Jurnal Teknologi Informasi dan Ilmu Komputer
Not a member yet
1290 research outputs found
Sort by
Prediksi Resiko Kematian Penderita Gagal Ginjal KronisDengan Voting Classifier Dan Random Forest Pada Data Tidak Seimbang
Get PDFGagal ginjal kronis merupakan salah satu penyakit serius yang dapat menyebabkan kematian jika tidak terdeteksi dan ditangani secara dini. Penelitian ini bertujuan memprediksi risiko kematian pada pasien gagal ginjal kronis menggunakan metode ensemble learning, yaitu random forest dan voting classifier (hard voting dan soft voting). Voting classifier digunakan untuk menggabungkan prediksi dari beberapa model klasifikasi tunggal, di mana hard voting mengambil keputusan berdasarkan suara terbanyak, sedangkan soft voting mempertimbangkan rata-rata probabilitas prediksi. Data yang digunakan pada penelitian ini merupakan data sekunder dari RSUD Dr. Saiful Anwar, Kota Malang. Proporsi pasien rawat inap yang pulang dalam kondisi meninggal lebih kecil dibanding kondisi tidak meninggal. Kondisi data tidak seimbang ini menyebabkan model cenderung bias terhadap kelas mayoritas. Untuk mengatasi hal tersebut, synthetic minority over-sampling technique (SMOTE) diterapkan guna menyeimbangkan distribusi kelas. Selain itu, random forest dipilih karena kemampuannya dalam menangani ketidakimbangan data melalui pembobotan pada pohon-pohon keputusan, sehingga mengurangi bias terhadap kelas mayoritas. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, dan recall. Hasil evaluasi menunjukkan bahwa random forest memberikan kinerja terbaik dengan akurasi 77%, presisi 36%, dan recall 60%, mengungguli hard voting dan soft voting. Penggunaan random forest dan SMOTE terbukti meningkatkan prediksi pada kelas minoritas, yang sangat penting dalam mendeteksi pasien berisiko kematian tinggi. Pendekatan ini dapat membantu dalam deteksi dini dan pengelolaan yang lebih baik terhadap pasien gagal ginjal kronis, sehingga berpotensi menurunkan angka kematian akibat penyakit ini.
Abstract
Chronic kidney disease (CKD) is a life-threatening condition that can lead to fatal outcomes if not diagnosed and treated promptly. This study aims to forecast mortality risk in CKD patients using ensemble learning techniques, including random forest an d voting classifier (hard voting and soft voting). The voting classifier combines predictions from various single classification models, with hard voting selecting outcomes based on majority decisions, while soft voting averages prediction probabilities. The data used in this study is secondary data from RSUD Dr. Saiful Anwar, Malang City. The proportion of hospitalized patients who were discharged in a deceased condition is smaller than those who were discharged alive. This imbalance in the data causes the model to be biased toward the majority class. However, models tend to favor the majority class when dealing with imbalanced data. To mitigate this, the synthetic minority over-sampling technique (SMOTE) was applied to balance the class distribution. Random forest was also selected for its ability to manage data imbalance through weighted decision trees, reducing bias toward the majority class. Model performance was evaluated using metrics such as accuracy, precision, and recall. Results indicated that random forest outperformed hard voting and soft voting, achieving 77% accuracy, 36% precision, and 60% recall. The combination of random forest and SMOTE significantly enhanced the prediction of minority class outcomes, which is essential for identifying high-risk patients. This method has the potential to support early detection and improved management of CKD patients, thus reducing mortality rates associated with the disease.Gagal ginjal kronis merupakan salah satu penyakit serius yang dapat menyebabkan kematian jika tidak terdeteksi dan ditangani secara dini. Penelitian ini bertujuan memprediksi risiko kematian pada pasien gagal ginjal kronis menggunakan metode ensemble learning, yaitu random forest dan voting classifier (hard voting dan soft voting). Voting classifier digunakan untuk menggabungkan prediksi dari beberapa model klasifikasi tunggal, di mana hard voting mengambil keputusan berdasarkan suara terbanyak, sedangkan soft voting mempertimbangkan rata-rata probabilitas prediksi. Data yang digunakan pada penelitian ini merupakan data sekunder dari RSUD Dr. Saiful Anwar, Kota Malang. Proporsi pasien rawat inap yang pulang dalam kondisi meninggal lebih kecil dibanding kondisi tidak meninggal. Kondisi data tidak seimbang ini menyebabkan model cenderung bias terhadap kelas mayoritas. Untuk mengatasi hal tersebut, synthetic minority over-sampling technique (SMOTE) diterapkan guna menyeimbangkan distribusi kelas. Selain itu, random forest dipilih karena kemampuannya dalam menangani ketidakimbangan data melalui pembobotan pada pohon-pohon keputusan, sehingga mengurangi bias terhadap kelas mayoritas. Evaluasi performa model dilakukan menggunakan metrik akurasi, presisi, dan recall. Hasil evaluasi menunjukkan bahwa random forest memberikan kinerja terbaik dengan akurasi 77%, presisi 36%, dan recall 60%, mengungguli hard voting dan soft voting. Penggunaan random forest dan SMOTE terbukti meningkatkan prediksi pada kelas minoritas, yang sangat penting dalam mendeteksi pasien berisiko kematian tinggi. Pendekatan ini dapat membantu dalam deteksi dini dan pengelolaan yang lebih baik terhadap pasien gagal ginjal kronis, sehingga berpotensi menurunkan angka kematian akibat penyakit ini.
Abstract
Chronic kidney disease (CKD) is a life-threatening condition that can lead to fatal outcomes if not diagnosed and treated promptly. This study aims to forecast mortality risk in CKD patients using ensemble learning techniques, including random forest an d voting classifier (hard voting and soft voting). The voting classifier combines predictions from various single classification models, with hard voting selecting outcomes based on majority decisions, while soft voting averages prediction probabilities. The data used in this study is secondary data from RSUD Dr. Saiful Anwar, Malang City. The proportion of hospitalized patients who were discharged in a deceased condition is smaller than those who were discharged alive. This imbalance in the data causes the model to be biased toward the majority class. However, models tend to favor the majority class when dealing with imbalanced data. To mitigate this, the synthetic minority over-sampling technique (SMOTE) was applied to balance the class distribution. Random forest was also selected for its ability to manage data imbalance through weighted decision trees, reducing bias toward the majority class. Model performance was evaluated using metrics such as accuracy, precision, and recall. Results indicated that random forest outperformed hard voting and soft voting, achieving 77% accuracy, 36% precision, and 60% recall. The combination of random forest and SMOTE significantly enhanced the prediction of minority class outcomes, which is essential for identifying high-risk patients. This method has the potential to support early detection and improved management of CKD patients, thus reducing mortality rates associated with the disease
Sistem Pemantau Kenyamanan Ruang Kelas Menggunakan Protokol Mqtt dan Http dengan Notifikasi Telegram Berbasis Internet Of Things
Get PDFPendidikan berperan penting dalam pembangunan bangsa dan peningkatan kualitas hidup masyarakat. Sekolah sebagai institusi pendidikan formal membutuhkan lingkungan belajar yang sehat dan nyaman untuk mendukung proses belajar-mengajar. Salah satu faktor utama yang memengaruhi kenyamanan belajar adalah kualitas udara. Penelitian ini bertujuan untuk memantau kualitas udara di ruang kelas SD Sukma Bangsa Bireuen, Provinsi Aceh, menggunakan konsep Internet of Things (IoT) dengan membandingkan dua protokol komunikasi, yaitu MQTT dan HTTP. Parameter udara yang dipantau meliputi suhu, kelembapan, CO, CO₂, PM1, dan PM2.5. Hasil pengujian pada 10 sampel data menunjukkan bahwa protokol MQTT memiliki rata-rata waktu pengiriman data sebesar 6,2 milidetik, sedangkan protokol HTTP memerlukan rata-rata waktu 267 milidetik, menunjukkan bahwa MQTT sekitar 97,7% lebih cepat. Pada sesi pertama (pagi–siang), terjadi kenaikan suhu hingga 1,7°C, penurunan kelembapan sekitar 5%, sementara kadar CO dan CO₂, serta konsentrasi PM1 dan PM2.5 masih dalam batas aman. Sesi kedua (malam) menunjukkan penurunan suhu sekitar 2°C, kenaikan kelembapan sebesar 8%, dan peningkatan kadar CO₂ hingga 22,5% karena minimnya sirkulasi udara. Dashboard yang dibangun menggunakan Node-RED dapat menampilkan data secara real-time dari kedua protokol dengan lancar. Selain itu, sistem juga diintegrasikan dengan fitur notifikasi melalui Telegram, yang mampu mengirimkan peringatan otomatis setiap 10 menit jika parameter melebihi ambang batas, serta melayani permintaan data secara langsung dari pengguna. Dengan efisiensi pengiriman data, fleksibilitas arsitektur, dan kemampuan notifikasi real-time, sistem ini tidak hanya efektif untuk lingkungan kelas, tetapi juga berpotensi direplikasi pada ruang tertutup lainnya seperti laboratorium, ruang guru, dan ruang publik lainnya di lingkungan pendidikan.
Abstract
Education plays an essential role in national development and improving the quality of life in society. Schools, as formal educational institutions, require a healthy and comfortable learning environment to support the teaching and learning process. One of the main factors affecting learning comfort is air quality. This study aims to monitor air quality in a classroom at SD Sukma Bangsa Bireuen, Aceh Province, using the Internet of Things (IoT) concept by comparing two communication protocols: MQTT and HTTP. The monitored air parameters include temperature, humidity, CO, CO₂, PM1, and PM2.5. Test results from 10 data samples show that the MQTT protocol achieved an average data transmission time of 6.2 milliseconds, while the HTTP protocol required an average of 267 milliseconds, indicating that MQTT is approximately 97.7% faster. During the first session (morning to afternoon), there was an increase in temperature of up to 1.7°C and a decrease in humidity of about 5%, while CO and CO₂ levels and PM1 and PM2.5 concentrations remained within safe limits. The second session (evening) showed a temperature drop of about 2°C, an increase in humidity by 8%, and a rise in CO₂ levels by up to 22.5% due to limited air circulation. The dashboard built using Node-RED successfully displayed real-time data from both protocols. Additionally, the system was integrated with a Telegram notification feature that could automatically send alerts every 10 minutes if any parameter exceeded the threshold, as well as respond to real-time data requests from users. With efficient data transmission, flexible architecture, and real-time notification capabilities, the system is not only effective for classroom environments but also has the potential to be replicated in other enclosed spaces such as laboratories, teacher rooms, and public areas within educational institutions.Pendidikan berperan penting dalam pembangunan bangsa dan peningkatan kualitas hidup masyarakat. Sekolah sebagai institusi pendidikan formal membutuhkan lingkungan belajar yang sehat dan nyaman untuk mendukung proses belajar-mengajar. Salah satu faktor utama yang memengaruhi kenyamanan belajar adalah kualitas udara. Penelitian ini bertujuan untuk memantau kualitas udara di ruang kelas SD Sukma Bangsa Bireuen, Provinsi Aceh, menggunakan konsep Internet of Things (IoT) dengan membandingkan dua protokol komunikasi, yaitu MQTT dan HTTP. Parameter udara yang dipantau meliputi suhu, kelembapan, CO, CO₂, PM1, dan PM2.5. Hasil pengujian pada 10 sampel data menunjukkan bahwa protokol MQTT memiliki rata-rata waktu pengiriman data sebesar 6,2 milidetik, sedangkan protokol HTTP memerlukan rata-rata waktu 267 milidetik, menunjukkan bahwa MQTT sekitar 97,7% lebih cepat. Pada sesi pertama (pagi–siang), terjadi kenaikan suhu hingga 1,7°C, penurunan kelembapan sekitar 5%, sementara kadar CO dan CO₂, serta konsentrasi PM1 dan PM2.5 masih dalam batas aman. Sesi kedua (malam) menunjukkan penurunan suhu sekitar 2°C, kenaikan kelembapan sebesar 8%, dan peningkatan kadar CO₂ hingga 22,5% karena minimnya sirkulasi udara. Dashboard yang dibangun menggunakan Node-RED dapat menampilkan data secara real-time dari kedua protokol dengan lancar. Selain itu, sistem juga diintegrasikan dengan fitur notifikasi melalui Telegram, yang mampu mengirimkan peringatan otomatis setiap 10 menit jika parameter melebihi ambang batas, serta melayani permintaan data secara langsung dari pengguna. Dengan efisiensi pengiriman data, fleksibilitas arsitektur, dan kemampuan notifikasi real-time, sistem ini tidak hanya efektif untuk lingkungan kelas, tetapi juga berpotensi direplikasi pada ruang tertutup lainnya seperti laboratorium, ruang guru, dan ruang publik lainnya di lingkungan pendidikan.
Abstract
Education plays an essential role in national development and improving the quality of life in society. Schools, as formal educational institutions, require a healthy and comfortable learning environment to support the teaching and learning process. One of the main factors affecting learning comfort is air quality. This study aims to monitor air quality in a classroom at SD Sukma Bangsa Bireuen, Aceh Province, using the Internet of Things (IoT) concept by comparing two communication protocols: MQTT and HTTP. The monitored air parameters include temperature, humidity, CO, CO₂, PM1, and PM2.5. Test results from 10 data samples show that the MQTT protocol achieved an average data transmission time of 6.2 milliseconds, while the HTTP protocol required an average of 267 milliseconds, indicating that MQTT is approximately 97.7% faster. During the first session (morning to afternoon), there was an increase in temperature of up to 1.7°C and a decrease in humidity of about 5%, while CO and CO₂ levels and PM1 and PM2.5 concentrations remained within safe limits. The second session (evening) showed a temperature drop of about 2°C, an increase in humidity by 8%, and a rise in CO₂ levels by up to 22.5% due to limited air circulation. The dashboard built using Node-RED successfully displayed real-time data from both protocols. Additionally, the system was integrated with a Telegram notification feature that could automatically send alerts every 10 minutes if any parameter exceeded the threshold, as well as respond to real-time data requests from users. With efficient data transmission, flexible architecture, and real-time notification capabilities, the system is not only effective for classroom environments but also has the potential to be replicated in other enclosed spaces such as laboratories, teacher rooms, and public areas within educational institutions
Aplikasi Metode Lean User Experience dan System Usability Scale pada Analisis, Perancangan, dan Evaluasi Antarmuka Aplikasi Mobile
Get PDFSistem i-Lab merupakan aplikasi berbasis web untuk mendukung pelaksanaan praktikum di Departement Informatika Universitas Muhammadiyah Malang (UMM). Namun, sistem berbasis web yang saat ini digunakan dianggap belum memenuhi kebutuhan sebagian besar pengguna yang lebih sering menggunakan mobile phone. Berdasarkan survey awal, aplikasi mobile i-Lab diharapkan memiliki tampilan yang menarik dan user experience yang memuaskan. Oleh karena itu, tujuan penelitian ini adalah merancang antarmuka pengguna pada aplikasi iLab mobile menggunakan pendekatan Lean User Experience (Lean UX). Lean UX dianggap lebih sesuai dan efisien dalam proses perancangan user interface perangkat lunak dengan penggunaan sumber daya minimum. Dalam penelitian ini metode Lean UX diterapkan dalam dua iterasi dimana setiap iterasi terdiri dari tiga tahap: yaitu think (analisis), design (membuat MVP), dan test (pengujian dan analisis feedback). Evaluasi dilakukan pada tiap iterasi dalam Lean UX untuk mengetahui tingkat usability sesuai dengan perpektif pengguna. Hasil perancangan dievaluasi menggunakan System Usability Scale (SUS) dengan responden yang merupakan pengguna aplikasi. Berdasarkan pengujian, rancangan Skor akhir mendapatkan nilai “B” (rentang 80-85) dengan skor 81,75 yang termasuk dalam kategori tingkat acceptability range “Good” dan adjective rating “Excellent”.
Abstract
The i-Lab system is a web-based application to support the implementation of practicum at the Department of Informatics, University of Muhammadiyah Malang (UMM). However, the web-based system currently used is considered not to meet the needs of most users who use mobile phones more often. Based on the initial survey, the i-Lab mobile application is expected to have an attractive appearance and a satisfying user experience. Therefore, the purpose of this research is to design a user interface on the iLab mobile application using a Lean User Experience (Lean UX) approach. Lean UX is considered to be more suitable and efficient in the process of designing user interface software with minimum resource usage. In this study, the Lean UX method is applied in two iterations where each iteration consists of three stages: think (analysis), design (make MVP), and test (test and analyze feedback). Evaluation is carried out at each iteration in Lean UX to determine the level of usability according to the user\u27s perspective. The results of the design are evaluated using the System Usability Scale (SUS) with respondents who are application users. Based on the test, the final score design got a score of "B" (range 80-85) with a score of 81.75 which was included in the acceptability range category "Good" and the adjective rating "Excelent".Sistem i-Lab merupakan aplikasi berbasis web untuk mendukung pelaksanaan praktikum di Departement Informatika Universitas Muhammadiyah Malang (UMM). Namun, sistem berbasis web yang saat ini digunakan dianggap belum memenuhi kebutuhan sebagian besar pengguna yang lebih sering menggunakan mobile phone. Berdasarkan survey awal, aplikasi mobile i-Lab diharapkan memiliki tampilan yang menarik dan user experience yang memuaskan. Oleh karena itu, tujuan penelitian ini adalah merancang antarmuka pengguna pada aplikasi iLab mobile menggunakan pendekatan Lean User Experience (Lean UX). Lean UX dianggap lebih sesuai dan efisien dalam proses perancangan user interface perangkat lunak dengan penggunaan sumber daya minimum. Dalam penelitian ini metode Lean UX diterapkan dalam dua iterasi dimana setiap iterasi terdiri dari tiga tahap: yaitu think (analisis), design (membuat MVP), dan test (pengujian dan analisis feedback). Evaluasi dilakukan pada tiap iterasi dalam Lean UX untuk mengetahui tingkat usability sesuai dengan perpektif pengguna. Hasil perancangan dievaluasi menggunakan System Usability Scale (SUS) dengan responden yang merupakan pengguna aplikasi. Berdasarkan pengujian, rancangan Skor akhir mendapatkan nilai “B” (rentang 80-85) dengan skor 81,75 yang termasuk dalam kategori tingkat acceptability range “Good” dan adjective rating “Excellent”.
Abstract
The i-Lab system is a web-based application to support the implementation of practicum at the Department of Informatics, University of Muhammadiyah Malang (UMM). However, the web-based system currently used is considered not to meet the needs of most users who use mobile phones more often. Based on the initial survey, the i-Lab mobile application is expected to have an attractive appearance and a satisfying user experience. Therefore, the purpose of this research is to design a user interface on the iLab mobile application using a Lean User Experience (Lean UX) approach. Lean UX is considered to be more suitable and efficient in the process of designing user interface software with minimum resource usage. In this study, the Lean UX method is applied in two iterations where each iteration consists of three stages: think (analysis), design (make MVP), and test (test and analyze feedback). Evaluation is carried out at each iteration in Lean UX to determine the level of usability according to the user\u27s perspective. The results of the design are evaluated using the System Usability Scale (SUS) with respondents who are application users. Based on the test, the final score design got a score of "B" (range 80-85) with a score of 81.75 which was included in the acceptability range category "Good" and the adjective rating "Excelent"
Analisis Kinerja Model Deteksi Objek Yolo, Ssd, dan Faster R-Cnn pada Citra Penglihatan Malam untuk Pengenalan Tindak Kejahatan
Get PDFKejahatan klitih di wilayah Yogyakarta telah menimbulkan kekhawatiran serius bagi pemerintah dan masyarakat, sehingga mengancam keamanan dan kenyamanan publik. Dalam upaya penanganan permasalahan ini, penelitian ini mengajukan solusi implementasi teknologi keamanan yang berfokus pada kamera night vision dan machine learning guna mendeteksi kejahatan klitih dengan efektif, khususnya pada rentang waktu malam. Data yang dikumpulkan untuk penelitian ini terdiri dari 1006 gambar yang direkam dari aksi kejahatan klitih. Proses pengolahan data melibatkan beberapa tahap, dimulai dengan preprocessing di mana seluruh gambar diubah ukurannya menjadi 640x640 piksel. Selanjutnya, dilakukan augmentasi data untuk meningkatkan variasi dan ketangguhan model, berupa rotasi sebesar 90°, crop dengan variasi zoom dari 0% hingga 20%, penambahan noise dilakukan hingga 5%. Hasil penelitian menunjukkan bahwa model YOLOv6 memberikan kinerja terbaik dalam mendeteksi label senjata, dengan akurasi sebesar 0,9 dan F1-score mencapai 0,91. Sementara itu, dalam mengenali kejahatan fisik, YOLOv6 juga menunjukkan performa unggul dengan akurasi 0,63 dan F1-score 0,73. Model Faster R-CNN dan SSD juga memberikan hasil yang baik, namun YOLOv6 mempertahankan dominasi dalam deteksi kejahatan klitih berdasarkan akurasi dan evaluasi metrik lainnya. Pemanfaatan teknologi pendeteksian klitih di masa depan dapat memberikan kontribusi positif dalam menciptakan lingkungan yang lebih aman dan nyaman bagi seluruh masyarakat.
Abstract
The prevalence of klitih criminal activity within the Yogyakarta region has engendered significant apprehension among governmental authorities and the public alike, thereby posing a substantial risk to community safety and well-being. In an effort to address this pressing concern, the present research advocates for the deployment of advanced security technologies, specifically emphasizing the utilization of night vision surveillance cameras in conjunction with machine learning algorithms to proficiently identify klitih-related offenses, particularly during nocturnal hours. The dataset utilized for this investigation comprises 1,006 photographic images obtained from various klitih crime occurrences. The data processing procedures encompassed multiple phases, commencing with preprocessing wherein all images were standardized to dimensions of 640x640 pixels. Subsequently, data augmentation techniques were employed to bolster the diversity and resilience of the model, incorporating transformations such as 90° rotations, cropping with zoom variations ranging from 0% to 20%, and the introduction of noise levels of up to 5%. The findings of this study indicate that the YOLOv6 model exhibited the most favorable performance in the detection of weapon classifications, achieving an accuracy rate of 0.9 and an F1-score of 0.91. Furthermore, in the context of identifying physical crimes, YOLOv6 similarly showcased outstanding efficacy, attaining an accuracy of 0.63 and an F1-score of 0.73. Although the Faster R-CNN and SSD models yielded commendable results, YOLOv6 sustained its preeminence in the realm of klitih crime detection, as evidenced by its superior accuracy and other evaluative metrics. The prospective implementation of klitih detection technology holds the potential to make a constructive impact in fostering a safer and more secure environment for the entire community.Kejahatan klitih di wilayah Yogyakarta telah menimbulkan kekhawatiran serius bagi pemerintah dan masyarakat, sehingga mengancam keamanan dan kenyamanan publik. Dalam upaya penanganan permasalahan ini, penelitian ini mengajukan solusi implementasi teknologi keamanan yang berfokus pada kamera night vision dan machine learning guna mendeteksi kejahatan klitih dengan efektif, khususnya pada rentang waktu malam. Data yang dikumpulkan untuk penelitian ini terdiri dari 1006 gambar yang direkam dari aksi kejahatan klitih. Proses pengolahan data melibatkan beberapa tahap, dimulai dengan preprocessing di mana seluruh gambar diubah ukurannya menjadi 640x640 piksel. Selanjutnya, dilakukan augmentasi data untuk meningkatkan variasi dan ketangguhan model, berupa rotasi sebesar 90°, crop dengan variasi zoom dari 0% hingga 20%, penambahan noise dilakukan hingga 5%. Hasil penelitian menunjukkan bahwa model YOLOv6 memberikan kinerja terbaik dalam mendeteksi label senjata, dengan akurasi sebesar 0,9 dan F1-score mencapai 0,91. Sementara itu, dalam mengenali kejahatan fisik, YOLOv6 juga menunjukkan performa unggul dengan akurasi 0,63 dan F1-score 0,73. Model Faster R-CNN dan SSD juga memberikan hasil yang baik, namun YOLOv6 mempertahankan dominasi dalam deteksi kejahatan klitih berdasarkan akurasi dan evaluasi metrik lainnya. Pemanfaatan teknologi pendeteksian klitih di masa depan dapat memberikan kontribusi positif dalam menciptakan lingkungan yang lebih aman dan nyaman bagi seluruh masyarakat.
Abstract
The prevalence of klitih criminal activity within the Yogyakarta region has engendered significant apprehension among governmental authorities and the public alike, thereby posing a substantial risk to community safety and well-being. In an effort to address this pressing concern, the present research advocates for the deployment of advanced security technologies, specifically emphasizing the utilization of night vision surveillance cameras in conjunction with machine learning algorithms to proficiently identify klitih-related offenses, particularly during nocturnal hours. The dataset utilized for this investigation comprises 1,006 photographic images obtained from various klitih crime occurrences. The data processing procedures encompassed multiple phases, commencing with preprocessing wherein all images were standardized to dimensions of 640x640 pixels. Subsequently, data augmentation techniques were employed to bolster the diversity and resilience of the model, incorporating transformations such as 90° rotations, cropping with zoom variations ranging from 0% to 20%, and the introduction of noise levels of up to 5%. The findings of this study indicate that the YOLOv6 model exhibited the most favorable performance in the detection of weapon classifications, achieving an accuracy rate of 0.9 and an F1-score of 0.91. Furthermore, in the context of identifying physical crimes, YOLOv6 similarly showcased outstanding efficacy, attaining an accuracy of 0.63 and an F1-score of 0.73. Although the Faster R-CNN and SSD models yielded commendable results, YOLOv6 sustained its preeminence in the realm of klitih crime detection, as evidenced by its superior accuracy and other evaluative metrics. The prospective implementation of klitih detection technology holds the potential to make a constructive impact in fostering a safer and more secure environment for the entire community
Grey Wolf Optimizer Termodifikasi Menggunakan Chaotic Uniform Initialization Untuk Estimasi Effort Cocomo
Get PDFCOCOMO merupakan metode estimasi effort perangkat lunak berbasis parametrik yang banyak digunakan dan fleksibel diimplementasikan pada organisasi skala kecil hingga besar. Akan tetapi, kedua parameter COCOMO, yaitu multiplikatif dan eksponensial kerap memberikan hasil yang kurang presisi serta tidak realistis untuk diterapkan pada lingkungan pengembangan perangkat lunak saat ini. Untuk mengatasi masalah tersebut, beberapa penelitian mengusulkan pendekatan berbasis pencarian untuk mendapatkan nilai parameter yang tepat dengan menggunakan algoritma optimasi metaheuristik. Grey Wolf Optimizer (GWO) merupakan salah satu algoritma optimasi yang bisa menghindari jebakan optimum lokal yang sering dialami oleh algoritma berbasis swarm intelligence. Namun, GWO kurang dalam hal diversity populasi yang membuat banyak kandidat solusi tidak mampu menjangkau ruang pencarian secara merata. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan GWO termodifikasi berupa chaotic uniform initialization agar bisa meningkatkan diversity populasi. Metode yang diusulkan ini membangkitkan dua populasi awal yang masing-masing menggunakan teknik chaos dan acak. Setiap kandidat solusi pada kedua populasi tersebut diseleksi berdasarkan nilai fitness tertentu yang pada akhirnya akan membentuk satu populasi awal yang memiliki diversity yang lebih baik. Eksperimen pada penelitian ini menggunakan tiga himpunan data dari NASA. Untuk mendapatkan teknik chaos terbaik, dilakukan komparasi terhadap tujuh teknik chaos. Metode yang diusulkan kemudian dikomparasikan dengan algoritma GWO standar dan satu varian GWO terkini. Hasil penelitian menunjukkan bahwa metode yang diusulkan beserta teknik chaos circle terbukti mampu memperbaiki diversity populasi sehingga meningkatkan performa akurasi estimasi COCOMO. Metode yang diusulkan ini dimungkinkan untuk diintegrasikan pada alat bantu estimasi effort perangkat lunak yang biasa digunakan oleh para manajer proyek.
Abstract
COCOMO is a parametric-based software effort estimation method that is widely used and flexible to implement in small to large scale organizations. However, the two COCOMO parameters, namely multiplicative and exponential, often provide results that lack precision and are not realistic to apply to the current software development environment. To overcome this problem, several studies have proposed search-based approach to obtain appropriate parameter values using metaheuristic optimization algorithms. Grey Wolf Optimizer (GWO) is an algorithm that can avoid the local minimum trap that is often experienced by other swarm intelligence algorithms. However, GWO lacks population diversity which makes candidate solutions unable to cover the search space evenly. This study proposes chaotic uniform initialization to increase population diversity. The proposed method generates two initial populations using chaotic and random techniques respectively. Each candidate solution in the two populations is selected based on a certain fitness value which will ultimately produce an initial population that has better diversity. The experiment in this study used three data sets from NASA. To get the best chaos technique, a comparison of seven chaos techniques was carried out. The proposed method is then compared with the standard GWO algorithm and a current GWO variant. The research results show that the proposed method and the chaos circle technique are proven to be able to improve population diversity thereby increasing the accuracy of COCOMO. The proposed method is possible to integrated into software effort estimation tools commonly used by project managers.COCOMO merupakan metode estimasi effort perangkat lunak berbasis parametrik yang banyak digunakan dan fleksibel diimplementasikan pada organisasi skala kecil hingga besar. Akan tetapi, kedua parameter COCOMO, yaitu multiplikatif dan eksponensial kerap memberikan hasil yang kurang presisi serta tidak realistis untuk diterapkan pada lingkungan pengembangan perangkat lunak saat ini. Untuk mengatasi masalah tersebut, beberapa penelitian mengusulkan pendekatan berbasis pencarian untuk mendapatkan nilai parameter yang tepat dengan menggunakan algoritma optimasi metaheuristik. Grey Wolf Optimizer (GWO) merupakan salah satu algoritma optimasi yang bisa menghindari jebakan optimum lokal yang sering dialami oleh algoritma berbasis swarm intelligence. Namun, GWO kurang dalam hal diversity populasi yang membuat banyak kandidat solusi tidak mampu menjangkau ruang pencarian secara merata. Untuk mengatasi masalah tersebut, penelitian ini mengusulkan GWO termodifikasi berupa chaotic uniform initialization agar bisa meningkatkan diversity populasi. Metode yang diusulkan ini membangkitkan dua populasi awal yang masing-masing menggunakan teknik chaos dan acak. Setiap kandidat solusi pada kedua populasi tersebut diseleksi berdasarkan nilai fitness tertentu yang pada akhirnya akan membentuk satu populasi awal yang memiliki diversity yang lebih baik. Eksperimen pada penelitian ini menggunakan tiga himpunan data dari NASA. Untuk mendapatkan teknik chaos terbaik, dilakukan komparasi terhadap tujuh teknik chaos. Metode yang diusulkan kemudian dikomparasikan dengan algoritma GWO standar dan satu varian GWO terkini. Hasil penelitian menunjukkan bahwa metode yang diusulkan beserta teknik chaos circle terbukti mampu memperbaiki diversity populasi sehingga meningkatkan performa akurasi estimasi COCOMO. Metode yang diusulkan ini dimungkinkan untuk diintegrasikan pada alat bantu estimasi effort perangkat lunak yang biasa digunakan oleh para manajer proyek.
Abstract
COCOMO is a parametric-based software effort estimation method that is widely used and flexible to implement in small to large scale organizations. However, the two COCOMO parameters, namely multiplicative and exponential, often provide results that lack precision and are not realistic to apply to the current software development environment. To overcome this problem, several studies have proposed search-based approach to obtain appropriate parameter values using metaheuristic optimization algorithms. Grey Wolf Optimizer (GWO) is an algorithm that can avoid the local minimum trap that is often experienced by other swarm intelligence algorithms. However, GWO lacks population diversity which makes candidate solutions unable to cover the search space evenly. This study proposes chaotic uniform initialization to increase population diversity. The proposed method generates two initial populations using chaotic and random techniques respectively. Each candidate solution in the two populations is selected based on a certain fitness value which will ultimately produce an initial population that has better diversity. The experiment in this study used three data sets from NASA. To get the best chaos technique, a comparison of seven chaos techniques was carried out. The proposed method is then compared with the standard GWO algorithm and a current GWO variant. The research results show that the proposed method and the chaos circle technique are proven to be able to improve population diversity thereby increasing the accuracy of COCOMO. The proposed method is possible to integrated into software effort estimation tools commonly used by project managers
Optimasi Model Extreme Gradient Boosting Dalam Upaya Penentuan Tingkat Risiko Pada Ibu Hamil Berbasis Bayesian Optimization (BOXGB)
Get PDFKehamilan pada ibu hamil memiliki beragam risiko selama prosesnya seperti preeklampsia, diabetes dan hipertensi gestational. Seiring dengan perkembangan teknologi dan pemanfaatan data, implementasi machine learning dalam pengembangan early diagnosis system untuk tingkat risiko kehamilan telah banyak dilakukan. Namun kendala dalam penerapan machine learning adalah sulitnya menemukan konfigurasi parameter yang tepat agar model machine learning mampu memberikan akurasi prediksi yang mumpuni. Pada penelitian ini diusulkan metode optimasi berbasis Bayesian untuk mengoptimalisasikan hyper-parameter dari model Decision Tree (DT) dan Extreme Gradient Boosting (XGB). Kedua model teroptimasi tersebut dilatih dan diuji dengan menggunakan data risiko kehamilan yang diperoleh dari hasil pengukuran medis pada ibu hamil. Dari hasil evaluasi diketahui terdapat pengaruh jumlah iterasi pada Bayesian Optimization (BO). Implementasi BO pada model Decision Tree (BODT) menunjukkan adanya sedikit peningkatan nilai performa dibandingan dengan penelitian sebelumnya. Sementara itu, capaian performa tertinggi diperoleh oleh kombinasi model XGB dan Bayesian (BOXGB) dimana capaian nilai akurasi pada model BOXGB yaitu 87% diikuti dengan nilai rata-rata presisi, recall, dan F1-score masing-masing sebesar 88%, 87%, dan 88%. Secara keseluruhan implementasi Bayesian Optimization mampu memberikan setelan hyper-parameter yang dapat meningkatkan kemampuan model machine learning khususnya dalam memprediksi tingkat risiko kehamilan pada ibu hamil berdasarkan data pengukuran klinis.
Abstract
During pregnancy process there are various risks such as preeclampsia, gestational diabetes and gestational hypertension. Along with the developments in technology as well as data science, the implementation of machine learning in early diagnosis system for pregnancy risk levels prediction has been widely carried out. However, there is a challenge in implementing machine learning, which is find the suitable yet effective parameter configuration in training machine learning model to provides better prediction accuracy. This research proposes a Bayesian-based Optimization (BO) method to tune up the hyper-parameters of Decision Tree (DT) and Extreme Gradient Boosting (XGB) models. These two optimized models were trained and tested using maternal risk dataset obtained from the clinical-based measurement on pregnant woman. From the evaluation result, it can be found that the number of iterations has high influence on the BO performance. The implementation of BO toward DT model has slight increase in performance result compared to the previous research. Meanwhile, the highest performance result achieved by the combination of BO and XGB (BOXGB) model where the proposed model reaches 87% of accuracy, followed by average value of precision, recall, and F1-score of 88%, 87%, and 88%, respectively. Overall, the implementation of BO is able to direct the hyper-parameter configuration which improves the machine learning performance especially in predicting maternal risk level based on clinical-based measurement data.Kehamilan pada ibu hamil memiliki beragam risiko selama prosesnya seperti preeklampsia, diabetes dan hipertensi gestational. Seiring dengan perkembangan teknologi dan pemanfaatan data, implementasi machine learning dalam pengembangan early diagnosis system untuk tingkat risiko kehamilan telah banyak dilakukan. Namun kendala dalam penerapan machine learning adalah sulitnya menemukan konfigurasi parameter yang tepat agar model machine learning mampu memberikan akurasi prediksi yang mumpuni. Pada penelitian ini diusulkan metode optimasi berbasis Bayesian untuk mengoptimalisasikan hyper-parameter dari model Decision Tree (DT) dan Extreme Gradient Boosting (XGB). Kedua model teroptimasi tersebut dilatih dan diuji dengan menggunakan data risiko kehamilan yang diperoleh dari hasil pengukuran medis pada ibu hamil. Dari hasil evaluasi diketahui terdapat pengaruh jumlah iterasi pada Bayesian Optimization (BO). Implementasi BO pada model Decision Tree (BODT) menunjukkan adanya sedikit peningkatan nilai performa dibandingan dengan penelitian sebelumnya. Sementara itu, capaian performa tertinggi diperoleh oleh kombinasi model XGB dan Bayesian (BOXGB) dimana capaian nilai akurasi pada model BOXGB yaitu 87% diikuti dengan nilai rata-rata presisi, recall, dan F1-score masing-masing sebesar 88%, 87%, dan 88%. Secara keseluruhan implementasi Bayesian Optimization mampu memberikan setelan hyper-parameter yang dapat meningkatkan kemampuan model machine learning khususnya dalam memprediksi tingkat risiko kehamilan pada ibu hamil berdasarkan data pengukuran klinis.
Abstract
During pregnancy process there are various risks such as preeclampsia, gestational diabetes and gestational hypertension. Along with the developments in technology as well as data science, the implementation of machine learning in early diagnosis system for pregnancy risk levels prediction has been widely carried out. However, there is a challenge in implementing machine learning, which is find the suitable yet effective parameter configuration in training machine learning model to provides better prediction accuracy. This research proposes a Bayesian-based Optimization (BO) method to tune up the hyper-parameters of Decision Tree (DT) and Extreme Gradient Boosting (XGB) models. These two optimized models were trained and tested using maternal risk dataset obtained from the clinical-based measurement on pregnant woman. From the evaluation result, it can be found that the number of iterations has high influence on the BO performance. The implementation of BO toward DT model has slight increase in performance result compared to the previous research. Meanwhile, the highest performance result achieved by the combination of BO and XGB (BOXGB) model where the proposed model reaches 87% of accuracy, followed by average value of precision, recall, and F1-score of 88%, 87%, and 88%, respectively. Overall, the implementation of BO is able to direct the hyper-parameter configuration which improves the machine learning performance especially in predicting maternal risk level based on clinical-based measurement data
Fitur 3D Semu untuk Visualisasi Produk pada Aplikasi Penjualan Online Umkm
Get PDFVisualisasi produk menggunakan grafika 3D merupakan salah satu cara yang efektif untuk menampilkan suatu produk, namun penyiapan aset maupun perawatan media online yang memanfaatkan metode tersebut memerlukan banyak hal yang tidak semua UMKM mampu atau siap melakukannya. Keterbatasan sumber daya manusia (SDM) menyulitkan alokasi tenaga khusus penyediaan dan pengelolaan aset grafika 3D agar secara kontinu dapat memasok data ke media penjualan online yang dimiliki UMKM. Dibutuhkan solusi yang mudah digunakan oleh kalangan UMKM dengan SDM terbatas, memerlukan biaya rendah dan dapat memanfaatkan berbagai alat bantu yang tersedia luas, serta dapat disiapkan dengan cepat. Teknik visualisasi 3D semu diadaptasi dalam solusi yang dikembangkan dengan tujuan menghasilkan fitur visualisasi yang mampu memperlihatkan tampilan fisik produk lebih detail dari berbagai sudut pandang layaknya saat ditampilkan di tempat penjualan secara fisik, namun tanpa menyertakan kesulitan untuk membuat representasi digital 3D sepenuhnya. Realisasi solusi dilakukan dengan metode evolusioner incremental yang memungkinkan untuk menghasilkan solusi secara bertahap sehingga pengguna dapat segera memanfaatkannya. Penelitian telah menghasilkan solusi berupa fitur 3D semu untuk menampilkan produk-produk UMKM dalam aplikasi berbasis web. Fitur 3D semu yang menggunakan rangkaian citra 2D dapat memenuhi kebutuhan visualisasi layaknya 3D yang dapat diputar 360 derajat sehingga UMKM dapat segera menawarkan produknya secara online sekaligus memvisualisasikannya dengan lebih baik dibandingkan hanya menampilkan beberapa foto produk. Kemudahan menyiapkan konten untuk fitur 3D semu menjadi nilai tambah yang membantu operasional pihak UMKM. Integrasi pada media penjualan konvensional mudah dilakukan, dan dapat bekerja dengan baik sesuai rancangan.
Abstract
Product visualization using 3D graphics is an effective way to display a product, but preparing assets and maintaining online media that utilizes this method requires many things that not all MSMEs are able or ready to do. Limited human resources (HR) make it difficult to allocate specific personnel to provide and manage 3D graphic assets so that they can continuously supply data to online sales media owned by MSMEs. A solution is needed that is easy to use by MSMEs with limited human resources, requires low costs and can utilize various tools that are widely available, and can be prepared in a short time. The pseudo 3D visualization technique was adapted in the solution developed with the aim of producing a visualization feature that is able to show the physical appearance of the product in more detail from various points of view as if it were displayed at a physical point of sale, but without including the difficulty of creating a fully 3D digital representation. Solution realization is carried out using an incremental evolutionary method which makes it possible to produce solutions in stages so that users can immediately take advantage of them. The research has produced a solution in the form of a pseudo 3D feature to display MSME products in a web-based application. The pseudo 3D feature that uses a series of 2D images can fulfill 3D-like visualization needs which can be rotated 360 degrees so that MSMEs can immediately offer their products online while visualizing them better than just displaying a few product photos. The ease of preparing content for the pseudo 3D feature is an added value that helps MSMEs\u27 daily operations. Integration with conventional sales media is easy to do, and can work well as designed.Visualisasi produk menggunakan grafika 3D merupakan salah satu cara yang efektif untuk menampilkan suatu produk, namun penyiapan aset maupun perawatan media online yang memanfaatkan metode tersebut memerlukan banyak hal yang tidak semua UMKM mampu atau siap melakukannya. Keterbatasan sumber daya manusia (SDM) menyulitkan alokasi tenaga khusus penyediaan dan pengelolaan aset grafika 3D agar secara kontinu dapat memasok data ke media penjualan online yang dimiliki UMKM. Dibutuhkan solusi yang mudah digunakan oleh kalangan UMKM dengan SDM terbatas, memerlukan biaya rendah dan dapat memanfaatkan berbagai alat bantu yang tersedia luas, serta dapat disiapkan dengan cepat. Teknik visualisasi 3D semu diadaptasi dalam solusi yang dikembangkan dengan tujuan menghasilkan fitur visualisasi yang mampu memperlihatkan tampilan fisik produk lebih detail dari berbagai sudut pandang layaknya saat ditampilkan di tempat penjualan secara fisik, namun tanpa menyertakan kesulitan untuk membuat representasi digital 3D sepenuhnya. Realisasi solusi dilakukan dengan metode evolusioner incremental yang memungkinkan untuk menghasilkan solusi secara bertahap sehingga pengguna dapat segera memanfaatkannya. Penelitian telah menghasilkan solusi berupa fitur 3D semu untuk menampilkan produk-produk UMKM dalam aplikasi berbasis web. Fitur 3D semu yang menggunakan rangkaian citra 2D dapat memenuhi kebutuhan visualisasi layaknya 3D yang dapat diputar 360 derajat sehingga UMKM dapat segera menawarkan produknya secara online sekaligus memvisualisasikannya dengan lebih baik dibandingkan hanya menampilkan beberapa foto produk. Kemudahan menyiapkan konten untuk fitur 3D semu menjadi nilai tambah yang membantu operasional pihak UMKM. Integrasi pada media penjualan konvensional mudah dilakukan, dan dapat bekerja dengan baik sesuai rancangan.
Abstract
Product visualization using 3D graphics is an effective way to display a product, but preparing assets and maintaining online media that utilizes this method requires many things that not all MSMEs are able or ready to do. Limited human resources (HR) make it difficult to allocate specific personnel to provide and manage 3D graphic assets so that they can continuously supply data to online sales media owned by MSMEs. A solution is needed that is easy to use by MSMEs with limited human resources, requires low costs and can utilize various tools that are widely available, and can be prepared in a short time. The pseudo 3D visualization technique was adapted in the solution developed with the aim of producing a visualization feature that is able to show the physical appearance of the product in more detail from various points of view as if it were displayed at a physical point of sale, but without including the difficulty of creating a fully 3D digital representation. Solution realization is carried out using an incremental evolutionary method which makes it possible to produce solutions in stages so that users can immediately take advantage of them. The research has produced a solution in the form of a pseudo 3D feature to display MSME products in a web-based application. The pseudo 3D feature that uses a series of 2D images can fulfill 3D-like visualization needs which can be rotated 360 degrees so that MSMEs can immediately offer their products online while visualizing them better than just displaying a few product photos. The ease of preparing content for the pseudo 3D feature is an added value that helps MSMEs\u27 daily operations. Integration with conventional sales media is easy to do, and can work well as designed
Algoritma Enkripsi Dan Embedding Citra Digital Menggunakan Logistic Map-3 Dan Least Siginificant BIT
Get PDFUpaya pencegahan kebocoran atau pencurian data dan informasi digital dilakukan untuk menghindari penyalahgunaan oleh pihak ketiga yang menimbulkan berbagai kerugian. Pencegahan tersebut salah satunya dengan meningkatkan upaya keamanan data dan informasi melalui penerapan proses enkripsi dan dekripsi serta embedding dan ekstraksi (dalam dua tingkat pengamanan). Citra digital yang sudah dienkripsi (disandikan) sehingga menghasilkan citra yang tidak tampak (gambar yang blur atau berantakan). Selanjutnya agar tidak mencurigkan maka dilakukan tahapan pengamanan berikutnya yakni dengan disembunyikan (di embedding) pada citra lainnya yang bersifat umum. Teknik enkripsi yang digunakan dalam penelitian ini adalah fungsi chaos Logistic map-3 dan teknik penyisipan data Least Significant Bit-1 terhadap data berupa citra digital. Algoritma yang dirancang dalam paper ini adalah melakukan proses enkripsi dan embedding secara berurutan. Begitu pula untuk mendapatkan data dan informasi asli dilakukan dengan proses ekstraksi dan dekripsi secara berurutan. Hasil pengujian berdasarkan data pengujian yang digunakan pada paper ini menunjukkan bahwa data citra digital rahasia atau asli (secret image) telah berhasil dienkripsi dan disisipkan dengan baik, sehingga tidak dapat dikenali bahwa data gambar tersebut berisi data citra rahasia (secret image). Hal tersebut ditunjukkan dengan nilai PSNR nya tak hingga. Begitu pula dengan proses ekstraksi dan dekripsi yang berhasil dilakukan sehingga data citra rahasia (secret image) dapat diperoleh kembali dengan baik. Hal tersebut ditunjukkan dengan nilai PSNR nya tak hingga.
Abstract
Efforts to prevent leakage of digital data and information are carried out to avoid misuse by third parties that cause various losses. One of these preventions is by increasing the security of data and information through the application of encryption and decryption processes as well as embedding and extracting (in two levels of security). Digital images that have been encrypted (coded) so that they produce invisible images (blurry or messy images). Furthermore, so as not to be suspicious, the next security stage is carried out, namely by hiding (embedding) in other general images. The encryption technique used in this research is the chaos function of Logistic map-3 and the Least Significant Bit-1 data insertion technique. The algorithm designed is to perform the encryption and embedding processes sequentially. Likewise, to get the original data and information, it is done by sequentially extracting and decrypting processes. The test results based on the test data used, show that the original digital image data (secret image) has been successfully encrypted and embedded properly, so it cannot be recognized that the image data contains plain image data (secret image). This is indicated by the infinite PSNR value. Likewise, the extraction and decryption processes were successfully carried out so that the plain image data (secret image) could be retrieved properly. This is indicated by the infinite PSNR value.
Upaya pencegahan kebocoran atau pencurian data dan informasi digital dilakukan untuk menghindari penyalahgunaan oleh pihak ketiga yang menimbulkan berbagai kerugian. Pencegahan tersebut salah satunya dengan meningkatkan upaya keamanan data dan informasi melalui penerapan proses enkripsi dan dekripsi serta embedding dan ekstraksi (dalam dua tingkat pengamanan). Citra digital yang sudah dienkripsi (disandikan) sehingga menghasilkan citra yang tidak tampak (gambar yang blur atau berantakan). Selanjutnya agar tidak mencurigkan maka dilakukan tahapan pengamanan berikutnya yakni dengan disembunyikan (di embedding) pada citra lainnya yang bersifat umum. Teknik enkripsi yang digunakan dalam penelitian ini adalah fungsi chaos Logistic map-3 dan teknik penyisipan data Least Significant Bit-1 terhadap data berupa citra digital. Algoritma yang dirancang dalam paper ini adalah melakukan proses enkripsi dan embedding secara berurutan. Begitu pula untuk mendapatkan data dan informasi asli dilakukan dengan proses ekstraksi dan dekripsi secara berurutan. Hasil pengujian berdasarkan data pengujian yang digunakan pada paper ini menunjukkan bahwa data citra digital rahasia atau asli (secret image) telah berhasil dienkripsi dan disisipkan dengan baik, sehingga tidak dapat dikenali bahwa data gambar tersebut berisi data citra rahasia (secret image). Hal tersebut ditunjukkan dengan nilai PSNR nya tak hingga. Begitu pula dengan proses ekstraksi dan dekripsi yang berhasil dilakukan sehingga data citra rahasia (secret image) dapat diperoleh kembali dengan baik. Hal tersebut ditunjukkan dengan nilai PSNR nya tak hingga.
Abstract
Efforts to prevent leakage of digital data and information are carried out to avoid misuse by third parties that cause various losses. One of these preventions is by increasing the security of data and information through the application of encryption and decryption processes as well as embedding and extracting (in two levels of security). Digital images that have been encrypted (coded) so that they produce invisible images (blurry or messy images). Furthermore, so as not to be suspicious, the next security stage is carried out, namely by hiding (embedding) in other general images. The encryption technique used in this research is the chaos function of Logistic map-3 and the Least Significant Bit-1 data insertion technique. The algorithm designed is to perform the encryption and embedding processes sequentially. Likewise, to get the original data and information, it is done by sequentially extracting and decrypting processes. The test results based on the test data used, show that the original digital image data (secret image) has been successfully encrypted and embedded properly, so it cannot be recognized that the image data contains plain image data (secret image). This is indicated by the infinite PSNR value. Likewise, the extraction and decryption processes were successfully carried out so that the plain image data (secret image) could be retrieved properly. This is indicated by the infinite PSNR value.
Mesin Catur Berbasis Neural Network Menggunakan Long Short Term memory (LSTM)
Get PDFCatur diperkirakan memiliki sekitar 1043 kemungkinan posisi. Angka tersebut jauh melampaui kemampuan komputasi komputer yang ada saat ini, sehingga mengembangkan sebuah mesin catur dengan mempertimbangkan seluruh kemungkinan posisi dianggap tidak memungkinkan. Saat ini, penggunaan Neural Network pada pengembangan mesin catur sedang mengalami peningkatan dan telah membawa hasil yang menjanjikan sejak pertama kali diperkenalkan oleh AlphaZero milik Google DeepMind pada tahun 2017. Penelitian ini bertujuan untuk membawa potensi pendekatan baru pada ranah pengembangan mesin catur berbasis Neural Network dengan memperkenalkan mesin catur Deeplefish yang melakukan gerakan berdasarkan keluaran model Long Short Term Memory (LSTM). Menggunakan lebih dari 57.000 pertandingan yang terbagi menjadi 1.200.000 posisi, model dilatih untuk memprediksi langkah berikutnya oleh putih untuk sebuah rangkaian gerakan yang diberikan. Model meraih loss sebesar 3,01 dan Average Centipawn Loss (ACPL) sebesar 219 pada data uji. Deeplefish meraih 2 kemenangan, 72 kekalahan, dan 10 hasil seri pada tahap pengujian. Hasil yang tidak memuaskan ini dapat disebabkan oleh subjektivitas data terhadap cara berpikir pemain, menghasilkan kurangnya pola gerakan yang signifikan untuk dipelajari oleh model.
Abstract
Chess has been estimated to have around 1043 possible positions. This number surpasses the computing ability of any computer available, therefore, building a chess engine that considers every possible position is deemed impractical. Currently, the use of neural network in chess engine development is on the rise and has been delivering promising results since the introduction of Google DeepMind’s AlphaZero in 2017. This research aims to bring a new potential approach to the field of neural network based chess engine development by introducing Deeplefish chess engine that uses a Long Short Term Memory (LSTM) model as move generator. Trained on more than 57.000 games broken down into more than 1.200.000 positions, the model is trained to predict the next move played by white for a given sequence of moves. The model achieved a loss of 3.01 and an Average Centipawn Loss (ACPL) of 219 on the validation set. Deeplefish achieved 2 wins, 72 losses, and 10 draws on the testing, showing a lack of board and contextual awareness. This unsatisfactory results are likely due to the subjectivity of the data to the player’s way of thinking, resulting in lack of significant move pattern to be learned by the model.Catur diperkirakan memiliki sekitar 1043 kemungkinan posisi. Angka tersebut jauh melampaui kemampuan komputasi komputer yang ada saat ini, sehingga mengembangkan sebuah mesin catur dengan mempertimbangkan seluruh kemungkinan posisi dianggap tidak memungkinkan. Saat ini, penggunaan Neural Network pada pengembangan mesin catur sedang mengalami peningkatan dan telah membawa hasil yang menjanjikan sejak pertama kali diperkenalkan oleh AlphaZero milik Google DeepMind pada tahun 2017. Penelitian ini bertujuan untuk membawa potensi pendekatan baru pada ranah pengembangan mesin catur berbasis Neural Network dengan memperkenalkan mesin catur Deeplefish yang melakukan gerakan berdasarkan keluaran model Long Short Term Memory (LSTM). Menggunakan lebih dari 57.000 pertandingan yang terbagi menjadi 1.200.000 posisi, model dilatih untuk memprediksi langkah berikutnya oleh putih untuk sebuah rangkaian gerakan yang diberikan. Model meraih loss sebesar 3,01 dan Average Centipawn Loss (ACPL) sebesar 219 pada data uji. Deeplefish meraih 2 kemenangan, 72 kekalahan, dan 10 hasil seri pada tahap pengujian. Hasil yang tidak memuaskan ini dapat disebabkan oleh subjektivitas data terhadap cara berpikir pemain, menghasilkan kurangnya pola gerakan yang signifikan untuk dipelajari oleh model.
Abstract
Chess has been estimated to have around 1043 possible positions. This number surpasses the computing ability of any computer available, therefore, building a chess engine that considers every possible position is deemed impractical. Currently, the use of neural network in chess engine development is on the rise and has been delivering promising results since the introduction of Google DeepMind’s AlphaZero in 2017. This research aims to bring a new potential approach to the field of neural network based chess engine development by introducing Deeplefish chess engine that uses a Long Short Term Memory (LSTM) model as move generator. Trained on more than 57.000 games broken down into more than 1.200.000 positions, the model is trained to predict the next move played by white for a given sequence of moves. The model achieved a loss of 3.01 and an Average Centipawn Loss (ACPL) of 219 on the validation set. Deeplefish achieved 2 wins, 72 losses, and 10 draws on the testing, showing a lack of board and contextual awareness. This unsatisfactory results are likely due to the subjectivity of the data to the player’s way of thinking, resulting in lack of significant move pattern to be learned by the model
Menggali Opini Publik: Sentimen Terhadap Kebijakan Makan Siang Gratis Dengan Supervised Learning
Get PDFDi era informasi saat ini, opini publik menjadi aset penting dalam membentuk kebijakan sosial dan politik. Salah satu kebijakan yang sering menarik perhatian adalah program makan siang gratis yang ditujukan untuk meningkatkan kesejahteraan sosial. Kebijakan yang direncanakan bertujuan untuk memberikan manfaat bagi anak-anak di Indonesia agar dapat meningkatkan asupan gizi dan nutrisi, tetapi sering kali menimbulkan berbagai reaksi dari masyarakat, terutama di media sosial. Penelitian ini dilakukan untuk menggali sentimen berdasarkan opini tentang rencana kebijakan makan siang gratis oleh pemerintah Indonesia pada media sosial twitter. Total dataset yang dikumpulkan sebanyak 1359 yang telah di-preprocessing, terbagi atas 1000 sentimen negatif, dan 359 sentimen positif. Metode klasifikasi yang digunakan dan menjadi pembanding yaitu Support Vector Machine (SVM), Naïve Bayes (NB), dan Random Forest (RF). Hasil penelitian menunjukkan bahwa metode SVM memiliki tingkat akurasi yang lebih tinggi (85%) dibanding dua metode lainnyaDi era informasi saat ini, opini publik menjadi aset penting dalam membentuk kebijakan sosial dan politik. Salah satu kebijakan yang sering menarik perhatian adalah program makan siang gratis yang ditujukan untuk meningkatkan kesejahteraan sosial. Kebijakan yang direncanakan bertujuan untuk memberikan manfaat bagi anak-anak di Indonesia agar dapat meningkatkan asupan gizi dan nutrisi, tetapi sering kali menimbulkan berbagai reaksi dari masyarakat, terutama di media sosial. Penelitian ini dilakukan untuk menggali sentimen berdasarkan opini tentang rencana kebijakan makan siang gratis oleh pemerintah Indonesia pada media sosial twitter. Total dataset yang dikumpulkan sebanyak 1359 yang telah di-preprocessing, terbagi atas 1000 sentimen negatif, dan 359 sentimen positif. Metode klasifikasi yang digunakan dan menjadi pembanding yaitu Support Vector Machine (SVM), Naïve Bayes (NB), dan Random Forest (RF). Hasil penelitian menunjukkan bahwa metode SVM memiliki tingkat akurasi yang lebih tinggi (85%) dibanding dua metode lainnya.
Abstract
In today\u27s information technology era, public opinion is an important asset in shaping social and political policies. One policy that often attracts attention is the free lunch program aimed at improving social welfare. The planned policy aims to benefit children in Indonesia in order to improve their nutritional intake, but it often generates various reactions from the public, especially on social media. This study was conducted to explore opinion-based sentiment about the free lunch policy plan by the Indonesian government on social media Twitter. The total dataset collected was 1359 that had been cleaned, divided into 1000 negative sentiments, and 359 positive sentiments. The classification methods used for comparison are Support Vector Machine (SVM), Naïve Bayes (NB), and Random Forest (RF). The results show that the SVM method has a higher accuracy rate (85%) than the other two methods