Claim Missing Document
Check
Articles

Found 2 Documents
Search
Journal : Sainteks

Implementasi Metode Long Short Term Memory (LSTM) pada Chatbot Kesehatan Mental Mahasiswa Afrisia, Silviana Putri; Hana, Fida Maisa; Wahyudin, Widya Cholid
Sainteks Vol. 21 No. 2 (2024): Oktober
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v21i2.23869

Abstract

Berdasarkan survei I-NAMHS yang dilakukan pada tahun 2022, menunjukkan bahwa masalah kesehatan mental yang umum terjadi di kalangan remaja meliputi gangguan kecemasan, depresi, gangguan tingkah laku, serta gangguan stres pascatrauma (PTSD). Menanggapi isu yang kompleks ini diperlukan kesadaran akan pentingnya kesehatan mental, yaitu dengan mengembangkan dan mengimplementasikan metode Long Short Term Memory (LSTM) pada chatbot kesehatan mental yang ditujukan bagi mahasiswa. Chatbot ini dirancang untuk memberikan dukungan emosional dan solusi praktis bagi mahasiswa yang menghadapi berbagai masalah kesehatan mental. Untuk itu LSTM dipilih karena kemampuannya yang unggul dalam memahami dan memproses urutan data yang panjang, sehingga memungkinkan chatbot untuk mengingat konteks percakapan. Respons yang diterima pada saat melakukan uji coba chatbot kesehatan mental sangat baik dan relevan karena dipengaruhi tingginya akurasi pada pelatihan model. Hasil pelatihan model LSTM menunjukkan akurasi 98% dan loss sebesar 0,0614 dengan 50 epochs. Diharapkan dengan adanya penelitian mengenai implementasi metode LSTM pada chatbot ini dapat membantu penelitian berikutnya untuk mengembangkan lebih lanjut chatbot kesehatan mental dan menjangkau mahasiswa.
Pengembangan Model Deteksi Tumor Otak pada Magnetic Resonance Imaging Menggunakan Arsitektur YOLOv10 Ahadin, Akbar Ihsanul; Hana, Fida Maisa; Prihandono, Agung
Sainteks Vol. 21 No. 2 (2024): Oktober
Publisher : Lembaga Penelitian dan Pengabdian Masyarakat (LPPM)

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.30595/sainteks.v21i2.23989

Abstract

Dengan meningkatnya kebutuhan akan diagnosis yang cepat dan akurat dalam bidang medis, model deteksi berbasis deep learning menawarkan solusi yang menjanjikan. Penelitian ini bertujuan untuk mengembangkan model deteksi tumor otak pada citra Magnetic Resonance Imaging (MRI) menggunakan arsitektur YOLOv10. YOLOv10 dipilih karena kemampuannya dalam melakukan deteksi objek secara real-time dengan tingkat akurasi yang tinggi. Dalam penelitian ini, dataset MRI otak yang terdiri dari 1003 gambar digunakan untuk melatih model. Proses pelatihan dilakukan dengan menggunakan berbagai jumlah epoch untuk mengidentifikasi parameter yang optimal. Hasil menunjukkan bahwa model YOLOv10 mampu mendeteksi tumor otak dengan tingkat presisi yang tinggi, dengan metrics precision sebesar 97,88%, recall 95,24%, dan mAP50 sebesar 95,84%.pada epoch 200. Model ini diharapkan dapat digunakan sebagai alat bantu bagi para profesional medis dalam mendeteksi tumor otak secara lebih efisien dan efektif, serta memberikan kontribusi signifikan dalam bidang diagnosa penyakit menggunakan teknologi berbasis kecerdasan buatan.