Sistem Pakar Diagnosis Penyakit Infeksi Saluran Pernafasan Akut (ISPA) Berbasis Web dengan Speech Recognition Menggunakan Metode Naive Bayes Classifier

Menurut Kementerian Kesehatan Republik Indonesia (2016) ISPA merupakan penyakit yang bisa menyerang semua kalangan tanpa melihat umur dan wilayah. Di Indonesia, penyakit ISPA menjadi salah satu penyakit yang berbahaya diantaranya adalah pneumonia. Sampai dengan tahun 2014, angka cakupan penemuan pneumonia balita tidak mengalami perkembangan berarti, yaitu berkisar antara 20%-30%.

Pada tahun 2015 terjadi peningkatan menjadi 63,45%. Angka kematian akibat pneumonia pada balita sebesar 0,16% mengalami peningkatan dibandingkan dengan tahun 2014 yang sebesar 0,08% .  Kurangnya pengetahuan masyarakat mengenai gejala dan cara penanganan penyakit ISPA merupakan salah satu faktor penyebab tingginya angka kematian akibat ISPA (Hendra, 2016). Selama ini, sistem diagnosa penyakit harus dilakukan dengan melibatkan dokter secara langsung dengan melakukan pencatatan dan analisa secara manual. Hal ini tidak menutup kemungkinan dapat menimbulkan kesalahan atau berbeda diagnosis. Untuk mengatasinya diperlukan suatu alat bantu berupa sistem pakar yang dapat mendiagnosis penyakit ISPA (Deni, 2013).

Sistem pakar pertama kali dikembangkan oleh komunitas AI (Artificial Intelligence Corporation) pada pertengahan tahun 1960. Sistem pakar yang muncul pertama kali adalah General-Purpose Problem Solver (GPS) yang dikembangkan oleh Newel & Simon. Sedangkan sistem pakar diagnosa kesehatan telah dikembangkan sejak pertengahan tahun 1970.

Berikut adalah macam-macam penyakit Infeksi Saluran Pernapasan (ISPA)

  1. Sinusitis adalah inflamasi atau peradangan pada dinding sinus. Sinus adalah rongga kecil berisi udara yang terletak di belakang tulang pipi dan dahi. Sinusitis termasuk penyakit umum yang bisa menjangkiti orang-orang pada segala umur.
  2. Radang Tenggorokan umumnya terjadi karena infeksi bakteri atau virus pada saluran pernapasan atas. Penyakit ini umumnya lebih banyak menyerang anak kecil dan remaja
  3. Epiglotitis adalah pembengkakan dan peradangan pada epiglotis. Epiglotis merupakan katup berbentuk daun yang berfungsi menutupi trakea (batang tenggorokan) agar tidak dimasuki makanan atau cairan pada saat kita menelan. Katup tersebut terletak di belakang pangkal lidah
  4. Bronkitis adalah infeksi pada saluran pernapasan utama dari paru-paru atau bronkus yang menyebabkan terjadinya peradangan atau inflamasi pada saluran tersebut. Kondisi ini termasuk sebagai salah satu penyakit pernapasan
  5. Bronkiolitis adalah infeksi saluran napas yang menyebabkan terjadinya radang dan penyumbatan di dalam bronkiolus atau saluran pernapasan kecil di dalam paru-paru. Kondisi ini umumnya dialami oleh bayi sampai anak-anak usia dua tahun ke bawah.
  6. Pneumonia atau dikenal juga dengan istilah paru-paru basah adalah infeksi yang memicu inflamasi pada kantong-kantong udara di salah satu atau kedua paru-paru. Pada pengidap pneumonia, sekumpulan kantong-kantong udara kecil di ujung saluran pernapasan dalam paruparu akan membengkak dan dipenuhi cairan
  7. Pleuritis adalah peradangan yang terjadi pada pleura. Pleura terdiri dari dua selaput yang masing-masing menempel pada paru-paru dan tulang rusuk yang berfungsi untuk memisahkan kedua jaringan tersebut. Di antara kedua selaput pleura terdapat cairan yang membantu mengurangi gesekan pada saat kita bernapas. Saat radang terjadi, cairan tersebut menjadi lengket dan permukaan selaput pleura menjadi kasar, sehingga timbul rasa sakit ketika kedua lapisan pleura saling bergesek, misalnya saat kita bernapas atau batuk
  8. Common cold adalah suatu infeksi atau peradangan kataralis pada mukosa hidung yang sering menjalar ke tenggorokan hingga sampai ke nasofaring, tonsil, laring, faring sehingga pada common cold sering juga ditemui adanya tanda dan gejala dari faringitis akut, tonsilitis akut, laringitis dan bahkan campuran dari ketiga infeksi di atas.
  9. Influenza Like Illness ( ILI ) merupakan gangguan kataral saluran pernapasan bagian atas oleh virus. (Depkes RI: 1998).

Disini penulis membuat sebuah sistem pakar berbasis web dengan fitur speech recognition untuk meningkatkan pengalaman pengguna dalam berinteraksi dengan sistem seperti sedang berinteraksi dengan dokter sungguhan. Sistem akan memberikan pertanyaan terkait gejala yang dialami pasien kemudian menghitung jawaban yang diberikan dengan metode naive bayes dan menampilkan hasil dari perhitungan tsb.

Untuk mengakses kode program yang telah dibuat, dapat dilihat pada tautan berikut. Dibawah ini merupakan tampilan dari sistem yang dibuat.

Halaman Awal Sistem
Halaman Pertanyaan
Halaman Hasil

 

Klasifikasi Citra X-Ray Dada ( X-Ray Chest Image) dengan Metode Convolutional Neural Network untuk Deteksi Pasien Covid-19

  1. Pendahuluan
          Pada akhir tahun 2019 Coronavirus Disease (COVID-19) terdeteksi di kota Wuhan, China. Virus ini mulai masuk ke indonesia sejak 24 Februari 2020 dan telah dinyatakan resmi sebagai Pandemi oleh World Health Organization (WHO). Virus tersebut menimbulkan gejala penyakit seperti demam, batuk, atau kelelahan, namun pada tahap awal penularan tidak semua orang yang berada dalam pengawasan menunjukan gejala-gejala tersebut (Kompas, 2020). Hal itulah yang menyebabkan penyebaran virus ini lebih sulit untuk dikenali dan dikendalikan.
          Untuk mengendalikan penyebaran Coronavirus Disease (COVID-19), diperlukan adanya screening dengan jumlah besar untuk mengidentifikasi pasien maupun orang dalam pengawasan yang dikenal dengan istilah pasien dengan pengawasan (PDP) dan orang dalam pemantauan (ODP). Pengujian laboratorium patogen adalah standar emas untuk mendapatkan diagnosa saat ini tetapi memakan waktu dengan hasil false-negative yang signifikan (Xhuai, Wong, at al. 2020).  Pada akhir Januari 2020, sebuah tim Cina menerbitkan sebuah makalah yang merinci fitur klinis dan non-klinis pada COVID-19. Mereka melaporkan bahwa pasien memiliki kelainan pada gambar hasil Computerized Tomography Scan (CT scan) dada dan sebagian besar memiliki pola yang identik (Huang, 2020).
             Dapat disimpulkan bahwa hasil uji radiologi menggunakan gambar CT pada dada dapat digunakan untuk mengenali ciri pasien pengidap pneumonia akibat COVID-19 secara akurat dan signifikan. Kemudian algoritma Deep Learning digunakan untuk membedakan gambar CT pasien COVID-19 dan pasien pneumonia, dan didapatkan hasil screening dengan rata-rata akurasi 86% dalam membedakan 219 COVID-19, 205 pneumonia non-COVID-19 (Bai, X.H, at al. 2020). Dapat disimpulkan bahwa pneumonia biasa (non-COVID-19) dapat dibedakan dengan pneumonia yang disebabkan oleh COVID berdasarkan hasil tes radiologi dengan hasil screening yang cukup akurat. (Wong, 2020) mengungkapkan bahwa dengan perkembangan pesat dari teknologi komputer dan teknologi pemrosesan gambar digital telah banyak diterapkan di bidang medis, termasuk segmentasi organ dan peningkatan dan perbaikan gambar memberikan bantuan untuk diagnosis medis. Melihat potensi dan hasil dari penelitian sebelumnya, pada penelitian kali ini penulis melakukan eksperimen skrining COVID-19 dengan menguji hasil radiologi menggunakan gambar rontgen. Alasannya adalah karena gambar Rontgen lebih mudah diakses, dan memiliki data potensial yang lebih banyak daripada gambar hasil CT scan terutama di daerah pedesaan dan terpencil (Chakraborty, S. 2020).
     
          Berangkat dari hal tersebut, penelitian ini memanfaatkan citra x-ray untuk kemudian mendapatkan fitur agar model dapat mengklasifikasikan citra x-ray menjadi tiga kelas yaitu normal, pneumonia dan covid menggunakan teknik convolutional neural network. 
  2. Penelitian Terkait
         Dalam melakukan penelitian ini penulis mendapatkan inspirasi dan referensi dari penelitian yang sudah pernah dilakukan sebelumnya. Adapun penelitian tersebut adalah sebagai berikut: 
    2.1 
    Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia      Penelitian ini dilakukan oleh Xiaowei Xu dan lainnya pada tahun 2020. Dalam penelitian tersebut, beberapa model CNN digunakan untuk mengklasifikasikan dataset gambar CT dan menghitung probabilitas infeksi COVID-19. Temuan ini mungkin sangat membantu dalam skrining awal pasien dengan COVID-19.
    1. Dataset yang Digunakan
         Sampel sebanyak 618 sampel CT yang mana sampel  tersebut dari 219 dari 110 pasien dengan COVID-19, 224 sampel CT dari 224 pasien dengan pneumonia virus Influenza-A, dan 175 sampel CT dari orang sehat.
    2. Metode Penelitian
         Calon daerah infeksi pertama kali disegmentasi menggunakan 3D (3-Dimensional) Deep Learning model dari set gambar CT paru-paru. Gambar-gambar yang terpisah ini kemudian dikategorikan ke dalam COVID-19, pneumonia virus Influenza-A dan tidak relevan dengan kelompok infeksi (atau kelompok orang sehat). Akhirnya jenis infeksi dan skor kepercayaan total kasus CT ini dihitung dengan fungsi Naive-Bayes.
    3. Hasil
         Hasil percobaan dataset benchmark menunjukkan bahwa akurasi keseluruhan adalah 86,7% dari perspektif kasus CT secara keseluruhan.
  3. Metode Penelitian
    3.1  Dataset
           Dataset yang digunakan berjumlah 813 citra x-ray dada dengan format jpeg, jpg dan png. Data ini kemudian dibagi menjadi 3 set yaitu data train, data test, dan data validation, dimana 629 data  digunakan untuk kebutuhan training model dengan rincian 179 citra x-ray dada normal, 249 diagnosa pneumonia dan 201 citra x-ray pasien COVID-19. Kemudian penulis juga memisahkan data untuk keperluan validasi dan testing, dimana terdapat 150 data citra x-ray untuk keperluan testing dengan jumlah masing-masing yaitu 45 citra x-ray pasien covid, 39 citra x-ray pasien normal/non covid dan pneumonia dan 66 citra x-ray pasien pneumonia.
          Sedangkan untuk kebutuhan validasi disediakan sejumlah 34 data dengan masing-masing yaitu 10 citra x-ray pasien covid, 16 citra x-ray pasien normal non-covid dan pneumonia dan 8 citra x-ray pasien pneumonia.
      Data citra x-ray pasien normal dan pneumonia didapat dari pasien anak-anak berusia 1-5 tahun dari Pusat Medis Wanita dan Anak-anak Guangzhou, Guangzhou citra x-ray dada ini telah disaring untuk meningkatkan kualitas dengan menghapus semua gambar berkualitas rendah atau tidak dapat dibaca. Diagnosis untuk gambar-gambar tersebut kemudian dinilai oleh dua dokter ahli sebelum dibersihkan yang dapat diakses secara terbuka (Mooney, 2018). 
          Sementara untuk gambar hasil rontgen dari pasien penderita COVID-19 didapatkan dari
    database terbuka dengan lisensi IEEE (2020). Untuk meningkatkan kualitas, penulis membersihkan data citra x-ray pasien covid dengan menghapus beberapa gambar dengan kualitas rendah dan hanya menggunakan gambar rontgen yang diambil dari sudut pandang bagian depan (Thorax). Berikut adalah sampel dari dataset yang digunakan. 

    Gambar 1. Sample Dataset


    3.2   Proses
          Sebenarnya data yang dimiliki penulis untuk pasien covid jumlahnya jauh lebih sedikit dari pasien normal dan pneumonia, hal ini lazim terjadi untuk data medis oleh karena itu penulis melakukan augmentasi. Augmentasi dilakukan dengan bantuan library imgaug.augmenters, augmentasi dilakukan pada setiap iterasi dengan urutan teknik yang dilakukan ialah horizontal flips, rotation dan random brightness. Gambar dibawah ini adalah arsitektur neural network yang digunakan untuk membuat model.
         
          Untuk membuat model, penulis menggunakan Depthwise Separable Convolution (DSC). DSC menggunakan parameter yang lebih sedikit dibanding Convolution biasa, jumlah parameter yang harus di tune juga lebih sedikit, dan filter yang berbeda diterapkan untuk setiap chanel sehingga dapat lebih banyak menerima informasi. Penulis juga menggunakan batch yang mana penggunaan batch ini memegang peranan penting ketika network memiliki kedalaman yang cukup dalam. Setelah melakukan berbagai percobaan, dense yang dibutuhkan tiap layer juga harus dipertimbangkan berikut juga dengan learning rate yang digunakan. Penulis juga menggunakan bantuan dengan menginisialisasi bobot dari dua konvolusi pertama dengan bobot dari imagenet VGG16.

  4. Hasil
    4.1  Evaluasi Platform
           Dengan bantuan Cloud Service Google Colab, penulis hanya menggunakan hardware default yang disediakan google colab dan menggunakan runtime python3. Untuk setiap batch dibutuhkan waktu 14 detik dan rata rata tiap 1 epoch membutuhkan waktu hingga 2jam 30menit. Penggunaan Google Colab ini membantu proses training namun keterbatasannya adalah jika koneksi internet terputus lebih dari 2 menit maka training harus dimulai kembali dari awal.
    4.2  Proses Training
           Pada masa training penulis menggunakan loss function binary cross entropy, nilai loss yang didapatkan saat penulis menambahkan epoch tidak menunjukan penurunan dan peningkatan yang signifikan. Nilai loss hanya berulang pada angka 0.544 s/d 0.567 hal ini mengindikasikan model konvergen pada titik tersebut.
    4.3  Performa Model
           Untuk mengukur performa model penulis melakukan perhitungan akurasi untuk mengukur berapa banyak prediksi benar yang dapat dilakukan model, validasi pada tiap epoch untuk memastikan model tidak overfitting atau underfitting, dan hasil akhirnya berupa confusion matrix yang menunjukan seberapa jauh model dapat memprediksi dataset. 
         Lalu hasil yang didapatkan adalah, pada saat training dengan learning rate sebesar 0,0001 akurasi yang didapatkan model adalah 78% dengan nilai akurasi validasi sebesar 66% kemudian pada data test akurasi yang didapat sebesar 66% dan berikut adalah confusion matrix yang didapatkan.

    Gambar 2. Confussion Matrix
  5. Diskusi
          COVID-19, yang pertama kali terdeteksi di Wuhan Cina, telah menyebabkan masalah kesehatan bagi masyarakat dan menjadi perhatian global. Situasi ini membutuhkan strategi pencegahan dan pengendalian yang tepat. Uji RT-PCR RNA 2019-nCoV digunakan untuk membuat diagnosis COVID-19. Namun, pengujian asam nukleat memiliki beberapa kekurangan seperti waktu yang dilakukan untuk pengujian yang lama, tingkat deteksi yang relatif rendah, dan kekurangan pasokan alat test.
         Pencitraan CT dari COVID-19 menghadirkan beberapa manifestasi berbeda menurut penelitian sebelumnya. Membebankan pekerjaan untuk membedakan COVID-19 dari citra x-ray dengan penyakit lain hanya dengan mata manusia di tengah kemajuan teknologi sangat disayangkan untuk terjadi. Sebagai perbandingan, model deep learning system-based screen mengungkapkan hal-hal yang lebih spesifik dan hasil yang dapat diandalkan dengan mendigitalkan dan menstandarisasi informasi dari sebuah gambar.
        Oleh karena itu, agar dapat membantu tenaga medis atau dokter untuk membuat keputusan klinis cepat lebih akurat. Dalam penelitian ini, deep learning digunakan untuk merancang network yang dapat melakukan klasifikasi untuk membedakan citra x-ray pasien dengan paru-paru normal, pneumonia atau COVID-19.      Manifestasi COVID-19 mungkin memiliki beberapa kesamaan dengan manifestasi pneumonia virus Influenza-A, pneumonia organik, dan pneumonia eosinofilik(Xiaowei wu, 2020). Diagnosis klinis COVID-19 juga perlu menggabungkan riwayat kontak pasien, riwayat perjalanan dll. Dalam penelitian ini juga, jumlah sampel yang digunakan untuk pembuatan model sangat terbatas, oleh karena itu waktu training dan jumlah sampel harus diperbanyak untuk meningkatkan akurasi di masa depan.
  6. Kesimpulan
          Pada penelitian ini penulis telah menunjukan bahwa metode Convolutional Neural Network dapat melakukan deteksi covid-19 dengan menggunakan citra x-ray pasien secara otomatis. Model dapat melakukan prediksi dengan tingkat akurasi sebesar 78%, meskipun masih jauh dari kesempurnaan tetapi dengan semakin banyaknya dataset yang tersedia dan banyaknya penelitian yang dilakukan dengan berbagai metode, diagnosis dengan metode baru ini dapat memberikan harapan dan bantuan bagi tenaga medis yang berada pada barisan terdepan penanggulangan covid-19. 
  7. Referensi
    Huang C, Wang Y, Li X, et al. Clinical features of patients infected with 2019 novel coronavirus in Wuhan, China[J]. Lancet. 2020 Jan 24. pii: S0140-6736(20)30183-5. doi:10.1016/S0140-6736(20)30183-5. 

Ieee8023. (2020, April 27). Ieee8023/covid-chestxray-dataset. Retrieved from https://github.com/ieee8023/covid-chestxray-dataset

Bai, H. X., Zhu, Y, F., Kanne, X, X., Bernheim, . . . Babady NE. (2020, March 10). Performance of radiologists in differentiating COVID-19 from viral pneumonia on chest CT. Retrieved from https://pubs.rsna.org/doi/full/10.1148/radiol.2020200823

Godfried, I. (2020, March 18). Machine Learning methods to aid in Coronavirus Response. Retrieved from https://towardsdatascience.com/machine-learning-methods-to-aid-in-coronavirus-response-70df8bfc7861

Mooney, P. (2018, March 24). Chest X-Ray Images (Pneumonia). Retrieved from https://www.kaggle.com/paultimothymooney/chest-xray-pneumonia

Putri, G. S. (2020, March 18). Studi: 86 Persen Pasien Corona Tidak Terdeteksi karena Minim Gejala. Retrieved from https://www.kompas.com/sains/read/2020/03/18/110100923/studi–86-persen-pasien-corona-tidak-terdeteksi-karena-minim-gejala

Wang, S., Kang, B., Ma, J., Zeng, X., Xiao, M., Guo, J., . . . Xu, B. (2020, January 01). A deep learning algorithm using CT images to screen for CoronaVirus Disease (COVID-19). Retrieved from https://www.medrxiv.org/content/10.1101/2020.02.14.20023028v5

Xiaowei Xu, Xiangao Jiang, Chunlian Ma, Peng Du, … Wei Wu (2020, February 21). Deep Learning System to Screen Coronavirus Disease 2019 Pneumonia. Retrieved from https://arxiv.org/abs/2002.09334v1

Tutorial Pembuatan Masker Kain KKN Covid19 UPI

Ilustrasi
Dimasa pandemi covid-19 ini Universitas Pendidikan Indonesia memberikan penawaran kepada mahasiswanya yang mengontrak mata kuliah KKN (Kuliah Kerja Nyata) untuk mengambil tema KKN baru yaitu “Edukasi dan Pencegahan Covid-19”.

Sebagai salah satu mahasiswa yang mengontrak mata kuliah KKN (Kuliah Kerja Nyata) saya memutuskan untuk mengikuti tema ini, tujuan utama dari tema KKN ini ialah memberikan edukasi kepada masyarakat sekitar rumah mahasiswa terkait pandemi Covid-19 adapun program yang ditawarkan adalah, pendataan masyarakat sekitar rumah mahasiswa, program edukasi covid bagi siswa sekolah SD/SMP/SMK, program edukasi covid bagi masyarakat dsb. Daftar program yang ditawarkan dapat dilihat pada laman berikut.

Adapun kegiatan yang saya pilih adalah, pembuatan APD (Alat Pelindung Diri) berupa masker kain yang saya bagikan ke warga sekitar. Alasan saya memilih kegiatan ini yaitu, dengan memberikan apd berupa masker kain setidaknya dapat membantu pencegahan penularan covid-19 dengan memberikan alat pelindung diri untuk warga sekitar yang mobilitasnya masih tinggi dimasa pandemi ini. Juga selain membuat ukuran masker dewasa, saya juga membuat masker kain dengan ukuran yang pas bagi anak anak. Berikut adalah tutorial pembuatan masker kain yang telah saya buat.

Alat dan Bahan:

    1. Kertas Pola, untuk pola berbagai ukuran dapat diunduh pada laman berikut. Untuk pola ukuran universal dapat diunduh pada laman berikut
    2. Bahan kain jenis apapun, disarankan kain katun
    3. Marker/ spidol/ pena untuk menggambar pola pada kain
    4. Gunting
    5. Benang jahit
    6. Karet ukuran lebar 0.5 cm dan panjang 16cm
    7. Mesin Jahit (Bisa juga jahit manual)

Cara Pembuatan:

    1. Lipat kain menjadi 2 bagian, kemudian gambar pola diatas kain. Pastikan pola digambar pada bagian dalam kain. Kain dilipat agar pemotongan pola dapat dilakukan menghasilkan 2 potong kain yang berpasangan.

      Step 1: Gambar Pola
    2. Potong kain sesuai bentuk pola

      Step 2: Hasil Pemotongan pola
    3. Jahit 2 lembar kain yang sudah dipotong pada bagian yang melengkung, lakukan ini pada 2 pasangan kain.
    4. Kemudian gabungkan 2 pasang kain yang sudah di jahit melengkung pada tepiannya. Lalu jahit bagian bawah dan atas kain yang sudah digabungkan tadi.
    5. Balik kain yang sudah dijahit
    6. Lipat sisi kain bagian kiri dan kanan untuk pemasangan karet sekitar o.5cm, lalu masukan ujung karet sekitar 1cm karet kedalam masker pada bagian atas dan bawahnya. Jahit karet dengan kain masker, lakukan pada kedua sisi masker.
    7. Untuk menambah estetika, jahit bagian sekeliling dan tengah masker.

Begitulah cara pembuatan masker kain 2 lapis, sebelum digunakan cuci masker agar steril. Stay safe!

Requirement Analysis : Project Aplikasi Komik

Pada hari senin 11 maret 2019 kami selaku developer dari project aplikasi komik mengadakan grup diskusi bersama dengan project manager, system analyst, budget manager dan QA tester kami melalui aplikasi discord. grup diskusi ini dilaksanakan selama kurang lebih 2 jam dari pukul 20.00 s/d 22.00 WIB.

Grup diskusi merupakan salah satu metode dari requirement analysis, yang dilaksanakan untuk mengumpulkan kebutuhan dari project aplikasi yang sedang kami bangun dari sisi pengguna dan sistem. Berikut adalah hasil dari grup diskusi yang kami laksanakan.

      • Kebutuhan Fungsional
        • Dibutuhkan halaman utama yang berisi gambar untuk membaca komik
        • menyediakan halaman komik yang diurutkan berdasarkan genre
        • melihat urutan komik populer
        • melihat komik apa saja yang terbit di setiap harinya
        • menyediakan fitur komentar pada setiap episode
        • menyediakan fitur login yang menyediakan 3 role: yaitu untuk admin, pengguna, dan author komik
        • yang terakhir adalah membuat akun

Selain itu kami juga mengumpulkan kebutuhan dari sisi database, sistem harus menyediakan beberapa table yang dilampirkan pada tautan diakhir halaman ini.

Kemudian karena sistem yang kami bangun memiliki 3 role berikut kebutuhan fungsional dari sisi Admin dan user.

      • Admin
        • Halaman login
        • Halaman dashboard
        • Halaman CRUD genre
        • Halaman CRUD komik
        • Halaman CRUD Detail Komik
        • Halaman RUD user
      • User
        • halaman utama (kaya webtoon)
        • halaman populer
        • halaman genre
        • halaman register & login
        • halaman profil user (buat edit profil)
        • halaman komik (buat info komik sebelum baca, list episode dll)
        • halaman baca

Begitulah hasil diskusi grup kami dan hasil dari requirement analysis yang kami dapatkan dari diskusi grup tersebut.

 

Dokumentasi:

http://bit.ly/DokumRequirementAnalysis

 

What’s SCRUM?

“ Scrum is a framework within which people can address complex adaptive problems, while productively and creatively delivering products of the highest possible value.”

– scrum.org

Apa itu SCRUM?

Scrum adalah metode itreratif yang termasuk kedalam metode Agile. Metode ini digunakan untuk mengelola dan menjalankan sebuah proyek, mulai dari pembuatan software, website hardware, marketing, dan sebagainya. Scrum membantu untuk mengorganisir sebuah tim.

SCRUM Role

Pembagian peran dengan metode Scrum

  • Scrum Master: Tugas dari role ini ialah memastikan semua anggota tim melaksanakan framework scrum disetiap harinya. Bisa juga dikatakan sebagai fasilitator tim dalam membantu tim. Juga bertanggung jawab untuk memimpin tim dalam menjalankan scrum framework.
  • Product Owner: Tanggung jawab pemilik produk adalah memiliki visi tentang apa yang akan dibuat dan menyampaikan visi tersebut kepada tim Scrum. Product Owner juga menyampaikan setiap progress pekerjaan tim terhadap client (pengguna) dari produk yang dikerjakan/dikembangkan oleh tim.
  • Development Team: ialah team yang bertugas untuk mengeksekusi dari projek yang sedang dikerjakan denan metode Scrum ini.

Apa itu Sprint?

Sprint bisa dikatakan sebagai jantung dari Scrum, Sprint merupakan kontainer dari event – event Scrum yang memiliki batasan waktu tertentu. sprint juga bertujuan untuk menyelesaikan sesuatu (Sprint Goal). Setiap sprint membawa misi “apa saja yang harus dikembangkan dan diselesaikan, bagaimana melakukannya”.

Value yang ada pada Framework SCRUM

Untuk menjaga agar projek yang sedang dikerjakan berjalan dengan masksimal berikut nilai yang harus ada dalam setiap individu team Scrum

  • Courage : setiap anggota tim harus berani, saling semangat dan menyemangati untuk mengerjakan setiap pekerjaan. Hal ini penting agar setiap anggota dapat mengerjakan tasknya dengan keadaan gembira dan tidak tertekan secara emotional.
  • Focus : berarti setiap anggota tim harus bisa fokus dalam mengerjakan setiap tugasnya untuk menghasilkan produk yang sesuai dengan kesepakatan tim
  • Commitment : setiap anggota tim harus berkomitmen menjalankan tugasnya untuk mecapai tujuan yang ditetapkan oleh tim secara bersama-sama.
  • Respect : berarti setiap anggota tim harus saling menghormati, dan menghargai pekerjaan setiap anggota tim serta memberikan kepercayaan kepada setiap pribadi anggota tim.
  • Openness : setiap anggota harus terbuka terhadap segala sesuatu yang dikerjakannya kepada anggota tim maupun orang yang berada diluar tim. Terbuka akan apa yang dikerjakan, permasalahan apa yang dihadapi dan terbuka untuk memohon bantuan dan memberikan bantuan terhadap orang lain.

Mengapa Harus SCRUM?

Ada beberapa poin penting untuk Scrum yang membuat banyak orang tertarik untuk menggunakannya, misalnya:

  • Berorganisasi sendiri dengan fokus pada tim.
  • Tidak perlu dokumentasi dalam jumlah besar. Scrum menggunakan pendekatan yang to the point dalam membagikan tugas atau menanyakan progress.
  • Tim Scrum adalah sebuah tim yang memiliki lintas fungsional sehingga bisa bekerja sama sebagai satu kesatuan.
  • Komunikasi yang kuat dan banyak interaksi.
  • Memiliki ritme yang pasti dan berulang untuk menyelesaikan pekerjaan dalam waktu maksimal 30 hari.
  • Alih-alih mencoba melakukan keseluruhan pekerjaan pada saat bersamaan, Scrum membantu menyelesaikannya satu persatu dengan interval waktu yang ditentukan.
  • Mengaplikasikan Scrum dapat membuat anggota tim member Anda merasa dipercaya dan Anda juga tahu member mana yang ahli di bidangnya dan bisa mengerjakan tugasnya sehingga tidak ada tunggu-menunggu.

Referensi:

  1. https://www.dewaweb.com/blog/scrum-methodology-panduan-project-management/
  2. https://medium.com/easyread/framework-scrum-d3a11ae1629d
  3. https://www.jagoanhosting.com/blog/kamu-harus-tahu-ini-sprint-dan-aturannya-di-dalam-scrum/