Techno.Com
Not a member yet
738 research outputs found
Sort by
Web Pembelajaran Interaktif Klasifikasi Hewan Menggunakan Convolutional Neural Network (CNN)
Get PDFAplikasi web interaktif untuk pembelajaran anak usia dini tentang pengenalan hewan merupakan alat edukatif yang penting, dirancang untuk membantu anak-anak mengenali berbagai jenis hewan melalui gambar dan deskripsi hewan yang disediakan. Model Convolutional Neural Network (CNN) digunakan untuk mengklasifikasikan gambar hewan yang diunggah oleh pengguna. Metode yang digunakan melibatkan pengolahan gambar menggunakan CNN untuk mengidentifikasi jenis hewan berdasarkan gambar yang diberikan, kemudian hasil identifikasi ditampilkan dalam antarmuka web yang interaktif. Hasil pengujian menunjukkan bahwa model CNN mencapai akurasi sebesar 59.93% dan presisi sebesar 59.92%. Namun, model mengalami masalah overfitting, yang terlihat dari performa yang lebih tinggi pada data pelatihan dibandingkan dengan data validasi, menunjukkan bahwa model terlalu mempelajari detail dan noise pada data pelatihan sehingga kurang mampu menggeneralisasi pola pada data baru. Oleh karena itu, diperlukan optimasi lebih lanjut seperti augmentasi data, regulasi model dan peningkatan jumlah data pelatihan untuk meningkatkan performa model dan mengurangi efek overfitting. Pengujian akurasi pengenalan gambar hewan pada aplikasi web ini dilakukan menggunakan dataset gambar hewan yang baru sebanyak 10 data gambar untuk masing-masing kelas, dengan nilai akurasi rata-rata untuk semua kelas hewan sebesar 54.67%. Dari 15 kelas hewan, nilai akurasi tertinggi diperoleh oleh kelas Zebra dengan nilai akurasi 90%, sedangkan kelas hewan Laba-Laba dan Kucing menjadi kelas hewan dengan nilai akurasi terendah sebesar 20%.
Kata kunci: Convolutional Neural Network (CNN), Aplikasi web interaktif, Pengenalan hewan, Klasifikasi gambar
Teknik Weighting untuk Mengatasi Ketidakseimbangan Kelas Pada Prediksi Churn Menggunakan XGBoost, LightGBM, dan CatBoost
Get PDFChurn merupakan kondisi dimana seseorang berpindah dari satu layanan ke layanan yang lain. Churn pelanggan menjadi masalah yang meningkat cukup signifikan dan menjadi tantangan utama yang harus dihadapi banyak perusahaan perbankan karena memiki peran penting terhadap laba perusahaan. Oleh sebab itu, diperlukan cara untuk memprediksi perilaku churn tepat waktu agar bisa menerapkan retensi pelanggan. Namun, Permasalahan yang dihadapi oleh model prediksi churn adalah ketidakseimbangan kelas sehingga membuat model klasifikasi menghasilkan kinerja yang buruk. Solusi yang paling sering digunakan untuk mengatasi masalah ketidakseimbangan kelas terbagi menjadi tiga pendekatan yaitu pendekatan level data, level algoritma dan ensemble. Setiap pendekatan mengalami beberapa masalah yang sulit diprediksi ketika digunakan untuk menangani masalah ketidakseimbangan kelas. Pada penelitian ini, peneliti melakukan eksperimen menggunakan metode ensemble berbasis boosting untuk melakukan prediksi churn pelanggan dan mencoba meningkatkan kinerjanya pada dataset yang tidak seimbang dengan parameter tuning menggunakan scale pos weight. Algoritma klasifikasi yang digunakan yaitu XGBoost (extreme gradient boosting), LightGBM (light gradient boosting machine) dan CatBoost. Hasil eksperimen akan membandingkan kinerja dari ketiga algoritma berbasis boosting tersebut dengan menyesuaikan bobot parameternya sebanyak tiga kali. Dari hasil pengujian, model CatBoost memperoleh nilai recall tertinggi sebesar 0.79. Sedangkan untuk nilai recall terendah adalah model CatBoost default dengan nilai 0.47. Bedasarkan hasil ekperimen dapat disimpulan bahwa model bekerja dengan cukup baik pada data yang tidak seimbang dengan memberikan mekanisme hyperparameter scale pos weightsehingga model dapat lebih fokus pada kelas minoritas yang sulit dideteksi.
Klasifikasi Emosional Ulasan Pelanggan dengan Pendekatan NLP menggunakan Metode Ensemble dan ROS
Get PDFKonsep Orientasi Pelanggan sangat penting bagi perusahaan untuk berkembang di era saat ini, dengan memanfaatkan teknologi untuk mendapatkan wawasan yang mendalam tentang perilaku pelanggan mereka. Salah satu alat teknologi tersebut adalah pembelajaran mesin, khususnya yang menggunakan pendekatan pemrosesan bahasa alami (NLP). Penelitian ini menggunakan lima algoritma yang berbeda dan menggabungkan berbagai metode untuk meningkatkan kinerja model machine learning. Melalui penerapan teknik-teknik seperti random over-sampling (ROS) dan ensemble learning, akurasi prediksi keseluruhan untuk kelas minoritas meningkat secara signifikan. Model ensemble yang diintegrasikan dengan ROS mencapai akurasi 0,90 dan mean square error 0,91, mengungguli algoritma lain yang diuji dalam penelitian ini. Pendekatan yang dioptimalkan ini tidak hanya menunjukkan keefektifan pemanfaatan teknologi untuk sebuah perusahaan dapat menerapkan strategi yang berpusat pada pelanggan, tetapi juga menyoroti pentingnya peningkatan metodologi dalam pemodelan prediktif untuk keberlanjutan bisnis.
Kata kunci: Klasifikasi Emosi, Pembelajaran Mesin, Pemrosesan Bahasa Alami, Hard Voting, Random Over Sampling
Systematic Literature Review: Deep Learning Pada Citra Sinar-X Paru Untuk Klasifikasi Penyakit
Get PDFParu-paru merupakan organ vital dalam tubuh manusia. Paru-paru mengangkut oksigen ke dalam tubuh dan mengeluarkan karbondioksida keluar dari tubuh. Proses pertukaran oksigen dan karbon dioksida ini membuat paru-paru rentan terjangkit oleh virus, bakteri dan jamur. Paru-paru dapat terjangkit berbagai jenis penyakit seperti pneumonia, tuberkulosis, kanker, ataupun covid-19. Dalam proses diagnosa penyakit tersebut, seringkali terjadi perbedaan diagnosa antar dokter. Melalui tantangan tersebut, diperlukan sistem pembelajaran mesin yang dapat menjadi pihak ketiga untuk melakukan klasifikasi kondisi. Salah satu metode modern yang dapat digunakan yaitu Metode deep learning. Convolutional Neural Network adalah salah satu dari banyaknya metode deep learning dan CNN telah terbukti menghasilkan akurasi yang tinggi dalam memproses gambar. Banyaknya penelitian yang telah menggunakan metode CNN dalam mengolah citra sinar-X paru menjadi dorongan untuk mencari gap dengan menggunakan metode SLR (Systematic Literature Review). Diagram PRISMA juga digunakan dalam memilih dan mendokumentasikan 93 paper yang relevan hingga menghasilkan 22 paper yang sesuai dengan lingkup penelitian yang menggunakan subjek sinar-X paru dan menggunakan metode deep learning CNN. Hasil yang diperoleh adalah informasi terkait dataset yang digunakan, hanya 1 dari 22 paper yang menggunakan data primer, sisanya adalah data sekunder. Selain itu, transfer learning menjadi pilihan terpopuler dalam mengembangkan sistem klasifikasi paru.
Kata kunci: Deep Learning, Paru-paru, Sinar-X, SLR, PRISM
Implementasi Eksplorasi Data Analisis dan Visualisasi Data Terpadu Kesejahteraan Sosial (DTKS) DKI Jakarta
Get PDFData Terpadu Kesejahteraan Sosial (DTKS) bertujuan untuk memahami data mengenai individu dan keluarga miskin atau kurang beruntung sehingga pemerintah dapat menetapkan kebijakan sosial yang tepat. Namun data di DTKS seringkali tidak akurat dan banyak mengandung duplikat. Untuk mengatasi permasalahan tersebut, penelitian ini menggunakan teknik analisis data eksploratif (EDA) dan visualisasi data dengan bantuan Google Colaboratory. Penelitian ini menggunakan data DKI Jakarta yang berjumlah 1,04 juta orang. Kami menganalisis berbagai faktor seperti usia, menerima atau tidaknya tunjangan kesejahteraan, latar belakang pendidikan, dan status pekerjaan. Hasilnya menunjukkan Jakarta Timur memiliki jumlah penduduk miskin dan pengangguran terbanyak. Rendahnya tingkat pendidikan merupakan salah satu penyebab utama kemiskinan, dimana mayoritas penduduk hanya mengenyam pendidikan sekolah dasar atau sederajat. Selain itu, Jakarta Timur juga menjadi wilayah dengan jumlah penerima Kartu Indonesia Pintar (KIP) terbanyak. Kesimpulan penelitian ini adalah bahwa program dan kampanye kesadaran tentang pentingnya pendidikan dan keterampilan kejuruan perlu diperkuat untuk mengurangi kemiskinan dan pengangguran.
Kata kunci: Exploratory Data Analysis, EDA, DTKS, Visualisas
OPTIMASI FUNGSI KEANGGOTAAN FUZZY MENGGUNAKAN METODE MAMDANI TERHADAP PREDIKSI PERILAKU PEMBELI
Get PDFPengoptimalan penjualan dilakukan dengan berbagai cara, salah satunya dengan cara memprediksi perilaku pembeli. Dalam memprediksi perilaku pembeli logika fuzzy sangat baik digunakan dalam penelitian tersebut. Karena logika fuzzy secara konseptual mudah dipahami, fleksibel, toleran terhadap data yang tidak tepat, mampu memodelkan fungsi-fungsi nonlinear yang sangat kompleks, dapat dibangun di atas pengalaman ahli, dapat dicampur dengan teknik pengendalian konvensional dan didasarkan pada bahasa alami. Metode yang digunakan adalah metode Mamdani. Karena dalam fuzzy inferensi sistem pada metode mamdani terdapat beberapa fungsi keanggotaan yang dipakai, untuk itu perlu adanya pengkombinasian fungsi keanggotaan sehingga bisa didapatkan fungsi keanggotaan yang optimal. Hasil dari penelitian ini menyebutkan bahwa kombinasi fungsi keanggotaan yang optimal untuk variabel Umur, Pendapatan dan Harga adalah Z Membership Function, Tringular Membership Function, Trapesium Membership Function, sedangkan untuk variabel Status dan Tingkat Pinjaman adalah Tringular Membership Function, Tringular Membership Function dengan MAPE sebesar 4,8 %. Pada tahap selanjutnya bisa dikembangkan lagi untuk metode yang lain atau dengan mengembangkan menjadi sistem pendukung keputusan dalam memprediksi perilaku pembeli. Â Kata Kunci: Fuzzy Inferensi Sistem, Mamdani, Sistem Pendukung Keputusan, Kecerdasan Buatan
Analisa Metasploit Framework “msfvenom” Backdoor Trojan dan Fully Undetected (FUD) Trojan
Get PDFPengunaan teknologi informasi berupa penggunaan internet di Indonesia terus mengalami peningkatan sejak 2 dekade terakhir hingga 73,24% atau 202 juta jiwa dari 275.77 juta jiwa penduduk Indonesia. Penggunaan teknologi tersebut tidak lepas dari sebuah ancaman pengambilan informasi secara ilegal. Tingkat kejahatan cyber berjenis malware mencapai 14.235 serangan hingga bulan april 2023. Pada penelitian ini dilakukan pembuatan malware trojan menggunakan metasploit framework dengan memanfaatkan fungsi msfvenom dan Fully Undetected (FUD) Trojan menggunakan bahasa pemrograman python. Selanjutnya dilakukan pengujian source code FUD Trojan, pengujian keterdeteksian virus melalui virustotal.com. adapun hasil pengujian menunjukkan bahwa keterdeteksian virus paling sedikit yaitu 11 antivirus pada FUD Trojan pada file music.exe, sedangkan keterdeteksian antivirus paling banyak ada pada payload windows.dll sebanyak 56 antivirus. Sedangkan payload.js dan undangan.apk masing masing keterdeteksiannya sebanyak 35 dan 26 antivirus. (FUD) trojan yang memiliki payload FUD malware perlu diwaspadai dikarenakan tidak banyak antivirus yang mendeteksi jenis payload tersebut. jenis virus yang mampu mendeteksi malware tersebut adalah avira dan avg yang secara konsisten mampu mendeteksi 4 malware tersebu
Pengembangan Perangkat Pengukuran Hemoglobin Secara Non-Invasif Berbasis Jaringan Long Range (LoRa)
Get PDFStunting mengakibatkan gangguan pertumbuhan anak-anak batita sehingga perkembangan tubuhnya menjadi tidak maksimal. Kondisi ini berdampak pada perkembangan Indonesia di masa mendatang. Banyaknya stunting akan menyebabkan generasi muda Indonesia tidak mampu berkompetisi dalam dunia global. Penanganan stunting dapat dilakukan pada anak dan calon ibu. Calon ibu yang merupakan remaja putri jarang menjadi fokus untuk penurunan angka stunting. Remaja putri yang sering mengalami anemia akan memiliki kemungkinan besar untuk melahirkan calon bayi stunting. Pengukuran hemoglobin secara invasif seringkali menjadi halangan bagi remaja putri untuk melakukan pengukuran hemoglobin. Penelitian ini bertujuan untuk mengembangkan perangkat pengukuran hemoglobin secara non-invasif sehingga dapat dilakukan untuk memantau hemoglobin pada remaja putri. Pencatatan hemoglobin secara elektronik nirkabel berbasis jaringan Long Range (LoRa) juga dilakukan untuk menyediakan data yang terbaru. Hasil dari penelitian menunjukkan bahwa perangkat mampu membaca Hemoglobin dengan tingkat galat berkisar antara 0,01% – 0,67% dengan rata-rata galat sebesar 0,31%. Hasil pengujian performa jaringan LoRa menunjukkan bahwa jaringan LoRa telah siap digunakan untuk pengiriman data jarak jauh secara nirkabel. Kuat sinyal pengiriman di sekitar Kabupaten Banyumas telah mencapai kuat minimum yang disyaratkan untuk pengiriman data yaitu -120dBm. Data penelitian menunjukkan bahwa pengembangan perangkat untuk mengirimkan data menggunakan jaringan LoRa dapat digunakan untuk pengukuran Hemoglobin remaja putri secara berkala di Kabupaten Banyumas
Peringkasan Multi Dokumen Berbahasa Indonesia Menggunakan Metode Recurrent Neural Network
Get PDFPeringkasan dokumen berita adalah sebuah aspek penting dalam pemrosesan bahasa alami dan jurnal ini bertujuan untuk menggambarkan perkembangan terbaru dalam bidang ini. Dengan ledakan informasi dan jumlah berita yang terus meningkat, peringkasan dokumen berita menjadi kunci dalam menghadapi tantangan untuk mengakses informasi yang relevan dan berharga. Pada paper ini dilakukan peringkasan multi dokumen berbahasa Indonesia dengan menggunakan metode RNN (Recurrent Neural Network) variasi yang digunakan adalah Long Short-Term Memory (LSTM), dengan ekstraksi fitur menggunakan dua model Word2Vec yang berbeda, yaitu CBOW (Continuous Bag of Words) dan Skip-gram. Hasilnya menunjukkan nilai recall, presisi, dan F-measure yang signifikan. Untuk model CBOW, nilai recall, presisi, dan F-measure yang ditemukan adalah 0.487, 0.704, dan 0.550. Sementara itu, untuk model Skip-gram, hasil pengujian menunjukkan nilai recall sebesar 0.414, presisi sebesar 0.687, dan F-measure sebesar 0.504
Peringkasan Teks Multi Dokumen Berbahasa Indonesia Menggunakan Sentence Scoring dan SVM
No full textBerita online berasal dari berbagai sumber portal berita yang tersedia secara luas di dunia maya. Namun, berita online yang melimpah dapat mengesampingkan detail dan keakuratan berita karena tujuannya untuk memberikan informasi terkini sebanyak mungkin. Ketersediaan berita online di internet dapat menyebabkan penerimaan informasi yang berlebihan, memberikan pemahaman yang kurang jelas mengenai substansi berita tersebut. Oleh karena itu, penting untuk menemukan representasi dokumen berita online guna memahami inti dari berita tersebut. Penelitian ini fokus pada menghasilkan ringkasan berita online multi dokumen dari ekstraksi fitur dan proses klasifikasi menggunakan support vector machine. penelitian ini mengklasifikan berita multi dokumen menggunakan ekstraksi fitur Sentence Scoring dan SVM. Sentence Scoring digunakan untuk input pada metode SVM agar dapat melakukan proses klasifikasi untuk menentukan hasil ringkasan. Hasil pengujian menunjukkan bahwa Fold 3 memberikan hasil terbaik, dengan rata-rata Recall 0.946, Presisi 0.487, dan F-Measure 0.634. ROUGE-1 juga mencapai nilai tertinggi pada Fold 3, yaitu 0.946. Faktor kunci dalam hasil peringkasan adalah proses ekstraksi fitur menggunakan Sentence Scoring dan pelatihan data dengan SVM. Fitur seperti data numerik dan kemiripan antar kalimat berpengaruh signifikan terhadap hasil akhir dari peringkasan