Pub Date : 2022-08-24DOI: 10.22146/jnteti.v11i3.3704
Muhammad Riza Alifi, Transmissia Semiawan, D. C. U. Lieharyani, Hashri Hayati
Teknologi manajemen data yang terus berkembang telah mendorong popularitas not only structured query language (NoSQL) berorientasi dokumen menjadi salah satu model data yang paling banyak digunakan saat ini. Selain popularitas tersebut, terdapat keunggulan menarik, yaitu kemampuannya menawarkan fleksibilitas penyimpanan data dalam berbagai bentuk dan ukuran, baik untuk data terstruktur maupun tidak terstruktur. Namun, fleksibilitas model data tersebut menjadi tantangan tersendiri karena dapat berdampak pada pembentukan skema yang lebih kompleks jika tidak mempertimbangkan pola desain yang sesuai dengan kebutuhan. Studi ini bertujuan untuk melakukan pemodelan data relasional pada NoSQL berorientasi dokumen pada tingkat konseptual, logis, dan fisik. Rancangan tingkat konseptual dibentuk berdasarkan proses, aturan, dan kebutuhan bisnis. Sementara itu, rancangan tingkat logis dan fisik dibentuk berdasarkan pola desain extended reference dan computed yang ditentukan dari beban kerja operasi. Rancangan model data relasional pada NoSQL berorientasi dokumen berhasil dibentuk menggunakan entity relationship diagram (ERD), dengan notasi Chen untuk tingkat konseptual dan CRD baik untuk tingkat logis maupun fisik. Fokus rancangan tingkat konseptual terletak pada representasi entitas, atribut, dan relasi. Berbeda dengan tingkat konseptual yang cenderung abstrak, fokus rancangan tingkat logis terletak pada representasi skema collection (embedded dan reference), termasuk pola desain yang dipengaruhi oleh pembentukan relasi. Selanjutnya, fokus rancangan tingkat fisik adalah merepresentasikan skema ke dalam bentuk yang lebih konkret. Rancangan tingkat fisik hampir sama dengan tingkat logis. Perbedaannya hanya terletak pada penambahan detail untuk tipe data dan struktur data. Evaluasi rancangan model data dilakukan menggunakan daftar tilik pemeriksaan untuk setiap tingkatan. Studi ini berkontribusi untuk merancang model data dengan keunggulan kinerja membaca yang lebih baik (read-intensive) karena tidak perlu melakukan operasi gabungan (join) antar-collection yang memiliki relasi dan tidak perlu melakukan pengulangan proses komputasi untuk atribut turunan.
{"title":"Pemodelan Data Relasional pada NoSQL Berorientasi Dokumen","authors":"Muhammad Riza Alifi, Transmissia Semiawan, D. C. U. Lieharyani, Hashri Hayati","doi":"10.22146/jnteti.v11i3.3704","DOIUrl":"https://doi.org/10.22146/jnteti.v11i3.3704","url":null,"abstract":"Teknologi manajemen data yang terus berkembang telah mendorong popularitas not only structured query language (NoSQL) berorientasi dokumen menjadi salah satu model data yang paling banyak digunakan saat ini. Selain popularitas tersebut, terdapat keunggulan menarik, yaitu kemampuannya menawarkan fleksibilitas penyimpanan data dalam berbagai bentuk dan ukuran, baik untuk data terstruktur maupun tidak terstruktur. Namun, fleksibilitas model data tersebut menjadi tantangan tersendiri karena dapat berdampak pada pembentukan skema yang lebih kompleks jika tidak mempertimbangkan pola desain yang sesuai dengan kebutuhan. Studi ini bertujuan untuk melakukan pemodelan data relasional pada NoSQL berorientasi dokumen pada tingkat konseptual, logis, dan fisik. Rancangan tingkat konseptual dibentuk berdasarkan proses, aturan, dan kebutuhan bisnis. Sementara itu, rancangan tingkat logis dan fisik dibentuk berdasarkan pola desain extended reference dan computed yang ditentukan dari beban kerja operasi. Rancangan model data relasional pada NoSQL berorientasi dokumen berhasil dibentuk menggunakan entity relationship diagram (ERD), dengan notasi Chen untuk tingkat konseptual dan CRD baik untuk tingkat logis maupun fisik. Fokus rancangan tingkat konseptual terletak pada representasi entitas, atribut, dan relasi. Berbeda dengan tingkat konseptual yang cenderung abstrak, fokus rancangan tingkat logis terletak pada representasi skema collection (embedded dan reference), termasuk pola desain yang dipengaruhi oleh pembentukan relasi. Selanjutnya, fokus rancangan tingkat fisik adalah merepresentasikan skema ke dalam bentuk yang lebih konkret. Rancangan tingkat fisik hampir sama dengan tingkat logis. Perbedaannya hanya terletak pada penambahan detail untuk tipe data dan struktur data. Evaluasi rancangan model data dilakukan menggunakan daftar tilik pemeriksaan untuk setiap tingkatan. Studi ini berkontribusi untuk merancang model data dengan keunggulan kinerja membaca yang lebih baik (read-intensive) karena tidak perlu melakukan operasi gabungan (join) antar-collection yang memiliki relasi dan tidak perlu melakukan pengulangan proses komputasi untuk atribut turunan.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"106 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-08-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"80727504","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-08-24DOI: 10.22146/jnteti.v11i3.3743
Cut Fiarni, Arief Samuel Gunawan, Ishak Anthony
Offering promotion coupons is one of the most popular strategies of online marketing to attract new customers and increase customer loyalty. However, this strategy opens chances for fraud risk as the coupons are being redeemed multiple times using fake accounts. This risk becomes a burden to marketing costs and leads to failure to accomplish the intended strategic value. Therefore, this research focuses on building an automatic detection system of online promotion abuse based on its risk level. The proposed system also must work on live stream and bulk data. Therefore, in live stream data, it could alert the administrator before the transaction finished or the next process started. After conducting an exploratory factor analysis of the 24 attributes collected from four tables of data transaction, there were seven attributes indicating promotion abuse. These attributes were the user IP address, shipping address, mobile number, member email, order email, payment ID, and product name. Then, supervised machine learning of similarity algorithms was used to build models and find the hidden correlation of attributes to indicate the promotion abuse. The result from comparing five similarity methods showed that based on the workflow and performance, the most suitable methods for this case were exact match and Levenshtein edit base. The automatic risk scoring feature of the proposed system used seven attributes of online transactions as their most prominent promotion abuse parameter based on its hidden correlation. From the system performance testing, the result values of precision, recall, and F-measure are 95%, 93%, and 0.94, respectively. These results indicate that the system performance is satisfactory.
{"title":"Detection System of Promotion Abuse Using Similarity and Risk Scoring Methods","authors":"Cut Fiarni, Arief Samuel Gunawan, Ishak Anthony","doi":"10.22146/jnteti.v11i3.3743","DOIUrl":"https://doi.org/10.22146/jnteti.v11i3.3743","url":null,"abstract":"Offering promotion coupons is one of the most popular strategies of online marketing to attract new customers and increase customer loyalty. However, this strategy opens chances for fraud risk as the coupons are being redeemed multiple times using fake accounts. This risk becomes a burden to marketing costs and leads to failure to accomplish the intended strategic value. Therefore, this research focuses on building an automatic detection system of online promotion abuse based on its risk level. The proposed system also must work on live stream and bulk data. Therefore, in live stream data, it could alert the administrator before the transaction finished or the next process started. After conducting an exploratory factor analysis of the 24 attributes collected from four tables of data transaction, there were seven attributes indicating promotion abuse. These attributes were the user IP address, shipping address, mobile number, member email, order email, payment ID, and product name. Then, supervised machine learning of similarity algorithms was used to build models and find the hidden correlation of attributes to indicate the promotion abuse. The result from comparing five similarity methods showed that based on the workflow and performance, the most suitable methods for this case were exact match and Levenshtein edit base. The automatic risk scoring feature of the proposed system used seven attributes of online transactions as their most prominent promotion abuse parameter based on its hidden correlation. From the system performance testing, the result values of precision, recall, and F-measure are 95%, 93%, and 0.94, respectively. These results indicate that the system performance is satisfactory.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"67 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-08-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"72701791","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Indonesia berkomitmen menurunkan emisi gas rumah kaca (GRK) melalui skema nationally determined contribution (NDC). Target yang hendak dicapai untuk menurunkan emisi GRK yaitu 29% melalui skema business as usual (BAU) atau 41% dengan bantuan internasional. Target ambisius ini membutuhkan transformasi, baik dalam sistem energi maupun sistem pangan dan tata guna lahan, yang perlu mengatasi potensi pertukaran di antara sejumlah besar target, seperti ketahanan pangan, ketahanan energi, menghindari deforestasi, konservasi keanekaragaman hayati, persaingan penggunaan lahan, serta penggunaan air tawar. Mitigasi dan adaptasi memiliki peran yang saling melengkapi dalam merespons perubahan iklim yang dilakukan pada skala temporal dan spasial. Makalah ini bertujuan untuk melakukan simulasi dan prediksi pada emisi manure management penghasil CO2eq dengan menggunakan metode pembelajaran mesin long short-term memory (LSTM) dan gated recurrent unit (GRU). Arsitektur lapisan tersembunyi yang digunakan berjumlah enam kombinasi, sedangkan dataset diperoleh dari repositori fao.org. Optimizer yang digunakan dalam makalah ini yaitu RMSprop, dengan graphical user interface menggunakan dashboard Streamlit. Hasil dari penelitian ini yaitu; (a) cattle dengan lima belas epoch menggunakan lapisan tersembunyi empat kombinasi (LSTM, GRU, LSTM, GRU) menghasilkan RMSE 450,601; (b) non-dairy cattle dengan lima belas epoch dan satu lapisan tersembunyi (GRU, GRU, GRU, GRU) menghasilkan nilai RMSE 361,421; (c) poultry birds dengan nilai dua belas epoch dan tiga lapisan tersembunyi (GRU, GRU, LSTM, LSTM) menghasilkan nilai RMSE 341,429. Tantangan yang dihadapi adalah penentuan epoch, kombinasi lapisan tersembunyi, serta karakteristik dataset yang berjumlah relatif sedikit. Hasil dari penelitian ini diharapkan dapat memberikan nilai tambah untuk mengembangkan alat dan model pendukung keputusan yang lebih baik untuk menilai tren emisi di sektor peternakan serta untuk mengembangkan strategi mitigasi emisi CO2eq yang mengarah pada praktik pengelolaan pupuk yang berkelanjutan.
{"title":"Metode Pembelajaran Mesin untuk Memprediksi Emisi Manure Management","authors":"Widi Hastomo, Nur aini, Adhitio Satyo Bayangkari Karno, L.M. Rasdi Rere","doi":"10.22146/jnteti.v11i2.2586","DOIUrl":"https://doi.org/10.22146/jnteti.v11i2.2586","url":null,"abstract":"Indonesia berkomitmen menurunkan emisi gas rumah kaca (GRK) melalui skema nationally determined contribution (NDC). Target yang hendak dicapai untuk menurunkan emisi GRK yaitu 29% melalui skema business as usual (BAU) atau 41% dengan bantuan internasional. Target ambisius ini membutuhkan transformasi, baik dalam sistem energi maupun sistem pangan dan tata guna lahan, yang perlu mengatasi potensi pertukaran di antara sejumlah besar target, seperti ketahanan pangan, ketahanan energi, menghindari deforestasi, konservasi keanekaragaman hayati, persaingan penggunaan lahan, serta penggunaan air tawar. Mitigasi dan adaptasi memiliki peran yang saling melengkapi dalam merespons perubahan iklim yang dilakukan pada skala temporal dan spasial. Makalah ini bertujuan untuk melakukan simulasi dan prediksi pada emisi manure management penghasil CO2eq dengan menggunakan metode pembelajaran mesin long short-term memory (LSTM) dan gated recurrent unit (GRU). Arsitektur lapisan tersembunyi yang digunakan berjumlah enam kombinasi, sedangkan dataset diperoleh dari repositori fao.org. Optimizer yang digunakan dalam makalah ini yaitu RMSprop, dengan graphical user interface menggunakan dashboard Streamlit. Hasil dari penelitian ini yaitu; (a) cattle dengan lima belas epoch menggunakan lapisan tersembunyi empat kombinasi (LSTM, GRU, LSTM, GRU) menghasilkan RMSE 450,601; (b) non-dairy cattle dengan lima belas epoch dan satu lapisan tersembunyi (GRU, GRU, GRU, GRU) menghasilkan nilai RMSE 361,421; (c) poultry birds dengan nilai dua belas epoch dan tiga lapisan tersembunyi (GRU, GRU, LSTM, LSTM) menghasilkan nilai RMSE 341,429. Tantangan yang dihadapi adalah penentuan epoch, kombinasi lapisan tersembunyi, serta karakteristik dataset yang berjumlah relatif sedikit. Hasil dari penelitian ini diharapkan dapat memberikan nilai tambah untuk mengembangkan alat dan model pendukung keputusan yang lebih baik untuk menilai tren emisi di sektor peternakan serta untuk mengembangkan strategi mitigasi emisi CO2eq yang mengarah pada praktik pengelolaan pupuk yang berkelanjutan.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"1 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"82260672","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-05-30DOI: 10.22146/jnteti.v11i2.3867
Syefrida Yulina, Mona Elviyenti
The spread of COVID-19 throughout the world has affected the education sector. In some higher education institution, such as Polytechnic Caltex Riau (PCR), it is mandatory for students to participate in synchronous or asynchronous learning activities via virtual classroom. Synchronous online learning is usually supported by video conferencing media such as Google Meeting or Zoom Meeting. The communication between lecturers and students is captured as an image as evidence of students’ interaction and participation in certain learning subjects. These images can provide information for lecturers in determining students’ internal feelings and measuring students’ interest through facial emotions. Taking this reason into account, the current research aims to analyze the emotions detected in facial expression through images using automatic facial expression analysis (AFEA) and exploratory data analysis (EDA), then visualize the data to determine the possible solution to improve the educational process’ sustainability. The AFEA steps applied were face acquisition to detect facial parts in an image, facial data extraction and representation to process feature extraction on the face, and facial expression recognition to classify faces into emotional expressions. Thus, this paper presents the results obtained from applying machine learning algorithms to classify facial expressions into happy and unhappy emotions with mean values of 5.58 and 2.70, respectively. The data were taken from the second semester of 2020/2021 academic year with 1,206 images. The result highlighted the fact that students showed the facial emotion based on the lecture types, hours, departments, and classes. It indicates that there are, in fact, several factors contributing to the variances of students’ facial emotions classified in synchronous online learning.
{"title":"An Exploratory Data Analysis for Synchronous Online Learning Based on AFEA Digital Images","authors":"Syefrida Yulina, Mona Elviyenti","doi":"10.22146/jnteti.v11i2.3867","DOIUrl":"https://doi.org/10.22146/jnteti.v11i2.3867","url":null,"abstract":"The spread of COVID-19 throughout the world has affected the education sector. In some higher education institution, such as Polytechnic Caltex Riau (PCR), it is mandatory for students to participate in synchronous or asynchronous learning activities via virtual classroom. Synchronous online learning is usually supported by video conferencing media such as Google Meeting or Zoom Meeting. The communication between lecturers and students is captured as an image as evidence of students’ interaction and participation in certain learning subjects. These images can provide information for lecturers in determining students’ internal feelings and measuring students’ interest through facial emotions. Taking this reason into account, the current research aims to analyze the emotions detected in facial expression through images using automatic facial expression analysis (AFEA) and exploratory data analysis (EDA), then visualize the data to determine the possible solution to improve the educational process’ sustainability. The AFEA steps applied were face acquisition to detect facial parts in an image, facial data extraction and representation to process feature extraction on the face, and facial expression recognition to classify faces into emotional expressions. Thus, this paper presents the results obtained from applying machine learning algorithms to classify facial expressions into happy and unhappy emotions with mean values of 5.58 and 2.70, respectively. The data were taken from the second semester of 2020/2021 academic year with 1,206 images. The result highlighted the fact that students showed the facial emotion based on the lecture types, hours, departments, and classes. It indicates that there are, in fact, several factors contributing to the variances of students’ facial emotions classified in synchronous online learning.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"23 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"90934710","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-05-30DOI: 10.22146/jnteti.v11i2.3586
Erlin, Yulvia Nora Marlim, Junadhi, Laili Suryati, Nova Agustina
Diabetes menjadi salah satu penyakit yang mematikan di dunia, termasuk di Indonesia. Diabetes dapat menyebabkan komplikasi di banyak bagian tubuh dan secara keseluruhan dapat meningkatkan risiko kematian. Salah satu cara untuk mendeteksi penyakit diabetes adalah dengan memanfaatkan algoritma machine learning. Logistic regression merupakan model klasifikasi dalam machine learning yang banyak digunakan dalam analisis klinis. Pada makalah ini, dirancang model prediksi menggunakan logistic regression pada Python IDE untuk deteksi dini dengan memberikan prediksi seseorang terindikasi penyakit diabetes atau tidak berdasarkan data awal yang diberikan. Eksperimen dilakukan menggunakan dataset dari Pima Indians Diabetes Database yang terdiri atas 768 data pasien dengan delapan variabel independen dan satu variabel dependen. Exploratory data analysis dilakukan untuk mendapatkan wawasan maksimal dari dataset yang dimiliki menggunakan bantuan statistik dan mempresentasikannya melalui teknik visual. Beberapa variabel dataset memuat data yang tidak lengkap. Nilai data yang hilang digantikan dengan nilai median dari setiap variabel. Penanganan terhadap data yang tidak seimbang dilakukan menggunakan synthetic minority over-sampling technique (SMOTE) untuk meningkatkan kelas minoritas melalui sampel data sintesis. Model dievaluasi berdasarkan confusion matrix yang memperlihatkan kinerja yang cukup baik dengan nilai akurasi sebesar 77%, presisi 75%, recall 77% dan F1-score 76%. Selain itu, pada makalah ini juga digunakan teknik grid search sebagai hyperparameter tuning yang dapat meningkatkan kinerja dari model logistic regression. Kinerja model dasar dengan model sesudah dilakukan penerapan teknik grid search diuji dan dievaluasi. Hasil percobaan memperlihatkan bahwa model berbasis hyperparameter tuning mampu meningkatkan kinerja algoritma logistic regression untuk prediksi dengan nilai akurasi sebesar 82%, presisi 81%, recall 79%, dan F1-score 80%.
{"title":"Deteksi Dini Penyakit Diabetes Menggunakan Machine Learning dengan Algoritma Logistic Regression","authors":"Erlin, Yulvia Nora Marlim, Junadhi, Laili Suryati, Nova Agustina","doi":"10.22146/jnteti.v11i2.3586","DOIUrl":"https://doi.org/10.22146/jnteti.v11i2.3586","url":null,"abstract":"Diabetes menjadi salah satu penyakit yang mematikan di dunia, termasuk di Indonesia. Diabetes dapat menyebabkan komplikasi di banyak bagian tubuh dan secara keseluruhan dapat meningkatkan risiko kematian. Salah satu cara untuk mendeteksi penyakit diabetes adalah dengan memanfaatkan algoritma machine learning. Logistic regression merupakan model klasifikasi dalam machine learning yang banyak digunakan dalam analisis klinis. Pada makalah ini, dirancang model prediksi menggunakan logistic regression pada Python IDE untuk deteksi dini dengan memberikan prediksi seseorang terindikasi penyakit diabetes atau tidak berdasarkan data awal yang diberikan. Eksperimen dilakukan menggunakan dataset dari Pima Indians Diabetes Database yang terdiri atas 768 data pasien dengan delapan variabel independen dan satu variabel dependen. Exploratory data analysis dilakukan untuk mendapatkan wawasan maksimal dari dataset yang dimiliki menggunakan bantuan statistik dan mempresentasikannya melalui teknik visual. Beberapa variabel dataset memuat data yang tidak lengkap. Nilai data yang hilang digantikan dengan nilai median dari setiap variabel. Penanganan terhadap data yang tidak seimbang dilakukan menggunakan synthetic minority over-sampling technique (SMOTE) untuk meningkatkan kelas minoritas melalui sampel data sintesis. Model dievaluasi berdasarkan confusion matrix yang memperlihatkan kinerja yang cukup baik dengan nilai akurasi sebesar 77%, presisi 75%, recall 77% dan F1-score 76%. Selain itu, pada makalah ini juga digunakan teknik grid search sebagai hyperparameter tuning yang dapat meningkatkan kinerja dari model logistic regression. Kinerja model dasar dengan model sesudah dilakukan penerapan teknik grid search diuji dan dievaluasi. Hasil percobaan memperlihatkan bahwa model berbasis hyperparameter tuning mampu meningkatkan kinerja algoritma logistic regression untuk prediksi dengan nilai akurasi sebesar 82%, presisi 81%, recall 79%, dan F1-score 80%.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"64 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"82596221","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-05-30DOI: 10.22146/jnteti.v11i2.3434
Audy, Zaini
Jagung adalah salah satu bahan pangan pokok yang dikonsumsi oleh masyarakat Indonesia. Dalam beberapa tahun terakhir, bahan pertanian makin terancam, sehingga produktivitas pangan makin sedikit, termasuk jagung. Selain peningkatan produktivitas jagung, harus diperhatikan juga peningkatan kualitas produk jagung tersebut. Hal tersebut perlu dilakukan agar jagung memiliki keunggulan kompetitif. Oleh karena itu, dilakukan penelitian mengenai hal-hal yang memengaruhi kualitas jagung, baik dari segi pertumbuhan tanaman jagung maupun segi kualitas fisik jagung. Penelitian dibagi dalam dua aspek, yaitu aspek pertumbuhan jagung yang baik dengan pemantauan berbasis internet of things (IoT) dan identifikasi jagung dengan pengolahan citra digital menggunakan model SSD Mobilenet. Penelitian pada pertumbuhan jagung mengacu pada dua macam penyakit jagung (hawar daun dan tongkol busuk) dengan memantau suhu udara, kelembapan udara untuk penyakit hawar daun, dan jarak antar tanaman jagung untuk penyakit tongkol busuk. Penelitian dilakukan menggunakan mikrokontroler Arduino Uno, sensor DHT11, sensor VL53L0X, dan ESP8266 untuk akses data ke website dengan komunikasi IoT. Klasifikasi jagung dibagi atas tiga jenis, yaitu normal, berjamur, dan busuk. Identifikasi kualitas jagung dengan pengolahan citra digital dilakukan menggunakan TensorFlow dengan model SSD Mobilenet dengan pemrograman Python pada Raspberry Pi, sebagai opsi utama dalam klasifikasi kualitas fisik jagung, dan identifikasi warna RGB jagung menggunakan Delphi 7 pada komputer sebagai opsi tambahan dalam klasifikasi fisik jagung. Jumlah sampel yang digunakan adalah 180 sampel biji jagung dengan pengujian sepuluh kali pada masing-masing tipe kualitas jagung. Didapatkan hasil yaitu pengenalan kualitas jagung normal sembilan kali benar, pengenalan kualitas jagung berjamur tujuh kali benar, dan pengenalan kualitas jagung busuk enam kali benar, dengan tingkat akurasi 73,3 %.
{"title":"Analisis Kualitas Jagung Berbasis IoT dengan Penerapan Model SSD Mobilenet dan Histogram","authors":"Audy, Zaini","doi":"10.22146/jnteti.v11i2.3434","DOIUrl":"https://doi.org/10.22146/jnteti.v11i2.3434","url":null,"abstract":"Jagung adalah salah satu bahan pangan pokok yang dikonsumsi oleh masyarakat Indonesia. Dalam beberapa tahun terakhir, bahan pertanian makin terancam, sehingga produktivitas pangan makin sedikit, termasuk jagung. Selain peningkatan produktivitas jagung, harus diperhatikan juga peningkatan kualitas produk jagung tersebut. Hal tersebut perlu dilakukan agar jagung memiliki keunggulan kompetitif. Oleh karena itu, dilakukan penelitian mengenai hal-hal yang memengaruhi kualitas jagung, baik dari segi pertumbuhan tanaman jagung maupun segi kualitas fisik jagung. Penelitian dibagi dalam dua aspek, yaitu aspek pertumbuhan jagung yang baik dengan pemantauan berbasis internet of things (IoT) dan identifikasi jagung dengan pengolahan citra digital menggunakan model SSD Mobilenet. Penelitian pada pertumbuhan jagung mengacu pada dua macam penyakit jagung (hawar daun dan tongkol busuk) dengan memantau suhu udara, kelembapan udara untuk penyakit hawar daun, dan jarak antar tanaman jagung untuk penyakit tongkol busuk. Penelitian dilakukan menggunakan mikrokontroler Arduino Uno, sensor DHT11, sensor VL53L0X, dan ESP8266 untuk akses data ke website dengan komunikasi IoT. Klasifikasi jagung dibagi atas tiga jenis, yaitu normal, berjamur, dan busuk. Identifikasi kualitas jagung dengan pengolahan citra digital dilakukan menggunakan TensorFlow dengan model SSD Mobilenet dengan pemrograman Python pada Raspberry Pi, sebagai opsi utama dalam klasifikasi kualitas fisik jagung, dan identifikasi warna RGB jagung menggunakan Delphi 7 pada komputer sebagai opsi tambahan dalam klasifikasi fisik jagung. Jumlah sampel yang digunakan adalah 180 sampel biji jagung dengan pengujian sepuluh kali pada masing-masing tipe kualitas jagung. Didapatkan hasil yaitu pengenalan kualitas jagung normal sembilan kali benar, pengenalan kualitas jagung berjamur tujuh kali benar, dan pengenalan kualitas jagung busuk enam kali benar, dengan tingkat akurasi 73,3 %.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"15 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"84340801","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-05-30DOI: 10.22146/jnteti.v11i2.3835
Feni Isdaryani, Noor Cholis Basjaruddin, Aldi Lugina
Transportation is currently an unavoidable necessity. However, the COVID-19 pandemic has impacted all lines of industry, including the Indonesian aviation transportation industry. Technology is one of the solutions to deal with these problems. The monitoring system of masked face recognition and body temperature detection for the check-in process of passengers at the airport is aimed to be developed in this research. The contribution of this research is that the system can distinguish the type of face mask used. Therefore, this monitoring system classified only medical masks and N95/KN95 respirator masks as ‘Good Masked’. IP camera and thermal camera are used to identify a masked face and body temperature, respectively. The sensor fusion method was used for decision-making on passengers whether they can be departed or not. The decision was taken based on the measured body temperature, the use of standardized face masks, and the face recognition of the airport passengers. Convolutional neural network (CNN) method was used for face and face mask recognition. The CNN model training was conducted four times according to the four proposed scenarios. The CNN model that has been trained can distinguish a masked face and a face without a mask. The best results were obtained in the fourth scenario with the comparison of the training dataset to the testing dataset was 9:1 and the epoch was 500 times. The basic deep learning model used for face detection was the single shot multibox detector (SSD) using the ResNet-10 architecture. Meanwhile, the CNN method with the MobileNetV2 architecture was used to detect the use of masks. The accuracy of the CNN model for face recognition and mask recognition was 100%. All check-in monitoring and verification process data were displayed on the web application which was built on the localhost.
{"title":"Masked Face Recognition and Temperature Monitoring Systems for Airplane Passenger Using Sensor Fusion","authors":"Feni Isdaryani, Noor Cholis Basjaruddin, Aldi Lugina","doi":"10.22146/jnteti.v11i2.3835","DOIUrl":"https://doi.org/10.22146/jnteti.v11i2.3835","url":null,"abstract":"Transportation is currently an unavoidable necessity. However, the COVID-19 pandemic has impacted all lines of industry, including the Indonesian aviation transportation industry. Technology is one of the solutions to deal with these problems. The monitoring system of masked face recognition and body temperature detection for the check-in process of passengers at the airport is aimed to be developed in this research. The contribution of this research is that the system can distinguish the type of face mask used. Therefore, this monitoring system classified only medical masks and N95/KN95 respirator masks as ‘Good Masked’. IP camera and thermal camera are used to identify a masked face and body temperature, respectively. The sensor fusion method was used for decision-making on passengers whether they can be departed or not. The decision was taken based on the measured body temperature, the use of standardized face masks, and the face recognition of the airport passengers. Convolutional neural network (CNN) method was used for face and face mask recognition. The CNN model training was conducted four times according to the four proposed scenarios. The CNN model that has been trained can distinguish a masked face and a face without a mask. The best results were obtained in the fourth scenario with the comparison of the training dataset to the testing dataset was 9:1 and the epoch was 500 times. The basic deep learning model used for face detection was the single shot multibox detector (SSD) using the ResNet-10 architecture. Meanwhile, the CNN method with the MobileNetV2 architecture was used to detect the use of masks. The accuracy of the CNN model for face recognition and mask recognition was 100%. All check-in monitoring and verification process data were displayed on the web application which was built on the localhost.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"10 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"84006336","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-05-30DOI: 10.22146/jnteti.v11i2.3784
Teja Laksana, Novian Anggis Suwastika, Muhammad Al Makky
This research was conducted to identify and measure the significance of the factors or variables that influence technology acceptance for a smart lighting system built based on the internet of things (IoT) and artificial intelligence (AI) technology implemented in XYZ company. The smart lighting system implemented was a dedicated smart lighting system for office space (more than 20 m2 to 60 m2) to sense the conditions and make automatic adjustments to room conditions. Before mass production, the smart lighting system would be reviewed for its technology acceptance by users using the technology acceptance technology model (TAM). TAM is a method used to identify factors that affect the technology acceptance based on the functionality of the smart lighting system. Based on the smart lighting purposes and conditions from the XYZ company, six variables influencing the acceptance of smart lighting systems, namely reliability and accuracy (RA), perceived ease of use (PEOU), perceived usefulness (PU), attitude toward using (ATU), behavior intention (BI), and actual system use (AU) were proposed. These variables influenced each other and formed eight hypotheses, namely H1, H2, H3, H4, H5, H6, H7, and H8. Using the purposive sampling technique, validity test with product-moment correlation, and Cronbach’s alpha validity test, five hypotheses had a positive and significant effect, namely H1, H4, H5, H6, and H7. The RA variable influenced the PU variable, the PU variable influenced the ATU variable, the PEOU variable affected the ATU variable, the ATU variable influenced BI, and the PU variable affected BI. Meanwhile, the three hypotheses had negative and insignificant impacts, namely H2, H3, and H8. The RA variable did not affect the PEOU, the PEOU variable did not affect the PU, and the BI variable did not affect the AU variable.
{"title":"Technology Acceptance Model (TAM) For Smart Lighting System in XYZ Company","authors":"Teja Laksana, Novian Anggis Suwastika, Muhammad Al Makky","doi":"10.22146/jnteti.v11i2.3784","DOIUrl":"https://doi.org/10.22146/jnteti.v11i2.3784","url":null,"abstract":"This research was conducted to identify and measure the significance of the factors or variables that influence technology acceptance for a smart lighting system built based on the internet of things (IoT) and artificial intelligence (AI) technology implemented in XYZ company. The smart lighting system implemented was a dedicated smart lighting system for office space (more than 20 m2 to 60 m2) to sense the conditions and make automatic adjustments to room conditions. Before mass production, the smart lighting system would be reviewed for its technology acceptance by users using the technology acceptance technology model (TAM). TAM is a method used to identify factors that affect the technology acceptance based on the functionality of the smart lighting system. Based on the smart lighting purposes and conditions from the XYZ company, six variables influencing the acceptance of smart lighting systems, namely reliability and accuracy (RA), perceived ease of use (PEOU), perceived usefulness (PU), attitude toward using (ATU), behavior intention (BI), and actual system use (AU) were proposed. These variables influenced each other and formed eight hypotheses, namely H1, H2, H3, H4, H5, H6, H7, and H8. Using the purposive sampling technique, validity test with product-moment correlation, and Cronbach’s alpha validity test, five hypotheses had a positive and significant effect, namely H1, H4, H5, H6, and H7. The RA variable influenced the PU variable, the PU variable influenced the ATU variable, the PEOU variable affected the ATU variable, the ATU variable influenced BI, and the PU variable affected BI. Meanwhile, the three hypotheses had negative and insignificant impacts, namely H2, H3, and H8. The RA variable did not affect the PEOU, the PEOU variable did not affect the PU, and the BI variable did not affect the AU variable.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"7 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"83949274","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Penggunaan media pembelajaran saat ini telah berkembang pesat. Dewasa ini banyak penelitian yang menggunakan komputer sebagai media pembelajaran yang adaptif bagi mahasiswa; salah satu contohnya adalah hypermedia learning environment (HLE). Media HLE dikembangkan untuk membantu mahasiswa dalam belajar, misalnya pada situasi pandemi COVID-19 saat ini, yang mengharuskan semua aktivitas pembelajaran dilakukan secara daring (online). Salah satu bidang yang terkena dampak pandemi ini adalah bidang pendidikan, yaitu semua kegiatan pembelajaran dialihkan menjadi daring. Oleh karena itu, pembelajaran berbasis web HLE dapat membantu mahasiswa untuk tetap belajar dari rumah. HLE saat ini sedang dikembangkan untuk meningkatkan kemampuan mahasiswa dalam proses self-regulated learning (SRL). Ada komponen penting di dalam SRL, yakni self-monitoring. Namun, dalam perkembangannya, HLE yang dikembangkan tidak berbasis self-monitoring. Dalam penelitian ini, HLE adaptif dikembangkan berdasarkan kemampuan self-monitoring mahasiswa. Dalam pengembangannya, sistem HLE menggunakan metode pengembangan agile, yaitu Scrum. Pengumpulan data awal untuk klasifikasi mahasiswa dilakukan menggunakan self-regulatory inventory (SRI). SRI merupakan instrumen yang digunakan untuk mengukur kemampuan self-monitoring mahasiswa. Data kemudian diolah hingga dapat mengklasifikasikan siswa menjadi tiga kelas, yaitu high, medium, dan low. Hasil klasifikasi kemampuan siswa kemudian digunakan untuk mengembangkan bantuan pembelajaran pada HLE. Pengembangan bantuan yang disediakan adalah dalam bentuk teks dan video yang disesuaikan dengan tingkat self-monitoring mahasiswa. Dari hasil pengembangan, didapatkan bahwa semua fungsi HLE dapat berjalan dengan baik. Sistem diuji coba kepada dua belas mahasiswa untuk mengetahui tingkat usability dengan menggunakan system usability scale (SUS). Hasil menunjukkan kategori good, dengan skor 72,92. Untuk penelitian selanjutnya, dapat dilakukan implementasi pada mahasiswa dan mengukur keefektifan sistem yang telah dikembangkan.
{"title":"Pengembangan Hypermedia Learning Environment (HLE) untuk Meningkatkan Self-Regulated Learning Berdasarkan Kemampuan Self-Monitoring","authors":"Intan Sulistyaningrum Sakkinah, Rudy Hartanto, Adhistya Erna Permanasari","doi":"10.22146/jnteti.v11i2.3480","DOIUrl":"https://doi.org/10.22146/jnteti.v11i2.3480","url":null,"abstract":"Penggunaan media pembelajaran saat ini telah berkembang pesat. Dewasa ini banyak penelitian yang menggunakan komputer sebagai media pembelajaran yang adaptif bagi mahasiswa; salah satu contohnya adalah hypermedia learning environment (HLE). Media HLE dikembangkan untuk membantu mahasiswa dalam belajar, misalnya pada situasi pandemi COVID-19 saat ini, yang mengharuskan semua aktivitas pembelajaran dilakukan secara daring (online). Salah satu bidang yang terkena dampak pandemi ini adalah bidang pendidikan, yaitu semua kegiatan pembelajaran dialihkan menjadi daring. Oleh karena itu, pembelajaran berbasis web HLE dapat membantu mahasiswa untuk tetap belajar dari rumah. HLE saat ini sedang dikembangkan untuk meningkatkan kemampuan mahasiswa dalam proses self-regulated learning (SRL). Ada komponen penting di dalam SRL, yakni self-monitoring. Namun, dalam perkembangannya, HLE yang dikembangkan tidak berbasis self-monitoring. Dalam penelitian ini, HLE adaptif dikembangkan berdasarkan kemampuan self-monitoring mahasiswa. Dalam pengembangannya, sistem HLE menggunakan metode pengembangan agile, yaitu Scrum. Pengumpulan data awal untuk klasifikasi mahasiswa dilakukan menggunakan self-regulatory inventory (SRI). SRI merupakan instrumen yang digunakan untuk mengukur kemampuan self-monitoring mahasiswa. Data kemudian diolah hingga dapat mengklasifikasikan siswa menjadi tiga kelas, yaitu high, medium, dan low. Hasil klasifikasi kemampuan siswa kemudian digunakan untuk mengembangkan bantuan pembelajaran pada HLE. Pengembangan bantuan yang disediakan adalah dalam bentuk teks dan video yang disesuaikan dengan tingkat self-monitoring mahasiswa. Dari hasil pengembangan, didapatkan bahwa semua fungsi HLE dapat berjalan dengan baik. Sistem diuji coba kepada dua belas mahasiswa untuk mengetahui tingkat usability dengan menggunakan system usability scale (SUS). Hasil menunjukkan kategori good, dengan skor 72,92. Untuk penelitian selanjutnya, dapat dilakukan implementasi pada mahasiswa dan mengukur keefektifan sistem yang telah dikembangkan.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"3 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"72637093","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2022-05-30DOI: 10.22146/jnteti.v11i2.3528
Raksaka Indra Alhaqq, I Made Kurniawan Putra, Yova Ruldeviyani
Dalam mewujudkan kebijakan Sistem Pemerintahan Berbasis Elektronik (SPBE) dan Satu Data ASN di Indonesia, Badan Kepegawaian Negara (BKN) sebagai instansi pemerintah pembina Aparatur Sipil Negara (ASN) perlu melakukan pengelolaan data secara akurat, terkini, dan terintegrasi melalui aplikasi MySAPK berbasis Android. Seiring berjalannya waktu, pengguna mengalami berbagai kendala dalam menggunakan aplikasi dan menuliskan ulasannya pada fitur Rating & Review di Google Play Store. Dalam rentang waktu 9 Mei 2017 hingga 18 Oktober 2021, terdapat 4.778 ulasan yang dituliskan oleh pengguna. Makalah ini menganalisis sentimen pada ulasan pengguna aplikasi MySAPK. Tahapan-tahapan yang dilakukan dimulai dari pengumpulan data, pelabelan data (anotasi), prapemrosesan data, ekstraksi fitur kata, pemodelan klasifikasi, evaluasi pemodelan, analisis sentimen, hingga penyusunan hasil rekomendasi. Dari hasil pemodelan klasifikasi sentimen menggunakan naïve Bayes dan support vector machine (SVM), didapatkan tingkat akurasi masing-masing sebesar 92,47% dan 94,14%. Hasil pengukuran sentimen menunjukkan bahwa pengguna memberikan ulasan bersentimen positif sebanyak 2.118 (44,3%) dan ulasan bersentimen negatif sebanyak 2.660 (55,7%). Di antara faktor penyebab pengguna menuliskan ulasan bersentimen positif adalah aplikasi yang sangat bagus, dapat memberikan manfaat, mempermudah dalam mengisi dan menyimpan data ASN, serta ucapan terima kasih kepada BKN. Sebaliknya, faktor penyebab pengguna menuliskan ulasan bersentimen negatif di antaranya adalah meminta tolong agar aplikasi diperbaiki, kesulitan dalam mengakses, gagal dalam mengisi dan melakukan pemutakhiran data, serta terjadi kesalahan pada server. Untuk mengatasi kendala tersebut, makalah ini merekomendasikan agar kapasitas server pendukung dapat ditingkatkan dan pemutakhiran versi terbaru diluncurkan untuk memperbaiki bug aplikasi. Hasil penelitian ini diharapkan dapat menjadi acuan BKN dalam mengevaluasi dan meningkatkan kualitas pelayanan ASN melalui aplikasi MySAPK.
{"title":"Analisis Sentimen terhadap Penggunaan Aplikasi MySAPK BKN di Google Play Store","authors":"Raksaka Indra Alhaqq, I Made Kurniawan Putra, Yova Ruldeviyani","doi":"10.22146/jnteti.v11i2.3528","DOIUrl":"https://doi.org/10.22146/jnteti.v11i2.3528","url":null,"abstract":"Dalam mewujudkan kebijakan Sistem Pemerintahan Berbasis Elektronik (SPBE) dan Satu Data ASN di Indonesia, Badan Kepegawaian Negara (BKN) sebagai instansi pemerintah pembina Aparatur Sipil Negara (ASN) perlu melakukan pengelolaan data secara akurat, terkini, dan terintegrasi melalui aplikasi MySAPK berbasis Android. Seiring berjalannya waktu, pengguna mengalami berbagai kendala dalam menggunakan aplikasi dan menuliskan ulasannya pada fitur Rating & Review di Google Play Store. Dalam rentang waktu 9 Mei 2017 hingga 18 Oktober 2021, terdapat 4.778 ulasan yang dituliskan oleh pengguna. Makalah ini menganalisis sentimen pada ulasan pengguna aplikasi MySAPK. Tahapan-tahapan yang dilakukan dimulai dari pengumpulan data, pelabelan data (anotasi), prapemrosesan data, ekstraksi fitur kata, pemodelan klasifikasi, evaluasi pemodelan, analisis sentimen, hingga penyusunan hasil rekomendasi. Dari hasil pemodelan klasifikasi sentimen menggunakan naïve Bayes dan support vector machine (SVM), didapatkan tingkat akurasi masing-masing sebesar 92,47% dan 94,14%. Hasil pengukuran sentimen menunjukkan bahwa pengguna memberikan ulasan bersentimen positif sebanyak 2.118 (44,3%) dan ulasan bersentimen negatif sebanyak 2.660 (55,7%). Di antara faktor penyebab pengguna menuliskan ulasan bersentimen positif adalah aplikasi yang sangat bagus, dapat memberikan manfaat, mempermudah dalam mengisi dan menyimpan data ASN, serta ucapan terima kasih kepada BKN. Sebaliknya, faktor penyebab pengguna menuliskan ulasan bersentimen negatif di antaranya adalah meminta tolong agar aplikasi diperbaiki, kesulitan dalam mengakses, gagal dalam mengisi dan melakukan pemutakhiran data, serta terjadi kesalahan pada server. Untuk mengatasi kendala tersebut, makalah ini merekomendasikan agar kapasitas server pendukung dapat ditingkatkan dan pemutakhiran versi terbaru diluncurkan untuk memperbaiki bug aplikasi. Hasil penelitian ini diharapkan dapat menjadi acuan BKN dalam mengevaluasi dan meningkatkan kualitas pelayanan ASN melalui aplikasi MySAPK.","PeriodicalId":31477,"journal":{"name":"Jurnal Nasional Teknik Elektro dan Teknologi Informasi","volume":"8 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2022-05-30","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"78798525","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：