” Perkembangan teknologi informasi dan sistem informasi yang demikian pesat di era sekarang ini telah membuat hampir semua aspek kehidupan tidak dapat terhindar dari penggunaan perangkat komputer. Praktek Kerja Lapangan (PKL) merupakan salah satu mata kuliah yang wajib ditempuh oleh seluruh mahasiswa Program Studi Teknik Informatika (PSTI) Fakultas Teknik Universitas Mataram. Proses administrasi PKL pada PSTI secara manual, mulai dari proses pengajuan PKL, pengajuan dosen pembimbing sampai pendaftar seminar PKL. Untuk penulis memandang perlu adanya suatu sistem informasi Praktek Kerja Lapangan pada Program Studi Teknik Informatika Universitas Mataram dengan tujuan untuk memudahkan pelaksanaan PKL pada Program Studi Teknik Informatika. Metode yang digunakan dalam membangun sistem informasi ini adalah metode extreme programming di mana dalam metode ini menekankan pengembangan sistem dalam skala waktu yang singkat, produktivitas, fleksibilitas dan kerja sama tim. Pengembangan dengan extreme programming menggunakan model iterasi dalam proses pengerjaannya yang meliputi proses planning, design, coding dan testing. Dalam proses testing penulis menggunakan model User Acceptance Test yang merupakan suatu proses uji untuk memenuhi sistem yang dikembangkan dapat diterima oleh pengguna. Berdasarkan hasil uji yang dilakukan pada sistem informasi PKL yang dibuat dengan metode User Acceptance Test  yang diujikan pada 5 (lima) responden yang terdiri dosen, ketua program studi, staf program studi, mahasiswa dan kepala lab dapat disimpulkan bahwa fitur-fitur pada sistem tersebut telah memenuhi kebutuhan sistem yang diusulkan.

An ethical clearance document ensures that the research will protect the subject in accordance with existing ethical principles. The ethical clearance is issued by the Research Ethics Commission (KEP). KEP will conduct a review of the proposed ethical protocol based on the seven standards contained in a protocol. The review process is done manually by KEP. This process often creates bottlenecks in research due to the large number of protocols that must be reviewed, so that the process to get ethical clearance takes a long time. This can affect the setback in the schedule of the research process. Therefore, in this research, a comparative study was conducted on the problem of multi-label classification to automate the ethical protocol review process. Automation of the labeling process can increase the effectiveness of the review process because it can provide an overview to the reviewer regarding the label of a document before conducting a more in-depth review process. The experiment results show that the use of the traditional machine learning approach produces better performance than the deep learning approach. The machine learning method with the best results is Naïve Bayes+BoW with precision, recall, and F-score values of 0.76, 0.80, and 0.78, respectively.

Penelitian kesehatan harus melalui proses telaah etik yang bertujuan untuk mengantisipasi dugaan atas risiko fisik, sosial, ekonomi dan psikologis. Secara etik penelitian kesehatan dapat diterima apabila pada penelitian tersebut mampu dibuktikan dengan metode ilmiah yang valid serta lulus uji etik sebelum penelitian dilakukan. Untuk memastikan pada ringkasan penelitian kesehatan terdapat aspek etik, dibutuhkan kata kunci yang dapat dijadikan representasi dari isi ringkasan tersebut. Salah satu pendekatan yang sering dilakukan adalah dengan menghitung frekuensi kemunculan kata dalam dokumen. Pendekatan lain yaitu pendekatan YAKE dan keyBERT yang tidak hanya menghitung frekuensi kata namun juga menghitung konteks kata. Selain melakukan ekstraksi dilakukan juga proses ekspansi kueri sebagai upaya memperluas istilah yang dapat mewakili masing-masing aspek etik. Salah satu pendekatan yang digunakan untuk ekspansi kueri adalah model word2Vec. Penelitian ini mengusulkan metode pengembangan ekspansi kueri dengan dan metode ekstraksi kata kunci seperti TFIDF,YAKE dan keyBERT dan mengombinasikannya dengan fuzzy. Hasil eksperimen menunjukkan bahwa metode paling unggul secara presisi yaitu YAKE dan gabungan antara TFIDF + YAKE + keyBERT dengan nilai tertinggi 46% kemudian dari untuk recall model YAKE mendapat nilai tertinggi dengan angka 72% dan untuk nilai F1-Score yang paling unggul adalah metode YAKE dengan nilai tertinggi 54%.

No abstract