Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penyakit jerawat merupakan sebuah kondisi kulit yang umum yang ditandai dengan folikel rambut yang tersumbat, tidak hanya mempengaruhi penampilan fisik tetapi juga mempengaruhi kepercayaan diri individu. Metode diagnostik yang maju sangat penting untuk menentukan tingkat keparahan jerawat, yang dapat membimbing strategi pengobatan yang efektif. Penelitian ini memperkenalkan pendekatan inovatif untuk mengklasifikasikan tingkat keparahan jerawat pada citra wajah menggunakan Diagnostic Evidence Distillation yang memanfaatkan multi teacher knowledge distillation. Studi ini meningkatkan model single teacher konvensional dengan menggabungkan beberapa arsitektur teacher, memungkinkan transfer pengetahuan yang lebih kuat dan akurat ke student model. Penulis mengembangkan dan menguji model yang mengintegrasikan Convolutional Neural Network (CNN) dengan kerangka kerja multi teacher untuk meningkatkan akurasi prediktif. Pendekatan yang dilakukan menggabungkan secara unik diagnostic evidence dengan teknik deep learning untuk mengoptimalkan proses klasifikasi. Evaluasi dilakukan menggunakan dataset ACNE04, yang dianotasi menurut kriteria Hayashi, memastikan representasi komprehensif dari berbagai tingkat keparahan jerawat. Hasilnya menunjukkan bahwa model multi teacher knowledge distillation mencapai akurasi yang lebih unggul dibandingkan model single teacher sebelumnya, dengan peningkatan akurasi menjadi 90.00%, melampaui benchmark sebelumnya sebesar 86.06%. Ini menunjukkan kemajuan signifikan dalam klasifikasi otomatis tingkat keparahan jerawat. Studi penulis tidak hanya memberikan kemajuan metodologis dalam bidang pemrosesan gambar medis tetapi juga berkontribusi pada penilaian tingkat keparahan jerawat yang lebih akurat dan dapat diandalkan, berpotensi meningkatkan hasil pengobatan dan perawatan pasien.

---

Acne is a common skin condition characterized by clogged hair follicles, affecting not only physical appearance but also an individual's self-confidence. Advanced diagnostic methods are crucial for determining the severity of acne, which can guide effective treatment strategies. This research introduces an innovative approach to classifying the severity of acne in facial images using Diagnostic Evidence Distillation that utilizes multi teacher knowledge distillation. This study enhances the conventional single teacher model by integrating multiple teacher architectures, allowing for a more robust and accurate knowledge transfer to the student model. The authors developed and tested a model that integrates a Convolutional Neural Network (CNN) with a multi-teacher framework to improve predictive accuracy. The approach uniquely combines diagnostic evidence with deep learning techniques to optimize the classification process. The evaluation was conducted using the ACNE04 dataset, annotated according to the Hayashi criteria, ensuring a comprehensive representation of various acne severities. The results show that the multi-teacher knowledge distillation model achieves superior accuracy compared to the previous single-teacher model, with an improved accuracy of 90.00%, surpassing the previous benchmark of 86.06%. This indicates significant advancement in the automated classification of acne severity. The authors' study not only provides methodological advancement in the field of medical image processing but also contributes to more accurate and reliable assessments of acne severity, potentially enhancing treatment outcomes and patient care."

"ABSTRAKPada tugas akhir ini, saya menganalisa probabilitas outage dari teknologi full-duplex dengan menggunkan sistem MIMO (2x2) dengan memperhatikan faktor dari self-interference. Faktor self-interference pada tugas akhir ini diasumsikan telah ditekan dengan menggunakan active dan passive cancellation. Diasumsikan kanal yang dilalui sinyal antar 2 node merupakan kanal Rayleigh dan kanal yang dilalui sinyal interferensi merupakan kanal Rician. Selanjutnya, akan diperhatikan nilai dari probabilitas outage akibat dampak dari perubahan faktor K, 𝛾̅ɑ adalah SINR (Signal to Interference plus Noise Ratio), threshold rate (R) dan jumlah antena (N). Pada hasil perhitungan dengan nilai dari K = 35 dB atau lebih serta SINR = 70 dB dan R = 10 bps/Hz, probabilitas outage bernilai lebih dari 10-2 namun, dengan nilai SINR = 70 dB dan R = 10 bps/Hz, probabilitas outage bernilai lebih kecil dari 10-4 untuk nilai K = 15 dB atau kurang, maka didapat bahwa probabilitas outage meningkat jika nilai K meningkat. Selanjutnya, dengan nilai K = 10 dB didapat nilai dari probabilitas outage sebesar 10-4 ketika nilai SINR = 60 dB dan probabilitas outage sebesar 10-6 ketika nilai SINR = 70 dB, maka didapat probabilitas outage menurun jika nilai SINR meningkat. Hasil perhitungan lainnya dengan nilai K = 10 dB, didapat nilai dari probabilitas outage lebih dari 0,2 ketika nilai R = 6 bps/Hz dan probabilitas outage sebesar 0,8 ketika nilai R = 8 bps/Hz, didapatkan Probabilitas outage meningkat jika nilai R meningkat. Selanjutnya, dengan nilai K = 15 dB dan R = 20 bps/Hz, didapatkan nilai probabilitas outage sebesar 0,4, namun ketika nilai dari K = 15 dB dan R = 20 bps/Hz, nilai dari probabilitas outage dibawah 0,1, maka probabilitas outage menurun jika nilai N meningkat.

---

ABSTRACTIn this report, I analyze an outage probability in bidirectional nirkabel communication using full-duplex MIMO system with consider effect of self-interference. The self-interference in this report is mitigated by active and passive cancellation, yet there is still interference happens in this system, called residual interference. Assumed, transmit information signal (channel between node-1 and node-2) using Rayleigh fading channel and express interference signal stream using Rician fading channel. I derive a closed-form solution of outage probability towards effect of Rician factor (K), γ̅ɑ is SINR (Signal to Interference plus Noise Ratio), threshold rate (R) and number of antenna (N). With SINR is 70 dB and R is 10 bps/Hz, value of outage probability is more than 10-2, yet with SINR is 70 dB and R is 10 bps/Hz, we get value of probability is below 10-2 for value of K is 15 dB or below, we obtain that value of outage probability increases when we increasing value of K. At value of K is 10 dB, we get outage probability is 10-4 when SINR is 60 dB and outage probability is 10-6 when SINR is 70 dB, from the result we conclude that for certain value of R, as SINR increases outage probability decreases for given K. Furthermore, at value of K is 10 dB, we get outage probability is more than 0.2 when R is 6 bps/Hz and outage probability is 0.8 when R is 8 bps/Hz. We get that as threshold rate increases outage probability increases for given SINR. Moreover, at value of K is 15 dB and R is 20 bps/Hz, we get outage probability is 0.4 but when value of K is 15 dB and R is 20 bps/Hz, we get outage probability is below 0.1. We obtain that increases number of antenna will decreases value of outage probability."

"Dalam pengawasan lingkungan perbatasan wilayah laut, wireless sensor network merupakan teknologi yang kini sedang dikembangkan sebagai pendeteksi kapal asing dalam jangkauan wilayah pengawasannya. Sistem ini terdiri dari nodal-nodal sensor yang tersebar pada permukaan laut dengan tujuan untuk mengetahui efek gelombang kapal yang terjadi pada permukaan laut yang berkomunikasi dengan cluster head pada wilayah geografisnya yang tehubung juga pada sink (pusat penerima informasi sistem) secara wireless. Efek gelombang kapal yang direspon oleh sensor akan teridentifikasi sebagai kapal asing yang memasuki wilayah pengawasan. Pada sistem sebelumnya terdapat fitur estimasi kecepatan kapal yang membuat sistem menghitung kecepatan kapal secara otomatis jika kapal telah terdeteksi oleh 4 sensor. Kemudian, dalam penelitian ini penulis mengembangkan fitur estimasi kecepatan dalam sistem untuk dapat mengestimasi kecepatan kapal dengan lebih efisien dan lebih akurat. Pengembangan fitur yang dilakukan penulis adalah dengan menggunakan metode estimasi kecepatan kapal ketika kapal dengan menggunakan 3 sensor yang telah mendeteksi kapal sebagai pengestimasi kecepatannya. Penelitian ini dilakukan dengan menggunakan skala tertentu terhadap ukuran kapal dan jarak sensor yang seharusnya diimplemantasikan dalam sistem pengawasan yang sesungguhnya. Hasilnya, setelah dibandingkan metode estimasi kecepatan menggunakan 3 nodal dan metode estimasi 4 nodal terhadap kecepatan actual kapal yang seharusnya, diperoleh nilai presentase error pada estimasi menggunakan 3 nodal yang lebih kecil dibandingkan dengan 4 nodal. Nilai tersebut tercapai dengan presentase error estimasi 3 nodal sebesar 53.33% dan estimasi menggunakan 4 nodal sebesar 183.33%.

---

In maritime boundary surveillance, wireless network is the most common tools developed nowadays for detecting foreign ship across the area. This system consists of sensor nodes which are spread on several sea surface points in order to communicate with each of its particular area cluster head that also wirelessly connected to the sink (centre of informations receiver). Ship wave effect responded by the sensor will be identified as foreign ship which enters surveillance area. By far, the current development of this technology is creating a feature that can estimate a ship velocity automatically with four sensors.

In this research the writer developed a feature to estimate a velocity in certain system which can predict the ship velocity in an efficient way accurately. Feature development proposed by the writer is using ship velocity estimation method by utilizing three sensors as the velocity estimator which already detected the ship. This research uses certain scale of ship size and sensor distance, which are feasible to be implemented in real surveillance system.

The result of this research shows that compared to the actual ship velocity, the error presentation of velocity estimation system using three nodes is smaller than the error presentation of velocity estimation system using four nodes. The error presentation of three nodes presentation is 53.33% while estimation with four nodes gave an error presentation up to 183.33%."

"Pengawasan wilayah teritorial laut perlu dioptimalkan, terutama pada negara kepulauan yang memiliki luas wilayah laut lebih besar dibandingkan luas wilayah daratan. Karena, wilayah tersebut sangat rawan dimasuki oleh kapal pihak asing secara ilegal. Teknologi pengawasan yang umumnya digunakan seperti radar maupun satelit masih memiliki biaya yang mahal, pencitraan mudah terganggu oleh cuaca buruk, serta kesulitan dalam mendeteksi keberadaan kapal akibat efek noise dan cluttering yang disebabkan oleh permukaan laut yang tidak rata. Teknologi baru yang sekarang sedang dikembangkan untuk pendeteksian pihak asing yang masuk dalam wilayah teritorial adalah teknologi jaringan sensor nirkabel JSN. Skripsi ini telah memformulasikan persamaan JSN dengan 4 node sensor untuk mengestimasi koordinat kapal. Selain itu, telah dibuat pula perangkat lunak berbasis bahasa pemrograman Processing yang mampu menunjukkan hasil pendeteksian kapal. Kemudian telah dirancang sebuah sistem pendeteksi kapal yang mengestimasi arah, kecepatan, serta koordinat kapal berdasarkan persamaan estimasi koordinat kapal JSN dengan 4 node sensor. Sistem yang dirancang merupakan integrasi perangkat lunak tersebut dan perangkat keras berupa modul XBee sebagai pengirim data, mikrokontroler Arduino, dan akselerometer untuk membaca pergerakan node sensor secara vertikal. Pengujian dilakukan dengan melewatkan sebuah kapal dengan kecepatan tertentu di dalam wilayah pengawasan menggunakan JSN dengan 4 node sensor. Hasil yang diperoleh, sistem pendeteksian kapal mampu mendeteksi kecepatan, arah, dan koordinat kapal yang direpresentasikan dalam sumbu x dan sumbu y dengan akurasi terbaik yang dapat dilakukan yaitu sebesar 96 untuk pendeteksian kecepatan kapal, 98,85 untuk pendeteksian arah kapal, 98 untuk pendeteksian sumbu x, dan 99,92 untuk pendeteksian sumbu y.

---

Surveillance of marine territorial areas needs to be optimized, especially in archipelagic countries that have a larger marine area than land area because the area is vulnerable entered by foreign ships illegally. Commonly used surveillance technologies such as radar and satellite still have an excessive cost, imaging is easily disrupted by harsh weather, as well as difficulty in detecting ship presence due to noise and cluttering effects caused by uneven sea levels. Innovative technology that is now being developed for the detection of foreign parties that enter the territory is wireless sensor network technology WSN.

In this research, WSN equation with 4 sensor nodes to estimate the coordinates of the ship has been formulated. In addition, a software based on Processing language that can show the results of ship detection is also made. A ship detecting system that estimates the direction, velocity, and coordinate of the ship based on the WSN ship coordinate estimation equation with 4 sensor nodes has been designed as well.

The designed system is an integration of the software and hardware. The hardware use XBee module as communication device, Arduino as microcontroller, and accelerometer to read vertical sensor node movement. The test is performed by passing a ship at a certain speed within the surveillance area using WSN with 4 sensor nodes.

Results shown that the ship detection system can detect the velocity, direction, and coordinates of the ship represented in the x axis and y axis with the best accuracy of 96 for the detection of ship speed, 98.85 for the detection of ship direction, 98 For the detection of the x axis, and 99.92 for the detection of the y axis."

"ABSTRAKJakarta yang telah didukung oleh teknologi big data. Peran teknologi big data bagi perkembangan smart city sangat penting karena dapat menjadi dasar untuk menyusun perencanaan dan menentukan kebijakan pemerintah daerah. Pada tesis ini dibahas mengenai analisis implementasi teknologi big data di Pemerintah Provinsi DKI Jakarta dengan menggunakan metode gap analysis pada data-data hasil in-depth interview dan data pendukung lainnya. Berdasarkan hasil gap analysis diketahui bahwa implementasiteknologi big data di Jakarta Smart City masih memerlukan perbaikan dan pengembangan karena masih adanya kesenjangan pada elemen-elemen penelitian yaitu data, infrastruktur, pengelolaan, sumber daya manusia dan manfaat. Pada penelitian ini selanjutnya dirumuskan usulan perbaikan terhadap kesenjangan yang ditemukan dan menyusun urutan prioritas perbaikan dengan menggunakan metode capability, accessibility, readiness dan leverage (CARL).

---

ABSTRACTThe Jakarta Smart City Unit is a work unit of the Jakarta Provincial Government in Indonesia with the main duty and function of implementing smart city, one of itsefforts using big data technology. The role of big data technology in the development of smart city is very important, because it can be the basis of the steps in determining the policies of the local government. This study discusses and analyses the implementation of big data technology in the Provincial Government of Jakarta by using gap analysis tool based on in-depth interview data and other supporting data. Based on the results of the gap analysis, it is known that the use of big data technology in Jakarta Smart City still needs improvement and development because there are still gaps in the research elements, namely data, infrastructure, governance, human resources and benefit. In this study the proposed improvements to the gaps that were found and formulated the priority order of improvement using the method of Capability, Accessibility, Readiness,and Leverage CARL."

"

Penggunaan internet terus meningkat untuk setiap tahunnya. Peningkatan itu dapat berupa meningkatnya data of usage per pengguna, ataupun bertambahnya jumlah perangkat yang terhubung ke dalam jaringan. Oleh karena itu, diperlukan kapasitas kanal yang cukup untuk menghadapi perkembangan tersebut. Salah satu karakteristik dari sebuah kanal yang berhubungan dengan kapasitas adalah koefisien kanal. Dengan hubungan tersebut, kita dapat memperbesar nilai kapasitas kanal dengan melakukan peningkatan terhadap nilai koefisien kanalnya. Pada penelitian ini akan dilakukan analisis terhadap nilai maksimum dan minimum dari koefisien kanal yang didefinisikan, secara berturut-turut, sebagai nilai batas atas dan batas bawah. Perhitungan dan simulasi pada penelitian ini akan menggunakan pemodelan superposisi gelombang datar sebagai model dasarnya. Sebelumnya pemodelan ini telah digunakan pada pCell, sebuah teknologi nirkabel yang mampu mendapatkan efisiensi spektrum dengan lebih baik pada perangkat 4G LTE, untuk memperoleh nilai gain jalur jamak yang besar. Pada penelitian ini penulis melakukan pendekatan yang berbeda, penulis menggunakan pemodelan ini untuk menetukan nilai maksimum dan minimum dari nilai koefisien kanal. Pada akhir penelitian didapatkan hubungan antara perhitungan batas atas dan batas bawah terhadap simulasi nilai koefisien kanal pada beberapa jumlah jalur pancaran sinyal, serta sudut pancaran sinyal yang divariasikan dengan distribusi seragam.

 

---

Users data of usage and the number of devices connected to the network are increasing from years to years, simply, the internet usage is growing. Due to this phenomenon, we need a decent channel capacity to keep up with it. One of the channel characteristics that interfer with capacity is channel coefficient. By this relation, we could enlarge the channel capacity by improving its channel coefficient. On this research, we did an analysis towards the maximum and minimum values of a channel coefficient, simultaneously defined by upper and lower treshold. The simulation on this research is using Superposition of Plane Wave as the basic model. Previously, this model had been used on pCell technology to enlarge the multiplexing gain. However, on this research, we did a different approach by using the model to achieve the maximum and minimum value of a channel coefficient. At the end, we found a relation between the upper and lower treshold formulation and the channel coefficient simulation on some signal paths, with their direction randomized by uniform distribution.

"

"AMC, Automatic Modulation Classification, adalah suatu teknologi yang dapat mengklasifikasi jenis modulasi pada suatu sinyal. Dalam perkembangan AMC model Deep Learning yang digunakan biasanya mengejar akurasi dari model tanpa memperhatikan ukuran dari model itu sendiri. Pada penelitian ini, dirancang sebuah model Convolutional Long short-term memory Deep Neural Network (CLDNN) yang ringan dengan metode optimasi model tambahan yang dinamakan Pruning. Pruning sendiri adalah metode optimasi model yang dapat memutus hubungan antar neuron dalam suatu Neural Network guna memperkecil ukuran model dan mempercepat waktu komputasi dengan tetap menjaga akurasi dari model tersebut. Penelitian ini mampu membuktikan bahwa metode optimasi pruning dapat mengurangi ukuran model CLDNN-Y3 hingga 76,92% pada sparsity 0,95. Akurasi model CLDNN-Y3 yang telah dioptimasi sebesar 64,07% pada sparsity 0,5, 64,04% pada sparsity 0,8, 63,74% pada sparsity 0,9, dan 62,86% pada sparsity 0,95.

---

AMC, Automatic Modulation Classification, is a technology that can classify the type of modulation on a signal. In the development of AMC, Automatic Modulation Classification, Deep Learning models used usually pursue the accuracy of the model regardless of the size of the model itself. In this study, a lightweight Convolutional Long short-term memory Deep Neural Network (CLDNN) model was designed with an additional model optimization method called Pruning. Pruning itself is a model optimization method that can remove connections between neurons in a Neural Network to reduce the size of the model and speed up computational time while maintaining the accuracy of the model. This research has proven that the pruning optimization method is capable of reducing the size of the CLDNN-Y3 model by up to 76.92% at a sparsity level of 0.95. The optimized CLDNN-Y3 model achieves an accuracy of 64.07% at a sparsity of 0.5, 64.04% at a sparsity of 0.8, 63.74% at a sparsity of 0.9, and 62.86% at a sparsity of 0.95."

"Corona Virus Disease 2019 (COVID-19) adalah penyakit yang menyerang tubuh manusia melalui virus Severe Acute Respiratory atau SARS-CoV-2. Munculnya wabah COVID-19 menimbulkan setidaknya 16,6 juta penduduk di dunia meninggal dunia serta tidak sedikit dari penderitanya mengidap Community Acquired Pneumonia (CAP). CAP adalah infeksi akut parenkim paru pada orang yang telah mendapatkan infeksi di masyarakat. Menurut World Health Organization (WHO), pneumonia menjadi penyebab utama kematian nomor tiga di negara miskin dan berkembang. Dengan adanya pendeteksian serta diagnosis lebih dini, pengidap CAP akibat terpapar oleh virus COVID-19 ini dapat ditangani lebih cepat sebelum menyebar luas. Oleh karena itu, analisis gambar medis sangat penting dalam upaya pengobatan CAP sedini mungkin. Adanya pengembangan teknologi deep learning dan computer vision dapat membantu dokter dalam melakukan pendeteksian lebih cepat serta akurat. Maka dari itu, penelitian ini mengusulkan model Convolutional Neural Network (CNN) dengan arsitektur ensemble model Xception, InceptionV3, NASNet Large, dan Inception Resnet-V2 dengan menggunakan metode pre-processing Principal Component Analysis (PCA) dalam melakukan pendeteksian COVID-19 tiga kelas pada gambar chest xray. Penggunaan metode PCA pada data pre-processing dapat membantu mengembangkan model yang lebih efisien serta akurat. Para peneliti telah mencoba pemrosesan gambar baik menggunakan gambar rontgen dada dan juga Computerized Tomography (CT scan) khususnya CNN. Penelitian sebelumnya telah membuat model CNN dengan arsitektur ensemble model yang terdiri dari Xception, Inception-V3, NASNet Large, dan Inception Resnet-V2 berbasis ensemble model. Namun, hasil akurasi dalam pendeteksiannya masih belum optimal. Oleh karena itu, penelitian ini mengusulkan penggunaan metode PCA untuk meningkatkan akurasi pendeteksian menjadi 88,95%. Akurasi pendeteksian meningkat sebesar 3,14% dari penelitian sebelumnya.

---

Corona Virus Disease 2019 (COVID-19) is a disease that attacks the human body through the SARS-CoV-2 virus. The emergence of the COVID-19 outbreak has caused at least 16.6 million people worldwide to die, and many of them suffer from Community Acquired Pneumonia (CAP). CAP is an acute lung parenchyma infection in people who have been infected in the community. According to World Health Organization (WHO), pneumonia is the third leading cause of death in poor and developing countries. With earlier detection and diagnosis, CAP sufferers due to exposure to the COVID-19 virus can be treated more quickly before it spreads widely. Therefore, medical image analysis is crucial in the effort to treat CAP as early as possible. The development of deep learning and computer vision technology can help doctors to perform faster and more accurate detection. Hence, this research proposes a Convolutional Neural Network (CNN) model with ensemble architectures of Xception, InceptionV3, NASNet Large, and Inception Resnet-V2, using Principal Component Analysis (PCA) pre-processing method to perform three-class COVID-19 detection in chest x-ray images. The use of the PCA method in pre-processing data can help develop a more efficient and accurate model. Researchers have tried image processing using both chest X-ray images and also Computerized Tomography (CT scan), especially CNN. Previous research has created a CNN model with an ensemble model architecture consisting of Xception, Inception-V3, NASNet Large, and Inception Resnet-V2 based on the ensemble model. However, the results of the accuracy in the detection are still not optimal. Therefore, this study proposes the use of the PCA method to increase the detection accuracy to 88.95%. Detection accuracy increased by 3.14% from previous studies."

"Arsitektur model deep learning kini sudah semakin kompleks setiap harinya. Namun semakin besar model maka dibutuhkan kekuatan komputasi yang cukup besar juga dalam menjalankan model. Sehingga tidak semua perangkat Internet of Things (IoT) dapat menjalankan model yang begitu besar secara efisien. Untuk itu teknik model optimization sangat diperlukan. Pada penelitian kali ini penulis menggunakan metode optimasi menggunakan layer weight regularization, serta penyederhanaan arsitektur model pada hybrid deep learning model. Dataset yang digunakan pada penelitian kali ini adalah N-BaIoT. Sementara evaluasi performa model yang digunakan adalah accuracy, confussion matrix, dan detection time. Dengan tingkat accuracy yang sama, model yang diusulkan berhasil meningkatkan waktu deteksi model lebih cepat 0,8 ms dibandingkan dengan model acuan.

---

The deep learning model architecture is getting more complex every day. However, the larger the model, the greater the computational power is needed to run the model. So not all Internet of Things (IoT) devices can run such a large model efficiently. For this reason, model optimization techniques are needed. In this study, the author uses an optimization method using layer weight regularization, as well as simplification of the model architecture on the hybrid deep learning model. The dataset used in this research is N-BaIoT. While the evaluation of the performance of the model used is accuracy, confusion matrix, and detection time. With the same level of accuracy, the proposed model succeeded in increasing the detection time of the model by 0.8 ms faster than the reference method."

"Grammatical Error Correction (GEC) merupakan salah satu topik yang menarik dalam penelitian Natural Language Processing (NLP). Sudah banyak penelitian mengenai GEC untuk bahasa universal seperti Inggris dan Cina, namun sedikit penelitian mengenai GEC untuk bahasa Indonesia. Pada penelitian ini penulis mengembangkan framework GEC untuk memperbaiki kesalahan 10 jenis Part of Speech (POS) bahasa Indonesia dengan arsitektur Gated Recurrent Unit (GRU). Dataset yang digunakan adalah Indonesian POS Tagged Corpus yang disusun oleh Ruli Manurung dari Universitas Indonesia. Hasil penelitian ini berhasil memberikan rata-rata Macro-Average F0.5 Score sebesar 0.4882 dan meningkatkan kecepatan prediksi sebesar 30.1%.

---

Grammatical Error Correction (GEC) is one of the exciting topics in Natural Language Processing (NLP) research. There have been many studies on GEC for universal languages such as English and Chinese, but little research on GEC for indonesian. In this study, the authors developed a GEC framework to correct ten Indonesian Part of Speech (POS) errors with the Gated Recurrent Unit (GRU) architecture. The dataset used is the Indonesian POS Tagged Corpus compiled by Ruli Manurung from the University of Indonesia. The results of this study succeeded in providing an average Macro-Average F0.5 Score of 0.4882 and increase prediction time by 30.1% "