JTT (Jurnal Teknologi Terpadu)
Not a member yet
157 research outputs found
Sort by
Implementasi Metode Case-Based Reasoning (CBR) dalam Sistem Pakar untuk Mendapatkan Diagnosis Anxiety Disorders
Full text linkThis research aims to develop an expert system based on the case-based reasoning method for diagnosing anxiety disorders. Anxiety Disorder is a mental health disorder that is often experienced by the public but is often not detected correctly. The case-based reasoning method was chosen because of its ability to utilise previous cases to solve new problems that have similarities. Case-based reasoning uses four main stages: retrieval, reuse, revise, and retain. The case-based reasoning method is implemented using case data obtained from psychology clinics and interviews with mental health experts. Testing the case-based reasoning method shows a high level of accuracy in diagnosing various types of Anxiety Disorders, such as Generalised Anxiety Disorder, Panic Disorder, and Specific Phobias. The results of this study show that the case-based reasoning method can be an effective tool in helping mental health professionals diagnose Anxiety Disorders more quickly and accurately. After searching using the symptoms obtained, the percentage of each type of disease is the percentage of Generalised Anxiety Disorder 35.7%, the percentage of Panic Disorder 30.7%, and the percentage of Specific Phobias 65%.Penelitian ini bertujuan untuk mengembangkan sistem pakar berbasis metode Case Based Reasoning dalam mendiagnosis Anxiety Disorders. Anxiety Disorders merupakan gangguan kesehatan mental yang sering dialami oleh masyarakat namun sering kali kurang terdeteksi dengan tepat. Metode case based reasoning dipilih karena kemampuannya untuk memanfaatkan kasus-kasus sebelumnya dalam penyelesaian masalah baru yang memiliki kemiripan. Case based reasoning menggunakan empat tahap utama: retrieval, reuse, revise, dan retain. Implementasi metode case based reasoning ini dilakukan dengan menggunakan data kasus yang diperoleh dari klinik psikologi dan wawancara dengan ahli kesehatan mental. Pengujian metode case based reasoning menunjukkan tingkat akurasi yang tinggi dalam mendiagnosis berbagai jenis Anxiety Disorders, seperti Generalized Anxiety Disorder, Panic Disorder, dan Specific Phobias. Hasil riset ini menunjukkan bahwa metode CBR dapat menjadi alat yang cocok dalam membantu profesional kesehatan mental untuk mendiagnosis Anxiety Disorders dengan lebih cepat dan akurat. Setelah melakukan pencarian dengan menggunakan gejala-gejala yang didapatkan, maka kesimpulan dari penelitian ini menunjukkan persentase dari setiap jenis penyakit yaitu persentase untuk Generalized Anxiety Disorder 35,7% , persentase Panic Disorder30,7 %, persentase Specific Phobias 65%
Klasifikasi Motif Batik Yogyakarta Menggunakan Metode GLCM dan CNN
Full text linkYogyakarta batik motifs represent Indonesia’s cultural heritage, but automatic classification remains challenging. This study develops a Yogyakarta batik motif classification system using a combination of the Gray Level Co-occurrence Matrix (GLCM) for texture feature extraction and Convolutional Neural Network (CNN) based on MobileNetV2 for image classification. GLCM was chosen for its ability to extract detailed texture features, while MobileNetV2 was used for its efficiency in visual pattern recognition with minimal computational resources. The dataset consists of 3,223 images from five batik motifs: Batik Ceplok, Batik Kawung, Batik Truntum, Batik Parang, and Batik Ciptoning, sourced from the Batik Keraton Museum Yogyakarta and Kaggle. The model achieved 99% accuracy, demonstrating the effectiveness of the approach in recognizing complex batik patterns. The results suggest that this system can be implemented into a mobile application with a client-server architecture for automatic motif detection. Despite promising results, the study is limited by dataset size and the complexity of specific motifs. Future research should expand the dataset and explore data augmentation techniques to improve classification accuracy for more complex motifs.Motif batik Yogyakarta memiliki keanekaragaman yang mencerminkan budaya Indonesia, namun klasifikasinya secara otomatis masih menghadapi tantangan. Penelitian ini bertujuan untuk mengembangkan sistem klasifikasi motif batik Yogyakarta menggunakan kombinasi metode Gray Level Co-occurrence Matrix (GLCM) untuk ekstraksi fitur tekstur dan Convolutional Neural Network (CNN) berbasis MobileNetV2 untuk klasifikasi citra. GLCM dipilih karena kemampuannya dalam mengekstraksi informasi tekstur yang mendetail dari gambar, sementara CNN berbasis MobileNetV2 digunakan karena efisiensinya dalam pengenalan pola visual dengan sumber daya komputasi yang rendah. Dataset yang digunakan berjumlah 3.223 gambar, terdiri dari lima kategori motif batik: Batik Ceplok, Batik Kawung, Batik Truntum, Batik Parang, dan Batik Ciptoning, yang diambil dari berbagai sumber, seperti Museum Batik Keraton Yogyakarta dan Kaggle. Hasil pengujian menunjukkan akurasi tinggi sebesar 99%, menandakan efektivitas pendekatan ini dalam mengidentifikasi pola motif batik yang kompleks. Implikasi penelitian ini adalah pengembangan sistem klasifikasi yang dapat diintegrasikan dalam aplikasi mobile berbasis client-server untuk mendeteksi otomatis motif batik. Meskipun hasil yang dicapai sangat baik, penelitian ini terbatas pada ukuran dataset dan kompleksitas motif batik tertentu. Penelitian selanjutnya disarankan untuk memperluas dataset dan mengeksplorasi augmentasi data untuk meningkatkan akurasi pada motif batik dengan kompleksitas lebih tinggi
Identifikasi Penyakit Daun pada Tanaman Solanaceae dan Rosaceae Menggunakan Deep Learning
Full text linkWith a projected global population of 9.7 billion by 2050, agriculture faces significant challenges in ensuring food security. One major obstacle is plant diseases that reduce crop yields by 40% per year. Previous research is often limited to disease detection in a single plant species, thus poorly reflecting multi-species needs in real agricultural practices. This research aims to develop and evaluate deep learning-based plant disease detection system using Convolutional Neural Networks (CNN) applied to two plant families, Solanaceae and Rosaceae. The dataset used was PlantVillage, containing 54,306 leaf images in JPEG format downloaded from GitHub, with data outside two families discarded during pre-processing. Three deep learning models were tested: transfer learning with InceptionV3 architecture and two custom CNNs (DFE and LCNN). LCNN model showed the best performance with training, validation, and testing accuracies of 99%, 99%, and 95%, respectively. In contrast, InceptionV3 achieved 96% training, 98% validation, and 92% testing accuracy, while DFE with 86% training, 94% validation, and 82% testing accuracy. Confusion matrix analysis showed difficulty distinguishing between healthy potatoes and potatoes with late blight, as well as cedar apple rust. These results highlights importance of developing specific model architectures rather than complex models for accurate multi-crop disease detection.Dengan proyeksi populasi global sebesar 9,7 miliar pada tahun 2050, pertanian menghadapi tantangan signifikan dalam memastikan ketahanan pangan. Salah satu kendala utama adalah penyakit tanaman yang menurunkan hasil panen hingga 40% per tahun. Penelitian sebelumnya sering terbatas pada deteksi penyakit pada satu spesies tanaman, sehingga kurang mencerminkan kebutuhan multi-spesies dalam praktik pertanian nyata. Penelitian ini bertujuan untuk mengembangkan dan mengevaluasi sistem deteksi penyakit tanaman berbasis deep learning menggunakan Convolutional Neural Networks (CNN) yang diterapkan pada dua famili tanaman, Solanaceae dan Rosaceae. Dataset yang digunakan adalah PlantVillage, berisi 54.306 citra daun dalam format JPEG yang diunduh dari GitHub, dengan data di luar dua famili tersebut dibuang selama pra-pemrosesan. Tiga model deep learning diuji: transfer learning dengan arsitektur InceptionV3 dan dua CNN kustom (DFE dan LCNN). Model LCNN menunjukkan kinerja terbaik dengan akurasi pelatihan, validasi, dan pengujian masing-masing sebesar 99%, 99%, dan 95%. Sebaliknya, InceptionV3 mencapai akurasi pelatihan 96%, validasi 98%, dan pengujian 92%, sedangkan DFE dengan 86% pelatihan, 94% validasi, dan 82% akurasi pengujian. Analisis confusion matrix menunjukkan kesulitan membedakan antara kentang sehat dan kentang dengan late blight, serta cedar apple rust. Hasil ini menyoroti pentingnya pengembangan arsitektur model spesifik dibandingkan model yang kompleks untuk deteksi penyakit multi-crop secara akurat
Analisis Prediksi Kata Kunci Situs Web MonsterMAC dengan Metode Long Short-Term Memory (LSTM)
Full text linkAmid increasingly fierce competition in the digital realm, many companies are striving to increase the number of visitors to their websites. One such competing company is MonsterMAC, a startup. This research aims to provide early warnings and analyze relevant keywords on the MonsterMAC website using the Long Short-Term Memory (LSTM) method. Visitor data from Google Analytics and keyword data from Google Trends for the period July 22, 2022, to July 15, 2023, have been collected and processed through several stages, such as preprocessing, model design, LSTM training, and testing, as well as visualization and interpretation of results. The modeling results show satisfactory performance, with MAE Train Real User = 0.0615, Vending Machine = 0.0218, IoT = 0.0284, Machine Learning = 0.0365, Digital Business = 0.0186, Business Intelligence = 0.0296. Furthermore, this research indicates that the number of visitors is predicted to increase but will also experience a sharp decline in the coming days. The use of the keyword "IoT" shows a significant increasing trend. Implementing the keyword "IoT" in SEO strategies has increased the number of visitors over the next seven days from 250 to 350. This research guides website owners in optimizing their content and SEO strategies to increase their visibility and competitiveness in a highly competitive digital environment. This research also emphasizes the importance of the LSTM method in keyword analysis and prediction to create more targeted SEO strategies.Dalam tengah persaingan bisnis yang semakin ketat di ranah digital, banyak perusahaan yang berlomba-lomba untuk meningkatkan jumlah pengunjung pada situs web mereka. Salah satu perusahaan yang bersaing adalah MonsterMAC, sebuah perusahaan startup. Penelitian ini bertujuan untuk memberikan peringatan dini dan menganalisis kata kunci yang relevan di situs web MonsterMAC menggunakan metode Long Short-Term Memory (LSTM). Data pengunjung dari Google Analytics dan data kata kunci dari Google Trends untuk rentang waktu 22 Juli 2022 hingga 15 Juli 2023 telah dikumpulkan dan diproses melalui beberapa tahapan, seperti preprocessing, perancangan model, pelatihan dan pengujian LSTM, serta visualisasi dan interpretasi hasil. Hasil pemodelan menunjukkan kinerja yang memuaskan, dengan MAE Train Real User = 0.0615, Vending Machine = 0.0218, IoT = 0.0284, Machine Learning = 0.0365, Bisnis Digital = 0.0186, Kecerdasan Bisnis = 0.0296. Selain itu, penelitian ini juga menunjukkan bahwa jumlah pengunjung diprediksi akan mengalami peningkatan, namun juga akan mengalami penurunan yang tajam dalam beberapa hari ke depan. Adapun penggunaan kata kunci "IoT" menunjukkan tren peningkatan yang signifikan. Implementasi kata kunci "IoT" dalam strategi SEO terbukti meningkatkan jumlah pengunjung selama tujuh hari berikutnya dari 250 hingga 350. Penelitian ini memberikan panduan bagi pemilik situs web untuk mengoptimalkan strategi konten dan SEO demi meningkatkan visibilitas serta daya saing mereka di dalam lingkungan digital yang sangat kompetitif. Penelitian ini juga menekankan pentingnya metode LSTM dalam analisis dan prediksi kata kunci guna menciptakan strategi SEO yang lebih tepat sasaran
Implementasi Bi-LSTM dengan Ekstraksi Fitur Word2Vec untuk Pengembangan Analisis Sentimen Aplikasi Identitas Kependudukan Digital
Full text linkThe Indonesian government is striving to enhance digital public services, including the Digital Identity Application (IKD) launched in 2022 by the Directorate General of Population and Civil Registration. Since its launch, IKD has received various responses from the public. User reviews on Google Play Store indicate a decline in ratings from June to December 2023. Review analysis is essential to understand user satisfaction, identify issues, and guide application improvements. This study aims to perform sentiment analysis on IKD user reviews using Bidirectional Long Short-Term Memory (Bi-LSTM) and Word2Vec methods. Bi-LSTM and Word2Vec are used to develop sentiment analysis from previous research that still used Machine Learning methods. This research is expected to contribute to the development of sentiment analysis models using Deep Learning for the IKD application. Review data was collected from the Google Play Store using scraping techniques for the period January-December 2023 and categorized into positive and negative. The Bi-LSTM model was trained with Word2Vec CBOW and Skip-Gram variations with dimensions of 100, 200, and 300. The results show that the combination of Bi-LSTM and Word2Vec CBOW with a dimension of 200 and a data split ratio of 80/20 produced the highest accuracy of 96.06%, with a precision of 96.44%, recall of 95.64%, and an f1-score of 96.04%. All combinations of Bi-LSTM and Word2Vec outperformed other Machine Learning algorithms.Pemerintah Indonesia berupaya meningkatkan layanan publik berbasis digital, termasuk aplikasi Identitas Kependudukan Digital (IKD) yang diluncurkan pada 2022 oleh Dirjen Kependudukan dan Pencatatan Sipil. Sejak diluncurkan, IKD mendapat berbagai tanggapan dari masyarakat. Data ulasan di Google Play Store menunjukkan penurunan rating dari Juni hingga Desember 2023. Analisis ulasan penting untuk memahami kepuasan pengguna dan mengidentifikasi masalah serta memandu perbaikan aplikasi. Penelitian ini bertujuan melakukan analisis sentimen ulasan pengguna IKD menggunakan metode Bidirectional Long Short-Term Memory (Bi-LSTM) dan Word2Vec. Bi-LSTM dan Word2Vec digunakan untuk mengembangkan analisis sentimen dari penelitian sebelumnya yang masih menggunakan metode Machine Learning. Penelitian ini diharapkan berkontribusi dalam pengembangan model analisis sentimen menggunakan Deep Learning untuk aplikasi IKD. Data ulasan dikumpulkan dari Google Play Store dengan teknik scraping pada periode Januari-Desember 2023 dan dibagi menjadi kategori positif dan negatif. Model Bi-LSTM dilatih dengan variasi Word2Vec CBOW dan Skip-Gram dengan dimensi 100, 200, dan 300. Hasil penelitian menunjukkan kombinasi Bi-LSTM dan Word2Vec CBOW dengan dimensi 200 dan proporsi data 80/20 menghasilkan akurasi tertinggi sebesar 96,06%, dengan precision 96,44%, recall 95,64%, dan f1 score 96,04%. Semua kombinasi Bi-LSTM dan Word2Vec menunjukkan hasil lebih tinggi dibandingkan algoritma Machine Learning lainnya
Pengaruh Jarak Objek Citra pada Model Deteksi dan Klasifikasi Botol Plastik menggunakan YOLO
Full text linkPlastic bottle waste must be separated based on shape and size to facilitate recycling. Sorting plastic bottles can use object detection technology to facilitate classification using images. Image distance capture affects the classification of bottle waste because large bottles will look small when seen from a distance and vice versa. This study aims to create a plastic bottle detection and classification model using the YOLOv8 algorithm with the same bottle shape but different sizes and measure the effect of image distance on the model. Bottles consist of three sizes: large bottles measuring 1500 ml, medium bottles measuring 600 ml, and small sizes 330 ml. Pictures for the bottle image dataset were shot between 80 and 100 centimeters away. Robotoflow was used to produce the dataset. Model performance evaluation used Mean Average Precision, and model testing used a confusion matrix. The test results for the same model with an image capture distance had an accuracy value of 100%. Testing of 80 cm distance images applied to the 100 cm model had an accuracy of 67%. Testing for 100 cm distance images applied to the 80 cm model was still quite good, with an accuracy of 91.6%. The results obtained show that the image distance affects the results of the model that has been built, so use an image that matches the distance applied to the model.Sampah botol plastik perlu dipisahkan baik berdasarkan bentuk dan ukuran untuk mempermudah proses daur ulang. Pemilahan botol plastik dapat menggunakan teknologi deteksi objek untuk mempermudah klasifikasi menggunakan citra. Pengambilan jarak citra mempengaruhi klasifikasi sampah botol, hal ini disebabkan botol yang ukuran besar jika dilihat dari jauh akan terlihat kecil begitu juga sebaliknya. Penelitian ini bertujuan membuat model deteksi dan klasifikasi botol plastik menggunakan algoritma YOLOv8 dengan bentuk botol yang sama tapi ukuran berbeda serta mengukur pengaruh jarak citra terhadap model. Botol terdiri dari tiga ukuran yaitu botol besar ukuran 1500 ml, botol sedang ukuran 600 ml dan ukuran kecil 330 ml. Pengambilan foto untuk dataset citra botol dilakukan pada jarak 80 cm dan 100 cm. Pembuatan dataset menggunakan Roboflow. Evaluasi kinerja model menggunakan Mean Average Precision dan pengujian model menggunakan confusion matrix. Hasil pengujian untuk model yang sama dengan jarak pengambilan citra memiliki nilai akurasi 100%. Pengujian citra jarak 80 cm diterapkan ke model 100 cm memiliki akurasi 67%. Pengujian untuk citra jarak 100 cm diterapkan pada model 80 cm masih cukup baik dengan akurasi 91,6%. Hasil yang diperoleh bahwa jarak citra mempengaruhi hasil pada model yang sudah dibangun sehingga gunakan citra yang sesuai dengan jarak yang diterapkan pada model
Klasifikasi Penyakit Daun Pisang menggunakan Convolutional Neural Network (CNN)
Full text linkBananas are a fruit with promising economic value in Indonesia. They are an essential commodity for farmers, but diseases affecting banana plants can harm their livelihoods. Banana diseases initially attack the leaves, and in the early stages, they are difficult to differentiate with the naked eye due to farmers’ limited knowledge of pathogens. This research utilized the Convolutional Neural Network (CNN) method with transfer learning assistance using Google Colab to facilitate the classification of banana leaf diseases. The trained model experienced overfitting, so regularization was applied using dropout. The best model achieved an accuracy of 92%, precision of 92%, sensitivity of 91%, and an F1-score of 91% at a 70:20:10 ratio on epoch 80, as evaluated and validated using a confusion matrix. This study produced a reliable model for classifying banana leaf disease.Pisang merupakan buah yang memiliki nilai ekonomi yang menjanjikan di Indonesia. Pisang merupakan komoditas yang penting bagi para petani dan penyakit yang menyerang pisang bisa merugikan petani. Penyakit pada pisang awalnya akan menyerang daun pisang, tahap awal pada penyakit susah untuk dibedakan menggunakan mata telanjang karena kurangnya pengetahuan petani akan pathogen. Penelitian ini menggunakan metode Convolutional Neural Network (CNN) dengan bantuan transfer learning menggunakan Google Colab dengan tujuan untuk memudahkan klasifikasi penyakit daun pisang. Model yang sudah dilatih mengalami overfitting sehingga dilakukan regularisasi menggunakan dropout. Hasil model terbaik didapatkan dengan rasio 70:20:10 pada epoch 80 dengan akurasi 92%, presisi 92%, sensitivitas 91%, dan f1-score 91% yang diuji dan divalidasi menggunakan confusion matrix. Penelitian ini menghasilkan model yang mampu mengklasifikasi penyakit daun pisang dengan baik
Perbandingan Klasifikasi Label Tunggal untuk Soal Ujian Fisika menggunakan Naïve Bayes dan K-Fold Cross Validation
Full text linkThis research evaluates the use of the Naïve Bayes algorithm in classifying Physics questions with single labels. The main objective is to identify the best algorithm for classifying Physics questions to assist high school students with difficulty understanding them. The research method involves using a dataset containing Physics questions that need to be classified to facilitate learning for high school students. The Naïve Bayes algorithm is implemented using Google Colab to train the classification model using features extracted from the text of the Physics questions. Additionally, several other classification algorithms, such as Support Vector Machine (SVM), Logistic Regression, Decision Tree, and Random Forest, are tested, and their performance is compared. Experimental results show that Naïve Bayes provides competitive results in classifying single-label Physics questions. However, there are significant performance differences between Naïve Bayes and other algorithms, depending on the type and complexity of the classified Physics problems. In this study, SVM achieved higher accuracy, but Naïve Bayes excelled in training time. This research provides a deeper understanding of the strengths and weaknesses of Naïve Bayes in solving the task of classifying single-label Physics problems. These findings guide the development of more accurate classification models for application in the context of Physics learning.Penelitian ini mengevaluasi penggunaan algoritma Naïve Bayes dalam mengklasifikasikan soal Fisika dengan label tunggal. Tujuan utamanya adalah untuk mendapatkan algoritma terbaik untuk mengklasifikasikan soal fisika yang akan digunakan untuk siswa SMA yang kesulitan untuk memahaminya. Metode penelitian ini menggunakan dataset yang berisi soal–soal Fisika yang perlu diklasifikasikan untuk memudahkan pembelajaran siswa SMA. Algoritma Naïve Bayes diimplementasikan menggunakan Google Collab untuk melatih model klasifikasi menggunakan fitur-fitur yang diekstraksi dari teks soal Fisika. Selain itu, beberapa algoritma klasifikasi lain seperti Support Vector Machine (SVM), Logistic Regression, Decision Tree, dan Random Forest juga diuji dan dibandingkan kinerjanya. Hasil eksperimen menunjukkan bahwa Naïve Bayes memberikan hasil yang bersaing dalam klasifikasi soal Fisika label tunggal. Namun, terdapat perbedaan performa yang signifikan antara Naïve Bayes dan algoritma lainnya, bergantung pada jenis dan kompleksitas masalah soal Fisika yang diklasifikasikan. Pada penelitian ini, SVM memiliki nilai akurasi yang lebih tinggi, tetapi Naïve Bayes unggul dalam training time. Penelitian ini memberikan pemahaman lebih dalam tentang kelebihan dan kelemahan Naïve Bayes dalam menyelesaikan tugas klasifikasi masalah Fisika label tunggal. Temuan ini menjadi panduan untuk mengembangkan model klasifikasi yang lebih akurat untuk aplikasi dalam konteks pembelajaran Fisika
Transformasi Pelayanan Masyarakat melalui Website Kampung Malasigit sebagai Inovasi Berbasis TI
Full text linkMalasigit Village is improving in terms of development and community services. The dissemination of information is still a significant problem; the information provided sometimes needs to reach the community. For example, health services related to the village community still need to be more efficient because sometimes the information provided by the assistant health center regarding health checks does not reach the village community. Another problem is related to the community's agricultural products; the condition that occurs is that agricultural products must be taken to be sold to the city, which is ± 30 km away and the understanding of village officials in the IT field, namely the use of computer devices and their applications. For this reason, village development is needed through IT, in this case, a website-based village information system to help village officials deliver transparent and efficient village information, providing service facilities/containers for farmers to promote their agricultural products to improve community services. This study uses the Waterfall method, website modelling using case diagrams and activity diagrams, which produce a home menu, profile, structure, facilities, news, information, gallery and contact.Kampung Malasigit sedang berbenah dalam hal pembangunan dan pelayanan kepada masyarakat. Penyebaran informasi masih menjadi masalah utama, informasi yang diberikan terkadang tidak sampai kepada masyarakat. Contohnya terkait pelayanan kesehatan kepada masyarakat kampung yang belum efisien, karena kadang informasi yang diberikan oleh pihak Puskesma pembantu terkait adanya pemeriksaan kesehatan tidak sampai kepada masyarakat kampung. Permasalahan lainnya terkait hasil pertanian masyarakat, kondisi yang terjadi adalah hasil pertanian harus dibawa untuk dijual ke kota yang berjarak jauh ± 30 km serta pemahaman aparatur kampung dalam bidang TI yaitu penggunaan perangkat komputer dan aplikasinya. Untuk itu diperlukan adanya pengembangan kampung melalui pemanfaatan TI dalam hal ini sistem informasi kampung berbasis website agar membantu aparatur kampung dalam penyampaian informasi kampung yang transparan dan efisien, memberikan fasilitas layanan/wadah bagi para petani untuk mempromosikan hasil pertaniannya sehingga meningkatkan pelayanan masyarakat. Penelitian ini menggunakan metode Waterfall, pemodelan website menggunakan diagram use case dan diagram activity, yang menghasilkan menu beranda, profil, struktur, fasilitas, berita, informasi, galeri serta kontak
Kombinasi Linier Target Data Untuk Regresi Multitarget Menggunakan Principal Component Analysis
Full text linkLinear regression is a method to predict numbers, a dependent variable (output) based on some independent variables (inputs). The problem with regression is that some data does not fall into linear problems. Based on this problem, RLC was invented to randomly find a correlation between output by projecting the data into the higher dimension. Unfortunately, RLC does not provide ways to inverse the projection, resulting in poor performance results. On top of that, projecting the data into a higher dimension will increase the learning algorithm complexity. Consequently, PCA can solve the problems by projecting the target data into a lower dimension while leaving possibilities for inverse transformation. This research was implemented with the help of the sci-kit-learn library to create and train the regression model and transform the dataset using Python programming language. As a result, for 12 datasets, augmentation using PCA achieved lower error in 7 datasets than RLC, averaging at 0.3270 for augmentation using PCA and 0.4003 for augmentation using RLC.Regresi linier adalah metode untuk memprediksi sebuah nilai (variabel dependen) berdasarkan beberapa input (variabel independen). Permasalahan pada regresi linier adalah beberapa data tidak termasuk ke dalam kategori linier. Sebuah metode bernama RLC diciptakan untuk menemukan korelasi antara data output dengan cara memproyeksikan data ke dalam dimensi yang lebih tinggi. Sayangnya, metode RLC tidak dapat diinvers transformasinya. Selain itu, dengan memproyeksikan data ke dimensi yang lebih tinggi akan menambah kompleksitas dari algoritma pembelajaran. Oleh karena itu, PCA akan digunakan untuk memecahkan masalah ini dengan cara memproyeksikan data ke dimensi yang lebih rendah sembari mempertahankan kemampuan untuk melakukan invers proyeksi. Penelitian ini diimplementasikan dengan bantuan library scikit-learn untuk membuat model regresi dan transformasi data dengan menggunakan bahasa pemrograman Python. Hasilnya, untuk 12 dataset, metode augmentasi PCA mampu mendapatkan nilai error yang lebih rendah dalam 7 dataset dibandingkan dengan RLC dengan rata-rata nilai error 0.3270 untuk metode augmentasi PCA dan 0.4003 untuk metode augmentasi RLC