IRPI Publisher Journals (Institute of Research and Publication Indonesia)
Not a member yet
1012 research outputs found
Sort by
Implementation of Supervised Learning Algorithm on Spotify Music Genre Classification
Get PDFSpotify is a music streaming application that has been around since 2008. In the application, users can compile a playlist of songs they want to listen to. Users can determine the name of the singer, type of music, music genre and tempo of the music they want to listen to play as needed. The genre received by each user from his device will produce different recommendations, this is due to the classification process based on music listening behavior, such as songs that are often, rarely, or even never listened to or played at all by users. Therefore, the process of classifying music genres on spotify with the help of machine learning using supervised learning algorithms with algorithms namely Naïve Bayes, K-Nearest Neighbors (K-NN), Random Forest and Decision Tree with the aim of comparing the accuracy of each algorithm so as to get the best model for calcification. The results of this study obtained Random Forest has the highest accuracy value of 79.40%, followed by Decision Tree at 79.30%. In the next position Naïve Bayes with an accuracy value of 77.28%, the algorithm with the lowest accuracy is K-NN with an accuracy value of 60.74%. Meanwhile, evaluation with the t-test algorithm with the best performance is obtained from the Random Forest algorithm with a value of 0.794. It can be concluded that the best algorithm in music genre classification on Spotify is using Random Forest
Deploying Edge AI for Road Surface Damage Detection Using TensorFlow Lite and Teachable Machine
No full textRoad damage compromises transportation safety and drives high infrastructure maintenance costs. To address the limitations of traditional methods, which are expensive and non-scalable, this study proposes an Edge AI alternative utilizing widely available smartphones and machine learning capabilities. We present a real-time road damage detection system powered by TensorFlow Lite and Teachable Machine. The system architecture employs lightweight CNN models (such as MobileNet and EfficientNet Lite) optimized for edge deployment. This implementation enables the immediate detection of anomalies (cracks and potholes) directly on the mobile device without cloud dependency, ensuring low latency. Testing demonstrated robust model performance. For pothole detection, the system achieved an accuracy of 95%; for cracks, the accuracy was 92%. During real-time trials in daytime urban settings, the system achieved an average detection latency of 200 milliseconds with an accuracy of 94%. This user-friendly system also supports data collection via crowdsourcing, facilitating comprehensive infrastructure monitoring and proactive maintenance. This innovation offers a scalable, cost-effective, and user-friendly solution with significant potential to advance transportation safety and maintenance efficiency
Analisis Perbandingan Kinerja Algoritma K-NN dan K-Means untuk Sistem Rekomendasi Mouse Gaming : Comparative Performance Analysis of K-NN and K-Means Algorithms for Gaming Mouse Recommendation System
No full textKebutuhan akan perangkat keras seperti mouse untuk bermain gim yang mendukung performa meningkat seiring dengan pertumbuhan industri gim dan teknologi digital. Fitur seperti DPI tinggi, tombol makro, sensor presisi, dan desain ergonomis menjadi daya tarik utama bagi pengguna. Namun, banyaknya variasi produk membuat konsumen kesulitan memilih mouse yang sesuai dengan preferensi mereka. Penelitian ini bertujuan untuk membangun sistem rekomendasi mouse gaming berbasis pembelajaran mesin dengan membandingkan dua algoritma, yaitu K-Nearest Neighbor (K-NN) dan K-Means. Metode penelitian meliputi pengumpulan data dari Kaggle, preprocessing data (pembersihan, normalisasi), reduksi dimensi dengan PCA, pengelompokan menggunakan K-Means, serta klasifikasi menggunakan K-NN dengan penerapan SMOTE untuk mengatasi ketidakseimbangan kelas. K-NN, sebagai algoritma supervised learning, memanfaatkan kedekatan antar data untuk menentukan label, sedangkan K-Means merupakan algoritma unsupervised yang mengelompokkan data berdasarkan kemiripan fitur. Evaluasi dilakukan menggunakan metrik akurasi, presisi, recall, dan F1-score. Hasil menunjukkan bahwa K-Means efektif dalam segmentasi produk, sementara K-NN memberikan akurasi tinggi dalam klasifikasi. Kombinasi keduanya menghasilkan sistem rekomendasi yang lebih akurat dan relevan bagi pengguna
Implementasi dan Monitoring Sistem Kualitas Air pada Akuarium Ikan Hias Menggunakan Metode Fuzzy Logic: Implementation and Monitoring of Water Quality System in Ornamental Fish Aquarium with Fuzzy Logic Method
No full textIndonesia adalah negara di Asia Tenggara yang menjadi rumah bagi berbagai jenis keanekaragaman hayati terkaya di dunia. Salah satu bentuk keanekaragaman hayati yang menjadi kebanggaan Indonesia adalah keberagaman spesies ikan hias. Dalam memelihara ikan hias ada beberapa permasalahan yang sering ditemukan dalam perawatan aquarium ikan hias yaitu perawatan air pada aquarium masih dilakukan secara manual. Tujuan penelitian ini ialah untuk membantu pemilik ikan hias dalam memantau peliharaannya maka dibuatkan sebuah sistem monitoring kualitas air yang meliputi kandungan pH dalam air, kekeruhan. Pada penelitian ini juga dikembangkan sebuah sitem pemberian pakan ikan secara otomatis. Hasil penelitian menunjukan bahwa sitem ini dapat bekerja sesuai dengan yang diharapkan, parameter air dapat dipantau melalui web sehingga dapat memudahkan pengguna dalam melakukan monitoring dengan catatan perangkat harus terhubung dengan koneksi internet. pemberian pakan secara terjadwal juga dapat berkerja dengan semestinya
Optimasi Performa K-Means melalui Hybrid Feature Engineering RFM dan Behavioral Analytics untuk Segmentasi Pelanggan: Optimizing K-Means Performance with Hybrid RFM and Behavioral Analytics for Customer Segmentation
No full textMembagi pelanggan menjadi beberapa segmen itu krusial untuk kesuksesan strategi pemasaran. Dalam studi ini, kami mengusulkan metode kombinasi dengan memanfaatkan algoritma K-Means yang dipadukan dengan metrik Recency, Frequency, Monetary (RFM) serta wawasan dari analitik perilaku. Tujuan utama kami adalah untuk mengetahui seberapa besar pengaruh penambahan fitur RFM terhadap kualitas segmen yang dihasilkan. Untuk itu, pendekatan kami meliputi pembersihan data transaksi ritel, pembuatan fitur berbasis perilaku, dan penerapan dua metode klastering: K-Means standar dan versi yang ditingkatkan, yaitu RFM K-Means Aware++. Hasil klastering dievaluasi dengan visualisasi t-SNE, analisis distribusi klaster, dan pengukuran metrik validasi internal seperti Silhouette Score dan Davies-Bouldin Index. Temuan kami menunjukkan bahwa metode yang lebih baik dengan fitur RFM menghasilkan klaster yang lebih stabil, terpisah dengan baik, dan lebih akurat dalam mencerminkan perilaku pelanggan. Sebaliknya, model yang tidak menggunakan fitur RFM cenderung membentuk klaster yang tumpang tindih dan memberikan segmentasi yang kurang bermakna. Secara keseluruhan, studi ini menekankan bahwa rekayasa fitur yang tepat memiliki peran penting dalam meningkatkan performa algoritma klastering dan menawarkan segmentasi pelanggan yang lebih berharg
Perbandingan Metode MoSCoW dan AHP dalam Menentukan Kebutuhan Perangkat Lunak di Institusi Pendidikan: Systematic Literature Review: Comparison of the MoSCoW and AHP Methods in Determining Software Requirements in Educational Institutions: Systematic Literature Review
No full textPerangkat lunak berperan penting dalam menunjang kegiatan di institusi pendidikan. Banyaknya pilihan perangkat lunak menuntut adanya metode prioritisasi yang tepat. Penelitian ini membandingkan metode MoSCoW dan Analytical Hierarchy Process (AHP) dalam menentukan kebutuhan perangkat lunak melalui pendekatan Systematic Literature Review (SLR) terhadap 20 artikel terbitan 2021–2025. Hasil kajian menunjukkan bahwa AHP unggul dalam memberikan pembobotan kuantitatif dan mendukung pengambilan keputusan yang kompleks, sedangkan MoSCoW lebih unggul dalam kemudahan klasifikasi serta mudah dipahami oleh stakeholder non-teknis. Keunggulan penelitian ini terletak pada integrasi kedua metode melalui validasi silang, sehingga menghasilkan prioritisasi kebutuhan perangkat lunak yang tidak hanya praktis, tetapi juga objektif dan siap diimplementasikan. Dengan demikian, penelitian ini berhasil mencapai tujuannya untuk mengevaluasi keunggulan masing-masing metode sekaligus memberikan acuan praktis dalam penetapan prioritas kebutuhan perangkat lunak di institusi pendidika
Model CNN untuk Pengenalan Ekspresi Wajah pada Pembelajaran Pemrograman dengan Kondisi Oklusi di Kelas : A CNN Model for Recognizing Facial Expressions in Programming Classes under Classroom Occlusions
No full textEkspresi wajah mahasiswa merupakan indikator non-verbal yang dapat dimanfaatkan oleh Learning Analytics (LA) untuk memantau keterlibatan dan kebingungan selama mata kuliah pemrograman (programming class). Dalam konteks riset ini, LA merujuk pada proses komputasional yang menganalisis data visual (ekspresi wajah) guna menyediakan informasi bagi pengajar dan sistem pendukung pembelajaran, baik secara waktu nyata maupun pascakelas. Kami meneliti pengenalan ekspresi wajah pada kondisi kelas nyata yang sarat oklusi (layar monitor, tas, tangan, masker, rekan mahasiswa), menggunakan CNN EfficientNet-B3 dengan transfer learning dan fine-tuning untuk mengklasifikasi empat kategori: Jenuh, Normal, Senang, dan Bingung. Evaluasi menggunakan akurasi, presisi-makro, recall-makro, F1-makro, serta confusion matrix. Pada test set, model meraih 33,33% akurasi, 0,33 presisi-makro, 0,33 recall-makro, dan 0,32 F1-makro, menegaskan tantangan pengenalan di bawah oklusi dan keterbatasan data. Akurasi validasi (26,67%) dan akurasi latih (45,31%) menunjukkan model belum cukup belajar dan terjadi kebingungan antarkelas khususnya antara Normal, Senang, dan Bingung. Meski metrik masih moderat, studi ini menyediakan baseline yang dapat direplikasi untuk FER tanggap oklusi pada konteks pendidikan pemrograman. Arah peningkatan mencakup penambahan & penyeimbangan data, augmentasi spesifik oklusi, face alignment, serta modul atensi/penanganan oklusi ringan menuju LA yang lebih tangguh di kelas nyata
Analysis of Artificial Intelligence-Based Photogrammetry for Calculating the Volume of Bulk Material Stockpiles
No full textThis paper presents an automated UAV-based photogrammetric workflow for efficiently and accurately estimating bulk material stockpile volumes, addressing the limitations of conventional manual and LiDAR-based methods. The proposed approach converts UAV video data captured with a 40 MP RGB drone into georeferenced still frames, followed by SIFT and ORB feature extraction and exhaustive matching within COLMAP database. Incremental Structure-from-Motion with bundle adjustment reconstructs a sparse point cloud of 119,424 points and optimized camera parameters, while PatchMatch-based Multi-View Stereo generates a dense cloud of 2.3 million points at a ground sampling distance (GSD) of 0.1 cm. Ground Control Points obtained with RTK-GNSS ensure sub-2 cm georeferencing accuracy. Stockpile volumes are estimated using angle-of-repose height calculations, truncated-pyramid contour integration, and voxel occupancy methods, achieving volume errors of less than 3%. Validation against GPS and terrestrial laser scanning (TLS) references indicates horizontal accuracy of CE90 = 0.208 m, vertical accuracy of LE90 = 0.056 m, and mean reprojection error of 0.19 pixels. The entire process requires only 24 minutes for 199 images, confirming its applicability for industrial monitoring. Overall, the proposed AI-assisted photogrammetric pipeline provides a robust, reproducible, and cost-effective solution for automated stockpile volume measurement, enhancing safety, accuracy, and material management efficiency
Transformasi Digital Manajemen Stok UMKM Melalui Implementasi Sistem E-Inventory Mobile Real-Time: Digital Transformation of MSME Stock Management Through the Implementation of a Real-Time Mobile E-Inventory System
No full textPengelolaan stok barang merupakan aspek penting dalam menjaga keberlangsungan Usaha Mikro, Kecil, dan Menengah (UMKM). Namun, banyak UMKM masih bergantung pada pencatatan konvensional yang rentan terhadap kesalahan dan keterlambatan, sehingga menurunkan efisiensi serta akurasi data. Penelitian ini bertujuan untuk menerapkan sistem e-inventory berbasis mobile real-time sebagai upaya digitalisasi proses manajemen stok pada UMKM. Penelitian ini menggunakan pendekatan pengembangan yang melibatkan tahap analisis, perancangan, implementasi, dan pengujian. Hasil pengujian fungsional menggunakan Black Box Testing menunjukkan bahwa seluruh fitur inti, mulai dari manajemen data, transaksi, hingga laporan statistik, berjalan valid dan sesuai spesifikasi. Selanjutnya, pengujian User Acceptance Test (UAT) oleh pengguna akhir (Pemilik UMKM) menghasilkan tingkat penerimaan 97,5% (skor rata-rata 4,88), yang mengonfirmasi sistem sangat mudah digunakan dan memenuhi kebutuhan operasional. Implementasi sistem e-inventory ini memperkuat transformasi digital pada sektor UMKM, meningkatkan efektivitas operasional, serta mendukung pengambilan keputusan yang lebih baik melalui data yang terstruktur dan real-time
Grid Stability and Power Quality Analysis of 65 MW Solar Photovoltaic Integration into the 132 kV Transmission Network in Port Harcourt, Nigeria: Grid Stability and Power Quality Analysis of 65 MW Solar Photovoltaic Integration into the 132 kV Transmission Network in Port Harcourt, Nigeria
No full textThe global energy demand continues to rise steadily, prompting the need for clean, sufficient, and sustainable energy sources. This has led to a gradual shift from fossil fuels to renewable energy sources, although progress has been relatively slow. However, this research highlights the global shift towards renewable energy sources, driven by the need to reduce carbon emissions and foster sustainable energy practices. Problem, Nigeria faces frequent electricity shortages and grid instability, contributing to transmission and distribution losses of about 28%, despite the advancements, integrating substantial renewable energy sources into existing power grids presents challenges. To address these issues, wide-ranging analysis of solar irradiance data, grid stability, and power quality were conducted. The aim of this research is to analyse and simulate the strategy for integrating solar energy into Port Harcourt 132kV Mains Transmission Network. Grid stability analysis demonstrates robust performance, effective voltage regulation, and low harmonic distortion, ensuring minimal interference and efficient power supply. The method used in this research is called “Power flow simulation analysis method” This method involved evaluating solar energy potential using irradiance data, analysing grid stability through voltage and frequency regulation, risk management and environmental compliance were also examined to ensure project feasibility and sustainability. Results were obtained and specific findings reveal significant seasonal variations in solar irradiance, with optimal conditions during the dry season. Power quality remains stable, and essential for the reliable operation of sensitive equipment. The system operates at a high efficiency of 98% at a 100 MW load, underscoring the effectiveness of the integration strategy. The successful integration of a 65 MW solar energy system into the 132kV transmission line in Port Harcourt, aiming to enhance the region's renewable energy capacity and improve grid stability. It is therefore concluded that this study provides valuable insights and practical recommendations for optimising renewable energy integration, contributing to the advancement of sustainable energy solutions and grid modernisation.