<p class="Abstrak">Pada bulan Desember 2019, virus COVID-19 menyebar ke banyak negara, termasuk di Indonesia yang kemudian menjadi pandemi dan menimbulkan masalah serius karena masih belum adanya vaksin untuk mencegah penularan. Uji spesimen saluran nafas atas dan saluran nafas bawah saat ini merupakan salah satu metode yang efektif untuk mengetahui apakah seseorang terinfeksi COVID-19 atau tidak. Salah satu indikasi dari infeksi COVID-19 adalah sesak nafas atau pneumonia serta munculnya <em>ground-glass opacity</em> pada citra CT. Penelitian ini merupakan studi awal untuk melihat apakah citra CT dari organ thorax dapat digunakan sebagai alternatif untuk mendeteksi infeksi virus COVID-19. Deep learning digunakan untuk membuat sebuah model dengan citra CT sebagai masukan. Total 140 data citra CT yang terbagi menjadi 2 yaitu citra dari pasien terinfeksi dan citra dari subjek normal digunakan sebagai masukan pada deep learning. Proses pelatihan dilakukan menggunakan CNN dengan arsitektur VGG16 dan optimizer SGD dan Adam. Hasil yang didapatkan adalah akurasi sebesar 92,86% untuk mengklasifikasikan infeksi COVID-19 dan normal. Nilai spesifisitas dan sensitivitas sebesar 100% dan 85,71% untuk pelatihan dengan menggunakan optimizer SGD.</p><p class="Abstrak"> </p><p class="Abstrak"><em><strong>Abstract</strong></em></p><p class="Abstract"><em>In December 2019, the COVID-19 virus spread to many countries, including Indonesia which later became a pandemic and caused serious problems because there was still no vaccine to prevent transmission. Tests of upper and lower respiratory tract specimens are now an effective method of finding whether a person is infected with COVID-19 or not. One indication of COVID-19 infection is shortness of breath or pneumonia and the appearance of ground-glass opacity on CT images. This research is a preliminary study to see whether CT images of the thorax organs can be used as an alternative to detect COVID-19 virus. The deep learning is used to create a model with CT images as input. A total of 140 CT image data which are divided into 2 images from infected patients and images from normal subjects are used as input for deep learning. The training process is carried out using CNN with VGG16 architecture and SGD and Adam optimizers. The results obtained are 92.86% accuracy for classifying COVID-19 infections and normal. Specificity and sensitivity values were 100% and 85.71% for training using the SGD optimizer.</em></p><p class="Abstrak"><em><strong><br /></strong></em></p>

No abstract

Pemantauan atau monitoring adalah salah satu kegiatan untuk memantau setiap gerakan dari waktu ke waktu. Pemantauan memiliki berbagai tujuan termasuk menganalisis, mengumpulkan data atau mengamati pola pergerakan. Pemantauan juga dapat diartikan, yaitu melakukan pengamatan terhadap situasi di sekitarnya. Dalam penelitian ini, dibuat sebuah sistem monitoring ruangan yang dapat mendeteksi objek manusia dengan menggunakan perangkat Raspberry Pi 3 dan akan mengirimkan push notification ketika sistem mendeteksi gerakan manusia dalam video. Untuk deteksi manusia berbasis Convolutional Neural Network (CNN) digunakan framework You Only Look Once (YOLO) dan untuk mengirim notification digunakan teknologi Firebase Cloud Messaging. Dari pengujian yang dilakukan, didapatkan akurasi pendeteksian sebesar 71% untuk video pertama dan akurasi 73,2% untuk video kedua. Sensitivitas seluruh sistem adalah 55,01% dan 57,96% serta spesifisitas dari kedua tes ini adalah 95% dan 94,77%

Video conference merupakan aplikasi yang memungkinkan pengguna untuk berkomunikasi, melakukan rapat, belajar dan berbagi informasi. Hingga saat ini, sudah banyak aplikasi video conference yang digunakan, seperti Zoom, Google Meet, dan Microsoft Teams. Tentunya disetiap aplikasi terdapat ulasan mengenai aplikasi yang digunakan. Dengan adanya ulasan, maka pengguna lain dapat mempertimbangkan dan mengetahui lebih jauh terkait aplikasi yang digunakan. Namun karena jumlah ulasan di internet sangat banyak, maka diperlukan analisis sentimen untuk dapat mengklasifikasikan ke dalam sentimen positif, netral, atau negatif. Pada penelitian ini, sebanyak 400 data ulasan setiap aplikasi diambil dari Play Store. Data ulasan tersebut menggunakan Bahasa Indonesia dan diambil berdasarkan versi aplikasi terbaru. Sebelum digunakan, data perlu dilabeli dan dilakukan preprocessing terlebih dahulu untuk dapat melakukan klasifikasi sentimen. Proses pengerjaannya menggunakan pembobotan kata TF-IDF, klasifikasi Naïve Bayes, dan confusion matrix sebagai bahan evaluasi. Nantinya data ulasan dari ketiga aplikasi tersebut akan diproses secara terpisah. Dari hasil pengujian analisis sentimen menggunakan 100 data uji, didapatkan perbandingan jumlah sentimen positif antara kelas aktual (55 ulasan Zoom, 52 ulasan Google Meet, dan 47 ulasan Microsoft Teams) dengan kelas prediksi (90 ulasan, 76 ulasan, dan 71 ulasan). Selain itu, juga didapatkan nilai akurasi rata-rata dari ketiga aplikasi sebesar 69%.

Low-resolution images can be reconstructed into high-resolution images using the Super-resolution Convolution Neural Network (SRCNN) algorithm. This study aims to improve the vehicle license plate number's recognition accuracy by generating a high-resolution vehicle image using the SRCNN. The recognition is carried out by two types of character recognition methods: Tesseract OCR and SPNet. The training data for SRCNN uses the DIV2K dataset consisting of 900 images, while the training data for character recognition uses the Chars74 dataset. The high-resolution images constructed using SRCNN can increase the average accuracy of vehicle license plate number recognition by 16.9 % using Tesseract and 13.8 % with SPNet.