Jurnal Algoritme最新文献

{"title":"Penerapan Algoritma C4.5 Untuk Kepuasan Pelanggan Toko Online Parfume Chantik","authors":"Caesar Rizky Aditya Nugroho, Titin Kristiana","doi":"10.35957/algoritme.v3i1.3169","DOIUrl":"https://doi.org/10.35957/algoritme.v3i1.3169","url":null,"abstract":"Saat ini banyak sekali toko online atau marketplace baik milik perorangan/perusahaan yang di peruntukan khusus pembeli atau costumer hendak melihat dan membeli produk. Di beberapa negara di dunia, marketplace di fungsi kan sebagai perdagangan elektronik sering di artikan sebagai e-commerce di beberapa lokasi di indonesia. Perbedaan antara marketplace dan e-commerce ialah pada konsep yang mirip seperti pasar/toko tradisional. Pada penelitian ini digunakan metode Algoritma C4.5 untuk menganalisis tingkat kualitas kepuasan pelayanan dan produk dari toko online parfume chantik. Menggunakan metode Algoritma C4.5, maka perlu diketahui keakuratan prediksi yaitu kemampuan model untuk dapat memprediksi label kelas terhadap data-data yang baru atau data yang belum diketahui sebelumnya dengan baik. Dalam penelitian ini di lakukan eksperimen menggunakan metode klasifikasi data mining deceision tree algoritma C4.5  terhadap data kuisoner kepuasan pelanggan setelah membeli dari toko online parfume chantik.","PeriodicalId":447117,"journal":{"name":"Jurnal Algoritme","volume":"14 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-10-05","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"128123895","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}

{"title":"Implementasi Algoritma C4.5 Untuk Memprediksi Capaian Pembelajaran Daring (Studi Kasus Siswa MAN 3 Blitar)","authors":"Muchamad Azis Hidayatuloh, K. P. Kartika, Dimas Fanny Hebrasianto Permadi","doi":"10.35957/algoritme.v3i1.3292","DOIUrl":"https://doi.org/10.35957/algoritme.v3i1.3292","url":null,"abstract":"Capaian pembelajaran adalah fokus terhadap apa yang diinginkan bisa dilakukan oleh siswa selama atau ketika akhir sebuah proses pembelajaran yang mencangkup proses belajar dan mengajar. Permasalahan ketika pembelajaran daring yaitu terkendalanya jaringan dan sedikitnya waktu jam mengajar para guru serta terbatasnya jumlah materi yang dapat disampaikan. Maka diperlukan solusi untuk menentukan tingkat kepuasan siswa dalam proses tercapainya pembelajaran daring di sekolah. Penelitian ini menerapkan lagoritma C4.5 untuk klasifikasi capaian pembelajaran daring di MAN 3 Blitar. Pada penelitian ini mempunyai tujuan untuk memprediksi capaian pembelajaran daring dengan algoritma C4.5. Terdapat 10 atribut yang mempengaruhi capaian pembelajaran daring yaitu : mengingat, absensi, tugas, penilaian, materi, kondisi, penerapan, menciptakan, pembahasan, analisis. Dengan adanya penelitian dapat memudahkan guru dalam menentukan metode pembelajaran daring dengan kendala yang dapat diminimalisir. Hasil penelitian dengan algoritma C4.5 yaitu pohon keputusan dan rule-rule sebanyak 27, nilai gain yang tertinggi adalah atribut Menciptakan yaitu 0,383923. Hasil pengujian validasi menggunakan confusion matrix tingkat accuracy dalam memprediksi capaian pembelajaran daring rata-rata sebesar 88%, precision sebesar 83%, recall sebesar 86%. Dengan hasil nilai accuracy yang didapat tersebut maka dapat dikatakan termasuk Good Classification.","PeriodicalId":447117,"journal":{"name":"Jurnal Algoritme","volume":"334 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-10-05","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"133773983","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}

{"title":"Klasifikasi Penyakit Mata Menggunakan Convolutional Neural Network Dengan Arsitektur VGG-19","authors":"Dewi Marcella, Yohannes Yohannes, Siska Devella","doi":"10.35957/algoritme.v3i1.3331","DOIUrl":"https://doi.org/10.35957/algoritme.v3i1.3331","url":null,"abstract":"Penelitian ini mengangkat topik terkait dengan klasifikasi dengan menggunakan objek penyakit mata pada manusia. Penelitian ini menggunakan dua pilihan optimizer yaitu SGD dan Adagrad. Data yang digunakan sebanyak 601 citra yang terdiri dari 430 citra latih, 50 citra validasi, dan 121 citra uji dengan total 4 kelas. Metode yang digunakan pada penelitian ini adalah metode Convolutional Neural Network (CNN) dengan arsitektur VGG-19, dengan input berupa citra yang telah melalui proses preprocessing yaitu resize dan metode CLAHE (Contrast Limited Adaptive Histogram Equalization) dari citra penyakit mata. Skenario pengujian terdiri dari 8 skenario dengan Optimizer dan ClipLimit yang berbeda-beda. Hasil pengujian tertinggi didapatkan pada skenario pertama yaitu dengan menggunakan optimizer Adagrad dan clipLimit sebesar 1,0 dengan nilai accuracy yang didapatkan sebesar 65,29%, precision sebesar 66,53%, recall sebesar 65,29%, dan f1-score sebesar 65,40%.","PeriodicalId":447117,"journal":{"name":"Jurnal Algoritme","volume":"12 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-10-05","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"133987214","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}

{"title":"Klasterisasi Topik Skripsi Informatika dengan Metode DBSCAN","authors":"Zicola Vladimir VIky Khan, Derry Alamsyah, Wijang Widhiarso","doi":"10.35957/algoritme.v3i1.3337","DOIUrl":"https://doi.org/10.35957/algoritme.v3i1.3337","url":null,"abstract":"Penelitian ini menganalisis 176 skripsi mahasiswa universitas swasta di Palembang tahun 2020. Data dianalisis dengan melakukan text processing dan ekstraksi menggunakan TF-IDF dengan 2 skenario, yakni fitur yang direduksi dan tidak direduksi dengan metode SVD. Tiap skenario digunakan 3 metric yakni cosine, euclidean, dan manhattan, sehingga total skenario menjadi 6. Hasil yang ditemukan bahwa kualitas klaster terbaik yang diukur dengan silhouette coefficient berasal dari metric cosine dan fitur yang direduksi oleh SVD dengan nilai silhouette coefficient 0.88382763, nilai intracluster sebesar 0.08688583, dan nilai intercluster sebesar 0.74671096. Di sisi lain, kualitas klaster untuk fitur yang direduksi lebih baik dibandingkan dengan fitur yang tidak direduksi. Selain itu, penggunaan DBSCAN menunjukan korelasi yang positif antara epsilon dan intracluster dengan nilai 0.97669, dan menunjukan korelasi yang negatif antara epsilon dan silhouette dengan nilai 0.9789. \u0000 ","PeriodicalId":447117,"journal":{"name":"Jurnal Algoritme","volume":"17 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-10-05","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"127221520","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}

{"title":"Analisis Sentimen Analisis Sentimen Popularitas Aplikasi Moodle dan Edmodo Menggunakan Algoritma Support Vector Machine","authors":"Nedya Yolanda, Indyah Hartami Santi, Dimas Fanny Hebrasianto Permadi","doi":"10.35957/algoritme.v3i1.3313","DOIUrl":"https://doi.org/10.35957/algoritme.v3i1.3313","url":null,"abstract":"Pandemi Covid-19 di Indonesia menyebabkan pembelajaran tatap muka diberhentikan sementara, sehingga keluar kebijakan pembelajaran berani. Secara tidak langsung mendorong sebuah aplikasi E-Learning memiliki tingkat penggunaan dan jumlah unduhan tinggi di Play Store. Aplikasi terbaik selalu diberikan kepada aplikasi dengan jumlah unduhan dan rating paling tinggi di Play Store. Sementara itu komentar dari pengguna perlu dipertimbangkan karena banyak aplikasi E-learning yang memilliki jumlah unduhan dan penilaian yang hampir sama seperti pada aplikasi Moodle dan Edmodo, oleh karena itu dilakukan analisis sentimen popularitas aplikasi Moodle dan Edmodo menggunakan Algoritma SVM. Komentar pengguna di Play Store digunakan sebagai sumber data. Dari 250 data hasil Scraping komentar pengguna lalu dilakukan proses preprocessing dan pembobotan ekstraksi TF IDF. Berdasarkan pengujian menggunakan matriks kebingungan dapat dipastikan bahwa sentimen pengguna terhadap aplikasi Edmodo memiliki proporsi yang lebih baik dibandingkan dengan aplikasi Moodle dapat didukung dengan munculnya sentimen positif 67% dengan keakuratan sebesar 84% dan pengujian presisi sebesar 93%, serta recall sebesar 82 % dan f1-score sebesar 87%. Sedangkan pada aplikasi Moodle memiliki persentase sentimen negatif sebesar 67% dengan keakuratan 82% dan presisi pengujian sebesar 79%, recall 100% dan f1-score 88%. Berdasarkan pengujian menggunakan matriks kebingungan dapat dipastikan bahwa sentimen pengguna terhadap aplikasi Edmodo memiliki proporsi yang lebih baik dibandingkan dengan aplikasi Moodle dapat didukung dengan munculnya sentimen positif 67% dengan keakuratan sebesar 84% dan pengujian presisi sebesar 93%, serta recall sebesar 82 % dan f1-score sebesar 87%. Sedangkan pada aplikasi Moodle memiliki persentase sentimen negatif sebesar 67% dengan keakuratan 82% dan presisi pengujian sebesar 79%, recall 100% dan f1-score 88%. Berdasarkan pengujian menggunakan matriks kebingungan dapat dipastikan bahwa sentimen pengguna terhadap aplikasi Edmodo memiliki proporsi yang lebih baik dibandingkan dengan aplikasi Moodle dapat didukung dengan munculnya sentimen positif 67% dengan keakuratan sebesar 84% dan pengujian presisi sebesar 93%, serta recall sebesar 82 % dan f1-score sebesar 87%. Sedangkan pada aplikasi Moodle memiliki persentase sentimen negatif sebesar 67% dengan keakuratan 82% dan presisi pengujian sebesar 79%, recall 100% dan f1-score 88%.","PeriodicalId":447117,"journal":{"name":"Jurnal Algoritme","volume":"54 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-10-05","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"124625810","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}

{"title":"Klasifikasi Penyakit Daun Sawit Menggunakan Metode Jaringan Saraf Tiruan Dengan Fitur Local Binary Pattern","authors":"Andreas Jeremy Obet Simanjuntak, Daniel Udjulawa","doi":"10.35957/algoritme.v3i1.3158","DOIUrl":"https://doi.org/10.35957/algoritme.v3i1.3158","url":null,"abstract":"Penyakit pada daun sawit adalah penyakit yang disebabakan oleh bakteri maupun jamur. Salah satu cara untuk mengetahui penyakit pada daun sawit adalah dengan mengamati Pola pada permukaan daun sawit. Pola pada daun sawit akan dianalisis oleh orang yang ahli untuk mengetahui apakah terdapat penyakit pada daun sawit atau tidak. Penelitian ini bertujuan untuk mengklasifikasi daun sawit apakah terdapat penyakit atau tidak pada pada daun sawit dengan menggunakan sebuah program. Diperlukan metode yang tepat untuk menghasilkan akurasi yang baik, peneliti menggunakan metode klasifikasi JST (Jaringan Saraf Tiruan) dan metode ekstraksi LBP (Local Binary Pattern). Tahapan yang dilakukan pada citra sebelum di Klasifikasi yaitu Grayscale, selanjutnya dilakukan ekstraksi menggunakan LBP (Local Binary Pattern) dan di klasifikasi menggunakan JST (Jaringan Saraf Tiruan) dengan menggunakan 17 train function dengan hasil 5 neuron mendapatkan rata-rata akurasi 81%, presisi 95%, dan recall 94%. Pada neuron 10   mendapatkan rata-rata akurasi 95%, presisi 97%, dan recall 96%. Dan pada neuron 20 mendapatkan rata-rata akurasi 97%, presisi 97%, dan recall 96%. \u0000.           \u0000Kata kunci: Penyakit daun sawit, LBP, JST, neuron","PeriodicalId":447117,"journal":{"name":"Jurnal Algoritme","volume":"24 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-10-05","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"131138153","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}

{"title":"Identifikasi Kadar Ikan Pada Pempek Dengan Fitur LBP Dan Metode Pengenalan SVM","authors":"Kevita Titany Suhanto, Gasim Gasim","doi":"10.35957/algoritme.v3i1.3363","DOIUrl":"https://doi.org/10.35957/algoritme.v3i1.3363","url":null,"abstract":"Bahan utama yang biasa diguanakan oleh masyarakat dalam pembuatan pempek adalah ikan giling dan tepung sagu. Masyarakat Palembang biasanya membuat pempek menjadi beberapa varian seperti pempek telur, pempek pistel, pempek keriting, pempek kapal selam, pempek panggang, pempek lenggang, dll. Pada penelitian terdahulu, datasetnya yaitu 4 jenis pempek lenjer dengan kadar ikan gabus dan tepung yang berbeda jumlahnya dimana setiap satu perbandingan sebanding dengan 200 gram. Perbandingannya yaitu : 1 ikan gabus banding 1 tepung sagu, 1.5 ikan gabus banding 1 tepung sagu, 2 ikan gabus banding 1 tepung sagu, 1 ikan gabus banding 2 tepung sagu. Pada penelitian ini dataset yang dipakai adalah citra foto yang menggunakan resolusi kamera 2MP yang merupakan dataset terbaik dari penelitian terdahulu (Amatullah, 2021) yang memperoleh tingkat akurasi sebesar 23,33% dan jumlah pengenalan data uji sebanyak 56 dari 240 data uji. Lalu pada penelitian ini dilakukan dengan menggunakan ekstraksi fitur LBP dan metode pengenalan Support Vector Machine yangmenghasilkan tingkat akurasi sebesar 22.92%","PeriodicalId":447117,"journal":{"name":"Jurnal Algoritme","volume":"1 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-10-05","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"129762443","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}

{"title":"Identifikasi Aksara Katakana Menggunakan Convolutional Neural Network Arsitektur LeNet","authors":"Eric Agustian Winardi, Ery Hartati","doi":"10.35957/algoritme.v2i2.2359","DOIUrl":"https://doi.org/10.35957/algoritme.v2i2.2359","url":null,"abstract":"Penelitian ini mengangkat topik terkait dengan identifikasi menggunakan objek aksara  katakana. Pada penelitian ini menggunakan beberapa Optimizer, namun belum diketahui  penggunaan Optimizer dan Pooling Layer yang memiliki tingkat pengenalan yang terbaik  dalam penelitian tersebut. Penelitian ini menggunakan Optimizer Adam, SGD dan RMSprop,  kemudian Pooling Layer menggunakan Average dan Max Pooling. Data yang digunakan  sebanyak 2070 citra yang terdiri dari 920 citra latih, 690 citra validasi dan 460 citra uji  dengan total 46 kelas. Metode pengenalan menggunakan Convolutional Neural Network  arsitektur LeNet, dengan input berupa citra yang telah melalui proses preprocessing  menggunakan metode otsu dari citra aksara katakana. Skenario pengujian terdiri dari 6  skenario dengan Optimizer dan Pooling Layer yang berbeda-beda. Tingkat akurasi tertinggi  didapatkan pada skenario pertama menggunakan Adam dan Average Pooling sebesar 90%  dengan hasil pengenalan sebanyak 414 dari 460 data uji. Hasil dari penelitian ini dapat  digunakan sebagai referensi pada penelitian lanjutan dengan metode ataupun objek yang sama.","PeriodicalId":447117,"journal":{"name":"Jurnal Algoritme","volume":"87 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-11","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"126182833","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}

{"title":"Klasifikasi Jenis Kanker Kulit Menggunakan CNN-SVM","authors":"Ricky Yohannes, M. E. Al Rivan","doi":"10.35957/algoritme.v2i2.2363","DOIUrl":"https://doi.org/10.35957/algoritme.v2i2.2363","url":null,"abstract":"Kanker kulit merupakan pertumbuhan yang berlebihan pada jaringan kulit yang mengenai beberapa atau seluruh lapisan kulit. Untuk dapat mendiagnosa kanker kulit dapat digunakan metode biopsi dimana jaringan kulit diambil lalu diperiksa. Penggunaan biopsi mengeluarkan biaya yang mahal dan merusak kulit. Penelitian ini menerapkan metode CNN SVM untuk mengklasifikasi jenis-jenis kanker kulit. CNN yang sebagai ekstraksi fitur dengan arsitektur VGG-19 dan ResNet-50. SVM digunakan sebagai pengklasifikasi dengan menggunakan kernel linear dan RBF kemudian dioptimasi menggunakan random dan grid. Dataset terdapat 300 citra per jenis lalu dibagi menjadi 240 data latih, 60 data uji, dan dengan jumlah total 1500 citra. Penelitian ini melakukan 2 skenario pada citra yaitu menggunakan preprocessing resize dan preprocessing patch lalu diterapkan pada model, sehingga terdapat 16 skenario total. Hasil terbaik penelitian ini didapatkan pada preprocessing patch arsitektur VGG-19 menggunakan kernel linear optimasi random dan grid dengan nilai accuracy sebesar 65,33%, nilai recall sebesar 65,33%, nilai precision sebesar 68,51%, dan nilai f1-score sebesar 65,77%.","PeriodicalId":447117,"journal":{"name":"Jurnal Algoritme","volume":"8 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-11","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"124833143","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}

{"title":"Perbandingan Metode K-Nearest Neighbor Dan Naïve Bayes Untuk Klasifikasi Gender Berdasarkan Mata","authors":"Calvin Kurniawan, H. Irsyad","doi":"10.35957/algoritme.v2i2.2358","DOIUrl":"https://doi.org/10.35957/algoritme.v2i2.2358","url":null,"abstract":"Mata merupakan organ penglihatan, yang terletak di rongga orbital. Bentuknya bulat,  sekitar 2,5cm. Ruang antara mata dan orbit diisi oleh jaringan gemuk. Dinding tulang dan  lemak orbit yang dapat melindungi mata dari terluka.Secara struktural , kedua mata  terpisah,tetapi mereka adalah pasangan. Hal Dapat dilihat hanya dengan satu mata, tetapi  penglihatan tiga dimensi Merasa tidak nyaman Ketika hanya menggunakan satu mata, terutama  dalam hubungan penghakiman jarak. Gender adalah penggolongan secara gramatikal  terhadap kata- kata dan kata- kata lain yang berkaitan dengannya yang secara garis besar  berhubungan dengan keberadaan dua jenis kelamin atau kenetralan.Penelitian ini bertujuan  untuk klasifikasi Gender berdasarkan mata menggunakan metode K-NN dan Naïve Bayes. Data  yang dibagi menjadi dua yaitu mata pria dan mata Wanita adalah 10.541 data uji dan 4518  data latih dilanjutkan dengan grayscale, HOG, HSV, Cropping. Pada metode k-NN dengan fitur  HSV dan HOG dengan Cropping metode K-NN menghasilkan akurasi yang lebih tinggi di  bandingkan Naïve Bayes yaitu sebesar 68,61%.","PeriodicalId":447117,"journal":{"name":"Jurnal Algoritme","volume":"38 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2022-04-11","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"125618432","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}