No abstract

1) , gulpi.qorik.com 2) ABSTRAK Materi jaring-jaring bangun ruang pada pelajaran Matematika adalah materi yang tergolong sulit dipahami oleh peserta didik tanpa bantuan alat peraga. Alat peraga konvensional untuk membantu pembelajaran jaringjaring bangun ruang biasanya terbuat dari kardus atau kertas yang dirakit sedemikan rupa sehingga dapat dibuka menjadi satu jenis jaring-jaring bangun ruang. Alat peraga jaring-jaring bangun ruang tersebut tergolong tidak efektif dan efisien jika digunakan dalam pembelajaran karena membutuhkan persiapan yang lama dan ruang yang besar. Pada penelitian ini diusulkan pemanfaatan mobile augmented reality sebagai media pembelajaran interaktif jaring-jaring kubus dan balok. Dengan media ini, semua kombinasi jaring-jaring kubus dan balok dapat disimulasikan dalam smartphone Android pengguna tanpa harus membutuhkan persiapan yang lama dan ruang yang besar. Media pembelajaran ini dikembangkan menggunakan aplikasi Unity dan Blender. Hasil uji coba pada ahli media, ahli materi, dan pengguna membuktikan bahwa media pembelajaran ini layak digunakan sebagai pengganti alat peraga konvensional dengan nilai rata-rata total validasi 3.91, 3.79, dan 3.80 untuk masing-masing validator.

Computer vision is a branch of artificial intelligence that uses digital images as input data. The stages of making computer vision are data collection, preprocessing, modeling, and testing. Test results are usually influenced by good modeling and data collection. Errors often occur in the data collection process so that data collection testing is needed before the modeling process using matlab or python. Therefore, this research aims to propose a data collection model with testing using a teachable machine. The datasets used are hijab syar'i, non syar'i and non hijab datasets because hijab is a trend among young people. However, many young people are not good at using their hijab in the pesantren area. So that the classification process is needed as a form of order in the pesantren. Datasets are obtained using web scraping methods on internet platforms such as pinterest, google image and instagram. The total dataset is 2,910 digital images of each class is 970.  Teachable machine can validate the dataset quickly by looking at the accuracy per class. With the best model in the configuration of epoch 50, batch size 64 and learning rate 0.0001. Where the accuracy of each class using teachable is hijab syar'i by 99%, non syar'i by 94% and non hijab 99% with a test sample of 146 digital images each.Abstrak: Visi Komputer merupakan cabang kecerdasan buatan yang menggunakan citra digital sebagai input data. Adapun tahapan pembuatan visi komputer ialah pengumpulan data, preprocessing, pembuatan model, dan pengujian. Hasil pengujian biasanya dipengaruhi oleh pembuatan model dan pengumpulan data yang baik. Kesalahan sering terjadi pada proses pengumpulan data sehingga dibutuhkan pengujian pengumpulan data sebelum proses pembuatan model dengan menggunakan matlab atau python. Oleh karenanya pada penelitian ini bertujuan untuk mengusulkan model pengumpulan data dengan pengujian menggunakan teachable machine. Adapun dataset yang digunakan ialah dataset hijab syar'i, non syar'i dan non hijab dikarenakan hijab menjadi trend dikalangan anak muda. Akan tetapi banyak anak muda yang belum baik penggunaan hijabnya diarea pesantren. Sehingga diperlukan proses klasifikasi sebagai bentuk ketertiban didalam pesantren. Dataset didapat dengan menggunakan metode web scraping pada platform internet seperti pinterest, google image dan instagram. Total dataset ialah 2,910 citra digital masing masing class ialah 970.  Teachable machine dapat melakukan validasi dataset secara cepat dengan melihat akurasi per class. Dengan model terbaik pada konfigurasi epoch 50, batch size 64 dan learning rate 0.0001. Dimana Akurasi setiap class menggunakan teachable yaitu hijab syar'i sebesar 99%, non syar'i sebesar 94% dan non hijab 99% dengan sampel uji masing masing 146 citra digital.

A great summarization on multi-document with similar topics can help users to get useful information. A good summary must have an extensive coverage, minimum redundancy (high diversity), and smooth connection among sentences (high coherence). Therefore, multi-document summarization that considers the coverage, diversity, and coherence of summary is needed. In this paper we propose a novel method on multi-document summarization that optimizes the coverage, diversity, and coherence among the summary's sentences simultaneously. It integrates self-adaptive differential evolution (SaDE) algorithm to solve the optimization problem. Sentences ordering algorithm based on topical closeness approach is performed in SaDE iterations to improve coherences among the summary's sentences. Experiments have been performed on Text Analysis Conference (TAC) 2008 data sets. The experimental results showed that the proposed method generates summaries with average coherence and ROUGE scores 29-41.2 times and 46.97-64.71% better than any other method that only consider coverage and diversity, respectively. Keywords: multi-document summarization, optimization, self-adaptive differential evolution, sentences ordering, topical closeness AbstrakPeringkasan yang baik terhadap dokumen-dokumen dengan topik yang seragam dapat membantu pembaca dalam memperoleh informasi secara cepat. Ringkasan yang baik merupakan ringkasan dengan cakupan pembahasan (coverage) yang luas dan dengan tingkat keberagaman (diversity) serta keterhubungan antarkalimat (coherence) yang tinggi. Oleh karena itu dibutuhkan metode peringkasan multi-dokumen yang mempertimbangkan tingkat coverage, diversity, dan coherence pada hasil ringkasan. Pada paper ini dikembangkan sebuah metode baru dalam peringkasan multi-dokumen dengan mengoptimasi tingkat coverage, diversity, dan coherence antarkalimat hasil ringkasan secara simultan. Optimasi hasil ringkasan dilakukan dengan menggunakan algoritma self-adaptive differential evolution (SaDE

Segmentation on medical image requires good quality due to affect the interpretation and diagnosis of medical experts. On medical image segmentation, there is merging phase to increase the quality of the segmentation result. However, stopping criteria on merging phase was determined manually by medical experts. It implied the subjectivity of segmentation result. To increase the objectivity of segmentation result, a method to automate merging phase on medical image segmentation is required. Therefore, we propose a novel method on medical image segmentation which combine two-stage SOM and T-cluster method. Experiments were performed on dental panoramic as medical image sample and evaluated by using segmentation quality formula. Experiments show that the proposed method can perform segmentation on dental panoramic image automatically and objectively with the best average of segmentation quality value is 4,40. Index Terms—dental panoramic image, image segmentation, medical image, Self-Organizing Map, T-cluster