Claim Missing Document
Check
Articles

Found 12 Documents
Search

A Local Government Application Capability Level Information System Audit using COBIT 5 Framework Bagus Dwi Andika; Sucipto Sucipto; Arie Nugroho
Journal of Innovation Information Technology and Application (JINITA) Vol 5 No 2 (2023): JINITA, December 2023
Publisher : Politeknik Negeri Cilacap

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.35970/jinita.v5i2.1971

Abstract

The ASN application stores State Civil Apparatus and Employee Work Target master data. ASN application has never been audited. This study aimed to measure the capability level of the ASN application using the COBIT 5 framework. The audit results contain current findings and expectations for the future, then analyze the gaps and make recommendations for improvement. Audit results based on domains DSS01, DSS02, DSS03, DSS04, DSS05, and DSS06 achieve capability level 1 performance process. The ASN application manager has successfully implemented a process that has achieved its goals by finding evidence of work product output. To achieve the expected level, namely level 2 managed process, it is recommended that you complete incomplete output documents and carry out activities that have not been carried out per COBIT 5.
IMPLEMENTASI AUGMENTASI DATA PADA INTEGRASI YOLOV8 DAN DETR UNTUK DETEKSI SEL DARAH PUTIH Ahmad Tohari; Arie Nugroho; Anita Sari Wardani
Device Vol. 16 No. 1 (2026): Mei
Publisher : Fakultas Teknik dan Ilmu Komputer (FASTIKOM) UNSIQ

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32699/device.v16i1.11317

Abstract

Identifikasi sel darah putih secara konvensional di laboratorium memiliki keterbatasan dalam hal efisiensi waktu dan konsistensi akurasi akibat kelelahan visual manusia. Penelitian ini bertujuan mengimplementasikan arsitektur Detection Transformer (DETR) yang diintegrasikan dengan kerangka kerja YOLOv8 untuk meningkatkan performa deteksi pada lima jenis sel darah putih (Basofil, Eosinofil, Limfosit, Monosit, dan Neutrofil). Fokus utama penelitian adalah mengatasi limitasi arsitektur Convolutional Neural Network (CNN) dalam mendeteksi objek yang saling tumpang tindih (overlapping) serta menyeimbangkan distribusi kelas pada dataset publik yang terbatas. Menggunakan metodologi CRISP-DM, tahap persiapan data menerapkan teknik augmentasi spasial dan oversampling untuk memperkaya 136 citra mentah menjadi 310 citra latih beresolusi 640x640 piksel. Eksperimen dilakukan menggunakan model RT-DETR-L yang memiliki kemampuan Global Context Mapping. Hasil evaluasi menunjukkan performa unggul dengan nilai Presisi 0,957, Recall 0,933, dan mAP50 sebesar 0,931. Model berhasil mencapai akurasi sempurna (1,00) pada klasifikasi Eosinofil, Limfosit, dan Monosit. Kesimpulannya, integrasi arsitektur Transformer dan strategi augmentasi data terbukti sangat efektif dalam meningkatkan akurasi deteksi dan meminimalkan misklasifikasi, menjadikannya solusi yang tangguh untuk diimplementasikan dalam sistem diagnostik medis otomatis berbasis web menggunakan Streamlit.