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
Abstract:Abstract: Rokan Hulu Regency is one of the regencies in Riau Province and has 2 large rivers, namely the Rokan Kanan River and the Rokan Kiri River. When the level of rainfall is high, the river flow overflows and causes…
flooding in several sub-districts. Climate change that is happening has an impact on changes in rainfall patterns, to overcome the impacts of climate change Rokan Hulu Regency needs to take early steps before a flood disaster occurs. The method used in processing the data is the backpropagation method and data processing using the Matlab software. Data processing was carried out on rainfall data for the last 6 years, from 2015 to 2020, which was sourced from the Rokan Hulu Regency Statistics Agency. Rainfall data from 2015 to 2019 is used as input data, while 2020 is the target. The data processing stage begins with data normalization and determining network training parameters. Artificial neural network research was carried out on rainfall data with a 5-5-1 architecture. The results of testing the rainfall data show prediction results with high accuracy, where the average accuracy rate reaches 98.17% with the highest accuracy of 99.99% while the lowest accuracy is 91.53%. The prediction results show a fairly high level of accuracy so that they can be used as evaluation material.
Keywords: artificial neural network; backpropagation; prediction; rainfall
Abstrak: Kabupaten Rokan Hulu merupakan salah satu kabupaten yang berada di Provinsi Riau dan memiliki 2 aliran sungai besar yaitu sungai rokan kanan dan sungai rokan kiri. Ketika tingkat curah hujan tinggi aliran sungai meluap dan menyebabkan banjir beberapa kecamatan. Perubahan iklim yang terjadi memberikan dampak pada perubahan pola curah hujan, untuk menanggulangi dampak perubahan iklim Kabupaten Rokan Hulu perlu melakukan langkah-langkah dini sebelum terjadi bencana banjir. Metode yang digunakan dalam mengolah data yaitu metode backpropagation dan pengolahan data menggunakan software Matlab. Pengolahan data dilakukan pada data curah hujan selama 6 tahun terakhir yaitu dari tahun 2015 sampai dengan 2020 yang bersumber dari Badan Statistik Kabupaten Rokan Hulu. Data curah hujan tahun 2015 sampai dengan tahun 2019 sebagai data input sedangkan tahun 2020 sebagai target. Tahapan pengolahan data diawali dengan melakukan normalisasi data dan menentukan parameter pelatihan jaringan. Penelitian jaringan saraf tiruan dilakukan pada data curah hujan dengan arsitekur 5-5-1. Hasil pengujian terhadap data curah hujan menunjukkan hasil prediksi dengan akurasi yang tinggi, dimana tingkat akurasi rata-rata mencapai 98,17% dengan akurasi tertinggi sebesar 99,99% sedang akurasi terendah sebesar 91,53%. Hasil prediksi menunjukkan tingkat akurasi yang cukup tinggi sehingga dapat digunakan sebagai bahan evaluasi.
Kata kunci: backpropagation; curah hujan; jaringan saraf tiruan; prediksi
Abstract:Abstract: Gender classification is one of the most important tasks of video analysis. A machine learning-based approach was presented to identify male and female facial images with a data set of 2000 images taken from kaggles. …
ggles. This method plays a role in finding the weight value that gives the best output value. This study uses the most appropriate learning rate of each optimization method as a criterion for stopping training. The results showed that the Artificial Neural Network with Adam optimization produced the highest accuracy, which was 91.5% compared to the SGD and ADADELTA optimization methods. Deep Learning techniques that are applied extensively to image recognition used utilize Adam's optimizer method.
Keywords: artificial neural networks; adadelta; adam; gender; sgm;
Abstrak: Klasifikasi gender adalah salah satu tugas analisis video yang paling penting. Pendekatan berbasis machine learning disajikan untuk mengidentifikasi gambar wajah Pria dan Wanita dengan kumpulan data sebanyak 2000 gambar yang diambil dari kaggle. Metode ini berperan dalam menemukan nilai bobot yang memberikan nilai keluaran terbaik. Penelitian ini menggunakan learning rate yang paling sesuai dari masing-masing metode optimasi sebagai kriteria pemberhentian pelatihan. Hasil penelitian menunjukkan Jaringan Saraf Tiruan dengan optimasi Adam menghasilkan akurasi tertinggi yaitu 91,5 % dibandingkan dengan dengan metode optimasi SGD dan ADADELTA. Teknik Deep Learning yang diterapkan secara ekstensif pada pengenalan gambar yang digunakan memanfaatkan metode optimizer Adam.
Kata kunci: Adadelta; Adam; Jaringan Syaraf; Gender; Tiruan; SGM;
Abstract:Abstract: l -The field of computer vision is research in development technology to obtain information from images and replicate or imitate human visual processes, so that they can understand the objects around them. Deep…
learning is a term used to describe a new era in learning that supports computer learning from big data machines. Convolutional Neural Networks (CNN) algorithms have made significant progress in the fields of object detection, image classification, and semantic segmentation. ;Object detection is a technique used to identify the type of object in a given image and the location of the object in the image. The field of computer vision is research in development technology to obtain information from images and replicate or imitate human visual processes, so that computers can know objects around them. Deep learning is the buzzword as a new era in machine learning that trains computers to find patterns from large amounts of data. Convolutional Neural Networks (CNN) algorithms have made significant progress in the fields of object detection, image classification, and semantic segmentation. Object detection is a technique used to identify the type of object in a particular image as well as the location of the object in the image.
Keywords: CNN, Computer Vision, Deep Learning, Face Detection;
Abstrak: 1 Bidang computer vision merupakan penelitian dalam teknologi pembangunan untuk memperoleh informasi dari citra dan mereplikasi atau meniru proses visual manusia, sehingga dapat memahami objek - objek disekelilingnya. Pembelajaran mendalam adalah istilah yang digunakan untuk menggambarkan era baru dalam pembelajaran mesin yang memungkinkan komputer belajar dari sejumlah besar data. [Algoritma Convolutional Neural Networks (CNN) telah membuat kemajuan yang signifikan di bidang deteksi objek, klasifikasi gambar, dan segmentasi semantik. Deteksi objek adalah teknik yang digunakan untuk mengidentifikasi jenis objek dalam citra yang diberikan serta lokasi objek di dalam citra. Bidang computer vision merupakan penelitian dalam teknologi pembangunan untuk memperoleh informasi dari citra dan mereplikasi atau meniru proses visual manusia, sehingga komputer dapat mengetahui objek - objek disekelilingnya. Deep learning adalah kata kunci sebagai era baru dalam machine learning yang melatih komputer dalam menemukan pola dari jumlah besar data. Algoritma Convolutional Neural Networks (CNN) telah membuat kemajuan yang signifikan di bidang deteksi objek, klasifikasi gambar, dan segmentasi semantik. /Deteksi objek adalah teknik yang digunakan untuk mengidentifikasi jenis objek dalam citra tertentu serta lokasi objek di dalam citra.
Kata kunci: CNN, Computer Vision, Deep Learning, Deteksi Wajah
Abstract: Abstract – Price forecasting is a part of economic decision making. Forecasting the daily rise and fall of gold prices can help investors decide when to buy or sell the commodity. The price of gold depends on many factors…
many factors such as the price of other precious metals, the price of crude oil, the performance of the stock exchange, and the exchange rate of currencies. This study discusses gold price forecasting using the multiple linear regression method. The results of this study indicate that the best model is in the data distribution of 70%: 30% for training and testing, with a MAPE of 4.7% Based on these results, it can be concluded that the use of multiple linear regression method produces a fairly good model for gold prices forecasting. Besides, the correlation analysis show that the price of other precious metals greatly influences the price of gold where in this case the silver price whose correlation value is 0.87.
Keywords: forecasting, gold investment, multiple linear regression
Abstrak: Peramalan harga merupakan bagian dari pengambilan keputusan ekonomi. Melakukan peramalan terhadap kenaikan dan penurunan harga emas harian dapat membantu investor memutuskan kapan harus membeli atau menjual komoditas. Harga Emas bergantung pada banyak faktor seperti harga logam mulia lainnya, harga minyak mentah, kinerja bursa saham, dan nilai tukar mata uang. Penelitian ini membahas peramalan harga emas dengan menggunakan metode regresi linear ganda. Hasil dari penelitian ini menunjukkan bahwa model terbaik terdapat pada pembagian data pelatihan 70% dan pengujian 30%, dengan MAPE sebesar 4.7%. Berdasarkan hasil tersebut dapat diambil kesimpulan bahwa penggunaan metode regresi linear ganda menghasilkan model yang cukup baik untuk peramalan harga emas. Selain itu, analisis korelasi menunjukkan bahwa harga logam mulia lainnya sangat mempengaruhi harga emas dimana dalam hal ini variabel harga perak yang nilai korelasinya 0.87.
Kata kunci: peramalan; investasi emas, regresi linear ganda
Abstract:Abstract: Student graduation is one thing that needs to be considered because it is included in the College's Internal Quality Assurance Standards (SPMI). STMIK Royal is one of the universities experiencing problems with…
student graduation. To achieve the quality of these graduates, a graduation diagnosis with the standards that have been set for students who are still carrying out studies is very necessary so that anticipatory steps can be taken from the beginning to overcome the occurrence of graduation problems in the academic field. This research aims to diagnose fast-track student graduation by using a data mining model with a classification function. The technique used for the classification data mining model is the Naïve Bayes Algorithm. The dataset used as training and testing data is data from the 2021 STMIK Royal fast track students. The criteria used to determine student graduation are Gender, class, credits, GPA, Tuition Fee, Guidance Process, and the KKL Report. The results of the classification modeling with the Naïve Bayes Algorithm produce an accuracy value of 83%.
Keywords: data mining; graduation; naïve Bayes
Abstrak: Kelulusan mahasiswa adalah salah satu hal yang harus diperhatikan karena termasuk ke dalam Standar Penjaminan Mutu Internal (SPMI) perguruan tinggi. STMIK Royal adalah salah satu perguruan tinggi yang mengalami masalah kelulusan mahasiswa. Untuk mencapai kualitas lulusan tersebut, diagnosis kelulusan dengan standar yang telah ditetapkan untuk mahasiswa yang masih menjalankan studi sangat diperlukan sehingga dapat dilakukan langkah antisipasi dari awal untuk menanggulangi terjadinya permasalahan kelulusan dalam bidang akademik. Tujuan diadakannya penelitian ini untuk untuk mendiagnosis kelulusan mahasiswa fast track dengan menggunakan model data mining dengan fungsi klasifikasi. Teknik yang digunakan untuk model data mining klasifikasi adalah Algoritma Naïve Bayes. Dataset yang akan digunakan untuk menjadi data latih dan data uji adalah data mahasiswa fast track STMIK Royal tahun 2021. Kriteria yang digunakan untuk diganosis kelulusan mahasiswa, diantaranya Jenis Kelamin, Kelas, SKS, IPK, Uang Kuliah, Proses Bimbingan, dan Pengumpulan Laporan KKL. Hasil pemodelan klasifikasi dengan Algoritma Naïve Bayes menghasilkan nilai akurasi sebesar 83%.
Kata kunci: data mining; kelulusan; naïve bayes
Abstract:Abstract: Non-performing loan (NPL) is a risk that credit unions must face and to avoid that, prospective debtors need to be surveyed. With previous loan data, support vector machine and naïve bayes can be used as classification…
ssification methods to give a decision about NPL. We use a data set with 61 data and process the data with orange 3.30 application to see the difference between SVM using linear (SVM-L), polynomial (SVM-P), RBF (SVM-R) and sigmoid (SVM-S) kernel with naïve bayes. We use a cross validation technique with various folds to measure the classification results and a convusion matrix to measure the data training classification results. Naïve bayes scores the highest in terms of accuracy and SVM-R scores the highest in terms of F1, precision and recall. SVM-P scores the lowest in terms of accuracy, F1, precision and recall. Naïve bayes scores the highest in terms of proportion of predicted for true negative class and proportion of actual for true positive class. SVM-S scores the highest in terms of proportion of predicted for true positive class and proportion of actual for true negative class. SVM-P scores the lowest in both proportion of predicted and proportion of actual.
Keywords: classification; naïve bayes; non-performing loan; support vector machine
Abstrak: Kredit macet merupakan resiko yang sering dialami koperasi simpan pinjam, sehingga perlu dilakukan survei terhadap calon debitur agar kredit menjadi sehat. Dengan menggunakan data pemberian kredit sebelumnya, support vector machine dan naïve bayes digunakan sebagai metode klasifikasi untuk memberikan keputusan macet atau tidaknya kredit anggota koperasi Mutiara Sejahtera. Data set yang berjumlah 61 data diolah menggunakan aplikasi Orange 3.30 dan dilihat perbandingan antara metode SVM dengan kernel linear, polynomial, RBF dan sigomoid dengan metode naïve bayes. Cross validation dengan jumlah fold bervariasi digunakan sebagai nilai ukur klasifikasi dan convusion matrix digunakan sebagai nilai ukur klasifikasi data training. Hasil yang diperoleh adalah naïve bayes memiliki nilai accuracy tertinggi dan SVM kernel RBF memiliki nilai F1, precision dan recall tertinggi. SVM kernel polynomial memiliki nilai terendah untuk accuracy, F1, precision dan recall. Naïve bayes memiliki nilai tertinggi untuk proportion of predicted (PoP) kelas true negative dan proportion of actual (PoA) kelas true positive. SVM kernel sigmoid memiliki nilai tertinggi untuk PoP kelas true positive dan PoA kelas true negative. SVM kernel polynomial memiliki nilai terendah baik untuk PoP maupun PoA true negative dan kelas true positive.
Kata kunci: klasifikasi; kredit macet; naive bayes; SVM
Abstract:Abstract: The technique of multiclass classification based on SVMs has been widely used. SVM optimization will be accomplished by examining the extraction features of Principal Component Analysis (PCA), Box-Cox Transformation,…
ation, and Recursive Feature Elimination (RFE). The dataset contains 13,611 rows and 17 variables, generated from the UCI repository's multiclass dry bean data. Barbunya, Bombay, Cal, Dermas, Horoz, Seker, and Sira are just a few of the dry bean kinds available. The dataset was tested using SVM Linear kernel and SVM Radial Basis.According to the results, the combination of scale-center-BoxCox-SVM Radial extraction achieves the maximum accuracy of 93.16 percent and the shortest processing time of 6.10 minutes. 96.00 percent, 100 percent, 96.71 percent, 95.16 percent, 97.60 percent, 97.74 percent, and 91.95 percent, according to bean class.RFE-SVM Radial has a 91.18 percent accuracy and a processing time of 6.55 minutes. BoxCox outperforms conventional techniques in terms of prediction accuracy while requiring less training time.
Keywords: Bean, PCA, BoxCox, SVM, RFE
Abstrak: Klasifikasi Multikelas menggunakan SVM telah banyak digunakan. Pada penelitian ini akan diuji fitur ekstraksi Principal Component Analysis, Box Cox Transformation dan fitur eliminisi Recursive Feature Elimination untuk mendapatkan optimasi SVM. Dataset berasal dari data multikelas kacang kering UCI repository dengan jumlah 13.611 baris dan 17 variabel. Kelas kacang kering yakni : Barbunya, Bombay, Cal, Dermas, Horoz, Seker dan Sira. Dataset diuji menggunakan kernel SVM Linier dan SVM Radial Basis. Didapatkan hasil, bahwa kombinasi fitur ekstraksi : scale-center-BoxCox-SVM Radial memiliki akurasi terbaik yakni 93,16% dan waktu proses 6,10 menit. Klasifikasi berdasarkan kelas kacang berturut-turut 96,00%,100%, 96,71%, 95,16%, 97,60%, 97,74% dan 91,95%. RFE- SVM Radial hanya memberikan akurasi sebesar 91,18 % dengan waktu proses sebesar 6.55 menit. Penggunaan BoxCox dibandingkan dengan lainnya, memberikan hasil prediksi lebih baik dan namun tidak mempercepat waktu pelatihan.
Kata kunci: BoxCox; Kacang; PCA; RFE; SVM
Abstract:Abstract: This study uses the C4.5 classification algorithm to determine creditworthness, clasification aims to divide the assigned object intoin a number of categories called classes. In this study, the authorusing data…
mining and C4.5 algorithm as the selection method. The criteria used are loan installments, prospective customer income, termloan time, status of prospective customers. This study resulted in a classification modeldecision tree using the C4.5 algorithm is included in the Excellent category Classification with an accuracy value of 98.33% and a classification error of 1.67%,so that this study uses 70% training data and 30% test data. From resultthe calculation obtained shows that the C4.5 algorithm can be usedto determine the feasibility of granting credit to Koperasi Jaya customers Together (KORJABE).
Keywords: Analysis, Credit Eligibility, C4 Algorithm, Data Mining, Method
Abstrak: Penelitian ini menggunakan metode Algoritma C4.5 klasifikasi untuk menentukan kelayakan kredit, klasifikasi bertujuan untuk membagi objek yang ditetapkan ke dalam satu nomor kategori yang disebut kelas. Dalam penelitian ini, penulis menggunankan data mining dan algoritma C4.5 sebagai metode pemilihannya. Kriteria yang digunakan yaitu , angsuran pinjaman,penghasilan calon nasabah,jangka waktu pinjaman ,status calon nasabah. Penelitian ini menghasillkan model klasifikasi pohon keputusan menggunakan algoritma C4.5 termasuk dalam kategori Excellent Classification dengan nilai akurasi sebesar 98,33% dan klasifikasi eror 1,67%, sehingga penelitian ini kan menggunakan data latih 70% dan data uji 30%. Dari hasil perhitungan yang diperoleh menunjukan bahwa algoritma C4.5 dapat digunakan untuk menen tukan kelayakan pemberian kredit kepada nasabah Koperasi Jaya Bersama (KORJABE).
Kata kunci: Algoritma C4.5, Analisis, Data Mining, Kelayakan Kredit, Metode
Abstract:Abstract: The population growth in Indonesia is increasing rapidly every year, so to help the government control the population growth through family planning programs, especially in the city of Batam. This study explains…
s and describes one of the Artificial Terms Network methods, namely Backpropagation, where this method can predict what will happen in the future using data and information in the past. This study aims to predict the birth rate in the city of Batam to help the government with the family planning program. The data used is the annual data on the number of births in the city of Batam in 2016-2020 at The Civil Registry Office. To facilitate the analysis of research data, the data were tested using Matlab R2015b. In this study, the training process was carried out using 3 network architectures, namely 4-10-1, 5-18-1, and 4-43-1. Of these 3 architectures, the best is the 4-43-1 architecture with an accuracy rate of 91% and an MSE value of 0.0012205. The Backpropagation method can predict the amount of population growth in the city of Batam based on existing data in the past.
Keywords: artificial neural network; backpropagation; prediction
Abstrak: Pertumbuhan jumlah penduduk diindonesia yang setiap tahun meningkat dengan pesat, maka untuk membantu pemerintah mengendalikan jumlah pertumbuhan penduduk melalui program keluarga berencana khususnya dikota Batam. Penelitian ini menjelaskan dan memaparkan tentang salah satu metode Jaringan Syarat Tiruan yaitu Backpropagation, dimana metode ini dapat memprediksi apa yang akan terjadi masa yang akan datang dengan menggunakan data dan informasi dimasa lalu. Penelitian ini bertujuan untuk memprediksi tingkat kelahiran di kota Batam sehingga membatu pemerintah untuk perencanaan keluarga berencana. Data yang digunakan yaitu data tahunan jumlah kelahiran di kota Batam pada tahun 2016-2020 pada Dinas Kependudukan dan Catatan Sipil. Untuk mempermudah analisis data penelitian maka, data diuji menggunakan Matlab R2015b. Pada penelitian ini dilakukan proses pelatihan menggunakan 3 arsitektur jaringan yaitu 4-10-1, 5-18-1, dan 4-43-1. Dari ke-3 arsitektur ini yang terbaik adalah arsitektur 4-43-1 dengan tingkat akurasi sebesar 91% dan nilai MSE 0,0012205. Metode backpropagation mampu memprediksi jumlah pertumbuhan penduduk di kota Batam berdasarkan data yang ada dimasa lalu.
Kata kunci: backpropagation; jaringan syaraf tiruan; prediksi