Browsing by Author "Sriyani Violina (Pembimbing)"

Now showing 1 - 5 of 5
  • Thumbnail Image
    Item
    ANALISIS CLUSTER PADA FENOTIP PENYAKIT INFARK MIOKARD UNTUK PEMAHAMAN LEBIH LANJUT
    (Program Studi S1 Informatika, 2024) Ghaniyyu, Rayhan Raj; Sriyani Violina (Pembimbing)
    Infark miokard (serangan jantung) adalah salah satu penyebab utama kematian di Indonesia, yang terjadi karena penyumbatan aliran darah ke jantung, menyebabkan kekurangan oksigen pada otot jantung. Penelitian ini menganalisis karakteristik pasien infark miokard dengan menggunakan metode Agglomerative Hierarchical Clustering (AHC) dengan pendekatan Ward, yang membagi data menjadi 4 kelompok (cluster). Dataset yang digunakan terdiri dari 1699 data pasien dengan 124 variabel, termasuk usia, jenis kelamin, faktor risiko, gejala klinis, dan hasil tes diagnostik. AHC adalah metode yang mengelompokkan data dengan menggabungkan titik-titik data yang paling mirip satu sama lain secara bertahap hingga terbentuk kelompok-kelompok besar. Hasil penelitian menunjukkan bahwa metode Ward dengan 4 cluster memberikan hasil terbaik, dengan Davies-Bouldin Index sebesar 0,58 dan Silhouette Score 0,59. Visualisasi menggunakan tDistributed Stochastic Neighbor Embedding (t-SNE) menunjukkan bahwa data dalam cluster terpisah dengan jelas, membantu dalam diagnosis dan perawatan pasien infark miokard secara lebih efektif.
  • Thumbnail Image
    Item
    CHATBOT AI BERBASIS WEB DENGAN METODE DEEP LEARNING SEBAGAI SARANA PENINGKATAN KUALITAS LAYANAN UNIT E-LEARNING UNIVERSITAS WIDYATAMA
    (Program Studi S1 Informatika, 2024) Ganeshaputra, Yoga; Sriyani Violina (Pembimbing)
    Perkembangan teknologi di era modern membuat kegiatan dapat dilakukan secara cepat dan efisien, terutama di bidang pendidikan. Unit Elearning di Universitas Widyatama seringkali menghadapi banyak pertanyaan dan kendala dari mahasiswa yang membutuhkan respon cepat. Untuk menghadapi tantangan tersebut pengembangan chatbot dengan teknologi Artificial Intelligence (AI) berbasis deep learning dapat menjadi sebuah solusi untuk menjawab pertanyaan dengan cepat. Penggunaan deep learning ini mengunakan metode Convolutional Neural Network (CNN) karena arsitekturnya yang efektif dapat memahami konteks dalam text classification. Chatbot ini dirancang untuk mendapatkan respon yang cepat terhadap pertanyaan atau kendala yang dialami oleh mahasiswa. Kendala utama yang sering dihadapi oleh mahasiswa mengenai E-Learning yaitu kelas, koneksi, login dan tugas. Proses penelitian ini meliputi pengumpulan data, preprocessing data seperti text cleaning, tokenizing dan stemming hingga pelatihan model dan pengujian model menggunakan confusion matrix. Hasil pengujian menggunakan confusion matrix pada penelitian ini menunjukan bahwa model CNN yang dikembangkan memiliki tingkat akurasi yang tinggi dalam melakukan klasifikasi teks dengan nilai f1-socre mencapai 0.99.
  • Thumbnail Image
    Item
    DETEKSI DAN KLASIFIKASI CITRA KANKER DARAH MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK
    (Program Studi S1 Informatika, 2024) Damayanti, Niken Rosiana; Sriyani Violina (Pembimbing)
    Kanker adalah salah satu penyebab utama kematian di seluruh dunia, salah satu jenis kanker yang perlu diperhatikan yaitu kanker darah atau Leukemia. Leukemia adalah suatu kondisi sumsum tulang memproduksi sel darah putih secara berlebihan. Jumlah sel darah putih yang lebih banyak dibandingkan sel darah merah mampu merusak kinerja organ tubuh lain. Profilaksis dini diperlukan untuk membatasi jumlah pengidap Leukemia, mengingat tingginya jumlah kasus kematian dan bahaya yang disebabkan oleh kanker darah. Memanfaatkan teknologi dalam bidang medis dapat menjadi sebuah solusi dan mampu mendeteksi kanker sejak dini. Salah satu cara untuk mendeteksi penyakit dapat menggunakan citra hasil pemeriksaan pada pasien. Citra tersebut digunakan sebagai input dari kecerdasan buatan sebagai identifikasi citra. Metode dari Deep Learning yang dapat digunakan untuk identifikasi dan pengklasifikasian data citra yaitu Convolutional Neural Network (CNN). Penelitian ini menggunakan metode Convolutional Neural Network dengan arsitektur VGG-16 dengan objek penelitian yaitu identifikasi kanker darah. Data yang digunakan data citra Peripheral Blood Smears dengan total data kanker darah 10.000 data dan darah normal 10.000 data. Performasi yang didapatkan dari uji model terbaik dengan tiga parameter yaitu skenario data, nilai learning rate dan jumlah epoch. Akurasi tertinggi didapatkan dari skenario data 90%:5%:5% jumlah Epoch 20 dan nilai Learning Rate 0,0001 menghasilkan akurasi 100%. Nilai Precision, Recall dan F1-Score masing-masing mendapatkan 100%.
  • Thumbnail Image
    Item
    DETEKSI PEMALSUAN WAJAH PADA VIDEO MENGGUNAKAN METODE DUAL ATTENTION FORGERY DETECTION NETWORK
    (Program Studi S1 Informatika, 2024) Sutiono, Asep; Sriyani Violina (Pembimbing)
    Video palsu yang dihasilkan oleh teknologi deepfake tersebar secara online. Sebagian besar berisi konten berbahaya dan mengakibatkan kerusuhan, kecemasan sosial, ancaman politik serta masalah sosial lainnya. Beberapa teknik telah diajukan untuk mencegah penyalahgunaan teknologi deepfake dan mekanisme attention memungkinkan Convolutional Neural Network (CNN) untuk fokus pada bagian kritis pada gambar seperti mulut atau mata. Metode Dual Attention Forgery Detection Network (DAFDN) menggunakan dua mekanisme attention, yaitu Spatial Reduction Attention Block (SRAB) dan Forgery Feature Attention Module (FFAM). Metode DAFDN menghasilkan skor Area Under the Curve (AUC) sebesar 91,1% pada dataset Deepfake Detection Challenge (DFDC) dan 94,5% pada dataset FaceForensics++ (FF++). Pada penelitian ini, penulis menggunakan metode DAFDN yang disematkan pada EfficientNet-B4 untuk mendeteksi pemalsuan wajah pada dataset dari Celeb-DF dan menghasilkan skor AUC sebesar 90%.
  • Thumbnail Image
    Item
    PERBANDINGAN ALGORITMA K-MEDOIDS DAN K-MEANS DALAM MENENTUKAN SEGMENTASI PASAR PADA PERENCANAAN PEMBUATAN PRODUK SUNSCREEN
    (Program Studi S1 Informatika, 2024) Putri, Astriani Santi Ega; Sriyani Violina (Pembimbing)
    Pada era saat ini, dengan maraknya penggunaan media sosial X berbasis teks ini seringkali masyarakat membuat tweet berupa opini terhadap produk atau barang yang digunakannya sehingga memberikan pengaruh terhadap pengguna lain bagi yang membaca tweet tersebut. Karena hal tersebut, pada penelitian ini akan membahas mengenai sentimen analisis yang bertujuan memberikan suatu keputusan dari berbagai macam opini masyarakat di X terhadap produk sunscreen yang marak digunakan saat ini yang nantinya bisa menjadi peluang untuk produsen dalam membuat inovasi produk yang dibutuhkan oleh masyarakat saat ini. Dari data sentimen analisis ini data diolah menggunakan algoritma K-Medoids dan K-Means yang dianalisis yang bertujuan untuk mengetahui tingkat keakurasian dari masingmasing metode algoritma. Adapun untuk tahapan untuk penelitian ini dimulai dari pengumpulan data dari platform sosial media X sebanyak sekitar 10.000 tweet yang berkaitan dengan kata kunci sunscreen, selanjutnya dilakukan pre-processing untuk mencari kata-kata yang sering muncul pada tweet, lalu data yang sudah di preprocessing diproses menggunakan metode sentimen analisis dengan menghasilkan 3 kelompok yaitu tweet dengan kelompok positif, netral, dan negatif. Dari hasil kelompok tersebut, kelompok tweet dengan hasil positif dihitung jumlah frekuensi kemunculannya sehingga dihasilkan jenis sunscreen dengan keunggulan tertentu yang dapat dijadikan inovasi produk selanjutnya. Dari hasil data sentimen analisis sebelumnya, data diproses menggunakan metode algoritma clustering K-Medoids dan K-Means untuk mengetahui hasil akurasi dari masing-masing algoritma dengan diperoleh hasil algoritma K-Means dengan indeks hasil uji tertinggi yaitu 0,609 pada cluster 5 sedangkan pada algoritma K-Medoids dengan indeks hasil uji tertinggi sebesar 0, 689 berada pada cluster 3. Sehingga untuk algoritma yang baik dalam pengolahan data sentimen ini adalah algoritma K-Medoids.