Hasil Pencarian  ::  Simpan CSV :: Kembali

"Text Summarization secara ekstraktif merupakan suatu isu yang dapat meningkatkan kualitas pengalaman pengguna ketika menggunakan suatu sistem perolehan informasi. Pada bahasa Inggris, terdapat beberapa penelitian terkait Text Summarization secara ekstraktif salah satunya adalah penelitian Belwal et al. (2021) yang memperkenalkan suatu metode Text Summarization secara ekstraktif yang berbasiskan proses Topic Modeling serta Semantic Measure menggunakan WordNet. Sementara pada bahasa Indonesia, juga terdapat beberapa penelitian terkait Text Summarization secara ekstraktif tetapi belum ada yang menggunakan metode yang sama seperti yang diperkenalkan oleh Belwal et al. (2021). Agar metode yang diperkenalkan Belwal et al. (2021) dapat digunakan pada bahasa Indonesia, proses Semantic Measure menggunakan WordNet harus diganti dengan Similarity Measure menggunakan Vector Space Model karena tidak adanya model WordNet bahasa Indonesia yang dapat digunakan oleh umum. Dalam menggunakan metode yang diperkenalkan oleh Belwal et al. (2021) pada bahasa Indonesia, terdapat beberapa metode yang dapat digunakan untuk melakukan Topic Modeling, Vector Space Model, serta Similarity Measure yang terdapat di dalamnya. Penelitian ini berfokus untuk mencari kombinasi metode ketiga hal yang telah disebutkan sebelumnya yang dapat memaksimalkan performa metode Text Summarization yang diperkenalkan oleh Belwal et al. (2021) pada bahasa Indonesia dengan menggunakan pendekatan hill-climbing. Proses evaluasi dilakukan dengan menggunakan metrik ROUGE-N dalam bentuk F-1 Score pada dua buah dataset yaitu Liputan6 serta IndoSUM. Hasil penelitian menemukan bahwa kombinasi metode yang dapat memaksimalkan performa metode Text Summarization secara ekstraktif yang diperkenalkan oleh Belwal et al. (2021) adalah Non-Negative Matrix Factorization untuk Topic Modeling, Word2Vec untuk Vector Space Model, serta Euclidean Distance untuk Similarity Measure. Kombinasi metode tersebut memiliki nilai ROUGE-1 sebesar 0.291, ROUGE-2 sebesar 0.140, dan ROUGE-3 sebesar 0.079 pada dataset Liputan6. Sementara pada dataset IndoSUM, kombinasi metode tersebut memiliki nilai ROUGE-1 sebesar 0.455, ROUGE-2 sebesar 0.337, dan ROUGE-3 sebesar 0.300. Performa yang dihasilkan oleh kombinasi metode tersebut bersifat cukup kompetitif dengan performa metode lainnya seperti TextRank serta metode berbasiskan model Deep Learning BERT apabila dokumen masukannya bersifat koheren.

---

Extractive text summarization is an issue that can improve the quality of user experience when using an information retrieval system. Research related to extractive text summarization is a language-specific research. In English, there are several studies related to extractive text summarization, one of them is the research of Belwal et al. (2021) They introduced an extractive Text Summarization method based on the Topic Modeling process and Semantic Measure using WordNet. While in Indonesian, there are also several studies related to extractive text summarization, but none have used the same method as introduced by Belwal et al. (2021). In order to use the method introduced by Belwal et al. (2021) in Indonesian, the Semantic Measure process using WordNet must be replaced with Similarity Measure using the Vector Space Model because there is no Indonesian WordNet model that can be used by the public. When using the method introduced by Belwal et al. (2021) in Indonesian, there are several methods that can be used to perform Topic Modeling, Vector Space Model, and Similarity Measure that contained in there. This study focuses on finding a combination of the three methods previously mentioned that can maximize the performance of the Text Summarization method introduced by Belwal et al. (2021) in Indonesian using hill-climbing approach. The evaluation process is carried out using the ROUGE-N metric in the form of F-1 Score on two datasets, namely Liputan6 and IndoSUM. The results of the study found that the combination of methods that can maximize the performance of the extractive text summarization method introduced by Belwal et al. (2021) are Non-Negative Matrix Factorization for Topic Modeling, Word2Vec for Vector Space Model, and Euclidean Distance for Similarity Measure. The combination of those methods has a ROUGE-1 value of 0.291, ROUGE-2 value of 0.140, and ROUGE-3 value of 0.079 in the Liputan6 dataset. Meanwhile, in the IndoSUM dataset, the combination of those methods has a ROUGE-1 value of 0.455, ROUGE-2 value of 0.337, and ROUGE-3 value of 0.300. The performance generated by the combination of those methods is quite competitive with the performance of other methods such as TextRank and Deep Learning BERT model based method if the input document is coherent."

"Penelitian ini melakukan pengembangan integrasi metode perangkum abstraktif dengan metode ekstraktif dalam merangkum teks berita yang melebihi input maksimal dari model machine learning. Penggabungan metode abstraktif dan ekstraktif menciptakan rangkuman yang lebih natural tanpa kehilangan makna semantiknya, serta menyelesaikan keterbatasan jumlah input maksimal dari model machine learning yang digunakan pada metode abstraktif. Bagian abstraktif dibuat menggunakan model machine learning yang menggunakan arsitektur Transformer, yaitu model BART. Bagian ekstraktif menggunakan algoritma gabungan untuk melakukan pembobotan tiap kalimat menggunakan term frequency – inverse document frequency (TF-IDF), konjungsi antar kalimat, dan peletakan kalimat pada paragraf yang dapat diidentifikasi menggunakan algoritma pemrograman. Dataset yang digunakan adalah benchmark IndoSum, yaitu dataset bahasa Indonesia untuk merangkum teks, sehingga dapat dievaluasikan dengan model pada penelitian yang serupa. Beberapa pengujian dilakukan pada model BART dan tokenizer, dengan nilai ROUGE Score menunjukan adanya peningkatan pada tokenizer bahasa Indonesia ketimbang bahasa Inggris. Hasil evaluasi pada finetuning model BART mendapatkan nilai ROUGE Score sebesar 0,725 untuk ROUGE-1, 0,635 untuk ROUGE-2, 0,699 untuk ROUGE-L, dan 0,718 untuk ROUGE-Lsum, menjadikan model BART lebih tinggi pada beberapa model lainnya pada riset terkait. Human evaluation dilakukan pada hasil integrasi, menunjukan hasil yang baik untuk morfologi, semantik, dan kenaturalan rangkuman, namun masih buruk untuk kesalahan pengetikan.

---

This research develops the integration of abstractive summarization methods with extractive methods in summarizing news texts that exceed the maximum input from the machine learning model. Combining abstractive and extractive methods creates a more natural summary without losing its semantic meaning, and resolves the limitations of the maximum number of inputs from the machine learning model used in the abstractive method. The abstractive part was created using a machine learning model that uses the Transformer architecture, namely the BART model. The extractive section uses a combined algorithm to weight each sentence using term frequency - inverse document frequency (TF-IDF), conjunctions between sentences, and placement of sentences in paragraphs that can be identified using a programming algorithm. The dataset used is the IndoSum benchmark, namely an Indonesian language dataset for summarizing text, so that it can be evaluated with models in similar research. Several tests were carried out on the BART model and tokenizer, with the ROUGE Score showing an increase in the Indonesian language tokenizer compared to English. The evaluation results of finetuning the BART model obtained a ROUGE Score of 0.725 for ROUGE-1, 0.635 for ROUGE-2, 0.699 for ROUGE-L, and 0.718 for ROUGE-Lsum, making the BART model higher than several other models in related research. Human evaluation was carried out on the integration results, showing good results for morphology, semantics and naturalness of summaries, but still poor results for typing errors."

"WordNet merupakan basis data kamus bahasa Inggris yang dikembangkan oleh Princeton University. WordNet memfokuskan isinya lebih kepada makna kata daripada kata itu sendiri. Saat ini, WordNet banyak digunakan sebagai sumber informasi untuk aplikasi di bidang Information Retrieval dan Natural Language Processing. Selain itu, WordNet juga mulai dikembangkan untuk bahasa-bahasa lain seperti Jerman, Perancis, Belanda, dan lain lain. Secara umum, pengembangan WordNet dapat dibagi menjadi dua, yaitu pendekatan merge dan expand.Dalam penelitian tugas akhir ini, penulis mengembangkan versi awal untuk WordNet bahasa Indonesia dengan menggunakan pendekatan expand. Data-data yang dipersiapkan untuk pengembangan WordNet bahasa Indonesia, antara lain Princeton WordNet 3.0, kamus dwibahasa (Inggris-Indonesia) dan Kamus Besar Bahasa Indonesia (KBBI). Langkah pertama yang dilakukan dengan pendekatan ini adalah memetakan makna yang terdapat di dalam Princeton WordNet dengan makna yang terdapat dalam KBBI. Makna yang digunakan dari Princeton WordNet untuk pemetaan ini difokuskan kepada makna yang merupakan anggota Common Base Concepts. Proses ini dilakukan dengan menggunakan aplikasi web-based dan melibatkan sejumlah pengguna untuk berpartisipasi. Langkah selanjutnya yang dilakukan adalah mengevaluasi hasil pemetaan tersebut dengan memeriksa kelas kata dan kesepakatan antar pengguna dengan menggunakan statistik Kappa. Setelah proses evaluasi, dibuatlah basis data WordNet bahasa Indonesia. Basis data ini dibuat dengan mengadaptasi struktur basis data dan relasi semantik yang ada di dalam Princeton WordNet. Langkah terakhir yang dilakukan adalah membuat aplikasi web-based untuk mengakses WordNet bahasa Indonesia. Dari 3920 makna Princeton WordNet yang dipersiapkan, 1544 makna diantaranya berhasil dipetakan ke dalam bahasa Indonesia. Jumlah makna yang dipetakan ini dipengaruhi oleh beberapa hal, salah satunya adalah kurangnya promosi mengenai eksperimen pemetaan ini sehingga jumlah pengguna yang berpartisipasi masih sedikit.Hasil pemetaan tersebut kemudian dievaluasi dengan memeriksa kelas kata dan kesepakatan antar pengguna (statistik Kappa). Secara rata-rata, kesepakatan antar pengguna dalam melakukan pemetaan dapat dikategorikan intermediate to good. Setelah evaluasi tersebut, dibuat 4 buah versi basis data antara lain versi tolerant, strict, very strict, dan ?strict + filter kesepakatan?. Versi "strict + filter kesepakatan" inilah yang dipilih menjadi basis data dari WordNet bahasa Indonesia. Basis data tersebut dapat diakses melalui aplikasi web-based dengan alamat http://bahasa.cs.ui.ac.id/iwn/."

"The second edition of Understanding Search Engines: Mathematical Modeling and Text Retrieval follows the basic premise of the first edition by discussing many of the key design issues for building search engines and emphasizing the important role that applied mathematics can play in improving information retrieval. The authors discuss important data structures, algorithms, and software as well as user-centered issues such as interfaces, manual indexing, and document preparation. Readers will find that the second edition includes significant changes that bring the text up to date on current information retrieval methods. For example, the authors have added a completely new chapter on link-structure algorithms used in search engines such as Google, and the chapter on user interface has been rewritten to specifically focus on search engine usability. To reflect updates in the literature on information retrieval, the authors have added new recommendations for further reading and expanded the bibliography. In addition, the index has been updated and streamlined to make it more reader friendly."

"ABSTRAKPengaturan arus kompensasi pada tapis aktif sistem tiga fasa empat lengan dengan menggunakan teknik modulasi vektor ruang dilakukan dengan mengatur vektor tegangan dan vektor tegangan referensi. Dalam modulasi vektor ruang maka model vektor tegangan berbentuk silinder tegak telah dikembangkan oleh Zhang dan beberapa peneliti lain.Peninjauan ulang model matrik pemetaan Akagi teori pq-pqr dengan metode rotasi sudut Euler menghasilkan vektor ruang tiga dimensi berbentuk silinder miring sehingga analisis parameter modulasi mengikuti analisis bentuk asimetri. Model vektor tegangan asimetri pada modulasi vektor ruang bersifat unik dalam menentukan vektor tegangan referensi, waktu pensaklaran dan duty cycle. Penentuan parameter modulasi seperti vektor tegangan referensi, duty cycle dan waktu pensaklaran dari model vektor tegangan asimetri menghasilkan harga yang sedikit berbeda dengan model silinder tegak.Modulator membangkitkan sinyal kendali pensaklaran tapis aktif sistem tiga fasa empat lengan bekerja berdasarkan modulasi vektor ruang asimetri dengan kombinasi kendali PI proportional integral dengan luaran berupa arus kompensasi mempunyai amplitudo sama dan polaritas berlawanan dengan arus beban.

---

ABSTRACTCurrent compensation controller on three phase four leg system active using space vector modulation technique is done by setting the voltage vector and the reference voltage vector. In vector space modulation, the upright cylindrically vector voltage model has been developed by Zhang and several other researchers.A review mapping matrix model of Akagi the pq pqr theory with Euler angular rotation method result a three dimensional the skewed cylindrical vector so that the analysis of modulation parameters follows asymmetrical form analysis. The asymmetrical voltage vector model in vector space modulation is unique in determining the reference voltage vector, switching time and duty cycle. Determination of modulation parameters such as reference voltage vectors, duty cycle and switching time of the asymmetrical voltage vector model result a slightly different price with the upright cylindrically model.The modulator generates a switching control signal switching the three phase four leg system active filter on of the asymmetrical space vector modulation with a combination of PI proportional integral control with the output of the current compensation having the same amplitude and the opposite polarity of the load current. The modulator generates a switch modulation signal switching system active three phase four leg based on the asymmetrical voltage vector model with the output of the compensation current has the same amplitude and polarity opposite the load current."

"Analisis sentimen merupakan proses memahami, mengekstrak dan mengolah data tekstual secara otomatis untuk mendapatkan informasi. Pada penelitian ini, analisis sentimen diterapkan pada media sosial, yaitu Twitter. Pada dasarnya analisis sentimen merupakan masalah klasifikasi. Support Vector Machine SVM adalah salah satu metode machine learning untuk menyelesaikan masalah klasifikasi. Pada pendekatan SVM model dibangun dengan data dari domain yang sama. Namun, ketika terjadi perubahan domain, maka model machine learning harus dibangun kembali dari awal dengan menggunakan data pelatihan yang baru. Data pelatihan yang baru membutuhkan proses pelabelan yang dilakukan secara manual. Dalam kasus ini, akan lebih efektif dan efisien jika dilakukan transfer learning agar dapat menggunakan data pelatihan dari domain yang sudah tersedia untuk menangani masalah klasifikasi pada domain yang berbeda. Data pelatihan dari sebuah domain digunakan untuk melakukan klasifikasi pada domain yang berbeda. Dalam penelitian masalah analisis sentimen untuk tweets berbahasa Indonesia ini, nilai akurasi transfer learning masih lebih rendah dari pada metode SVM tanpa transfer learning. Penggunaan fitur bi-gram dapat meningkatkan kinerja transfer learning.

---

Sentiment analysis is the process of understanding, extracting and processing textual data automatically to obtain information. In this experiment, sentiment analysis applied to social media, Twitter. Basically, sentiment analysis is a classification problem. Support Vector Machine SVM is one of machine learning method to solve two class classification problem. In the SVM approach the model is built with data from the same domain. However, when domain changes occur, the machine learning model must be rebuilt from scratch using new training data. New training data requires manual labeling process.

In this case, it would be more effective and efficient to transfer learning to use the training data from an already available domain to deal with classification problems on different domains. Training data from a domain will be used to classify on different domains. In the research problem of sentiment analysis for tweets in Bahasa, the value of transfer learning accuracy is still lower than the SVM method without transfer learning. Use of bi gram feature can improve the performance of transfer learning."

"Kepuasan pelanggan merupakan salah satu faktor penting bagi keberhasilan suatu bisnis, termasuk pada industri jasa penerbangan yang mengalami peningkatan dari tahun ke tahun. Salah satu cara untuk mengukur tingkat kepuasan pelanggan adalah dengan cara penyampaian opini atau ulasan. Opini atau ulasan disampaikan melalui pesan singkat, kotak saran, media sosial maupun halaman web sehingga data yang tersedia berjumlah banyak. Pendekatan text mining tepat digunakan untuk mengekstrak informasi dari data ulasan yang berjumlah banyak secara otomatis. Penelitian ini mengevaluasi dan menganalisis ulasan pelanggan terhadap layanan dan fasilitas Bandara Soekarno-Hatta yang merupakan bandara terbesar di Indonesia. Penelitian ini mengombinasikan pendekatan text mining berupa analisis sentimen dan text summarization. Teknik klasifikasi digunakan untuk mengidentifikasi sentimen positif atau negatif yang terkandung dalam kalimat ulasan. Teknik klasifikasi yang digunakan adalah support vector machine yang cocok digunakan untuk data yang berjumlah besar dan na ve bayes classifier yang hanya membutuhkan jumlah data latihan yang kecil untuk menentukan estimasi parameter dalam proses pengklasifikasian. Text summarization dengan teknik k-medoids clustering digunakan untuk memperoleh kalimat representatif yang menggambarkan keseluruhan isi ulasan. Hasil dari teknik klasifikasi pada penelitian ini menunjukkan bahwa algoritme support vector machine menghasilkan nilai akurasi yang lebih tinggi dibandingkan algoritme na ve bayes classifier dalam menganalisis sentimen. Tahap text summarization dengan teknik k-medoids clustering menghasilkan nilai Davies-Bouldin Index yang mendekati nol. Luaran dari penelitian ini berupa identifikasi aspek layanan dan fasilitas bandara yang menjadi kekuatan dan kelemahan serta penentuan prioritas perbaikan dan peningkatan kualitas aspek layanan dan fasilitas yang masih menjadi kelemahan.

---

Customer satisfaction is an important factor for the business rsquo success, including airline service industry which is increasing from year to year. One way to measure customer satisfaction level is by customer opinions or reviews. Opinions or reviews are conveyed via short messages, suggestion boxes, social media and web pages so customer reviews provided are numerous. Text mining is a right approach to extract information from a large number of review data automatically. This study evaluates and analyzes customer reviews of services and facilities of Soekarno Hatta Airport as the largest airport in Indonesia. This study combines text mining approach of sentimental analysis and text summarization. The classification technique is used to identify the positive or negative sentiments contained in the review sentence. The classification technique used is a support vector machine suitable for large amounts of data and na ve bayes classifier which requires only a small amount of exercise data to determine parameter estimation in the classification process. Text summarization with k medoids clustering technique is used to obtain representative sentences that describe the entire contents of the review. The results of the classification technique in this study indicate that support vector machine algorithm has a higher accuracy value than na ve bayes classifier algorithm in analyzing sentiments. Text summarization stage with k medoids clustering technique yields a near zero Davies Bouldin Index value. The output of this research is identification of service aspect and airport facility which become the strength and weakness as well as the improvement prioritization of aspects that still become weakness."

"Beberapa penelitian telah menunjukkan bahwa persepsi kemiripan dapat dibentuk tanpa ada interaksi antara pengamat dan target, termasuk teori pengambilan perspektif. Efek ini ditemukan karena pengambilan perspektif dapat membuat pelaku memproyeksikan identitasnya terhadap target. Penelitian ini berusaha memahami cara untuk meningkatkan persepsi kemiripan tanpa melakukan interaksi. Dalam dua eksperimen, peneliti menguji pengaruh pengambilan perspektif dan kontak imajiner terhadap persepsi kemiripan. Pengambilan perspektif merupakan sebuah proses kognitif sedangkan kontak imajiner mempengaruhi proses afektif. Studi pertama yang berfokus pada pengambilan perspektif dilakukan dengan 95 partisipan dan merupakan eksperimen between-subjects. Studi pertama juga merupakan replikasi dari studi ketiga Brown, Young & McConnel (2009). Studi kedua menguji pengaruh kontak imajiner dan memiliki 59 partisipan (76% perempuan). Kedua eksperimen ini menunjukkan bahwa pengambilan perspektif tidak meningkatkan persepsi kemiripan, sedangkan kontak imajiner dapat meningkatkan persepsi kemiripan. Studi ini menunjukkan pentingnya melakukan replikasi studi, dan memberi indikasi awal bahwa kontak imajiner dapat mempengaruhi persepsi kemiripan, bukan hanya efek keakraban (familiarity) terhadap target.

---

Several studies have shown that perceived similarity can be elicited without any interaction taking place between observers and their targets. One such study highlights the effects of perspective taking on perceived similarity. Perspective taking is found to increase perceived similarity by increasing self-other overlap between observer and target. This study seeks to understand ways to increase perceived similarity without any interaction taking place. In two experiments, we tested the effects of taking perspective taking and imagined contact on perceived similarity. These two methods were chosen because perspective taking is a cognitive process whereas imaginary contact affects affective processes. The first study focused on perspective taking and was done with 95 participants with a between subjects design. The first study was also a replication of the third study by Brown, Young & McConnel (2009). The second study examined the effect of imaginary contact and had 59 participants (76% women) with a within-subjects design. These experiments show that perspective taking does not improve perceived similarity, whereas imaginary contact does increase perceived similarity. This study demonstrates the importance of conducting replication studies and provides initial evidence that imagined contact can influence perceived similarity, not just the effect of familiarity towards a target."

"Divais pemindai tiga dimensi (3D) mulai menarik perhatian dunia medis rekonstruksi kosmetik, khususnya ranah kedokteran Anaplastology. Dalam memberikan pelayanan terbaiknya, ranah yang bertugas untuk merestorasi bagian tubuh yang tidak sempurna ini, memanfaatkan kemampuan pemindai 3D dalam membuat replika prostetik yang menyerupai bentuk aslinya dengan cepat. Teknik pemindaian dengan bantuan metode cahaya terstruktur berpola banyak digunakan untuk menghasilkan gambar dengan kualitas resolusi tinggi dan dapat dapat memindai objek tanpa tekstur seperti kulit manusia. Meskipun pemindai 3D ini berpotensi untuk menggantikan metode terdahulunya yang dinilai tidak efektif dan kurang akurat, pemindai 3D memiliki harga yang cukup mahal. Skripsi ini bertujuan untuk melakukan analisis uji similaritas berbagai model permukaan 3D yang dapat merepresentasikan model hasil pemindaian 3D yang dirancang lebih murah (Intel® RealSense SR300) dibandingkan dengan pemindai 3D Einscan Pro 2X sebagai referensi (akurasi hingga 0,05 mm). Analisis similaritas diolah menggunakan bahasa Python dengan perhitungan distribusi bentuk (Shape Distribution). Proses pengukuran similaritas melalui dua tahapan utama yaitu mendapatkan descriptor dari transformasi model 3D dengan fungsi bentuk (shape function) D1 menjadi bentuk 1D dan membandingkan dengan metode pembanding distribusi probabilitas menggunakan Jensen-Shanon Distance (JSD). Perhitungan ini akan menghasilkan tingkat kesamaan geometris kedua hasil pemindaian. Hasil perbandingan terbaik melalui proses pemodelan 3D hingga fabrikasi prostesis serta dilakukan pengujian secara kuantitatif dengan analisis similaritas dan kualitatif dengan analisis data Likert.

---

Divais pemindai tiga dimensi (3D) mulai menarik perhatian dunia medis rekonstruksi kosmetik, khususnya ranah kedokteran Anaplastology. Dalam memberikan pelayanan terbaiknya, ranah yang bertugas untuk merestorasi bagian tubuh yang tidak sempurna ini, memanfaatkan kemampuan pemindai 3D dalam membuat replika prostetik yang menyerupai bentuk aslinya dengan cepat. Teknik pemindaian dengan bantuan metode cahaya terstruktur berpola banyak digunakan untuk menghasilkan gambar dengan kualitas resolusi tinggi dan dapat dapat memindai objek tanpa tekstur seperti kulit manusia. Meskipun pemindai 3D ini berpotensi untuk menggantikan metode terdahulunya yang dinilai tidak efektif dan kurang akurat, pemindai 3D memiliki harga yang cukup mahal. Skripsi ini bertujuan untuk melakukan analisis uji similaritas berbagai model permukaan 3D yang dapat merepresentasikan model hasil pemindaian 3D yang dirancang lebih murah (Intel® RealSense SR300) dibandingkan dengan pemindai 3D Einscan Pro 2X sebagai referensi (akurasi hingga 0,05 mm). Analisis similaritas diolah menggunakan bahasa Python dengan perhitungan distribusi bentuk (Shape Distribution). Proses pengukuran similaritas melalui dua tahapan utama yaitu mendapatkan descriptor dari transformasi model 3D dengan fungsi bentuk (shape function) D1 menjadi bentuk 1D dan membandingkan dengan metode pembanding distribusi probabilitas menggunakan Jensen-Shanon Distance (JSD). Perhitungan ini akan menghasilkan tingkat kesamaan geometris kedua hasil pemindaian. Hasil perbandingan terbaik melalui proses pemodelan 3D hingga fabrikasi prostesis serta dilakukan pengujian secara kuantitatif dengan analisis similaritas dan kualitatif dengan analisis data Likert."