Lapor Bantul adalah sebuah aplikasi yang dibuat oleh Pemerintah Kabupaten Bantul yang berfungsi untuk menangani segala permasalahan dan keluhan-keluhan di sekitar kabupaten Bantul. Berdasarkan seluruh data review dan rating dari pengguna Lapor Bantul yang sudah di dikumpulkan dan kemudian diklasifikasikan antara review positif dan negatif, mayoritas review yang diberikan pengguna berisi ungkapan kekecewaan dan keluhan terhadap aplikasi tersebut. Dalam penelitian ini metode yang akan digunakan adalah User Experience Questionnaire (UEQ) dengan menggunakan 6 skala pengukuran pengalaman pengguna dan metode evaluasi kooperatif untuk menentukan masalah yang dihadapi oleh pengguna saat menggunakan aplikasi Lapor Bantul. Tujuan evaluasi ini adalah mengukur pengalaman pengguna dan hasil rekomendasi user experience yang digunakan untuk membangun prototipe. Hasil pengukuran pengalaman pengguna aplikasi Lapor Bantul mengalami peningkatan dalam setiap skala kuesioner pengalaman pengguna, termasuk daya tarik dengan peningkatan 0,89, perspektif 1,23, efisiensi 0,63, keandalan 0,81, stimulasi 0,74 dan kebaruan 0,78. Kemudian, di benchmark UEQ perbandingan desain sebelum dievaluasi dan sesudah dievluasi juga mengalami peningkatan pengalaman pengguna, yang sebelumnya kategorikan dalam kategori below average (di bawah rata-rata) menjadi good (baik). Kata Kunci — Lapor Bantul, User Experience, User Interface, UEQ, Cooperative Evaluation Lapor Bantul is an application made by the district government of Bantul which functions to handle all problems and complaints around Bantul district. Based on all the reviewand rating data from Lapor Bantul users that has been collected and then classified between positive and negative reviews, the majority of reviews given by users contain expressions of disappointment and complaints about the application. In this study the method to be used is User Experience Questionnaire (UEQ) using 6 scales of user experience measurement and cooperative evaluation methods to determine the problems faced by users when using the application to Lapor Bantul. The purpose of this evaluation is to measure user experience and the user experience recommendations used to build prototypes. The results of measuring user experience in the Lapor Bantul experienced an increase in each scale of the user experience questionnaire, including attraction with an increase of 0.89, perspective 1.23, efficiency 0.63, reliability 0.81, stimulation 0.74 and novelty 0.78. Then, in the UEQ benchmark the comparison of designs before being evaluated and after being evaluated also experienced an increase in user experience, which previously categorized the below average category to be good. Keywords — Lapor Bantul, User Experience, User Interface, UEQ, Cooperative Evaluation

This study aims to determine the extraction of features contained in robusta and arabica coffee greenbeans to make objects detectable and can be drawn into mathematical numbers. The method used is the original image which is converted to RGB and then grayscaling is carried out followed by a binary process that aims to change the image into binary form (0 and 1) after the digital image processing is complete the process of extracting the characteristics of greenbean coffee based on width, height, perimeter, surface area, roundness percentage, and perimeter of each coffee greenbean so that it can be understood mathematically. The results of the binary image process carried out morphological operations, the morphological process there is an erosion and dilation process. The results of the erosion and dilation process are carried out feature extraction to get the length, height, circumference, roundness ratio and perimeter of an image image. Then the value is stored in the database as a feature extraction of each greenbean coffee.The result of feature extraction obtained from coffee greenbean samples with a mean width of 7.7 pixels, height 11, circumference 31.3, surface area 69.5, roundness percentage 89,559, and perimeter 1,674 of greenbean robusta coffee while for arabica greenbean can be width 13.2 pixels, height 18.8, circumference 51.2, surface area 199.9, percentage of roundness 94.548, and perimeter 1.6000038 with total data taken were 20 greenbean coffees.

3ABSTRAK Dalam proses pengemasan saat ini, penyortiran ini dilakukan secara manual. Dalam penelitian ini, convolution neural network diterapkan untuk secara otomatis untuk mengetahui informasi kecacatan biji kopi arabika. Input yang digunakan dalam penelitian ini adalah gambar biji kopi arabika dengan proses penguraian yang telah dikeringkan. Skenario yang terlibat dalam penelitian ini adalah pengumpulan data, preprocessing, klasifikasi dan pengujian. Preprocessing dilakukan dengan memotong beberapa cakupan objek biji kopi yang hanya berisi gambar biji kopi. Klasifikasi dilakukan oleh CNN, untuk mendapatkan akurasi model yang terbaik, parameter yang ada harus diuji dan dievaluasi. Pengujian dilakukan untuk dua jenis model, model 2 kelas dan model 4 kelas. Hasil percobaan menunjukkan bahwa akurasi terbaik yang diperoleh untuk model 2-kelas adalah 82,46 % dengan menggunakan tingkat pembelajaran 0,0001, konvolusi lapisan tunggal dengan lima belas filter dan 100 neuron pada lapisan tersembunyi. Ukuran filter adalah 3x3x3. Sedangkan model 4-kelas memperoleh akurasi terbaik 70,73% dengan dua lapisan konvolusional. Jumlah filter di setiap lapisan adalah 6 filter dengan ukuran 3x5x5 di lapisan pertama dan 18 filter dengan ukuran 6x3x3 di lapisan kedua

Covid-19 menyerang sel-sel epitel yang melapisi saluran pernapasan sehingga dalam kasus ini dapat memanfaatkan gambar x-ray dada untuk menganalisis kesehatan paru-paru pada pasien. Menggunakan x-ray dalam bidang medis merupakan metode yang lebih cepat, lebih mudah dan tidak berbahaya yang dapat dimanfaatkan pada banyak hal. Salah satu metode yang paling sering digunakan dalam klasifikasi gambar adalah convolutional neural networks (CNN). CNN merupahan jenis neural network yang sering digunakan dalam data gambar dan sering digunakan dalam mendeteksi dan mengenali object pada sebuah gambar. Model arsitektur pada metode CNN juga dapat dikembangkan dengan transfer learning yang merupakan proses menggunakan kembali model pre-trained yang dilatih pada dataset besar, biasanya pada tugas klasifikasi gambar berskala besar. Tinjauan literature review ini digunakan untuk menganalisis penggunaan transfer learning pada CNN sebagai metode yang dapat digunakan untuk mendeteksi covid-19 pada gambar x-ray dada. Hasil sistematis review menunjukkan bahwa algoritma CNN dapat digunakan dengan akruasi yang baik dalam mendeteksi covid-19 pada gambar x-ray dada dan dengan pengembangan model transfer learning mampu mendapatkan performa yang maksimal dengan dataset yang besar maupun kecil.Kata Kunci—CNN, transfer learning, deteksi, covid-19Covid-19 attacks the epithelial cells lining the respiratory tract so that in this case it can utilize chest x-ray images to analyze the health of the lungs in patients. Using x-rays in the medical field is a faster, easier and harmless method that can be utilized in many ways. One of the most frequently used methods in image classification is convolutional neural networks (CNN). CNN is a type of neural network that is often used in image data and is often used in detecting and recognizing objects in an image. The architectural model in the CNN method can also be developed with transfer learning which is the process of reusing pre-trained models that are trained on large datasets, usually on the task of classifying large-scale images. This literature review review is used to analyze the use of transfer learning on CNN as a method that can be used to detect covid-19 on chest x-ray images. The systematic review results show that the CNN algorithm can be used with good accuracy in detecting covid-19 on chest x-ray images and by developing transfer learning models able to get maximum performance with large and small datasets.Keywords—CNN, transfer learning, detection, covid-19

No abstract