Abstract:Masalah pengelolaan parkir di Politeknik Jambi sering menyebabkan ketidakefisienan akibat sistem penghitungan manual yang rentan human error. Penelitian ini bertujuan merancang sistem penghitungan kendaraan otomatis berbasis…
asis pengolahan citra digital. Metode yang digunakan adalah Background Subtraction dengan algoritma MOG2 dan OpenCV menggunakan video kamera smartphone. Sistem mengintegrasikan proses preprocessing citra, operasi morfologi, dan Euclidean Distance Tracker untuk melacak serta menghitung kendaraan secara real-time. Hasil penelitian menunjukkan sistem mampu membedakan kendaraan yang bergerak dengan objek statis secara akurat melalui Virtual Counting Line. Dengan beban komputasi yang ringan dan biaya rendah, sistem ini efektif menjadi solusi otomatisasi manajemen parkir di lingkungan kampus.
Parking management issues at Politeknik Jambi often lead to inefficiencies due to manual counting systems prone to human error. This study aims to design an automatic vehicle counting system based on digital image processing. The method utilizes Background Subtraction with the MOG2 algorithm and OpenCV using smartphone video input. The system integrates image preprocessing, morphological operations, and Euclidean Distance Tracker to track and count vehicles in real-time. The results demonstrate that the system can accurately distinguish between moving vehicles and static objects via a Virtual Counting Line. With low computational requirements and cost-effectiveness, this system offers an efficient automation solution for campus parking management.
Abstract:Abstract: Stunting is one of the nutritional problems that the world pays the most attention to and a major nutritional problem in Indonesia. Stunting is a problem in toddler growth which is characterized by a toddler's…
height that is too short compared to toddlers of his age. In the research location, namely Asahan Regency, the mapping of areas prone to increased stunting rates has not been carried out optimally. The process of exploring the stunting data warehouse is useful for adding information that can assist the government in making policies. Therefore, the aim of this research is to map stunting-prone areas in Asahan district based on the number of stunting cases in Asahan district using the machine learning-based K-Means clustering model. Based on previous research reviews, the k-means clustering method used has not used the normalization process. In addition, distance measurement only uses Euclidean Distance. Meanwhile, in this research, clustering performance analysis was carried out using a more in-depth process, namely by applying data normalization at the beginning, using the elbow method to determine the best number of clusters (K), measuring distance using Euclidean Distance, Manhattan Distance and Minkowski Distance to obtain comparison results. better clusters. The analysis results show that the best number of clusters is cluster 2 which shows the mapping results into 2 groups with a DBI of 0.51290 and a silhouette_score of 0.71432.
Keywords: stunting; k-means clustering; machine learning
Abstrak: Stunting menjadi salah satu permasalahan gizi yang paling diperhatikan dunia dan permasalahan gizi yang utama di Indonesia. Stunting merupakan masalah pada pertumbuhan balita yang ditandai dengan tinggi badan balita yang terlalu pendek dibanding balita seusianya. Pada lokasi penelitian yaitu Kabupaten Asahan, pemetaan daerah rawan peningkatan angka stunting belum dilakukan dengan optimal. Proses eksplorasi gudang data stunting ini berguna untuk menambah informasi yang dapat membantu pemerintah dalam mengambil kebijakan. Maka dari itu, tujuan dari penelitian ini adalah pemetaan daerah rawan stunting di kabupaten Asahan berdasarkan jumlah kasus stunting di Kabupaten Asahan menggunakan model clustering metode K-Means berbasis machine learning. Berdasarkan tinjauan penelitian terdahulu, metode k-means clustering yang digunakan belum menggunakan proses normalisasi. Selain itu, pengukuran jarak hanya menggunakan Euclidean Distance. Sedangkan dalam penelitian ini, analisis kinerja clustering yang dilakukan dengan proses yang lebih mendalam yaitu dengan penerapan normalisasi data di awal, penggunaan elbow method untuk penentuan jumlah cluster (K) terbaik, pengukuran jarak dengan Euclidean Distance, Manhattan Distance dan Minkowski Distance untuk mendapatkan hasil perbandingan cluster yang lebih baik. Hasil analisis menunjukkan bahwa jumlah cluster terbaik yaitu cluster 2 yang menunjukkan hasil pemetaan menjadi 2 kelompok dengan DBI 0.51290 dan silhouette_score sebesar 0.71432.
Kata kunci: stunting; k-means clustering; machine learning
Abstract:Abstract: In this research, a prediction system has been successfully developed to predict whether or not a prospective money borrower will run smoothly. Prospective borrowers who will borrow, some of the data that meet…
the criteria will be inputted by the office clerk into a prediction application system interface to be processed using the Data Mining method, namely the K-Nearest Neighbor Algorithm with the Codeigniter programming language 3. The results of the Euclidean calculation process are based on predetermined criteria Between training data (training) to testing data (test) will be displayed with a table that has been sorted from smallest to largest containing 9 closest neighbors according to the K value that has been determined, namely 9. The nine neighbors will be taken the dominant category. This dominant category can be used as a guideline that makes it easier for the leader to make a decision on the next borrower.
Keywords: Data Mining; Euclidean; K-Nearest Neighbor; Prospective Borrowers;
Abstrak: Dalam penelitian ini telah berhasil dibuat sebuah sistem prediksi untuk memprediksi lancar atau tidak lancarnya seorang calon peminjam uang. Calon peminjam uang yang akan meminjam, sebagian datanya yang memenuhi kriteria akan diinputkan petugas kantor ke dalam sebuah interface sistem aplikasi prediksi untuk diolah menggunakan metode Data Mining yaitu Algoritma K-Nearest Neighbor dengan bahasa pemrograman Codeigniter 3. Hasil proses perhitungan Euclidean berdasarkan kriteria yang sudah ditentukan antara data training (latih) ke data testing (uji) tersebut akan ditampilkan dengan sebuah tabel yang sudah diurutkan dari yang terkecil ke terbesar berisi 9 tetangga terdekat sesuai dengan nilai K yang sudah ditentukan yaitu 9. Sembilan tetangga tersebut akan diambil kategori yang dominan. Kategori yang dominan tersebut bisa dijadikan suatu pedoman yang memudahkan pimpinan dalam mengambil sebuah keputusan kepada calon peminjam selanjutnya.
Kata kunci: Debitur; Data Mining; Euclidean; K-Nearest Neighbor
Abstract:Model prediksi kelulusan siswa di SMK Al Hasyimy Ibrahimy dikembangkan dengan algoritma K-Nearest Neighbor (K-NN) yang diimplementasikan melalui aplikasi RapidMiner. Model ini memproses variabel seperti nilai Sumatif, UTS,…
S, PAS, UKK, dan PSAJ untuk mengklasifikasikan status kelulusan siswa sebagai "tepat waktu" atau "terlambat". Algoritma K-NN bekerja dengan menghitung kedekatan (Euclidean Distance) antara data baru dan data yang sudah memiliki hasil kelulusan. Hasil prediksi menunjukkan akurasi sebesar 95,51% memberikan manfaat bagi sekolah dalam mengenali siswa yang memerlukan dukungan tambahan agar lulus tepat waktu. Penggunaan pendekatan ini mendukung penerapan strategi pendidikan berbasis data untuk meningkatkan tingkat kelulusan siswa.
Abstract:This study aims to identify the dominant error patterns of students in geometry learning based on Newman's Error Analysis (NEA) and to examine their implications for readiness to understand Non-Euclidean Geometry. The method…
thod employed is a Systematic Literature Review (SLR) of 10 empirical articles published between 2019 and 2026. Data were extracted based on the five stages of NEA — reading, comprehension, transformation, process skill, and encoding — and subsequently analyzed through narrative synthesis, percentage comparison, and descriptive effect size. The results indicate that comprehension errors and encoding errors are the most dominant categories, with the highest percentages of 56.92% and 50%, respectively, followed by transformation errors, which consistently fall within a moderate effect range (20–40%), while reading errors and process skill errors are classified as low. The primary causes of errors include weak understanding of geometric concepts, inability in spatial visualization, limited mathematical language, and lack of procedural precision. The findings contribute as a diagnostic foundation for designing more effective geometry learning, while simultaneously serving as a conceptual bridge toward higher-level geometry