ABSTRAKSistem pakar (expert system) secara umum adalah sistem yang berusaha mengadopsi pengetahuan manusia ke komputer yang dirancang dan diimplementasikan dengan menggunakan bahasa pemrograman tertentu agar komputer dapat menyelesaikan masalah seperti yang dilakukan oleh para ahli. Saat ini sistem pakar tengah banyak dikembangkan dalam berbagai macam bidang, salah satunya dalam bidang kesehatan. Sistem pakar dalam bidang kesehatan banyak dikembangkan untuk mendeteksi berbagai macam penyakit dengan menggunakan berbagai macam metode, salah satunya menggunakan metode inferensi forward chaining. Metode inferensi forward chaining merupakan metode inferensi penelusuran ke depan yang dibuat dengan perancangan yang mudah dan sesuai dengan aturan yang ada. Masyarakat memandang kesehatan sebagai hal yang penting, salah satunya berkait dengan penyakit darah. Pengetahuan masyarakat umum tentang penyakit darah masih minim, masyarakat masih belum dapat mengetahui ataupun menentukan penyakit darah yang dideritanya. Penelitian ini, bertujuan untuk merancang sistem pakar yang dapat mendiagnosis penyakit darah menggunakan metode inferensi forward chaining. Aplikasi ini diharapkan dapat membantu masyarakat dalam mendiagnosa jenis penyakit darah. Implementasi sistem pakar penyakit darah ini diharapkan memberikan kemudahan akses bagi penggunanya, melalui penggunaan media sarana berbasis web dan mobile web.

Back Propagation Neural Network (BPNN) is a type of algorithm in Neural Network that can be use for Javanese alphabets character recognition. Matlab 7.1 has been used as a software to support the program. The main purpose of this research is order to find out BPNN's training characteristic from each samples. On the other hand, this research also gives BPNN's accurancy value in Javanese alphabets character recognition. The result of research shows that each part of the samples having different BPNN's characteristic based on the best training.

-Tulisan tangan merupakan hasil menulis, dengan tangan (bukan ketikan). Gaya penulisan setiap orang tidak sama. Salah satu bahasa resmi Perserikatan Bangsa-Bangsa (PBB), bahasa Arab, memiliki penulisan angka yang dikenal sebagai angka Arabic (Indian). Identifikasi ciri-ciri membantu manusia untuk membedakan suatu pola dengan pola lainnya. Pengelompokan pola ini dapat diterapkan kepada mesin untuk tujuan mengenali suatu objek tulisan pada citra. Connected component labeling digunakan untuk pemotongan karakter menjadi bagian yang tidak saling terhubung satu sama lain agar mudah dikenali. K-nearest neighbors (KNN)adalah metode yang digunakan untuk mencari seberapa besar kecocokan antara citra uji dengan citra latih berdasarkan pada kelas dari tetangga terdekat. Pada studi analisis ini telah dilakukan pengujian dengan menggunakan 100 citra uji. Tiga hasil klasifikasi terbaik dari pengenalan pola tulisan tangan angka Arabic (Indian) menggunakan metode k-nearest neighbors(KNN) adalah 86% saat nilai k = 1, 84% dengan nilai k = 3, dan 83% dengan k = 5. Abstract -Handwriting refers to the result of writing by hand (not typed). The writing style of people are not the same. One of the United Nations official languages, Arabic, has a numerical system known as Arabic (Indian) numeral. The identification of feature help humans to be able distinguish the patterns. The grouping patterns can be applied to the machine for recognizing object in the image. Connected component labeling is used for separating characters to be easily recognizable. K-nearest neighbors is used to find the similarity value between query image and template images are based on the nearest neighbors class. This analytical study was tested using 100 test images. The top three classification results of Arabic (Indian) handwritten recognition use k-nearest neighbors (KNN) are 86% when k = 1, 84% when k = 3, and 83% with k = 5.

Bebras adalah sebuah inisiatif internasional yang tujuannya adalah untuk mempromosikan Computational Thinking (Berpikir dengan landasan Komputasi atau Informatika), di kalangan guru dan murid mulai kelas 3 SD, serta untuk masyarakat luas. Berpikir komputasional (Computational Thinking) adalah metode menyelesaikan persoalan dengan menerapkan teknik ilmu komputer (informatika). Tantangan bebras menyajikan soal-soal yang mendorong siswa untuk berpikir kreatif dan kritis dalam menyelesaikan persoalan dengan menerapkan konsep-konsep berpikir komputasional. Cara untuk mempromosikan computational thinking adalah dengan menyelenggarakan kegiatan kompetisi secara daring (on line), yang disebut sebagai "Tantangan Bebras" (Bebras Challenge). Tantangan Bebras bukan hanya sekedar untuk menang. Selain untuk berlomba, tantangan Bebras juga bertujuan agar siswa belajar Computational Thinking selama maupun setelah lomba. Pengabdian ini berupaya untuk mensosialisasikan dan melakukan pembinaan ke sekolah-sekolah mengenai bebras task sehingga harapannya siswanya mampu bersaing untuk ikut dalam Bebras Challenge Indonesia di tahun mendatang. Kegiatan ini meliputi pre test, pembahasan dan post-test terkait soal-soal Bebras (Bebras Task). Hasil kegiatan menunjukkan bahwa adanya peningkatan rata-rata pemahaman pola pikir komputasi dan informatika pada SD Ummul Quro’ sebesar 13,74% untuk siswa kelas IV dan V serta sebesar 10% untuk siswa kelas III.

Breast cancer is one of the most common causes of death in the world. One way that can be done to reduce the number of death cases is to do early detection using MicroRNA data. MicroRNA is one of the cancer biomarkers that can help in the classification process. MicroRNA can be used to identify whether a cell is a cancer cell or not even in the earliest stages. The deep Neural Network (DNN) method consists of two or more layers of self-learning units (hidden units). The weight of hidden units that are fully connected between two layers can be learned automatically. However, DNN still has a weakness which is the changes in the distribution of each layer’s inputs that cause problems, because the layers need to continue to adapt to the new distribution and produce less optimal accuracy values. This research was conducted to get the best architectural selection of the DNN method used for breast cancer classification using MicroRNA data. The results of the DNN method with the best architecture obtained was 3 hidden layers with 200 hidden units each, 30% dropout rate in the combination of the ReLU, ReLU, ReLU activation functions and the learning rate of 0.04 resulting in the highest accuracy of 94.58% with a specificity of 96.45% and sensitivity of 91.02%.