Abstract:Abstract: This study aims to develop a Deep Learning-based Traffic Flow Detector to automatically and accurately observe traffic flow. Conventional traffic observation is often conducted manually or via CCTV, but it is prone…
rone to human error and difficult to use for real-time trend analysis. In this study, the YOLOv4 method is used to detect four types of vehicles (cars, motorcycles, buses, trucks). To continuously track vehicle movement and address occlusion issues, the Deep SORT algorithm is implemented. The YOLOv4 model used is a pre-trained model and was tested on seven CCTV video recordings obtained from the official website of the Pekanbaru City Transportation Department. The system was implemented on a limited device, the Nvidia Jetson Nano, as a simulation of direct CCTV integration. Test results showed a highest precision of 98%, but the maximum accuracy achieved was only 26%. This low accuracy is influenced by several factors, including video resolution, detection model quality, and lighting conditions. Nevertheless, the system demonstrates potential to support future traffic management and engineering decisions but still requires further optimization, including improving video resolution and quality, retraining the model with a more representative local dataset, using lighter and more accurate detection models, and optimizing the tracking algorithm.
Keywords: deep learning; deepsort; NVIDIA Jetson NANO; traffic flow; YOLOv4
Abstrak: Penelitian ini bertujuan mengembangkan Traffic Flow Detector berbasis Deep Learning untuk mengobservasi arus lalu lintas secara otomatis dan akurat. Observasi lalu lintas konvensional sering dilakukan secara manual atau melalui CCTV, namun rentan terhadap human error dan sulit digunakan untuk menganalisis tren secara real-time. Pada penelitian ini digunakan metode YOLOv4 untuk mendeteksi empat jenis kendaraan (mobil, motor, bus, truk). Untuk melacak pergerakan kendaraan secara berkelanjutan dan mengatasi masalah occlusion, digunakan algoritma Deep SORT. Model YOLOv4 yang digunakan merupakan pre-trained model dan diujikan pada tujuh rekaman video CCTV yang diambil dari situs resmi Dinas Perhubungan Kota Pekanbaru. Sistem ini diimplementasikan pada perangkat terbatas Nvidia Jetson Nano sebagai simulasi penerapan langsung pada CCTV. Hasil pengujian menunjukkan presisi tertinggi mencapai 98%, namun akurasi tertingginya hanya sebesar 26%. Rendahnya akurasi dipengaruhi oleh beberapa faktor seperti resolusi video, kualitas model deteksi, serta kondisi pencahayaan. Meski demikian, sistem ini menunjukkan potensi untuk membantu pengambilan keputusan dalam manajemen dan rekayasa lalu lintas di masa depan, namun masih membutuhkan optimasi lebih lanjut, seperti peningkatan kualitas video input, pelatihan ulang model dengan dataset lokal, penggunaan model deteksi yang lebih ringan dan akurat serta pengoptimalan algoritma pelacakan.
Kata kunci: deep learning deepsort; Nvidia Jetson Nano; traffic flow; YOLOv4
Abstract:Abstract: Face recognition based on deep learning has become an important technology in many areas. However, these systems often face challenges in real-world conditions, such as when the face is partially covered by accessories…
essories such as masks or glasses. This study aims to evaluate the effect of data augmentation by adding facial accessories (masks, glasses, and a combination of both) and geometric augmentation on the accuracy of face recognition systems. There are three types of datasets used in this method: the original dataset (category 1), the dataset with facial accessories augmentation (category 2), and the dataset with geometric augmentation (category 3). Data augmentation was performed on the training dataset to increase diversity, followed by the face detection process using SCRFD and feature extraction with ArcFace. The model was then trained using Multi-Layer Perceptron (MLP). Based on the results, adding face accessories (category 2) made the model a lot more accurate, hitting 99% accuracy. In category 3, adding geometric features improved accuracy to 91%. Other evaluation metrics, such as precision, recall, and F1-score, also showed improvement after augmentation. This study concludes that facial accessories augmentation is more effective in improving the accuracy and robustness of face recognition models compared to geometric augmentation.
Keywords: augmentation; deep learning; face recognition; glasses.
Abstrak: Pengenalan wajah berbasis deep learning telah menjadi salah satu teknologi penting dalam berbagai aplikasi. Namun, sistem ini sering kali menghadapi tantangan dalam kondisi dunia nyata, seperti saat wajah tertutup sebagian oleh aksesori seperti masker atau kacamata. Penelitian ini bertujuan untuk mengevaluasi pengaruh augmentasi data dengan menambahkan aksesori wajah (masker, kacamata, dan kombinasi keduanya) serta augmentasi geometris terhadap akurasi sistem pengenalan wajah. Metode yang digunakan melibatkan tiga kategori dataset: dataset asli tanpa augmentasi (kategori 1), dataset dengan augmentasi aksesoris wajah (kategori 2), dan dataset dengan augmentasi geometris (kategori 3). Augmentasi data dilakukan pada dataset pelatihan untuk meningkatkan keberagaman, diikuti dengan proses deteksi wajah menggunakan SCRFD dan ekstraksi fitur dengan ArcFace. Model kemudian dilatih menggunakan Multi-Layer Perceptron (MLP). Hasil penelitian menunjukkan bahwa augmentasi aksesoris wajah (kategori 2) memberikan peningkatan signifikan pada akurasi model, mencapai 99%, sedangkan kategori 3 dengan augmentasi geometris mencapai akurasi 91%. Metrik evaluasi lainnya, seperti precision, recall, dan F1-score, juga menunjukkan peningkatan setelah augmentasi. Penelitian ini menyimpulkan bahwa augmentasi aksesoris wajah lebih efektif dalam meningkatkan akurasi dan ketahanan model pengenalan wajah dibandingkan dengan augmentasi geometris.
Kata kunci: augmentasi; deep learning; kacamata; pengenalan wajah.
Abstract:Abstract: The advancement of network security faces growing challenges as cyberattacks become more sophisticated. Traditional rule-based systems struggle with zero-day attacks and obfuscation techniques. This study examines…
nes the development trends of AI-based algo-rithms, particularly machine learning and deep learning, in threat detection. A literature review evaluates AI-driven approaches, including support vector machines, random for-est, deep neural networks, convolutional neural networks, and reinforcement learning. Findings show that AI enhances detection accuracy, adaptability, and reduces false posi-tives. Machine learning efficiently classifies known attacks, while deep learning excels in identifying complex patterns such as distributed denial-of-service and advanced persis-tent threats. Unsupervised learning improves anomaly detection without labeled data. However, AI models require high-quality data, substantial computational resources, and remain vulnerable to adversarial attacks. Despite these challenges, AI provides a dynam-ic and adaptive security solution, surpassing traditional systems. Future research should enhance AI scalability and resilience for evolving cybersecurity threats.
Keywords: anomaly detection; artificial intelligence; deep learning; machine learning; network security
Abstrak: Perkembangan keamanan jaringan menghadapi tantangan yang semakin besar seiring meningkatnya kompleksitas serangan siber. Sistem berbasis aturan tradisional kesulitan mendeteksi zero-day attack dan teknik penyamaran. Penelitian ini mengkaji tren pengembangan algoritma berbasis AI, khususnya machine learning dan deep learning, dalam deteksi ancaman. Literature review mengevaluasi pendekatan berbasis AI, termasuk support vector machines, random forest, deep neural networks, convolutional neural networks, dan reinforcement learning. Hasil penelitian menunjukkan bahwa AI meningkatkan akurasi deteksi, adaptabilitas terhadap ancaman baru, serta mengurangi false positive. Machine learning efektif mengklasifikasikan serangan yang telah diketahui, sementara deep learning unggul dalam mengenali pola kompleks seperti distributed denial-of-service dan advanced persistent threats. Unsupervised learning meningkatkan deteksi anomali tanpa memerlukan data berlabel. Namun, AI masih bergantung pada data berkualitas tinggi, sumber daya komputasi besar, dan rentan terhadap adversarial attack. Meskipun demikian, AI menawarkan solusi keamanan yang lebih dinamis dan adaptif dibandingkan sistem tradisional. Penelitian selanjutnya perlu difokuskan pada peningkatan skalabilitas dan ketahanan AI dalam menghadapi ancaman siber yang terus berkembang.
Kata kunci: deteksi anomali; jaringan keamanan; kecerdasan buatan; pembelajaran dalam; pembelajaran mesin
Abstract:Abstract: Face detection remains a challenging task in computer vision due to real-world factors such as uneven lighting, varying viewpoints, distance, and occlusion. This study aims to develop and evaluate a real-time facial…
acial feature detection application (detecting face, eyes, nose, and mouth) using MATLAB and a webcam. Detection is performed using the Viola-Jones Cascade Classifier method through the vision.CascadeObjectDetector function. Key parameters that were adjusted include the MergeThreshold (ranging from 4 to 50 depending on the feature) and MinSize (based on estimated feature size within the frame). However, this study does not include tuning of other parameters such as FalseAlarmRate, which constitutes a limitation of the employed method. The adjustment of these parameters proved significant in improving detection accuracy and robustness under varying lighting conditions. Nevertheless, the system still encounters difficulties in detecting facial features in the presence of occlusion. This study also has the potential to serve as a foundation for further developments in face recognition, emotion detection, or biometric authentication.
Keywords: computer vision; haar cascade; MATLAB
Abstrak: Deteksi wajah merupakan tantangan dalam visi komputer karena dipengaruhi oleh kondisi nyata seperti pencahayaan tidak merata, sudut pandang, jarak, dan obstruksi. Penelitian ini bertujuan untuk mengembangkan dan menguji aplikasi deteksi fitur wajah secara real-time (wajah, mata, hidung, dan mulut) menggunakan MATLAB dan kamera webcam. Deteksi dilakukan dengan metode Viola-Jones Cascade Classifier melalui fungsi vision.CascadeObjectDetector. Parameter penting yang disesuaikan adalah MergeThreshold (antara 4 hingga 50 tergantung fitur), MinSize (mengikuti estimasi ukuran fitur dalam frame). Namun, penelitian ini tidak mencakup penyesuaian parameter lain seperti FalseAlarmRate, yang menjadi salah satu keterbatasan metode yang digunakan. Penyesuaian parameter ini terbukti signifikan dalam meningkatkan akurasi deteksi dan ketahanan terhadap variasi kondisi pencahayaan. Namun, sistem masih mengalami kesulitan mendeteksi fitur wajah jika terjadi obstruksi. Penelitian ini juga berpotensi menjadi dasar untuk pengembangan lebih lanjut dalam face recognition, emotion detection, atau biometric authentication.
Kata kunci: visi computer; haar cascade; MATLAB
Abstract:Abstract: Breast cancer is the leading cause of death for women globally, exacerbated by late detection. This study proposes a breast cancer risk prediction framework using XGBoost with SelectKBest feature selection. It…
aims to improve the accuracy and efficiency of early detection through exploratory data analysis, coding, SMOTE to address class imbalance, and feature selection (k=29). As a result, the XGBoost model achieved 98.1% accuracy, 98.1% recall, 98.1% f1-score, and 98.2% precision on test data, highlighting the importance of feature selection. These results are promising in patient prioritization (triage) for further examination, helping medical personnel identify high-risk patients, thus improving resource allocation efficiency. These findings validate SelectKBest and pave the way for the development of a machine learning-based clinical decision support system for breast cancer early detection workflows. This research contributes significantly to the application of machine learning to support early breast cancer detection.
Keywords: breast cancer; feature selection; machine learning; risk prediction; XGBOOST.
Abstrak: Kanker payudara menjadi penyebab utama kematian wanita global, diperparah deteksi yang terlambat. Penelitian ini mengusulkan kerangka prediksi risiko kanker payudara menggunakan XGBoost dengan seleksi fitur SelectKBest. Tujuannya meningkatkan akurasi dan efisiensi deteksi dini melalui analisis data eksploratif, pengkodean, SMOTE untuk mengatasi ketidakseimbangan kelas, dan seleksi fitur (k=29). Hasilnya, model XGBoost mencapai akurasi 98.1%, recall 98.1%, f1-score 98.1%, dan presisi 98.2% pada data uji, menyoroti pentingnya seleksi fitur. Hasil ini menjanjikan dalam penentuan prioritas pasien (triage) untuk pemeriksaan lebih lanjut, membantu tenaga medis mengidentifikasi pasien berisiko tinggi, sehingga meningkatkan efisiensi alokasi sumber daya. Temuan ini memvalidasi SelectKBest dan membuka jalan bagi pengembangan sistem pendukung keputusan klinis berbasis machine learning untuk alur kerja deteksi dini kanker payudara. Penelitian ini berkontribusi signifikan dalam penerapan machine learning untuk mendukung deteksi dini kanker payudara.
Kata kunci: kanker payudara; pembelajaran mesin; prediksi risiko ; seleksi fitur; XGBOOST.
Abstract:Abstract: Water irrigation is a crucial aspect of agriculture that often becomes the primary concern for farmers, especially because suboptimal management can lead to decreased crop yields and reduced income. So far, farmers…
mers have been practicing irrigation manually, where plants are watered twice a day, in the morning and evening, based on weather conditions without considering soil temperature or moisture levels. Based on the observations conducted, it was found that excessive water application increases water accumulation, resulting in nutrient loss from the soil and even root diseases. The objective of this study is to develop a system utilizing an ESP32 microcontroller and sensors to detect soil moisture, with a machine learning-based K-Nearest Neighbor (KNN) model, enabling farmers to remotely monitor and control their crops using an Android device. The testing results showed that with input data of 32°C temperature, 40% soil moisture, and 60% air humidity, the system produced a nearest distance of 0.000 and 0.541 from the closest k-nearest neighbors, with a status label of "needs water." As a result, the relay activates the water pump to irrigate the field. Meanwhile, for data with a nearest distance of 0.897, the system identified the status as "does not need water," indicating that the soil remains wet or moist. This study is expected to help reduce farmers' workloads by optimizing water usage according to plant needs and improving crop quality and yield.
Keywords: k-nearest neighbor (KNN); mikrokontroller ESP32; machine learning; water irrigation
Abstrak: Irigasi air merupakan aspek penting dalam pertanian yang menjadi perhatian utama petani, terutama karena pengelolaan yang kurang optimal berdampak pada penurunan hasil panen dan pendapatan. Selama ini, praktik irigasi oleh petani dilakukan secara manual, di mana penyiraman tanaman dilakukan dua kali sehari pada pagi dan sore berdasarkan kondisi cuaca tanpa memperhatikan suhu atau kelembaban tanah. Berdasarkan hasil observasi yang dilakukan, ditemukan masalah yaitu pemberian air secara berlebih menyebabkan akumulasi air meningkat mengakibatkan kehilangan nutrisi tanah dan bahkan penyakit akar. Tujuan penelitian ini menciptakan sistem yang dirancang menggunakan mikrokontroler ESP32 dan sensor untuk mendeteksi kelembaban tanah, dengan model K-Nearest Neighbor (KNN) berbasis machine learning sehingga memudahkan petani untuk mengontrol tanaman mereka dari jarak jauh menggunakan android. Hasil pengujian yang dilakukan dengan data inputan berupa suhu 32°C, kelembaban tanah 40% dan kelembaban udara 60%, sistem menghasilkan jarak terdekat sebesar 0.000 dan 0.541 dari k-nearest terdekat dengan label status "butuh air". Maka relay akan mengaktifkan pompa air untuk mengairi lahan. Kemudian, pada data dengan jarak terdekat 0.897, sistem mengidentifikasi status "tidak butuh air", menunjukkan bahwa kondisi tanah masih basah atau lembab. Penelitian ini diharapkan dapat membantu meringankan beban kerja petani mengoptimalkan penggunaan air sesuai dengan kebutuhan tanaman dan meningkatkan kualitas hasil panen.
Kata kunci: irigasi air; k-nearest neighbor (KNN); mikrokontroller ESP32; machine learning
Abstract:Abstract: Heart disease is one of the leading causes of death worldwide, making early detection and accurate diagnosis crucial for reducing mortality rates and improving patient outcomes. This study aims to evaluate the…
effectiveness of four machine learning algorithms—Logistic Regression, Random Forest, Support Vector Machine (SVM), and K-Nearest Neighbors (KNN)—in predicting heart disease, with a focus on enhancing model performance using Linear Discriminant Analysis (LDA) for feature reduction. Among the models, SVM achieved the highest accuracy at 84.24%, followed by Logistic Regression at 83.70%. Although Random Forest and KNN showed lower accuracies, all models benefited from LDA's dimensionality reduction. This study suggests that SVM, combined with LDA, offers an optimal solution for early and accurate heart disease prediction in the healthcare industry.
Keywords: feature reduction; heart disease; linear discriminant analysis (LDA); machine learning; SVM
Abstrak: Penyakit jantung merupakan salah satu penyebab utama kematian di seluruh dunia, sehingga deteksi dini dan diagnosis yang akurat sangat penting untuk menurunkan angka kematian dan meningkatkan hasil pengobatan pasien. Penelitian ini bertujuan untuk mengevaluasi efektivitas empat algoritma pembelajaran mesin—Regresi Logistik, Random Forest, Support Vector Machine (SVM), dan K-Nearest Neighbors (KNN)—dalam memprediksi penyakit jantung, dengan fokus pada peningkatan kinerja model menggunakan Analisis Diskriminan Linear (LDA) untuk reduksi fitur. Di antara model yang diuji, SVM mencapai akurasi tertinggi sebesar 84,24%, diikuti oleh Regresi Logistik dengan 83,70%. Meskipun Random Forest dan KNN menunjukkan akurasi yang lebih rendah, semua model memperoleh manfaat dari reduksi dimensi yang diberikan oleh LDA. Studi ini menunjukkan bahwa SVM yang dikombinasikan dengan LDA merupakan solusi optimal untuk prediksi penyakit jantung secara dini dan akurat dalam industri kesehatan.
Kata kunci: linear discriminant analysis (LDA); machine learning; penyakit jantung; reduksi fitur; SVM.
Abstract:Abstract: Stunting is a chronic or chronic malnutrition that can be seen in the height of toddlers shorter than toddlers their age. the prevalence of toddlers affected by stunting nationally was 37.6 percent (2007) and decreased…
ecreased to 35.8 percent (2010). However, it increased to 37.2 percent (2013) and decreased again to 29.9 percent (2018). The data shows an erratic stunting prevalence. Many factors influence stunting, especially parents' knowledge about balanced nutrition that prevents stunting. Prevention of stunting needs to be done by monitoring nutritional status regularly and fulfilling balanced nutrition for toddlers. For early detection of stunting, an expert system using the Dempster Shafer method is needed. The Dempster Shafer method allows decision making based on various possibilities based on symptoms in toddlers. The results of the expert system calculation show that the Dempster Shafer method can detect stunting in toddlers by more than 90%.
Keywords: dempster shafer; expert system; stunting
Abstrak: Stunting yaitu kekurangan gizi menahun atau kronis yang dapat terlihat pada tinggi badan balita lebih pendek dari balita seusianya. pravelensi balita yang terjangkit stunting secara nasional sebesar 37,6 persen (2007) dan mengalami penurunan menjadi 35,8 persen (2010). Namun meningkat menjadi 37,2 persen (2013) dan menurun kembali menjadi 29,9 persen (2018). Data tersebut menunjukkan pravelensi stunting yang tidak menentu. Banyak faktor yang mempengaruhi stunting khususnya pengetahuan orang tua mengenai gizi seimbang pencegah stunting. Pencegahan stunting perlu dilakukan dengan pemantauan status gizi secara berkala dan pemenuhan gizi seimbang Balita. Untuk deteksi stunting sejak dini dibutuhkan seuatu sistem pakar menggunakan metode dempster shafer. Metode dempster shafer memungkinkan pengambilan keputusan berdasarkan berbagai kemungkinan berdasarkan gejala pada balita. Hasil perhitungan sistem pakar menunjukkan bahwa metode dempster shafer dapat mendeteksi stunting balita lebih sebesar 90%.
Kata kunci: dempster shafer; sistem pakar; stunting
Abstract:Abstract: The increasing number of students at STMIK Royal Kisaran has raised the risk of air pollution caused by vehicle emissions, cigarette smoke, and waste burning, particularly around the campus canteen. The campus's…
s location, which is close to a rubber factory and the Sumatra Crossroad, further exacerbates air quality and significantly impacts the health of individuals active at STMIK Royal. This study aims to develop a system that can measure air quality in real-time and detect pollutants in the campus environment. The system utilizes MQ-135 and MQ-2 sensors integrated with a microprocessor to process and transmit data to an IoT-based database. This research employs a qualitative descriptive method to describe the facts and trends based on the available data. The results indicate that air quality is good in the morning, worsens during the afternoon, and improves again in the evening, reflecting increased pollution during periods of heightened industrial and transportation activities. The implementation of this system is expected to contribute to the creation of a healthier environment and raise awareness about the importance of air quality.
Keywords: air quality; campus environment ; IoT; pollution.
Abstrak: Peningkatan jumlah mahasiswa di Kampus STMIK Royal Kisaran telah meningkatkan risiko polusi udara akibat asap kendaraan, rokok, dan pembakaran sampah, terutama di sekitar kantin kampus. Lokasi kampus yang dekat dengan pabrik karet dan jalan lintas Sumatera sehingga memperburuk kualitas udara dan sangat mempengaruhi kesehatan para individu yang beraktivitas di STMIK Royal. Penelitian ini bertujuan mengembangkan sistem yang dapat mengukur kualitas udara secara real-time dan mendeteksi polutan di lingkungan kampus. Sistem ini menggunakan sensor MQ-135 dan MQ-2 yang terintegrasi dengan mikroprosesor untuk mengolah dan mengirim data ke database berbasis IoT. Penelitian ini menggunakan metode deskriptif kualitatif untuk menggambarkan fakta dan kecenderungan dari data yang tersedia. Hasilnya menunjukkan bahwa kualitas udara baik di pagi hari, memburuk di siang hari, dan membaik lagi di sore hari, menunjukkan peningkatan polusi saat aktivitas pabrik dan transportasi meningkat. Implementasi sistem ini diharapkan dapat mendukung terciptanya lingkungan yang lebih sehat dan meningkatkan kesadaran akan pentingnya kualitas udara.
Kata kunci: IoT; lingkungan kampus; kualitas udara; polusi.
Abstract:Abstract: Lung cancer is most deadly cancers in the world. Identification and classification of the causes of understanding lung cancer is essential for developing more effective prevention and treatment strategies. The…
issue is that a lot of individuals are unaware about the characteristics and causes of lung cancer. The purpose of this study is to apply the K-Nearest Neighbor (K-NN) algorithm in the classification of the causes of lung cancer and provide education to the public must be aware of the traits of lung cancer patients and, to stay away from the causes of lung cancer. The dataset used consists of 309 samples with 16 relevant attributes. The K-NN algorithm was trained and tested to assess its ability to classify the factors that cause lung cancer. The results showed an accuracy of 90.32%, with a precision for the "YES" class of 96% and the "NO" class of 67%. The recall value for the "YES" class was 92% and for the "NO" class was 80%. The implementation of this algorithm gives good results in classification and can help in early detection and prevention of lung cancer which can be used in the development of more effective prevention and early diagnosis strategies.
Keywords: lung cancer; k-nearest neighbor; classification; machine learning
Abstrak: Kanker paru-paru tergolong jenis penyakit kanker yang memperoleh angka kematian paling tinggi di dunia. Identifikasi dan klasifikasi penyebab kanker paru-paru sangat penting untuk pengembangan strategi pencegahan dan pengobatan yang lebih efektif. Masalah yang terjadi adalah banyak orang yang belum mengetahui tentang ciri-ciri dan penyebab-penyebab dari kangker paru tersebut. Tujuan penelitian ini adalah mengimplementasikan algoritma K-Nearest Neighbor (K-NN) dalam klasifikasi penyebab kanker paru-paru serta memberikan edukasi kepada masyarakat banyak agar mengetahui ciri-ciri orang yang mengidap kangker paru-paru dan tentunya untuk menghindari penyebab-penyebab dari kangker paru-paru tersebut. Dataset yang digunakan terdiri dari 309 sampel dengan 16 atribut yang relevan. Algoritma K-NN kemudian dilatih dan diuji untuk menilai kemampuannya dalam mengklasifikasikan faktor-faktor penyebab kanker paru-paru. Hasil penelitian menunjukkan akurasi sebesar 90.32%, dengan skor precision untuk kelas "YES" sebesar 96% dan kelas "NO" sebesar 67%. Nilai recall untuk kelas "YES" adalah 92% dan untuk kelas "NO" sebesar 80%. Implementasi algoritma ini memberikan hasil yang baik dalam klasifikasi dan dapat membantu dalam deteksi dini serta pencegahan kanker paru-paru yang dapat digunakan dalam pengembangan strategi pencegahan dan diagnosis dini yang lebih efektif.
Kata kunci: kanker paru-paru; k-nearest neighbor; klasifikasi; machine learning