Articles
<![CDATA[RANCANG BANGUN APLIKASI MONITORING PEMBERIAN OBAT BAGI PASIEN ]]>
<![CDATA[Ayumi, Vina]]>;
<![CDATA[Noprisson, Handrie]]>
<![CDATA[ JSAI (Journal Scientific and Applied Informatics) Vol 1, No 1 (2018): JSAI - Applied Informatics ]]>
Publisher : <![CDATA[Fakultas Teknik Universitas Muhammadiyah Bengkulu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36085/jsai.v1i1.9
<![CDATA[Dalam melakukan pengontrolan obat secara langsung pada tiap pasien, perawat akan menghabiskan banyak waktu. Selain itu, kemungkinan terjadi kesalahan umumnya sering terjadi. Untuk menghindari terjadinya kesalahan tersebut telah dirancang dan dibuat perangkat yang digunakan untuk mengatur dan melakukan monitoring pemberian obat pada pasien. Adapun metode pengumpulan data yang digunakan dalam penelitian ini adalah dengan menggunakan 3 (tiga) cara yaitu observasi, wawancara, dan studi pustaka. Metode pengembangan sistem yang penulis gunakan adalah metode Rapid Application Development (RAD). Sebagai hasil, aplikasi ini terdiri dari beberapa class dalam sistem antara lain, perawat, pasien, obat, resep dokter dan history. Aplikasi ini diharapkan dapat membantu perawat dalam mengontrol pemberian obat pasien.]]>
<![CDATA[IMPLEMENTASI ALGORITMA NAZIEF-ADRIANI PADA FITUR TEBAK KATA DI WEB EDUKASI BAHASA INDONESIA ]]>
<![CDATA[Noprisson, Handrie]]>;
<![CDATA[Ayumi, Vina]]>
<![CDATA[ JSAI (Journal Scientific and Applied Informatics) Vol 1, No 1 (2018): JSAI - Applied Informatics ]]>
Publisher : <![CDATA[Fakultas Teknik Universitas Muhammadiyah Bengkulu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36085/jsai.v1i1.10
<![CDATA[Salah satu aturan atau tata bahasa Bahasa Indonesia yang harus diketahui adalah mengenai pengenalan kata dasar dan kata berimbuhan. Dalam bidang komputasi, salah satu algoritma yang dikembangkan dan berhubungan dengan aspek kata dasar dan kata berimbuhan Bahasa Indonesia adalah algoritma Nazief-Adriani. Metodologi penelitian terdiri dari 5 tahap yaitu pengumpulan data, analisis, desain, implementasi dan penulisan laporan. Implementasi algoritma Nazief-Adriani dilakukan pada fitur permainan tebak kata yang digunakan untuk menebak kata dasar dari imbuhan yang ada. Sebagai hasil penelitian, algoritma Nazief-Adriani berhasil diimplementasikan dan diuji coba untuk beberapa kata imbuhan (pelatihan, pendidikan dan menghasilkan) pada permainan tebak kata dasar di Web Edukasi Bahasa Indonesia dengan baik namun kekurangan dari algoritma Nazief-Adriani adalah belum mampunya untuk mendeteksi dan menghapus afiks-infiks atau imbuhan tengah/sisipan.]]>
<![CDATA[Pengenalan Gerak Manusia Menggunakan Algoritma Relevance Vector Machine pada MSRC-12 Dataset ]]>
<![CDATA[Ayumi, Vina]]>;
<![CDATA[Dwika Putra, Erwin]]>
<![CDATA[ JSAI (Journal Scientific and Applied Informatics) Vol 3, No 1 (2020): Jurnai Scientific and Applied Informatics ]]>
Publisher : <![CDATA[Fakultas Teknik Universitas Muhammadiyah Bengkulu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36085/jsai.v3i1.850
<![CDATA[Relevance vector machine is a popular machine learning technique that is motivated by statistical learning theory. RVM can be used for gesture recognition which is one of the communication tools used by humans. This study proposes an experiment using the Relevance Vector Machine (RVM) algorithm on gesture data from Microsoft Research Cambridge-12 (MSRC-12) as a proposed solution to overcome unbalanced problems in data processing. The results of the study are the accuracy for 1-person motion model reaches 100% and the lowest accuracy with 5 people the motion model reaches 96%. Graphically, the more people or models, the lower the algorithm's accuracy.]]>
<![CDATA[Klasifikasi Chest X-Ray Images Berdasarkan Kriteria Gejala Covid-19 Menggunakan Convolutional Neural Network ]]>
<![CDATA[Ayumi, Vina]]>;
<![CDATA[Nurhaida, Ida]]>
<![CDATA[ JSAI (Journal Scientific and Applied Informatics) Vol 4, No 2 (2021): Juni 2021 ]]>
Publisher : <![CDATA[Fakultas Teknik Universitas Muhammadiyah Bengkulu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36085/jsai.v4i2.1513
<![CDATA[Deteksi dini terhadap adanya indikasi pasien dengan gejala COVID-19 perlu dilakukan untuk mengurangi penyebaran virus. Salah satu cara yang dapat dilakukan untuk mendeteksi virus COVID-19 adalah dengan cara mempelajari citra chest x-ray pasien dengan gejala Covid-19. Citra chest x-ray dianggap mampu menggambarkan kondisi paru-paru pasien COVID-19 sebagai alat bantu untuk diagnosa klinis. Penelitian ini mengusulkan pendekatan deep learning berbasis convolutional neural network (CNN) untuk klasifikasi gejala COVID-19 melalui citra chest X-Ray. Evaluasi performa metode yang diusulkan akan menggunakan perhitungan accuracy, precision, recall, f1-score, dan cohens kappa. Penelitian ini menggunakan model CNN dengan 2 lapis layer convolusi dan maxpoling serta fully-connected layer untuk output. Parameter-parameter yang digunakan diantaranya batch_size = 32, epoch = 50, learning_rate = 0.001, dengan optimizer yaitu Adam. Nilai akurasi validasi (val_acc) terbaik diperoleh pada epoch ke-49 dengan nilai 0.9606, nilai loss validasi (val_loss) 0.1471, akurasi training (acc) 0.9405, dan loss training (loss) 0.2558.]]>
<![CDATA[RANCANG BANGUN APLIKASI MONITORING PEMBERIAN OBAT BAGI PASIEN ]]>
<![CDATA[Vina Ayumi]]>;
<![CDATA[Handrie Noprisson]]>
<![CDATA[ JSAI (Journal Scientific and Applied Informatics) Vol. 1 No. 1 (2018): JSAI - Applied Informatics ]]>
Publisher : <![CDATA[Fakultas Teknik Universitas Muhammadiyah Bengkulu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36085/jsai.v1i1.9
<![CDATA[Dalam melakukan pengontrolan obat secara langsung pada tiap pasien, perawat akan menghabiskan banyak waktu. Selain itu, kemungkinan terjadi kesalahan umumnya sering terjadi. Untuk menghindari terjadinya kesalahan tersebut telah dirancang dan dibuat perangkat yang digunakan untuk mengatur dan melakukan monitoring pemberian obat pada pasien. Adapun metode pengumpulan data yang digunakan dalam penelitian ini adalah dengan menggunakan 3 (tiga) cara yaitu observasi, wawancara, dan studi pustaka. Metode pengembangan sistem yang penulis gunakan adalah metode Rapid Application Development (RAD). Sebagai hasil, aplikasi ini terdiri dari beberapa class dalam sistem antara lain, perawat, pasien, obat, resep dokter dan history. Aplikasi ini diharapkan dapat membantu perawat dalam mengontrol pemberian obat pasien.]]>
<![CDATA[IMPLEMENTASI ALGORITMA NAZIEF-ADRIANI PADA FITUR TEBAK KATA DI WEB EDUKASI BAHASA INDONESIA ]]>
<![CDATA[Handrie Noprisson]]>;
<![CDATA[Vina Ayumi]]>
<![CDATA[ JSAI (Journal Scientific and Applied Informatics) Vol. 1 No. 1 (2018): JSAI - Applied Informatics ]]>
Publisher : <![CDATA[Fakultas Teknik Universitas Muhammadiyah Bengkulu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36085/jsai.v1i1.10
<![CDATA[Salah satu aturan atau tata bahasa Bahasa Indonesia yang harus diketahui adalah mengenai pengenalan kata dasar dan kata berimbuhan. Dalam bidang komputasi, salah satu algoritma yang dikembangkan dan berhubungan dengan aspek kata dasar dan kata berimbuhan Bahasa Indonesia adalah algoritma Nazief-Adriani. Metodologi penelitian terdiri dari 5 tahap yaitu pengumpulan data, analisis, desain, implementasi dan penulisan laporan. Implementasi algoritma Nazief-Adriani dilakukan pada fitur permainan tebak kata yang digunakan untuk menebak kata dasar dari imbuhan yang ada. Sebagai hasil penelitian, algoritma Nazief-Adriani berhasil diimplementasikan dan diuji coba untuk beberapa kata imbuhan (pelatihan, pendidikan dan menghasilkan) pada permainan tebak kata dasar di Web Edukasi Bahasa Indonesia dengan baik namun kekurangan dari algoritma Nazief-Adriani adalah belum mampunya untuk mendeteksi dan menghapus afiks-infiks atau imbuhan tengah/sisipan.]]>
<![CDATA[Pengenalan Gerak Manusia Menggunakan Algoritma Relevance Vector Machine pada MSRC-12 Dataset ]]>
<![CDATA[Vina Ayumi]]>;
<![CDATA[Erwin Dwika Putra]]>
<![CDATA[ JSAI (Journal Scientific and Applied Informatics) Vol. 3 No. 1 (2020): Jurnai Scientific and Applied Informatics ]]>
Publisher : <![CDATA[Fakultas Teknik Universitas Muhammadiyah Bengkulu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36085/jsai.v3i1.850
<![CDATA[Relevance vector machine is a popular machine learning technique that is motivated by statistical learning theory. RVM can be used for gesture recognition which is one of the communication tools used by humans. This study proposes an experiment using the Relevance Vector Machine (RVM) algorithm on gesture data from Microsoft Research Cambridge-12 (MSRC-12) as a proposed solution to overcome unbalanced problems in data processing. The results of the study are the accuracy for 1-person motion model reaches 100% and the lowest accuracy with 5 people the motion model reaches 96%. Graphically, the more people or models, the lower the algorithm's accuracy.]]>
<![CDATA[Klasifikasi Chest X-Ray Images Berdasarkan Kriteria Gejala Covid-19 Menggunakan Convolutional Neural Network ]]>
<![CDATA[Vina Ayumi]]>;
<![CDATA[Ida Nurhaida]]>
<![CDATA[ JSAI (Journal Scientific and Applied Informatics) Vol. 4 No. 2 (2021): Juni 2021 ]]>
Publisher : <![CDATA[Fakultas Teknik Universitas Muhammadiyah Bengkulu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36085/jsai.v4i2.1513
<![CDATA[Deteksi dini terhadap adanya indikasi pasien dengan gejala COVID-19 perlu dilakukan untuk mengurangi penyebaran virus. Salah satu cara yang dapat dilakukan untuk mendeteksi virus COVID-19 adalah dengan cara mempelajari citra chest x-ray pasien dengan gejala Covid-19. Citra chest x-ray dianggap mampu menggambarkan kondisi paru-paru pasien COVID-19 sebagai alat bantu untuk diagnosa klinis. Penelitian ini mengusulkan pendekatan deep learning berbasis convolutional neural network (CNN) untuk klasifikasi gejala COVID-19 melalui citra chest X-Ray. Evaluasi performa metode yang diusulkan akan menggunakan perhitungan accuracy, precision, recall, f1-score, dan cohens kappa. Penelitian ini menggunakan model CNN dengan 2 lapis layer convolusi dan maxpoling serta fully-connected layer untuk output. Parameter-parameter yang digunakan diantaranya batch_size = 32, epoch = 50, learning_rate = 0.001, dengan optimizer yaitu Adam. Nilai akurasi validasi (val_acc) terbaik diperoleh pada epoch ke-49 dengan nilai 0.9606, nilai loss validasi (val_loss) 0.1471, akurasi training (acc) 0.9405, dan loss training (loss) 0.2558.]]>
<![CDATA[Perbandingan Model Transfer Learning Untuk Klasifikasi Citra Agricultural Crop ]]>
<![CDATA[Vina Ayumi]]>
<![CDATA[ JSAI (Journal Scientific and Applied Informatics) Vol 5 No 3 (2022): November 2022 ]]>
Publisher : <![CDATA[Fakultas Teknik Universitas Muhammadiyah Bengkulu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36085/jsai.v5i3.3612
<![CDATA[Klasifikasi tanaman telah diterapkan selama bertahun-tahun sebagai salah satu komponen utama pemantauan pertanian. Klasifikasi jenis tanaman merupakan teknik penting untuk menyediakan informasi tersebut. Berdasarkan latar belakang diatas, penelitian ini akan melakukan agricultural crop type classification from digital images. Dataset crop images terdiri dari 40 lebih gambar untuk setiap kelas yang ada yaitu kelas maize, wheat, jute, rice dan sugarcane. Dataset kemudian dilakukan augmentasi sehingga menghasilkan 159+ gambar untuk setiap kelas. Proses augmentasi dilakukan dengan proses horizontal flip, rotation, horizontal shift dan vertical shift. Data pengujian dipersiapkan dengan jumlah terdiri dari 51 gambar dengan masing-masing 10 gambar setiap kelasnya. Berdasarkan dari hasil eksperimen, hasil akurasi validasi terbesar didapatkan dengan implementasi metode VGG16 sebesar 96.52%, sedangkan VGG19 mendapatkan akurasi sebesar 94.03%, Resnet50 mendapatkan akurasi sebesar 41.79%, Inceptionv3 mendapatkan akurasi sebesar 94.53% dan EfficientNetB0 mendapatkan akurasi sebesar 20.40%.]]>
<![CDATA[Pengenalan Objek Bunga Berbasis Deep Learning Menggunakan Model Resnet50 dan MobileNet-v2 ]]>
<![CDATA[Vina Ayumi]]>
<![CDATA[ JSAI (Journal Scientific and Applied Informatics) Vol 5 No 3 (2022): November 2022 ]]>
Publisher : <![CDATA[Fakultas Teknik Universitas Muhammadiyah Bengkulu ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.36085/jsai.v5i3.3613
<![CDATA[Seiring dengan perkembangan teknologi komputer, riset mengenai identifikasi bunga sudah mulai dilakukan. Riset ini merupakan riset awal untuk pengembangan robot berbasis artifisial intelligent untuk dapat mengenai jenis-jenis bunga dengan baik. Untuk mengetahui model atau metode yang cocok untuk identifikasi bunga perlu adanya berbagai macam riset dengan menggunakan berbagai jenis dan jumlah dataset gambar bunga. Penelitian ini akan melakukan pengenalan objek bunga berbasis deep learning menggunakan model Resnet50 dan MobileNet-v2. Dataset dalam eksperimen ini berisi 4242 data dengan gambar objek bunga yang yang terdiri dari lima kelas antara lain chamomile, tulip, rose, sunflower, dandelion. Hasil kinerja terbaik didapatkan oleh model ResNet50 dengan akurasi validasi sebesar 92.67%, sedangkan model MobileNetV2 mendapatkan akurasi validasi sebesar 91.35%.]]>
