Abstract:Abstract: Children's nutritional issues are an important concern for parents to pay attention to growth and development, especially health and well-being. According to the results of the Ministry of Health's Indonesian Nutrition…
utrition Status Survey (SSGI), there are 4 nutritional problems for children in Indonesia, namely stunting, wasting, underweight and everweight. In this research, how to predict signs of symptoms of a decline in a child's nutritional status using a machine learning algorithm, a prediction model was designed using logistic regression in Python IDE to predict whether a child is indicated by a decline in nutrition or not. Dataset from Bengkayang Community Health Center data consisting of 657 pediatric patient data. The dataset is divided into 7 features (independent variables) and 1 predictor (dependent variable). Test results show perfect performance with precision, recall, F1-score, accuracy values of 100%. Then the visualization results on the ROC (Receiver Operating Characteristic) curve to depict the TP (True Positive) value on the Y axis against the FP (false Positive) value on the become overfit. It is recommended that in preparing the training dataset, measure the training data and reduce the features, after carrying out feature selection to increase the accuracy of the model.
Keywords: child nutritional status; growth and development logistic regression; machine learning
Abstract: Masalah Gizi anak menjadi perhatian penting bagi orangtua untuk memperhatikan tumbuh kembang, terutama kesehatan dan kejahteraan. Menurut hasil survei status Gizi Indonesia (SSGI) Kemenkes memperlihatkan 4 permasalahan gizi anak di Indonesia yaitu stunting, wasting, underweight, dan everweight. Dalam penelitian ini, bagaimana memprediksi tanda gejala penurunan status gizi anak menggunakan algoritma machine learning dirancang model prediksi menggunakan logistic regression pada Python IDE dengan memprediksi anak terindikasi penurunan gizi atau tidak. Dataset dari data Puskesmas Bengkayang yang terdiri 657 data pasien anak. Dataset dibagi menjadi 7 feature (variabel independen) dan 1 predictor (variabel dependen). Hasil Pengujian memperlihatkan kinerja yang sempurna dengan nilai presisi, recall, F1-score, akurasi, sebesar 100%. Kemudian hasil Visualisasi pada kurva ROC (Receiver Operating Characteristic) untuk menggambarkan nilai TP (True Positif) di sumbu Y terhadap nilai FP (false Positif) di sumbu X juga menunjukkan nilai yang sangat tinggi dan sudah mendekati angka 1 ini pertanda bahwa model ini menjadi overfit. Sebaiknya dalam persiapan training dataset diukur dengan data training dan mengurangi feature, setelah melakukan feature Selection untuk meningkatkan akurasi model.
Keywords: logistic regression; machine learning; status gizi anak; tumbuh kembang
Abstract:Abstract: The habit of smoking is dangerous because of the addictive substances that make cigarettes addictive. Its addictive nature poses a significant risk, affecting personality with stress, depression and nervous disorders.…
orders. Body factors that indicate smoking include blood sugar levels, dental caries, and hemoglobin. To address this, research has been conducted with focused efforts to understand and address the risks associated with smoking and its impact on overall health. This research aims to choose the best method for predicting smokers by using feature selection techniques. The feature selection algorithms uses for that are Analysis of Variance (ANOVA), Recursive Feature Elimination (RFE), and Genetic Algorithm (GA) to select optimal attributes and uses the k-fold cross validation technique as the validation of the Artificial Neural Network algorithm. The data includes various parameters such as age, height, weight, vision, blood pressure, cholesterol, triglycerides, hemoglobin, AST, ALT, GTP, gender, dental caries and tartar. Hearing ability, urine protein content, and tartar were selected. The results showed that using the Analysis of Variance method showed higher accuracy (77.101%) compared to the Genetic Algorithm method (74.64%) and the Recursive Feature Elimination method (76.08%). Selection of relevant attributes increases the predictions and insights of the Artificial Neural Network model about the effects of smoking on health.
Keywords: artificial neural network; analysis of variance; genetic algorithm; recursive feature elimination; smoker prediction
Abstrak: Kebiasaan merokok berbahaya karena adanya zat adiktif yang membuat rokok menjadi ketagihan. Sifatnya yang membuat ketagihan menimbulkan risiko yang signifikan, mempengaruhi kepribadian dengan stres, depresi, dan gangguan saraf. Faktor tubuh yang mengindikasikan kebiasaan merokok antara lain kadar gula darah, karies gigi, dan hemoglobin. Untuk mengatasi hal ini, penelitian telah dilakukan dengan upaya terfokus untuk memahami dan mengatasi risiko yang terkait dengan merokok dan dampaknya terhadap kesehatan secara keseluruhan. Penelitian ini bertujuan untuk memilih metode terbaik dalam memprediksi perokok dengan menggunakan teknik seleksi fitur. Metode seleksi fitur yang digunakan adalah Analysis of Variance (ANOVA), Recursive Feature Elimination (RFE), dan Genetic Algorithm (GA) untuk memilih atribut yang optimal dan menggunakan teknik k-fold cross validation sebagai validasi algoritma Artificial Neural Network. Data tersebut mencakup berbagai parameter seperti umur, tinggi badan, berat badan, penglihatan, tekanan darah, kolesterol, trigliserida, hemoglobin, AST, ALT, GTP, jenis kelamin, karies gigi dan karang gigi. Kemampuan pendengaran, kandungan protein urin, dan karang gigi dipilih. Hasil penelitian menunjukkan bahwa penggunaan metode Analysis of Variance menunjukkan akurasi yang lebih tinggi (77,101%) dibandingkan dengan metode Genetic Algorithm (74,64%) dan metode Recursive Feature Elimination (76,08%). Pemilihan atribut yang relevan meningkatkan prediksi dan wawasan model Jaringan Syaraf Tiruan tentang dampak merokok terhadap kesehatan.
Kata kunci: artificial neural network; analysis of variance; genetic algorithm; prediksi perokok; recursive feature elimination
Abstract:Abstract: The service dramatically affects the number of guests staying at the hotel. Bali is the most visited tourist area by foreign tourists. Therefore, improved service is crucial for determining the rating level of…
a hotel. This research aims to combine two data mining algorithms: clustering and classification. This research is expected to contribute to hospitality in improving the best services for tourists, especially in the City of Bali. Clustering algorithms are used to group the best number of hotels based on the four clusters selected from the k-means clustering algorithm. The classification algorithm using C4.5 determines the factors most dominant in determining the hotel rating level based on the gain ratio. The data used in this study results from observations on the website agoda.com in Bali of 51 data. The results of this study explained that cluster_0 is the highest-rated cluster, with a total number of 19 hotels found in claster_0. Data cluster0 is used for classification analysis using a decision tree, and the most dominant factor is the service factor, with an accuracy of 80%.
Keywords: data mining; kmeans; decision tree; hotel; bali;
Abstrak: Pelayanan sangat mempengaruhi jumlah pengunjung yang menginap dihotel. Bali merupakan daerah wisata paling banyak dikunjungi oleh wisatawan mancanegara. Oleh karena itu, peningkatan pelayanan sangat penting untuk penentuan level rating dari hotel. Tujuan dari penelitian ini untuk menggabungkan dua algoritma data mining yaitu clustering dan klasifikasi. Dengan penelitian ini diharapkan dapat memberikan kontribusi bagi perhotelan dalam meningkatkan pelayanan yang terbaik bagi wisatawan khususnya di Kota Bali. Algoritma Clustering digunakan untuk mengelompokkan dari jumlah hotel yang terbaik berdasarkan empat cluster yang dipilih dari algoritma clustering berupa k-means. Algoritma klasifikasi menggunakan C4.5 digunakan untuk mengetahui faktor apa yang paling dominan dalam menentukan level rating hotel berdasarkan gain ratio. Data yang digunakan dalam penelitian ini hasil observasi di website agoda.com di bali sebanyak 51 data. Hasil dari penelitian ini menjelaskan dataset cluster_0 merupakan cluster rating tertinggi dengan jumlah 19 hotel yang terdapat di cluster_0. Data cluster_0 digunakan untuk analisis klasifikasi menggunakan decesion tree, didapat faktor yang paling dominan adalah faktor layanan dengan nilai akurasi sebesar 80%.
Kata kunci: data mining; kmeans; decision tree; hotel; bali;
Abstract:Abstract: Increasing living standards cause an increase in the need for drinking water. However, current water supply estimates are still not optimal, with water production sometimes being more or less than requirements.…
To estimate the amount of water, an appropriate method is needed. The method used in this research is the back propagation algorithm artificial neural network method. When developing forecasts, past data is necessary to produce accurate results. This research aims to develop a predictive model that can estimate the volume of water that will be used by PDAM Tirtauli in the future. It is hoped that this predictive model can help PDAMs in planning more efficient water supply management and can reduce the potential for water supply shortages in the future. This research uses water distribution data for the 2015-2022 period. Training data starts in 2015-2021, testing data starts in 2016-2022. In this research, results were obtained using the Matlab R2011a application. In this research, the 5 architectures used are architecture 6-53-1, 6-58-1, 6-61-1, 6-81-1, 6-87-1. Based on these five architectures, the best architecture was obtained, namely architecture 6-87-1 with a root mean square error test value of 0.00010031 and an accuracy of 92%. The results achieved in 2023 are the total water volume of PDAM Tirtauli Pematangsiantar of 189,610,426.
Keywords: backpropagation; distribution; PDAM; prediction; water
Abstrak: Meningkatnya taraf hidup menyebabkan meningkatnya kebutuhan akan air minum. Namun, perkiraan pasokan air saat ini masih belum optimal, dengan produksi air kadang-kadang lebih atau kurang dari kebutuhan. Untuk memperkirakan jumlah air diperlukan suatu metode yang sesuai. Metode yang digunakan dalam penelitian ini adalah metode jaringan syaraf tiruan algoritma back propagation. Saat mengembangkan perkiraan, data masa lalu diperlukan untuk menghasilkan hasil yang akurat. Penelitian ini bertujuan untuk mengembangkan model prediktif yang dapat memperkirakan volume air yang akan digunakan oleh PDAM Tirtauli di masa mendatang. Model prediktif ini diharapkan dapat membantu PDAM dalam perencanaan pengelolaan pasokan air yang lebih efisien dan dapat mengurangi potensi kekurangan pasokan air pada masa yang akan datang. Penelitian ini menggunakan data sebaran air periode 2015-2022. Data pelatihan dimulai pada tahun 2015-2021, data pengujian dimulai pada tahun 2016-2022. Pada penelitian ini diperoleh hasil dengan menggunakan aplikasi Matlab R2011a. Pada penelitian ini 5 arsitektur yang digunakan adalah arsitektur 6-53-1, 6-58-1, 6-61-1, 6-81-1, 6-87-1. Berdasarkan kelima arsitektur tersebut diperoleh arsitektur terbaik yaitu arsitektur 6-87-1 dengan nilai uji root mean square error sebesar 0,00010031 dan mendapatkan akurasi sebesar 92%. Hasil yang dicapai pada tahun 2023 adalah total volume air PDAM Tirtauli Pematangsiantar sebesar 189.610.426.
Kata Kunci: air; backpropagation; distribusi; PDAM; prediksi
Abstract:Abstract: Basically, this region experiences growth every year. The negative impact of uncontrolled population growth will cause social inequality and poverty and affect the progress and prosperity of the region. Judging…
from the number of residents registered with the Population and Civil Registration Service, Siantar Martoba District has a fairly high population growth rate, so it is necessary to predict the future population. In making a prediction, a good method is needed to solve a problem. In this research, a backpropagation algorithm was used using five architectures, namely architecture 4-71-1, 4-31-1, 4-16-1, 4-72-1, 4-83-1. From the results of tests carried out using data on the population of Siantar Martoba, the best architecture was obtained, namely architecture 4-31-1 with a mean squared error for training of 0.00009960 and a mean squared error for testing of 0.000099957 and obtained an epoch of 14012 iterations with a time of 01 minutes 40 seconds. It was concluded that this method can predict the population of Siantar Martoba in the future using Matlab R2011a, thus obtaining a population of Siantar Martoba of 36470 people.
Keywords: architecture; backpropagation; pematangsiantar; population; welfare
Abstrak: Pada dasarnya, wilayah ini mengalami pertumbuhan setiap tahunnya. Dampak negatif pertumbuhan penduduk yang tidak terkendali akan menyebabkan kesenjangan sosial dan kemiskinan dan mempengaruhi kemajuan, kesejahteraan daerah tersebut. Dilihat dari jumlah penduduk yang terdaftar pada Dinas Kependudukan dan Pencatatan Sipil Kecamatan siantar martoba mempunyai laju pertumbuhan penduduk yang cukup tinggi, sehingga perlu dilakukan prediksi jumlah penduduk masa depan. Dalam melakukan sebuah prediksi dibutuhkan sebuah metode yang baik dalam menyelesaikan sebuah permasalahan, dalam penelitian ini digunakan algoritma backpropagation dengan menggunakan lima arsitektur yaitu arsitektur 4-71-1, 4-31-1, 4-16-1, 4-72-1, 4-83-1. Dari hasil pengujian yang telah dilakukan dengan menggunakan data jumlah penduduk siantar martoba diperoleh arsitektur terbaik yaitu arsitektur 4-31-1 dengan nilai mean squared error pelatihan 0.00009960 dan mean squared error pengujian 0.000099957 dan memperoleh epoch 14012 iterations dengan waktu 01 menit 40 detik. Disimpulkan bahwa metode ini dapat memprediksi jumlah penduduk Siantar Martoba di masa depan dengan menggunakan Matlab R2011a, sehingga memperoleh jumlah penduduk siantar martoba sebanyak 36470 Jiwa.
Kata kunci: arsitektur; backpropagation; pematangsiantar; kependudukan; kesejahteraan
Abstract:Abstract: Indonesia is included in the category of developing countries and is a country with a relatively large population. According to data from the Pematang Siantar City Population and Civil Registration Service, West…
t Siantar District is one of the sub-districts in Pematang Siantar City whose population continues to increase and this will lead to an increase in poverty and unemployment rates. To overcome the above problems, a method is needed to analyze the population growth of West Siantar, one of which is using the Backpropagation method. This research will use training data starting from 2017-2021 and test data from 2018-2022. The results carried out using MATLAB R2011a software show the best architecture 4-19-1 with an accuracy of 100 with an MSE number of 0.00010031375 and an epoch value of 124777. Based on the research carried out, the population of West Siantar in the next year is 86067 people. It is concluded that backpropagation can be used as a method that makes it easier to search for predictions and the level of accuracy obtained depends on the architecture used.
Keywords: Birth; Growth; Matlab; Predictions; Resident
Abstrak: Indonesia termasuk dalam kategori negara berkembang dan merupakan negara dengan jumlah penduduk yang relatif besar. Menurut data Dinas Kependudukan dan Catatan Sipil Kota Pematang Siantar, Kecamatan Siantar Barat merupakan salah satu kecamatan di Kota Pematang Siantar yang jumlah penduduknya terus meningkat dan hal ini akan berdampak pada peningkatan angka kemiskinan dan pengangguran. Untuk mengatasi permasalahan diatas diperlukan suatu metode untuk menganalisis pertumbuhan penduduk Siantar Barat, salah satunya adalah dengan menggunakan metode Backpropagation. Penelitian ini akan menggunakan data latih mulai tahun 2017-2021 dan data uji 2018-2022. Hasil yang dilakukan dengan menggunakan software MATLAB R2011a menunjukkan arsitektur terbaik 4-19-1 dengan akurasi 100 dengan angka MSE 0.00010031375 dan nilai epoch 124777. Berdasarkan penelitian yang dilakukan, populasi Siantar Barat di tahun berikutnya sebanyak 86067 orang. Disimpulkan bahwa backpropagation dapat digunakan sebagai metode yang memudahkan pencarian prediksi dan tingkat akurasi yang diperoleh tergantung pada arsitektur yang digunakan.
Keywords: Kelahiran; Matlab; Pertumbuhan; Penduduk; Prediksi
Abstract:Abstract: Twitter, as a social media platform, has rapidly grown as a means for people to express their opinions and thoughts on various topics, including education. The number of Twitter users surged to 10.645.000 in 2020,…
20, with a significant increase during the pandemic. Telkom University, as a private institution of higher education in Indonesia, has become one of the topics of discussion on Twitter. Users’ opinions about Telkom University vary, ranging from positive to negative. To gain deeper insights into public view, sentiment analysis is essential. The analysis follows the Knowledge Discovery in Databases (KDD) process, utilizing the Naive Bayes classification algorithm. The evaluation results indicate the best accuracy achieved with an 80:20 data split, resulting in an accuracy rate of 82.05%, precision of 82.3%, recall of 82.05%, and F1-Score of 82.08%. The Naïve Bayes model demonstrates good performance for sentiment analysis of public views regarding Telkom University on Twitter.
Keywords: naïve bayes; sentiment analysis; twitter; telkom university.
Abstrak: Media sosial Twitter berkembang pesat sebagai sarana masyarakat berekspresi untuk menuangkan opini dan pikiran mereka mengenai topik apapun, termasuk pendidikan. Pengguna Twitter meningkat tajam hingga 10.645.00 pengguna pada tahun 2020 dan terus meningkat selama pandemi. Telkom University sebagai perguruan tinggi menjadi salah satu topik yang dibicarakan yang berkaitan dengan pendidikan. Pendapat mengenai Telkom University yang diungkapkan oleh pengguna Twitter beragam, baik positif maupun negatif. Analisis sentimen diperlukan untuk memahami pandangan publik lebih mendalam. Digunakan tahapan Knowledge Discovery in Databases dan algoritma klasifikasi Naïve Bayes dalam analisis ini. Hasil evaluasi menunjukkan akurasi paling baik dicapai dengan rasio data 80:20, dengan nilai akurasi sebesar 82.05%, nilai presisi sebesar 82.3%, nilai recall sebesar 82.05%, dan nilai F1-Score sebesar 82.08%. Model klasifikasi Naïve Bayes memiliki performa baik untuk analisis sentimen pandangan publik di Twitter mengenai Telkom University.
Kata kunci: analisis sentimen; naïve bayes; twitter; telkom university.
Abstract:Abstract: Paskibra selection is an annual agenda held by schools, district disporas, provincial disporas, and the Ministry of Youth and Youth. This activity aim select the best students who will serve as flag raisers at…
independence commemoration ceremonies and other holidays. Paskibra participants have to choose. This reliable, formidable and attractive students are choosen. So the flag raising can be carried out solemnly and well. This school has a large number of students. Paskibra extracurricular enthusiasts also have many enthusiasts. This school Paskibra is a favourite extracurricular and quite prestigious among students. The selection of Paskibra has been running so well, but the decisions taken are sometimes not by the standards procedures. Therefore, a system that will be a reference for objective decision-making need to created . The decision-making system using the data mining algorithm C4.5. This study aim to create a system that makes it easier for the selection committee to select eligible Paskibra members. The method used is a qualitative method in the form of the results of interviews with data from participants in the last three years of the Pakskibra selection. As a result, there are three main criteria and five rules of the selection system.
Keywords: C4.5 algorithm; data mining; paskibra
Abstrak: Seleksi paskibra merupakan agenda tahunan yang diadakan oleh sekolah, dispora kabupaten, dispora provinsi, dan kemenpora untuk memilih siswa-siswi terbaik yang akan bertugas sebagai pengibar bendera pada upacara peringatan kemerdekaan dan hari-hari besar lainnya. Peserta paskibra perlu diseleksi agar terpilih siswa-siswi yang handal, tangguh dan menarik sehingga pengiabaran bendera dapat dilaksanakan dengan khidmad dan baik. Sekolah ini adalah salah satu sekolah menengah atas yang menjadi favorit para lulusan SMP. Oleh karena itu sekolah ini mempunyai siswa yang sangat banyak. Dengan banyaknya siswa yang masuk, maka peminat ekskul paskibra juga memiliki peminat yang banyak, selain itu di sekolah ini paskibra merupakan ekskul favorit dan cukup bergengsi di kalangan siswa. Seleksi paskibra yang berjalan selama ini sudah dilakukan dengan baik, akan tetapi keputusan yang diambil terkadang tidak sesuai dengan standar yang telah ditetapkan. Oleh karena itu perlu dibuatkan sebuah sistem yang akan menjadi acuan untuk pengambilan keputusan yang objektif. Sistem pengambilan keputusan akan dibuat menggunakan data mining algoritma C4.5. Tujuan dari penelitian ini adalah membuat sebuah sistem yang memudahkan panitia penyeleksi untuk memilih anggota paskibra yang layak. Metode yang digunakan adalah metode kualitatif berupa hasil wawancara data peserta seleksi pakskibra tiga tahun terakhir. Hasilnya berupa tiga kriteria utama dan lima aturan sistem seleksi.
Kata kunci: Algoritma C4.; data mining; paskibra;
Abstract:Abstract: Generating caption image automatically is one of the challenges in computer vision. This field can be very helpful in many ways, for example search engines. Currently there are many image classification algorithms…
hms that we can use to create a caption image model. In this article, we will compare performance between the Resnet50 and InceptionV3 models for text images. We will use 2000 (1800 train & 200 validation) image data and each image has 5 example captions to train the model. After the model is successfully created, we evaluate the model using 100 images and each image has 5 examples of additional captions that are not used in the training and validation process. The result of this research is that the InceptionV3 model is better than Resnet50. BLEU-1 is 0.53, BLEU-2 is 0.35, BLEU-3 is 0.18, BLEU-4 is 0.09, and METEOR is 0.35 for InceptionV3 model. While Resnet50 model has a value of BLEU-1 is 0.51, BLEU-2 is 0.31, BLEU-3 is 0.16, BLEU-4 is 0.06, and METEOR is 0.33.
Keywords: caption image; inceptionv3; LSTM; resnet50
Abstrak: Membuat gambar teks secara otomatis adalah salah satu tantangan dalam computer vision. Bidang ini bisa sangat membantu dalam banyak hal, misalnya mesin pencari. Saat ini banyak sekali algoritma klasifikasi citra yang dapat kita gunakan untuk membuat model teks citra. Pada artikel ini, kami akan membandingkan performa antara model Resnet50 dan InceptionV3 untuk gambar teks. Kami akan menggunakan 2000 (1800 train & 200 validation) data gambar dan setiap gambar memiliki 5 contoh caption untuk melatih model. Setelah model berhasil dibuat, kami mengevaluasi model menggunakan 100 gambar dan setiap gambar memiliki 5 contoh caption tambahan yang tidak digunakan dalam proses training dan validation. Hasil dari penelitian ini adalah model InceptionV3 lebih baik dibandingkan dengan Resnet50. BLEU-1 0.53, BLEU-2 0.35, BLEU-3 0.18, BLEU-4 0.09, dan METEOR 0.35 untuk model InceptionV3. Sedangkan model Resnet50 memiliki nilai BLEU-1 0.51, BLEU-2 0.31, BLEU-3 0.16, BLEU-4 0.06, dan METEOR 0.33.
Kata kunci: caption image; inceptionv3; LSTM; resnet50
Abstract:Abstract: Traffic accidents are one of the biggest contributors to injuries and fatalities worldwide. Victims of traffic accidents range from minor injuries to severe injuries and even death. The severity of many accidents…
ts is often due to a lack of discipline and public awareness of traffic rules and safety measures. Car manufacturers have attempted to mitigate the effects of accidents by providing seat belts. However, many people neglect to use them, thinking that nothing will happen while driving. Even with fines imposed by authorities, people can outsmart them by removing their seat belts when officers are not around. To address this issue, a model has been developed to monitor drivers using artificial intelligence and computer vision. The camera captures images, which are then processed by a neural network trained with the YOLOv5 algorithm. The model has an average precision of 89% and a recall of 81%, and can accurately detect whether drivers are wearing seat belts or not. This model is expected to aid in improving driver and passenger safety on the roads. By paying attention to the use of seat belts, the severity of injuries sustained in accidents can be reduced.
Keywords: computer vision; neural network; seatbelt detection; yolo
Abstrak: Kecelakaan lalu lintas merupakan salah satu penyumbang terbesar cedera dan kematian di seluruh dunia. Korban kecelakaan lalu lintas tidak hanya mengalami cedera ringan, tetapi juga cedera berat bahkan kematian. Parahnya banyak kecelakaan yang terjadi dapat disebabkan oleh kurangnya disiplin dan kesadaran masyarakat akan aturan lalu lintas serta tindakan keselamatan. Produsen mobil telah berusaha untuk mengurangi efek kecelakaan dengan menyediakan sabuk pengaman. Sayangnya, masih banyak orang yang mengabaikan penggunaannya, dengan menganggap bahwa tidak akan terjadi apa-apa saat mengemudi. Meskipun ada denda yang diberlakukan oleh pihak berwenang, orang masih dapat melepaskan sabuk pengaman ketika tidak ada petugas di sekitar. Untuk mengatasi masalah ini, sebuah model telah dikembangkan untuk memantau pengemudi menggunakan kecerdasan buatan dan visi komputer. Kamera mengambil gambar yang kemudian diproses oleh jaringan saraf yang dilatih dengan algoritma YOLOv5. Model ini memiliki presisi rata-rata sebesar 89% dan recall sebesar 81%, dan dapat dengan akurat mendeteksi apakah pengemudi menggunakan sabuk pengaman atau tidak. Model ini diharapkan dapat membantu dalam menangani masalah keselamatan pengemudi dan penumpang di jalan raya. Dengan memperhatikan penggunaan sabuk pengaman, dapat mengurangi tingkat keparahan cedera yang terjadi dalam kecelakaan.
Kata kunci: computer vision; deteksi sabuk pengaman; neural network; yolo