Kecerdasan Buatan
Judul:
Determining Shortest Path for Disaster Emergency Route with Augmented Reality Environment Using A-Star and Dijkstra Algorithms
Pengarang:
Zaenal Alamsyah
Pengawas:
1. Prof. Media Anugrah Ayu
2. Prof. Teddy Mantoro
Abstrak:
Bencana alam merupakan suatu kondisi suatu peristiwa atau kegiatan di alam yang menimbulkan beberapa dampak negatif seperti kerugian, kerusakan, penderitaan serta gangguan psikologis pada individu. Bencana alam tersebut bisa terjadi karena alam itu sendiri maupun karena ulah manusia. Terhitung sejak 1 Januari – 31 Desember 2020, korban bencana alam di Indonesia mencapai 6.450.903 jiwa dan total bencana sebanyak 2.952 kasus. Karena seringnya terjadi bencana alam di Indonesia, maka diperlukan penanggulangan bencana. Salah satu permasalahan dalam penanggulangan bencana adalah pencarian jalur darurat bencana terdekat, penelitian yang fokus pada navigasi pencarian rute masih sangat jarang. Augmented Reality merupakan teknologi yang dikembangkan untuk membantu memvisualisasikan suatu objek dalam bentuk gambar atau objek 3D yang membantu memberikan informasi nyata. Penelitian ini berfokus pada navigasi pencarian rute pada Augmented Reality dengan menggunakan bintang A, Dijkstra sebagai perbandingan. Tujuan dari penelitian ini adalah untuk melakukan navigasi pencarian jalur darurat bencana secara augmented reality sehingga memberikan visualisasi langsung untuk menandai jalur tersebut. Untuk itu digunakan beberapa algoritma untuk dibandingkan sehingga navigasi pencarian jalur pada augmented reality dapat dilakukan dan menghasilkan yang terbaik.
Keywords – Shortest Path, Augmented Reality, A-Star, Dijkstra
DEMO: Klik Di Sini
Judul:
Navigation on a 3D Mountain Map Using A-Star Algorithm for Searching Missing Persons
Pengarang:
Muhamad Ikhsan Thohir
Pengawas:
1. Prof. Media Anugrah Ayu
2. Prof. Teddy Mantoro
Abstrak:
Indonesia merupakan negara yang memiliki banyak hutan terutama pegunungan, banyaknya kasus orang hilang saat pendakian disebabkan oleh kurangnya pengalaman dan kompetensi pada saat darurat dan manajemen risiko pendaki. Menemukan orang hilang di daerah terpencil, terutama pegunungan, seringkali menjadi tantangan bagi tim penyelamat karena kurangnya panduan medan di daerah tersebut. Medan yang berbahaya bagi penyelamat saat menjelajahi area tersebut membuat waktu penyelamatan menjadi lebih lama. Untuk dapat mengatasi masalah tersebut peta 3D dapat digunakan untuk memvisualisasikan informasi yang tepat untuk membantu relawan dalam mencari orang hilang di pegunungan. Sistem Informasi Geografis (GIS) dan algoritma A-Star digabungkan untuk mencari jalur terdekat ke lokasi orang hilang. Hasilnya menunjukkan bahwa A-star dapat dikombinasikan dengan GIS dan divisualisasikan dengan baik menggunakan peta 3D.
Keywords— A-Star, GIS, 3D Map, Missing Person.
Judul:
Crime Rate Detection Based on Text Mining on Social Media Using Multi-model Algorithm
Pengarang:
M. Anton Permana
Pengawas:
Prof. Ir.Teddy Mantoro.,MSc.,PhD.,SMIEEE & Prof.Ir. Media Ayu.,MSc,PhD,SMIEEE
Abstrak:
Media sosial saat ini sangat populer di Indonesia dan dunia. Untungnya, platform ini dapat mengungkapkan pendapat dan emosi mereka bahkan pihak lain terutama peneliti sebagian besar menggunakan kesempatan ini untuk menemukan solusi apa pun untuk kasus apa pun yang mungkin terjadi pada persaingan bisnis, pengambil keputusan, dan kemungkinan analisis serta sistem pendukung prediktif. Dalam hal ini analisis kami adalah konten di Twitter dan Facebook yang penggunanya sering memposting informasi tentang kejahatan yang memerlukan perhatian polisi. Oleh karena itu tujuan kami adalah mendeteksi tingkat kejahatan di media sosial untuk mengetahui pola tren kejahatan jumlah tweet. Penelitian ini menggunakan pendekatan text mining untuk mengklasifikasikan teks konten tweet dan postingan ke dalam 10 golongan kejahatan. Algoritma yang digunakan untuk pengklasifikasian adalah Logistic Reggression, Naïve Buyes, Support Vector Machine (SVM) dan Decission Tree. dari seluruh algoritma yang digunakan, Regresi logistik memberikan akurasi terbaik sebesar 90%.
Keywords: Crime Rate Detection, Text Mining, Classification, Social Media
Judul:
Face Mask Detection in The Covid 19 Pandemi Era by Implementing Convolutional Neural Network and Pretrained CNN Model
Pengarang:
Ivana Lucia Kharisma
Pengawas:
Rahmadya Trias Handayanto ST, MKom, PhD
Deshinta Arrova Dewi S.Kom , M.Si, PhD
Abstrak:
Virus Corona atau Covid-19 telah menyebar luas ke seluruh dunia sejak awal tahun 2020. Virus yang berasal dari wilayah Wuhan, China ini telah dinyatakan sebagai pandemi di seluruh dunia. Dipercaya menular karena interaksi antar manusia, saat ini virus ini telah menginfeksi lebih dari 200 negara di dunia, dengan jumlah yang terinfeksi melebihi 20 juta orang. Dengan masifnya perkembangan virus ini, berbagai metode di bidang medis, mulai dari pencegahan, deteksi penyakit, dan pengobatan dikembangkan untuk menekan laju peningkatan positif Covid-19. WHO memberikan pedoman dasar dalam melarang penyebaran virus yang dapat dilakukan oleh masyarakat. Salah satunya adalah penggunaan masker saat beraktivitas di luar rumah. Tujuan dari penelitian ini adalah untuk mengembangkan model deteksi masker wajah berdasarkan model klasifikasi masker wajah terkini. Metodologi penelitian terdiri dari tiga tahap besar, yaitu analisis Permasalahan deteksi masker wajah menggunakan jaringan saraf konvolusional, penerapan model jaringan saraf konvolusional terlatih untuk mengembangkan deteksi masker wajah, dan melakukan analisis performa dari model tersebut. dikembangkan. Pada proses pelatihan, akurasi CNN, VGG16, dan VGG19 masing-masing sebesar 97,9%, 99,87%, dan 100%. Pada evaluasi model menggunakan laporan klasifikasi, model CNN memberikan nilai terbaik dalam menghitung akurasi, presisi, recall dan skor F1 untuk semua kelas, mask dan angka dibandingkan model yang menggunakan model CNN yang telah dilatih sebelumnya.
Keywords—Covid19, Face Mask, Convolutional Neural Network
Demo: Klik Di Sini
Judul:
Fabric Defect Detection with Deep Learning Algorithm for Textile Quality Control
Pengarang:
Kamdan
Pengawas:
Dr. Dini Oktarina Dwi Handayani
Dr. Rahmadya Trias Handayanto
Abstrak:
Pengendalian kualitas merupakan aspek utama dalam manufaktur, khususnya industri kain. Dalam industri tekstil, diperlukan alat yang baik untuk membantu meningkatkan produktivitas dan keuntungan. Untuk itu diperlukan suatu metode pemantauan dan deteksi cacat kain yang baik. Metode yang diusulkan dirancang menggunakan algoritma VGG19, CNN dan VGG16. Penelitian ini bertujuan untuk membuat model deteksi cacat pada produksi pembuatan kain. Setelah dilakukan penelitian dengan pendekatan kuantitatif dan pelatihan dengan metode usulan, ternyata akurasi pendeteksian cacat kain mengalami peningkatan. Pada proses pelatihan, akurasi menggunakan VGG19, CNN dan VGG16 menggunakan 10 epoch masing-masing sebesar 0.9712, 0.5150 dan 0.6237. Dengan menggunakan 100 epoch, akurasi menggunakan VGG19, CNN dan VGG16 adalah 1.000, 0.9825 dan 0.7337. Dengan menggunakan learning rate 0.001, akurasi yang diberikan dari VGG19, CNN dan VGG16 adalah 0.7987, 0.5138 dan 0.5150. Dengan menggunakan ukuran kernel 2×2, akurasi yang diberikan dari model VGG19, CNN dan VGG16 adalah 0.9650, 0.4925 dan 0.6212. Untuk seluruh proses pelatihan dengan mengubah beberapa parameter sebagai perbandingan, VGG19 memberikan akurasi yang lebih baik dibandingkan pemodelan menggunakan CNN dan VGG16.
Keywords: Deep Learning, CNN, VGG16, Textile
Judul:
Deep Learning Approaches to Identify Sukabumi Potentials Through Images on Instagram
Pengarang:
Dede Sukmawan
Pengawas:
Dr. Dini Oktarina Dwi Handayani
Dr. Deshinta Arrova Dewi
Abstrak:
Kabupaten Sukabumi merupakan salah satu kabupaten terluas di Pulau Jawa. Dengan luasnya wilayah dan jumlah penduduk yang cukup padat, menimbulkan permasalahan tersendiri, seperti dalam pengelolaan potensi tempat dan masyarakat. Tujuan dari penelitian ini adalah untuk menggali potensi Kabupaten Sukabumi melalui media sosial Instagram dengan #sukabumiupdate. Pengumpulan data dilakukan dengan mengambil gambar dari media sosial Instagram, data yang diambil sebanyak 6.970 gambar. Setiap data yang telah dikumpulkan dibagi menjadi 4 (empat) kategori kelas berdasarkan jenis gambarnya, yaitu kelas Pariwisata, kelas budaya, kelas kuliner, dan kerajinan tangan. Kemudian data tersebut diklasifikasikan menggunakan pendekatan deep learning dengan tiga metode yaitu CNN, VGG16, dan VGG19. Ketiga model ini sangat baik dalam pemrosesan gambar. Dari hasil pengolahan data melalui pendekatan CNN nilai akurasinya mencapai 91%, kemudian pendekatan VGG16 memiliki nilai akurasi sebesar 99%, dan terakhir melalui pendekatan VGG19 akurasinya mencapai 95%. Jadi dapat dipastikan bahwa dari ketiga model pendekatan deep learning nilai akurasi terbaik adalah VGG16.
Keywords:
Deep Learning, CNN, VGG19, Social Media, Instagram
Judul:
Determining Indoor User Location Based on Signal Strength of IEEE 802.11 Using Machine Learning Techniques
Pengarang:
Gina Purnama Insany
Pengawas:
Prof. Ir. Media Anugerah Ayu, M.Sc., PhD., SMIEEE
Prof. Ir. Teddy Mantoro, M.Sc., PhD., SMIEEE
Abstark:
GPS memberikan manfaat yang sangat besar pada sistem navigasi, sayangnya teknologi GPS ini memiliki akurasi yang rendah ketika pengguna berada di dalam ruangan karena terbatasnya sinyal yang tidak dapat dijangkau. Untuk itu diperlukan sistem yang lebih akurat, salah satunya adalah Indoor Positioning System (IPS). Konsep lokalisasi dalam ruangan banyak menggunakan teknologi Wireless Local Area Network (WLAN)/IEEE 802.11 karena WLAN hampir tersedia dimana saja dan dapat dengan mudah diintegrasikan dengan smartphone. WLAN telah banyak digunakan untuk memfasilitasi komunikasi melalui jaringan Wi-Fi. Dengan mengumpulkan data kekuatan sinyal (Receive Signal Strength/RSS) dari beberapa Access Point (AP) yang berbeda, maka posisi seseorang di dalam gedung dapat dihitung dan ditentukan. Pengukuran RSS dilakukan menggunakan Wi-Fi Netgear dan pemrosesan data dilakukan menggunakan Google Colab. Data pelatihan dan data pengujian diproses menggunakan teknik pembelajaran mesin seperti algoritma k-Nearest Neighbor (k-NN), Naïve Bayes, Decision Tree, dan SVM. Hasil implementasi dengan metode WLANs diharapkan memperoleh nilai akurasi lokasi untuk lokasi pengguna dalam ruangan. K-NN_3 dan k-NN_5 memiliki akurasi optimal (91%) dan tingkat kesalahan terkecil (0,1875) di antara algoritma lainnya.
Keywords: IPS, WLAN/IEEE 802.11, Machine Learning Techniques, Accuracy Values.
Demo: Klik Di Sini
Keamanan Cyber
Judul:
Malware Detection and Classification Mo del Using Machine Learning Random Forest Approach
Pengarang:
Carti Irawan
Pengawas:
Prof. Ir. Teddy Mantoro, M.Sc., PhD., SMIEEE
Prof. Ir. Media Anugerah Ayu, M.Sc., PhD., SMIEEE
Abstrak:
Program malware menyerang sistem komputer, perangkat seluler pintar, dan beberapa aplikasi. Malware merupakan program yang perlu diwaspadai karena dapat menjadi ancaman bagi pengguna komputer dan jaringan internet. Malware diciptakan untuk mencuri informasi pribadi tentang pengguna komputer atau mengontrol perangkat pengguna melalui jaringan. Komputer mudah disusupi berbagai program malware yang dapat mengganggu bahkan merusak file pengguna. Untuk mengatasi masalah tersebut, penelitian ini membahas pendeteksian malware berdasarkan lalu lintas jaringan dan mengklasifikasikan jenis malware berdasarkan kelompoknya di Personal Computer sehingga dapat membantu mendeteksi jenis malware tersebut dan mengklasifikasikannya menggunakan metode Machine Learning dengan Algoritma Random Forest Approach dibandingkan dengan Pohon Keputusan dan Pohon Peningkatan Gradien untuk Akurasi. Random Forest memiliki tingkat akurasi tertinggi. Data yang digunakan dalam penelitian ini diambil dari Kaggle Data Collection pada Malware Lalu Lintas Jaringan Android.
Keywords: Malware, Machine Learning, Random Forest, Malware Analysis, Smart Mobile Device