Hasil Pencarian  ::  Simpan CSV :: Kembali

"Masalah terbesar yang terjadi di industri telekomunikasi saat ini adalah meningkatnya churn rate pelanggan.Hal ini adalah masalah yang sangat penting yang harus diselesaikan oleh perusahaan karena pelanggan yang berhenti akan berdampak pada revenue terhadap perusahaan. Penggunaan model machine learning tentunya akan dapat membantu untuk memprediksi tren pelanggan dan membuat keputusan yang tepat di masa mendatang. Untuk mendapatkan hasil yang baik, penelitian ini dianalisis dengan satu algoritma yang belum pernah dianalisis dalam studi sebelumnya untuk membuat prediksi, yaitu Deep Neural Network (D-NN). D-NN dibandingkan dengan model yang telah diuji pada penelitian sebelumnya, Random Forest dan Extreme Gradient Boosting (XGBoost). Penelitian ini menganalisis feature importance, hal ini akan membantu untuk melakukan retensi yang tepat terhadap pelanggan dengan mengetahui fitur yang berpengaruh, dan menyederhanakan proses pengumpulan data. Model yang diusulkan dilatih dan diuji melalui Google Colaboratory menggunakan TensorFlow backend. Pengujian yang telah dilakukan menghasilkan hasil yang sangat baik untuk model Deep Neural Network (D-NN), dengan proses 68 detik dan akurasi 80,62%. Extreme Gradient Boosting (XGBoost) menghasilkan akurasi 76,45% dengan waktu pemrosesan 175 detik, dan Random Forest menghasilkan 77,87% dengan waktu pemrosesan yang cukup lama hingga 529 detik.

---

The biggest problem that occurs in the telecommunication industry is increased level of customer churn. This is a very important problem that must be resolved by the company because customers who stop will have an impact on company retention. The usage of the machine learning model will certainly be able to help to predict customer trends and making precise decisions in the future. To get good results, this study is analyzed with one algorithm that had never been analyzed in previous studies to make predictions, namely Deep Neural Network (D-NN). D-NN compared to models that have been tested before, Random Forest and Extreme Gradient Boosting (XGBoost). This research analyzed the importance of the features, the handling toward the selection of appropriate features, and simplified the process of gathering data. The proposed model was trained and tested over Google Colaboratory using TensorFlow backend. The testing that has been done produces very good results for the Deep Neural Network (D-NN) model, with a process of 68 seconds and an accuracy of 80.62%. Extreme Gradient Boosting (XGBoost) produces 76.45% accuracy with a processing time of 175 seconds, and random forest produces 77.87% with a sufficiently long processing time of up to 529 seconds."

"Fatik menjadi salah satu indikator utama yang menjadi perhatian pada penggunaan paduan alumunium sebagai aplikasi struktural pesawat terbang, dimana sebanyak lebih dari 50% kecelakaan dirgantara disebabkan oleh kegagalan fatik material. Metode eksperimental trial and error untuk mendesain material memerlukan waktu panjang, biaya tinggi, serta efisiensi penelitian yang dipengaruhi oleh intuisi dan keberuntungan dari peneliti menimbulkan urgensi pendekatan lain dalam penelitian mekanika material. Penelitian mekanika material berbasis Pembelajaran Mesin (PM) dapat memanfaatkan data-data eksperimen dan penelitian terdahulu, sehingga dapat memangkas biaya dan waktu penelitian. Pada penelitian ini telah berhasil dikembangkan dua model deep learning yang mampu memetakan dengan baik hubungan antara data paduan alumunium dengan sifat fatik yang dihasilkan. Model dibuat dengan arsitektur Deep Neural Network menggunakan TensorFlow. Model S2P (Structure to Performance) dapat memprediksi performa fatik suatu paduan alumunium dari data komposisi, perlakuan panas, sifat mekanis, dan pembebanan fatik yang diterima. Model P2S (Performance to Structure) dapat memprediksi komposisi paduan alumunium yang dapat memenuhi performa fatik yang diharapkan. Kedua model menghasilkan performa baik berdasarkan pada metrik penilaian R2, yaitu senilai 0,92 untuk model S2P dan 0,96 untuk model P2S. Formula matematika sifat mekanis dan sifat fatik paduan alumunium dibuat sebagai fungsi dari variabel unsur paduan dan perlakuan panas. Pengembangan model deep learning prediksi sifat paduan alumunium berbasis fitur atomik menunjukkan bahwa total elektronegatifitas berpengaruh besar terhadap sifat mekanis dan sifat fatik.

---

Fatigue is one of the main concern of the utilization of aluminum alloys as aircraft structural applications, since more than 50% of aerospace accidents are caused by material fatigue failure. The experimental trial and error method for designing materials requires long time and high costs. Research efficiency is also influenced by intuition and luck of the researcher. These condition raises the urgency of other approaches in material mechanics research. Machine Learning (ML) based material mechanics research can take advantage of experimental data and previous research, which ables reduce research costs and time. In this research, two deep learning models have been successfully developed. The models are able to map the relationship between aluminum alloy data and the resulting fatigue properties. The model is built on a fully connected Deep Neural Network architecture using TensorFlow. The S2P (Structure to Performance) model can predict the fatigue performance of an aluminum alloy from the data of composition, heat treatment, mechanical properties, and fatigue loading condition. The P2S (Performance to Structure) model can predict the composition of aluminum alloys that can meet the expected fatigue performance. Both models produce good performance based on the R2 scoring metric, which is 0.92 for the S2P model and 0.96 for the P2S model. Mathematical formulas for mechanical properties and fatigue properties of alloys are made as a function of alloying and heat treatment variables. The development of atomic feature based deep learning model shows that the total electronegativity has a large impact on the mechanical properties and fatigue properties."

"Kamera pengawas sengat penting keberadaannya untuk membantu mengawasi area tertentu. Gambar digital yang direkam biasanya adalah aktivitas yang terjadi atau keberadaan objek di dalamnya, termasuk objek masker, kacamata hitam, helm dan topi yang rawan digunakan sebagai penutup identitas ketika sedang melakukan tindak kejahatan. Kemampuan tersebut dapat mencegah maupun menelusuri kejadian yang tidak diinginkan seperti tindakan criminal. Namun, saat ini kamera pengawas bersifat pasif sehingga berpotensi meningkatkan resiko kelalaian oleh pihak penjaga (user) dalam memantau aktivitas yang sedang terjadi. Penelitian ini bertujuan untuk merancang sistem yang mampu meningkatkan kinerja kamera pengawas dalam mendeteksi objek pada perangkat Raspberry Pi sehingga kamera dapat bersifat aktif serta mampu memberikan hasil yang optimal dan juga mengurangi penggunaan penyimpanan berlebih. Sistem deteksi objek yang digunakan menerapkan teknik Deep Learning dengan MobileNetV2-SSD sebagai model arsitektur jaringannya. Uji coba penelitian dilakukan pada beberapa variasi jarak terhadap objek sejauh 0-1,5 meter. Hasil penelitian didapatkan nilai mAP 70,3% dan saat  pengujian real-time menunjukkan keakurasian pada jarak 0-1 meter sebesar 87,5%. Pada jarak lebih dari 1,5 meter kemampuan deteksi system mulai berkurang.

---

Monitoring cameras are very important to help monitor certain areas. Digital images recorded are usually activities that occur or the presence of objects in them, including masks, sunglasses, helmets and hats which are prone to be used as a cover for identity when committing a crime. This capability can prevent or track unwanted events such as criminal acts. However, currently monitoring cameras are passive so that they have the potential to increase the risk of negligence by the user in monitoring ongoing activity. This study aims to design a system that can improve the performance of monitoring cameras in detecting objects on the Raspberry Pi device so that the camera can be active and able to provide optimal results and also reduce excess storage usage. The object detection system used applies Deep Learning techniques with MobileNetV2-SSD as the network architecture model. Research trials were carried out at several variations of the distance to objects as far as 0-1.5 meters. The results are mAP value is 70.3% and 87.5% accuracy during real-time testing at a distance of 0-1 meter. At a distance of more than 1.5 meters the detection capability of the system begins to decrease."

"Di era pandemi ini, banyak sekali kegiatan yang mengharuskan kita untuk dilakukan secara online. Kegiatan bisnis yang awalnya dilakukan secara tunai juga telah berubah menjadi non tunai, seperti menggunakan switching bill payment. Akan tetapi, jika terdapat banyak pengguna yang melakukan request, maka biller dapat mengalami overloaded dan menjadi tidak responsif. Oleh karena itu, penulis ingin membuat sebuah circuit breaker yang dapat menentukan kondisi dari biller kemudian memutuskan koneksi antara switching dengan biller jika biller tersebut dalam kondisi yang kurang baik. Circuit breaker yang ada akan diimplementasi menggunakan 2 service, dimana service pertama akan memiliki sebuah library circuitbreaker dalam bentuk decorator yang memiliki fungsi memutuskan atau menyambungkan koneksi antara switching dan biller. Service lainnya dari circuit breaker yaitu service model yang berfungsi sebagai penentu apakah suatu biller sedang berada dalam kondisi normal atau tidak. Cara service tersebut menentukan kondisi biller adalah dengan menggunakan sebuah dataset dummy yang kemudian dilakukan transformasi menggunakan Sequence Graph Transform (SGT). Kemudian, dataset yang telah ditransformasi tersebut akan dilakukan training menggunakan tensorflow untuk menghasilkan suatu model yang dapat melakukan prediksi terhadap kondisi biller. Penerapan circuit breaker ke sebuah switching bill payment dapat memberikan kenyamanan kepada pengguna dalam melakukan transaksi pembayaran berupa layanan yang cepat dari switching tersebut.

---

In this pandemic era, there are a lot of activities that requires us to do it online. Business activity that is done by using cash has now become cashless, like for example by using switching bill payment. However, if there is a lot of users making a request, there is a chance that the switch will be overloaded and it will become unresponsive. As a result, the author tried to create a circuit breaker that is able to determine biller's condition and if it is in bad condition then the circuit breaker will cut off the connection. The circuit breaker will be implemented using 2 services in which one of the services will have a circuitbreaker library in a shape of decorator . The other service is a service model where it will decide if a biller is in a normal condition or not. The way it determines biller's condition is by using a dummy dataset that is transformed using Sequence Graph Transform (SGT). Then, the transformed dataset will be trained using TensorFlow to produce a model that can be used to predict biller's condition. Implementing a circuit breaker into a switching bill payment gives convenience to the user in doing payment transactions by giving them a fast service from the switching.

"

"Proses identifikasi dan pengenalan emosi seseorang selama ini hanya dapat dilakukan secara langsung dengan melihat raut wajahnya secara langsung dan mengolah raut wajah dari orang tersebut untuk mengerti emosi yang sedang dirasakan. Emosi dari raut wajah seseorang merupakan sesuatu yang paling susah dimengerti dan manfaat dari aplikasi yang dapat mengenali emosi ini dari raut wajah seseorang sangat tinggi. Untuk memenuhi minat yang tinggi atas pengenalan emosi pada raut wajah seseorang, penulis berniat untuk mengembangkan sebuah aplikasi yang dapat mengenali emosi seseorang dari raut wajahnya dengan menggunakan machine learning face recognition. Penulis berniat menggunakan framework CNN sebagai algoritma untuk melakukan machine learning face emotion recognition karena algoritma ini yang paling cocok dan mudah untuk digunakan, serta menggunakan arsitektur EfficientNet karena arsitektur ini merupakan arsitektur pengembangan dari Google yang bersifat opensource dan mudah digunakan karena sudah terintegrasi langsung dengan Keras. Program face emotion recognition ini menggunakan arsitektur EfficientNetB2 dan menggunakan dataset FER2013 berhasil mendapatkan akurasi training di angka 95.55% dan akurasi validasi sebesar 63.71%. Walaupun terjadinya overfitting karena perbedaan akurasi validasi dan training yang besar, akurasi testing dari program ini mendapatkan angka 88.21% dan berhasil mendeteksi 7 kategori emosi yang dihasilkan oleh raut wajah manusia

---

The process of identifying and recognizing a person's emotions so far can only be done directly by looking at his face directly and processing the facial expressions of the person to understand the emotions that are being felt. The emotion of a person's facial expression is something that is the most difficult to understand and the benefits of an application that can recognize this emotion from a person's facial expression is very high. To meet the high interest in recognizing emotions on a person's facial expression, the author intends to develop an application that can recognize a person's emotions from his facial expression using machine learning face recognition. The author intends to use the CNN framework as an algorithm to perform machine learning face emotion recognition because this algorithm is the most suitable and easy to use and uses the EfficientNet architecture because this architecture is a development architecture from Google that is open source and easy to use because it is integrated directly with Keras. This face emotion recognition program using the EfficientNetB2 architecture and using the FER2013 dataset managed to get a training accuracy of 95.55% and a validation accuracy of 63.71%. Despite the occurrence of overfitting due to the large difference in validation and training accuracy, the testing accuracy of this program scored 88.21% and succeeded in detecting 7 categories of emotions generated by human facial expressions.

"

"Pandemi COVID-19 yang semakin mengkhawatirkan telah membatasi masyarakat dalam melakukan kontak fisik dengan benda-benda pada fasilitas umum. Berbagai sarana interaksi yang membutuhkan kontak fisik telah digantikan dengan alternatif yang mendukung interaksi secara contactless. Elevator merupakan salah satu fasilitas umum yang paling sering digunakan masyarakat, maka perlunya alternatif dari penggunaan tombol pada elevator untuk mengurangi kemungkinan tersebarnya virus. Perkembangan teknologi computer vision telah menghasilkan banyak implementasi yang bermanfaat, salah satu implementasi tersebut adalah pendeteksian objek. Pada penelitian ini, dilakukan perancangan dan implementasi dari deep learning untuk menghasilkan model pengenalan gestur tangan secara real-time yang ditujukan untuk diterapkan sebagai sarana interaksi dengan elevator. Metode transfer learning digunakan karena dapat menghasilkan model yang akurat tanpa perlu menggunakan dataset yang besar. Perancangan model dilakukan menggunakan Tensorflow Object Detection API dan SSD MobileNetV2 sebagai pre-trained model yang telah dilatih dengan dataset Microsoft COCO. Model yang telah dilatih dengan jumlah training steps sebesar 11000 menggunakan Dataset A pada nilai threshold 0.7 dapat mendeteksi 8 gestur tangan dengan nilai akurasi mencapai 90% berdasarkan uji coba real-time yang dilakukan.

---

The increasingly worrying COVID-19 pandemic has limited people from making physical contact with objects in public facilities. Various means of interaction that require physical contact have been replaced with alternatives that support contactless interaction. Elevators are one of the public facilities that are most often used by the public, so there is a need for alternatives to using buttons on elevators to reduce the possibility of spreading the virus. The development of computer vision technology has resulted in many useful implementations, one of which is object detection. In this research, the design and implementation of deep learning and artificial neural network is carried out to produce a real-time hand gesture recognition model that is intended to be applied as a means of interaction with elevators. The transfer learning method is used because it can produce accurate models without the need to use large datasets. The model design is carried out using the Tensorflow Object Detection API and SSD MobileNetV2 as a pre-trained model that has been trained with the Microsoft COCO dataset. The model that has been trained with the number of training steps of 11000 using the Dataset A at a threshold value of 0.7 can detect 8 hand gestures with an accuracy reaching up to 90% based on real-time trials carried out."

"ABSTRACTPengenalan ekspresi wajah telah menjadi tantangan dalam ilmu digital selama bertahun-tahun. Dengan pertumbuhan baru-baru ini di dalam bidang machine learning, sistem pengenalan ekspresi wajah secara real-time dengan machine learning dapat berguna untuk sistem monitoring emosi untuk interaksi manusia-komputer (HCI). Model yang penulis ajukan dirancang dengan model Convolutional Neural Network (CNN) dan menggunakannya untuk melatih dan menguji gambar ekspresi wajah dengan TensorFlow. Sistem ini memiliki dua bagian, sebuah recognizer untuk validasi dan model pelatihan data untuk data training. recognizer berisi detektor wajah dan pengenal ekspresi wajah. Detektor wajah mengekstrak gambar wajah dari frame video dan pengenal ekspresi wajah mengklasifikasikan gambar yang diekstrak. Model pelatihan data menggunakan CNN untuk melatih data. Sistem pengenal juga menggunakan CNN untuk memantau keadaan emosi dari pengguna melalui ekspresi wajah mereka. Sistem ini mengklasifikasikan emosi dalam enam kelas universal, marah, jijik, senang, terkejut, sedih dan takut, ditambah dengan emosi netral.

---

ABSTRACTThe introduction of facial expressions has been a challenge in digital science for many years. With the recent growth in machine learning, a real-time facial recognition recognition system with machine learning can be useful for emotional monitoring systems for human-computer interaction (HCI). The model the author proposes is designed with the Convolutional Neural Network (CNN) model and uses it to train and test facial expression images with TensorFlow. The system has two parts, a recognizer for validation and a data training model for training data. The recognizer contains face detector and facial recognition. The face detector extracts the face image from the video frame and facial expression identifiers classify the extracted image. The data training model uses CNN to train data. The identification system also uses CNN to monitor the emotional state of the user through their facial expressions. This system classifies emotions in six universal classes, anger, disgust, pleasure, shock, sadness and fear, coupled with neutral emotions."

"Peralatan Kesehatan yang ada di Indonesia masih mengandalkan teknologi yang di impor ataupun belum ada barangnya sama sekali. Sebagai contoh, pada masalah Parkinson, belum ada teknologi yang mampu untuk mendeteksi dan getaraan yang ada pada pasien. Sebagian besar penanganan medis untuk Parkinson Untuk itulah penulis ingin mengembangkan jam tangan untuk dapat mendeteksi Parkinson serta mampu untuk meredam gejala Parkinson dengan menggunakan motor DC Vibrator sebagai Aktuator untuk peredam. Penelitian yang dilakukan adalah mengambil data accelerometer dan gyroscope tangan getar kencang dan lambat dari penulis yang kemudian di proses data tersebut dengan deep learning pada keras beserta dengan perubahan-perubahan parameter. Setelahnya hasil dari pelatihan diinstall ke Arduino BLE 33. Setelah terinstall divais diuji coba apakah bisa mendeteksi getaran pada tangan.Dengan menggunakan jumblah data sebanyak 4800 menggunakan 3 layer dengan fungsi aktivasi ReLU, Training loss adalah 2,537 × dan Validation Loss 1,7315 × . Dari perbandingan data hasil training dan data testing untuk Train Accuracy dan validation accuracy pada Keras memiliki tingkat akurasi 1.0, yang bisa dianggap tinggi. Pada saat diuji coba kepada penulis, disaat penulis menggetarkan tangan dengan cukup kencang, divais mampu untuk mendeteksi getaran dan menggetarkan motor pada tangan.

---

Health instruments in Indonesia are currently still using either imported technology or are not yet available locally. As for example, Parkinson's disease does not yet have the solution for detecting and supressing the tremor that happens in the patient's hand. For that reason, the writer intend to invent a device that could detect and suppress tremor called NASA-S.Research is conducted by taking the accelerometer and Gyriscope data of heavy and light vibration from the writer's hand and then being processed using deep learning by keras with changing and testing it's parameter variation. After the training, the result of the training will be installed in Arduino BLE 33. After the Installation, the device will be teste wether it can or not to perform the detection of arm vibration type. With using total 4800 number of data wiht 3 layer and activation function of ReLU, The result shows that The training loss of the model resulter 2.536e-04 and Validation loss 1.7315e-06. From the comparison of the training data and the testing data the Train accuracy and validation accuracy at Keras gived the Accuracy value of 1.0, which consideribly high. When tested at the hand of the writer, when the writer vibrate hand with enough vibration strength, the device could detect vibraton and vibrate the motor on writer's hand"

"Sistem lampu lalu lintas cerdas merupakan sistem yang dapat melakukan pengaturan lampu lalu lintas secara adaptif berdasarkan kondisi kepadatan lalu lintas. Salah satu cara untuk mendapatkan kondisi kepadatan lalu lintas adalah melakukan komputasi penghitungan jumlah kendaraan dari video CCTV yang terpasang pada persimpanan. Pada penelitian ini dilakukan paralelisasi program penghitungan jumlah kendaraan menggunakan modul Multiprocessing pada python untuk mendapatkan data penghitungan kendaraan dari setiap jalan di persimpangan. Selanjutnya utilisasi GPU dilakukan untuk mendapatkan data secara real time dari suatu komputasi berat video processing. Pada penelitian ini, utilisasi GPU dilakukan dengan menggunakan CUDA sebagai platform yang dapat menghubungkan program dengan GPU pada low-level. Pengelolaan utilisasi GPU pada high-level dilakukan menggunakan TensorFlow yang sudah terintegrasi dengan CUDA. Uji coba eksekusi program dilakukan untuk mendapatkan runtime terbaik dari eksekusi program. Komputasi secara paralel menghasilkan runtime eksekusi komputasi 1.6 kali lebih cepat jika dibandingkan dengan komputasi secara sekuensial. Pada tingkat utilisasi GPU yang lebih optimal, runtime eksekusi komputasi dapat ditingkatkan hingga 2 kali lebih cepat dari komputasi normal. Utilisasi GPU juga terbukti meningkatkan runtime eksekusi program karena komputasi utama video processing tidak lagi dijalankan menggunakan CPU. Hasil uji eksekusi komputasi digunakan untuk membuat visualisasi data penghitung jumlah kendaraan. Visualisasi ini dilakukan agar data yang penghitungan dapat diproses lebih lanjut untuk sistem pengatur lampu lalu lintas. Pada akhir penelitian dilakukan profiling performa GPU menggunakan Nvprof dan NVIDIA Visual Profiler sebagai tools yang disediakan oleh CUDA. Hasil profiling menunjukkan analisis yang menyatakan bahwa tingkat penggunaan GPU untuk komputasi masih belum secara maksimal dilakukan. Hal ini terbukti dari rendahnya angka compute utilization, average throughput dan kernel concurency dari eksekusi program. Sehingga diperlukan adanya optimisasi program penghitungan kendaraan agar utilisasi GPU lebih optimal.

---

Traffic light intelligence system is an adaptive system which able to control traffic flow on road intersection based on traffic condition. Traffic density information can be obtained from vehicle counting computation using deep learning methodology on CCTV record video data of a road intersection. This study performed parallelization of the vehicle counting computation using the Multiprocessing module in python to get the number of vehicles approaching the intersection. GPU Utilization is performed to obtain vehicle counting data in real time from a heavy computation like video-processing. GPU utilization is carried out using CUDA as a platform that can connect programs with GPUs at low-level architecture. GPU utilization management at high-level is done using TensorFlow which has been integrated with CUDA. Some experiments are performed to get the best runtime from program execution. Parallel computation produces runtime execution 0.6 times faster compared to sequential computation. On more GPU compute utilization optimization, parallel computation can produce runtime 2 times more compared to normal computation. GPU utilization has also been proven to increase the program execution runtime because the main computational video processing is no longer run on the CPU. The experiment result on vehicle detection used to create data visualization about vehicle counting on a road intersection. Data visualization is done so that the vehicle data can be further processed for the traffic light control system. At the end of the study GPU performance profiling was done using Nvprof and NVIDIA Visual Profiler as tools provided by CUDA. Profiling results show that analysis states that the level of GPU usage for computing is still not maximally done. This analysis is shown from the low number of compute utilization, average throughput and kernel concurrency of program execution. GPU utilization need to be optimized in order the program can run optimally on GPU."