernama. Dalam penelitian ini, permasalahan tersebut dipandang sebagai se- quence labelling. Penelitian ini mengusulkan penggunaan model conditional random field sebagai solusi permasalahan ini. Penelitian ini mengusulkan penggunaan fitur tambahan seperti kata sebelum, kata sesudah, kondisi huruf kapital di awal kata, dan lain-lain, serta word embedding. Penelitian ini menghasilkan performa dengan nilai F-measure terbaik sebesar 67.96% untuk data berita dan 67.09% untuk data wikipedia.

---

Named Entity Recognition or NER is one of research topics in Natural Language Pro- cessing (NLP) subject. NER is the first step to transform unstructured text to structured text. NER is used for doing more high-level NLP task such as Information Extraction (IE), Question Answering (QA), etc. This research uses news and wikipedia data with 200 documents of each, which is used for training and testing process. This research tries exploring new named entities in addition to Person, Location, and Organization. These named entities are Event, Product, Nationalities Or Religious or Political groups (NORP), Art, Time, Language, NonHuman or Fictional Character (NHFC), and Miscellaneous. Therefore, this research uses 11 named entities. This research views this problem as sequence labelling. This research proposes conditional random field model as the solution for this problem. This research proposes some features, for example additional features such as previous word, next word, initial capital letter condition, etc, and word embedding. This research results p1qerformance with the best F-Measure of 67.09% for wikipedia data and 67.96% for news data."

"Social distancing yang diterapkan untuk mitigasi penyebaran COVID-19 menyebabkan terjadinya pengurangan interaksi tatap muka antar individu. Hal ini menyebabkan beralihnya pertemuan langsung menjadi pertemuan virtual, sehingga terjadi peningkatan dalam penggunaan aplikasi video conference untuk berkomunikasi. Penelitian ini bertujuan untuk meneliti faktor-faktor yang memengaruhi kepuasan dan niat keberlanjutan penggunaan aplikasi video conference pada masa yang akan datang, termasuk saat era new normal maupun setelah pandemi COVID-19 berakhir. Penelitian ini merupakan modifikasi dari expectation confirmation model (ECM), model yang terbukti dapat menyelidiki niat berkelanjutan sistem informasi. Responden terdiri dari 556 pengguna aplikasi video conference dalam tiga bulan terakhir. Analisis dilakukan dengan metode partial least square SEM dengan SmartPLS 3. Hasil penelitian ini menunjukkan bahwa confirmation (konfirmasi ekspektasi), perceived ease of use (kemudahan), perceived usefulness (kebermanfaatan), service quality (kualitas layanan), way to express affection (mengekspresikan kedekatan), dan system quality (kualitas sistem) berpengaruh positif dan signifikan terhadap satisfaction (kepuasan). Kemudian, perceived usefulness (kebermanfaatan) dan satisfaction (kepuasan) berpengaruh positif dan signifikan terhadap continuance intention (keberlanjutan) penggunaan aplikasi video conference. Penelitian ini dapat membantu penelitian sebelumnya untuk menganalisis faktor yang memengaruhi kepuasan dan niat keberlanjutan penggunaan aplikasi video conference.

---

A decrease in face-to-face encounters between people is caused by social distancing that is applied to reduce the spread of COVID-19. This has led to the switch from direct meetings to virtual meetings, leading to an increase in the use of applications for video conferencing to communicate. The goal of this study is to explore the factors affecting satisfaction and the decision to continue using video conferencing applications in the future, even after the COVID-19 pandemic ends during the new normal period. This research is a modification to the expectation confirmation model (ECM), a model that has been proven to analyze the sustainable intention of information systems. The respondents consisted of 556 users of video conferencing applications in the last three months. The analysis was performed using the partial least square SEM method with SmartPLS 3. The findings of this study show that confirmation, perceived ease of use, perceived usefulness, service quality, way to express affection, and system quality have a positive and significant effect on satisfaction. Then, perceived usefulness and satisfaction have a positive and significant effect on continuance intention of video conferencing applications. This study enriches previous researches to analyze the factors that influence satisfaction and intention to continue using video conferencing applications."