Hasil Pencarian: "Deep Learning" (Semua Bidang (Umum))
Penelusuran metadata karya ilmiah dan dokumen institusi Universitas Bina Insani.
Filter Otomatis
ResetHasil Pencarian: "Deep Learning" (Semua Bidang (Umum))
Menampilkan 5 karya ilmiah repository terverifikasi (Skripsi & Artikel Jurnal OJS)
| Detail Karya Ilmiah & Metadata | Tipe & Program Studi | Aksi Metadata |
|---|---|---|
SISTEM DETEKSI PENYAKIT GIGI MENGGUNAKAN ALGORITMA YOLOv8 DAN RESNET-18 PADA KLINK GIGI HAI DENT
Penulis: Bagas Aditya, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Penyakit gigi dan mulut merupakan masalah kesehatan dengan prevalensi tinggi, di mana pasien seringkali mengirimkan foto rongga mulut dengan kualitas kurang baik saat konsultasi daring sehingga menyulitkan diagnosis dokter. Penelitian ini bertujuan untuk mengembangkan sistem skrining awal klinis berbasis web menggunakan pendekatan deep learning dengan arsitektur two-stage (YOLOv8 dan ResNet-18). YOLOv8 digunakan untuk melokalisasi dan memotong area gigi bermasalah (Region of Interest) guna menghilangkan gangguan visual latar belakang, yang kemudian diproses dan diklasifikasikan oleh ResNet-18 ke dalam 7 kelas (Karies, Calculus, Gingivitis, Mouth Ulcer, Tooth Discoloration, Hipodontia, dan Sehat). Sistem ini juga mengimplementasikan Grad-CAM sebagai Explainable AI (XAI) untuk memvisualisasikan area prediksi penyakit secara transparan. Menggunakan metodologi CRISP-DM, model dilatih dengan 11.957 data citra klinis. Hasil evaluasi menunjukkan bahwa YOLOv8 mencapai nilai mAP@50 sebesar 88,17%. Sementara itu, ResNet-18 mencetak tingkat akurasi sebesar 92,25% dan F1-Score 92,37%. Pengujian performa sistem dengan membandingkan prediksi AI dan diagnosis pakar (dokter gigi) pada data baru memperoleh tingkat kesesuaian sebesar 83,33%. Kesimpulannya, integrasi YOLOv8 dan ResNet-18 berhasil memberikan hasil skrining awal yang akurat, meringankan beban kerja administratif klinik, serta mempermudah pasien dalam melakukan deteksi gejala gigi secara mandiri.
#Deep Learning
#Deteksi Penyakit Gigi
#ResNet-18
#Web
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
Perancangan Sistem Monitoring Ketersediaan Meja Coffee Shop Berbasis Computer Vision Menggunakan YOLOv8
Penulis: Muhammad Ilham Syawal Sanusi, Jafar Shadiq, S.Kom. M.Kom |
2026
Perkembangan sektor Food and Beverages di Indonesia mendorong Coffee shop untuk memberikan pelayanan yang cepat dan efisien. Namun, di Naluri Kopi Bojong Gede, proses pemantauan ketersediaan meja masih dilakukan secara manual oleh petugas, sehingga membutuhkan waktu dan berpotensi menimbulkan keterlambatan dalam memberikan informasi kepada pelanggan, terutama pada jam sibuk. Penelitian ini bertujuan merancang sistem monitoring okupansi meja yang mampu memberikan informasi ketersediaan meja secara real-time, serta mengimplementasikan teknologi Deep Learning dan Computer Vision menggunakan algoritma YOLOv8n untuk mendeteksi status meja kosong dan terisi secara otomatis. Penelitian ini menggunakan model pengembangan Rapid Application Development (RAD) yang terdiri atas tahap Requirements Planning, User Design, Construction, dan Cutover. Model YOLOv8n pretrained berbasis dataset MS COCO digunakan untuk mendeteksi objek person pada area meja yang telah dikalibrasi (Region of Interest), kemudian dipadukan dengan mekanisme Temporal Filtering untuk menentukan status meja available atau occupied yang ditampilkan pada dashboard monitoring berbasis web. Kontribusi penelitian ini adalah tersedianya solusi otomatisasi pemantauan meja tanpa memerlukan pelatihan model tambahan. Hasil pengujian fungsional menggunakan Black Box Testing menunjukkan seluruh 12 skenario pengujian berjalan valid. Pengujian akurasi terhadap 300 data menghasilkan nilai Accuracy sebesar 89,00%, Precision sebesar 88,67%, Recall sebesar 90,38%, dan F1-Score sebesar 89,52%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa sistem monitoring okupansi meja berbasis YOLOv8n mampu mendeteksi status ketersediaan meja secara real-time dengan tingkat ketepatan yang baik, sehingga dapat membantu petugas mengurangi pengecekan manual dan meningkatkan efisiensi pelayanan pada Coffee shop.
#Computer Vision
#Deep Learning
#YOLOv8n
#Monitoring Okupansi Meja
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
Pengembangan Intrusion Detection System (IDS) Berbasis Deep Learning CNN-LSTM Untuk Klasifikasi Serangan DDoS
Penulis: Achmad Sholehudin, JAFAR SHADIQ, S.Kom., M.Kom. |
2026
Server Open Journal Systems (OJS) Universitas Bina Insani merupakan infrastruktur kritis yang rentan terhadap serangan Distributed Denial of Service (DDoS). Proses pemantauan yang selama ini dilakukan secara manual menggunakan Wireshark terbukti bersifat lambat dan reaktif, serta tidak mampu menganalisis lalu lintas pada protokol terenkripsi (HTTPS) karena bergantung pada inspeksi isi paket (payload). Penelitian ini bertujuan mengembangkan Intrusion Detection System (IDS) berbasis Deep Learning yang mampu mengklasifikasikan serangan DDoS secara otomatis dan real-time tanpa bergantung pada proses dekripsi muatan paket. Sistem dibangun menggunakan arsitektur Hybrid Deep Learning yang menggabungkan lapisan Convolutional Neural Network (CNN) untuk ekstraksi fitur spasial dan Long Short-Term Memory (LSTM) untuk analisis ketergantungan temporal antar-paket jaringan. Pengembangan sistem mengadopsi kerangka kerja Knowledge Discovery in Databases (KDD) dengan memanfaatkan kombinasi dataset standar global CICDDoS2019 dan data simulasi lalu lintas jaringan dari virtual testbed lokal. Evaluasi kuantitatif model menggunakan Confusion Matrix terhadap 141.054 sampel aliran data menghasilkan akurasi global sebesar 87% dengan presisi kelas Normal mencapai 0,99. Pengujian fungsional secara real-time pada seluruh skenario (TCP SYN Flood, HTTP Flood, dan HTTPS) menunjukkan tingkat keyakinan prediksi sebesar 100%. Pengujian latensi inferensi pada server OJS membuktikan sistem beroperasi dengan rata-rata waktu respons 57,91 milidetik dan nilai Persentil ke-99 sebesar 114,22 milidetik, jauh di bawah ambang batas kritis 500 milidetik. Hasil penelitian membuktikan bahwa IDS berbasis CNN-LSTM yang menganalisis Network Flow mampu mengklasifikasikan serangan DDoS pada protokol terenkripsi secara akurat melalui sidik jari temporal Inter-Arrival Time (IAT), tanpa memerlukan dekripsi paket, serta layak dioperasikan pada lingkungan server produksi secara real-time.
#CNN-LSTM
#DDoS
#Deep Learning
#Intrusion Detection System
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM DETEKSI PENYAKIT GIGI MENGGUNAKAN ALGORITMA YOLOv8 DAN RESNET-18 PADA KLINK GIGI HAI DENT
Penulis: Bagas Aditya, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Penyakit gigi dan mulut merupakan masalah kesehatan dengan prevalensi tinggi, di mana pasien seringkali mengirimkan foto rongga mulut dengan kualitas kurang baik saat konsultasi daring sehingga menyulitkan diagnosis dokter. Penelitian ini bertujuan untuk mengembangkan sistem skrining awal klinis berbasis web menggunakan pendekatan deep learning dengan arsitektur two-stage (YOLOv8 dan ResNet-18). YOLOv8 digunakan untuk melokalisasi dan memotong area gigi bermasalah (Region of Interest) guna menghilangkan gangguan visual latar belakang, yang kemudian diproses dan diklasifikasikan oleh ResNet-18 ke dalam 7 kelas (Karies, Calculus, Gingivitis, Mouth Ulcer, Tooth Discoloration, Hipodontia, dan Sehat). Sistem ini juga mengimplementasikan Grad-CAM sebagai Explainable AI (XAI) untuk memvisualisasikan area prediksi penyakit secara transparan. Menggunakan metodologi CRISP-DM, model dilatih dengan 11.957 data citra klinis. Hasil evaluasi menunjukkan bahwa YOLOv8 mencapai nilai mAP@50 sebesar 88,17%. Sementara itu, ResNet-18 mencetak tingkat akurasi sebesar 92,25% dan F1-Score 92,37%. Pengujian performa sistem dengan membandingkan prediksi AI dan diagnosis pakar (dokter gigi) pada data baru memperoleh tingkat kesesuaian sebesar 83,33%. Kesimpulannya, integrasi YOLOv8 dan ResNet-18 berhasil memberikan hasil skrining awal yang akurat, meringankan beban kerja administratif klinik, serta mempermudah pasien dalam melakukan deteksi gejala gigi secara mandiri.
#Deep Learning
#Deteksi Penyakit Gigi
#ResNet-18
#Web
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
NAMED ENTITY RECOGNITION BERBASIS FINE-TUNING INDOBERT UNTUK EKSTRAKSI DAN REKONSILIASI DATA LOGISTIK
Penulis: Alif Haikal, JAFAR SHADIQ, S.Kom., M.Kom. |
2026
PT. Rafay Anugrah Logistik mengandalkan WhatsApp untuk koordinasi pesanan armada harian, namun proses pemindahan pesanan multi-unit ke Excel serta pencocokan pesan susulan dengan pesanan induknya masih dilakukan secara manual, sehingga rawan penumpukan pekerjaan dan kesalahan seiring meningkatnya volume pesanan. Penelitian ini mengusulkan pipeline Deep Learning hibrida menggunakan dua model fine-tuning IndoBERT untuk mengotomasi kedua proses tersebut. Model pertama, berbasis Indobert-Base-Uncased, menerapkan Named Entity Recognition (NER) untuk mengekstraksi sembilan atribut inti pesanan dari teks WhatsApp mentah menggunakan skema anotasi BIO. Model kedua, berbasis IndoBERT-Base-p2, menerapkan Sequence-Pair Classification untuk menentukan apakah pesan susulan cocok dengan pesanan induk yang telah tersimpan, didukung mekanisme rulebased post-processing untuk standarisasi output. Sistem dikembangkan menggunakan metodologi CRISP-DM dan diimplementasikan sebagai purwarupa web berbasis Streamlit. Pada data uji sebanyak 36 pesan yang disusun manual, model NER mencapai F1-Score ratarata makro sebesar 99,4%, sedangkan model Sequence-Pair Classification mencapai F1-Score makro sebesar 97,2% (91,46% pada data validasi). Hasil ini menunjukkan bahwa pendekatan fine-tuning IndoBERT layak diterapkan untuk mengotomasi ekstraksi dan rekonsiliasi data pesanan logistik, meskipun temuan ini masih merupakan bukti kelayakan awal (proof of concept), bukan validasi pada skala operasional penuh.
#Ekstraksi Data Logistik
#Fine-tuning
#IndoBERT
#Named Entity Recognition
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|