Hasil Pencarian  ::  Simpan CSV :: Kembali

"Perancangan sistem ini dibangun dengan bentuk aplikasi menggunakan kamera yang terdapat pada smartphone untuk mendapatkan citra digital lalu diolah dengan pustaka OpenCV. Pengolahan dilakukan dengan metode Haar Cascade Classifiers untuk mendapat daerah mata, lalu dengan menggunakan kontour, blur, tresholding, keadaan mata dilacak untuk mendeteksi tanda kantuk yang berupa mata tertutup. Aplikasi diuji kecepatan pengolahan dengan pengimplementasian pengembangan optimasi region of interest, nilai ambang HSV, pengaruh kondisi cahaya, dan karakteristik mata. Hasil yang didapatkan menunjukan bahwa dengan memberikan optimasi algoritma kepada sistem yang sudah ada dapat meningkatkan kecepatan pengolahan. Nilai ambang HSV optimal yang didapatkan bermulai dengan V=10 atau 20 dengan selisih tinggi 15 atau 20. Aplikasi memiliki tingkat kegagalan 11.11% pada kondisi pencahayaan dan gagal saat malam. Dari pengujian pengaruh kacamata, didapatkan tidak bahwa kacamata tidak berpengaruh besar dengan tingkat keberhasilan 94.44% untuk pengguna kacamata.

---

The development of this system is built as an application that uses the camera built in smartphones to get digital images which will be processed using the OpenCV library. In the process, Haar Cascade Classifier is used to find the region of interest of the eye, which will then be tracked using contour, thresholding, and blur to detect signs of drowsiness which are closed eyes. The application is tested based on the optimization made on the algorithm, the value for HSV thresholding, the effect of light on different times, and on the characteristic of the eye.

The results show that the optimization made has caused significant speed up on the processing in comparison to existing algorithm. The HSV threshold found to be the most effective is V=10 or 20 with a difference of 15 or 20 to the upper limit.  The effect of light causes 11.11% chance of failure especially when its night without lights. The characteristic of the eye, whether there are glasses or not, does not make a big difference and still has a 94.44% chance of success."

"Sebuah survei yang dilakukan oleh National Highway Traffic Safety Administration NHTSA memperkirakan 5.895.000 kasus kecelakaan yang terkait dengan permasalahan kantuk maupun tidur saat berkendara di jalan jalan U.S.A pada tahun 2005-2009. Dari jumlah tersebut, 83.000 kasus setiap tahunnya merupakan kecelakaan fatal, bahkan pada tahun 2014, 846 orang meningga pada kecelakaan berkendara yang berkaitan dengan kantuk. Sistem pendeteksi kantuk dikembangkan untuk mengatasi hal ini. Sistem pendeteksi kantuk dibangun menggunakan pustaka OpenCV, dengan kombinasi dari beberapa algoritma, yaitu Haar Cascade Classifier, fungsi Blur, fungsi Canny dan fungsi Kontur. Algoritma Haar Cascade Classifier digunakan untuk mendeteksi area wajah dan area mata pada pengemudi. Sedangkan kombinasi antara fungsi color thresholding dan fungsi kontur digunakan untuk mendeteksi objek mata dan menganalisis sedang terbuka atau tertutupnya mata. Kinerja sistem deteksi kantuk diuji melalui empat variabel, yaitu mesin pengolah yang berbeda, nilai ambang batas, kondisi pencahayaan dan karakteristik mata yang berbeda. Berdasarkan hasil pengujian, nilai ambang batas Vlo dan VHi terbaik adalah Vlo = 10 atau 20 dengan perbedaan VHI 10-20. Selain itu, ditemukan bahwa setiap kecepatan setiap proses bergantung pada pengolahan mesh dimana semakin baik pengolahannya. Mesin semakin cepat waktu prosesnya. Perbedaan dalam kondisi pencahayaan pagi, siang, siang dan malam berpengaruh terhadap kinerja sistem deteksi kantuk dengan tingkat kesalahan 20 , yaitu saat kondisi malam hari. Karakteristik mata berkacamata dan tanpa kacamata berpengaruh pada kinerja sistem deteksi kantuk dengan deteksi 100 tingkat keberhasilan, yaitu bila kondisi mata tertutup pada orang dengan kacamata.

---

survey conducted by the National Highway Traffic Safety Administration NHTSA estimates 5,895,000 cases of accidents related to sleepiness and sleep problems while driving on the U.S.A roadway in 2005 2009. Of these, 83,000 cases each year are fatal accidents, even by 2014, 846 people die in a dormant driving accident. The drowsiness detection system was developed to overcome this. The sleepiness detection system is built using the OpenCV library, with a combination of several algorithms, the Haar Cascade Classifier, the Blur function, the Canny function and the Contour function. Haar Cascade Classifier algorithm is used to detect the facial area and eye area of the driver. While the combination of color thresholding function and contour function is used to detect the eye object and analyze the open or closed eyes.

The performance of the drowsiness detection system is tested through four variables, ie different processing machines, threshold values, lighting conditions and different eye characteristics. Based on the test results, the best Vlo and VHi threshold values are Vlo 10 or 20 with a VHI difference of 10 20. In addition, it was found that every speed of each process depends on mesh processing where the better the processing. The faster the machine the process time. Differences in lighting conditions morning, noon, day and night affect the performance of the drowsiness detection system with a 20 error rate, ie during nighttime conditions. Eye characteristics bespectacled and without glasses affect the performance of the drowsiness detection system with a 100 detection rate of success, ie when eye conditions are closed in people with glasses."

"Teknologi deep learning dapat menyelesaikan banyak masalah yang sulit dipecahkan oleh rumus matematis biasa. Salah satu masalah yang bisa diatasi adalah bahaya akibat rasa kantuk yang dialami pengemudi saat berkendara. Pada penelitian ini dibuat aplikasi android sistem deteksi kantuk yang memanfaatkan kamera smartphone. Kamera digunakan untuk mendapatkan informasi fitur citra wajah yaitu aspek rasio mata kanan, aspek rasio mata kiri, aspek rasio mulut, percentage of eye closure (PERCLOS), tingkat kejadian microsleep, dan tingkat kejadian menguap. Fitur-fitur tersebut didapat dari proses transformasi titik-titik landmark wajah. Pada penelitian ini, ditemukan bahwa metode terbaik untuk mendapatkan titik landmark wajah adalah dengan pelacakan Lucas-Kanade optical flow dengan 5 jumlah frame yang dilacak. Fitur-fitur yang dikumpulkan dapat digunakan untuk mendeteksi tingkat kantuk dengan memanfaatkan model deep learning yang telah dilatih dengan data yang dikumpulkan dari 10 orang. Pada penelitian ini, ada 2 jenis model deep learning yang dilatih untuk mendeteksi tingkat kantuk yaitu model deep neural network (DNN) dan long short-term memory (LSTM). DNN memiliki keseluruhan performa yang lebih baik dibandingkan LSTM. DNN memiliki accuracy sebesar 0.902538 dan f1 sebesar 0.899563. Sedangkan LSTM memiliki dari accuracy sebesar 0.891857 dan f1 sebesar 0.892689. Aplikasi android sistem deteksi kantuk yang dibuat menggunakan model deep learning DNN dan memiliki performa yang bagus dengan accuracy sebesar 0.844 dan f1 sebesar 0.865052. Aplikasi Android memiliki mekanisme pemberitahuan berupa suara yang dimainkan ketika pengemudi mengantuk. Selain itu, pada aplikasi Android juga terdapat 2 fungsi tambahan yaitu deteksi tidur dan deteksi gangguan konsentrasi pengemudi. Kedua fungsi tersebut akan mengeluarkan suara ketika terdeteksi untuk memberitahukan kepada pengguna. Dengan adanya aplikasi sistem deteksi kantuk yang dibuat pada penelitian ini, diharapkan dapat mendeteksi tingkat kantuk pengemudi sehingga mengurangi risiko kecelakaan akibat mengantuk.

---

Deep learning technology can solve many problems that are difficult to solve by ordinary mathematical formulas. One of the problems that can be overcome is the danger due to drowsiness experienced by the driver while driving. In this study, a drowsiness detection system on Android application that uses a smartphone camera is made. The camera is used to obtain facial image feature informations which is right eye aspect ratio, left eye aspect ratio, mouth aspect ratio, percentage of eye closure (PERCLOS), microsleep rate, and yawning rate. These features are obtained by transforming and processing facial landmark points. In this study, it was found that the best method for obtaining facial landmarks points is from Lucas-Kanade optical flow tracking with 5 frames tracked. The features collected can be used to detect drowsiness by utilzing a deep learning model that has been trained with data collected from 10 volunteers. In this study, there are 2 types of deep learning models that are trained to detect drowsiness that are deep neural network (DNN) and long short-term memory (LSTM). DNN has better overall performance than LSTM. DNN has an accuracy of 0.902538 and f1 of 0.899563. Whereas LSTM has an accuracy of 0.891857 and f1 of 0.892689. The drowsiness detection system Android application is created using the DNN model and has a good performance with an accuracy of 0.844 and f1 of 0.865052. The Android application has a notification mechanism in the form of sound that played when the driver is detected to be drowsy. In addition, the Android application also has an additional function that are sleeping detection and driver distraction detection. Both functions will make a sound when detected to notify the user. With the application of drowsiness detection system made in this study, it is expected to detect the level of drowsiness of the driver thereby reducing the risk of accidents due to drowsiness.

"

"ABSTRAK

Pada tahun 2013, Badan Pusat Statistik mencatat bahwa telah terjadi 100.106 kasus kecelakaan lalu lintas di Indonesia. Sebagian besar kecelakaan disebabkan oleh faktor manusia, yaitu mengantuk. Sistem pendeteksi kantuk dikembangkan untuk mengatasi hal ini. Sistem pendeteksi kantuk dibangun menggunakan pustaka OpenCV, dengan kombinasi dari beberapa algoritma, yaitu Haar Cascade Classifier, fungsi blur, Canny dan kontur. Algoritma Haar Cascade Classifier digunakan untuk mendeteksi area wajah dan area mata pada pengemudi. Sedangkan kombinasi antara fungsi blur, canny dan kontur digunakan untuk mendeteksi objek mata dan menganalisis sedang terbuka atau tertutupnya mata. Performa sistem pendeteksi kantuk diuji melalui empat variabel, yaitu kernel size, nilai threshold, perbedaan kondisi pencahayaan dan karakteristik mata. Berdasarkan hasil pengujian, kernel size terbaik untuk mendeteksi mata adalah (4,4). Selain itu, nilai threshold terbaik untuk lower threshold dan upper threshold adalah 70-110 dan 210-240. Perbedaan kondisi pencahayaan (pagi, siang, sore dan malam) memiliki pengaruh terhadap sistem dengan tingkat kesalahan sebesar 20%. Karakteristik mata (berkacamata dan tidak berkacamata) memiliki pengaruh terhadap sistem dengan tingkat kesalahan sebesar 16,7%.

---

ABSTRACT

In 2013, Badan Pusat Statistik (Statistics Indonesia) recorded that 100.106 cases of traffic accident have occured in Indonesia. Mostly caused by human error, i.e. drowsiness. Drowsiness detection system is developed to respond this situation. Drowsiness detection system is built through OpenCV library by combining the Haar Cascade Classifier algorithm with blur, canny and contour function. Haar Cascade Classifier was used to detect areas of face and eyes whereas the combination of blur, canny and contour function is used to detect the driver’s eyes and analyze the open or closed driver’s eyes. The performance of drowsiness detection system was tested through four variables; kernel size, threshold value, lighting condition (morning, noon, afternoon and night) and eye’s characteristic (eyeglasses or not). Based on the experiments, the best kernel size to detect the driver’s eyes is 4,4. Then, the best lower threshold and upper threshold are 70-110 and 210-240. Subsequently the light conditions has a 20 % error rate to the system. The eye’s characteristic has a 16,7 % error rate to the system.

"

"

Kemacetan merupakan salah satu masalah yang belum bisa terselesaikan di kota-kota besar di Indonesia. Salah satu cara untuk mengatasi masalah ini, yaitu dengan memanfaatkan teknologi yang dapat memantau lalu lintas secara otomatis, agar dapat dimonitor dan dianalisis untuk pengembangan fasilitas serta kebijakan guna menyelesaikan masalah ini. Teknologi yang dapat diterapkan untuk masalah ini, yaitu teknologi image processing yang dikolaborasikan dengan machine learning dan dengan bantuan library OpenCV. Pendeteksian objek menggunakan MobileNet-SSD dan Caffe model, objek yang dideteksi merupakan kendaraan yang melintas di jalan, pengambilan input menggunakan kamera CCTV yang diakses oleh publik. Kecepatan, performa, akurasi, dan kepadatan jalanan merupakan variabel yang dianalisis pada penulisan ini. Hasil dari pendeteksian memiliki akurasi yang tidak cukup baik sekitar 43% untuk keseluruhan, dan 68% untuk pendeteksian mobil. Terdapat penambahan fitur pada penelitian ini, yaitu pendeteksian motor yang memiliki akurasi 51%

---

Traffic jam is one of many problems that cannot be solved in various cities in Indonesia. One way to overcome this problem is to use technology that can monitor traffic automatically, so that traffic conditions can be monitored, and analyzed for the development of facilities and policies to solve this problem. One of the technologies that can be applied to this problem is image processing technology in collaboration with machine learning, and OpenCV. This research use Mobilenet-SSD and Caffe models for objects detection, objects detected are vehicles that cross the road, input is taken from CCTV cameras that can accessed by public. Speed, performance, accuracy, and road density are the variables analyzed in this paper. The results of the detection have an accuracy that is not good enough only about 43% for the whole detection, and 68% for the detection of the car, and 51% for the detection of the motorcycle

"

"Penelitian ini menguraikan upaya pengembangan sistem Real-Time Safety Driving Assistance dengan menggunakan smartphone Android. Sistem ini ditujukan untuk kendaraan beroda empat untuk dapat memberikan feedback berdasarkan perilaku pengendara secara real time. Feedback yang akan dikeluarkan bertujuan untuk mengingatkan pengemudi jika melakukan pelanggaran, memperbaiki perilaku berkendara yang buruk, dan memberikan pelajaran untuk pengemudi yang belum mahir mengemudi. Sebagai salah satu pengaplikasian dari Telematics 3.0, aplikasi ini dapat digunakan sebagai bagian dari ADAS (Advanced Driving Assistance System) kategori keamanan mengemudi. Sistem Real-Time Safety Driving Assistance yang dikembangkan menggunakan kumpulan algoritma pemrosesan data yang didapat dari sensor-sensor yang dimiliki smartphone dan disinkronisasi dengan data sensor kendaraan yang didapatkan dari OBD-II Bluetooth Dongle. Pada tulisan ini akan dibahas mengenai requirement dari aplikasi yang dibutuhkan, rancangan aplikasi yang dapat memenuhi requirement, implementasi dari rancangan sistem, dan analisis semua sensor dan algoritma pemrosesannya. Dari hasil penelitian ini, data rate OBDSIM (Simulator OBD-II) secara signifikan lebih cepat daripada data rate OBD-II dengan dongle murah di pasaran berdasarkan waktu koneksi awal hingga proses komunikasi data setelahnya dengan perbedaan hingga 30 kali lipat lebih lama untuk uji penerimaan data OBD kendaraan. Dengan rata-rata sampling rate data OBD dan pemrosesannya hingga berbentuk nilai desimal bernilai 5.19Hz, terdapat beberapa masalah pada algoritma yang sangat time-sensitive karena pemrosesan algoritma disinkronisasikan dengan masukan data OBD. Walau begitu, reliabilitas dari segi komunikasi Bluetooth maupun aplikasi sangat tinggi dengan tingkat error dibawah 10 persen selama penggunaan. Reverse geocoding, shaky movement analysis, dan sharp turn analysis adalah algoritma yang dinilai masih kurang akurat, namun secara umum akurasi feedback yang diberikan kepada pengguna akurat dan real-time processing dilakukan dengan cepat sehingga aplikasi dapat memastikan fungsinya sebagai pemberi feedback secara real-time selama mengemudi dapat berjalan dengan baik.

---

This research outline an effort to develop a Real-Time Safety Driving Assistance system using android smartphone. This system is developed to be used on 4-wheeled vehicle to give real-time feedback based on driver’s activity. The feedback output aim to warn driver if they did a mistake, help fix driver’s bad driving behavior, and teach driver whom not experienced yet. As one of the application of Telematics 3.0, this application can be used as parts of ADAS (Advanced Driving Assistance System) in safety driving category. The developed Real-Time Safety Driving Assistance system consists of various data processing algorithms which get the input from smartphone’s sensor and vehicle’s sensor sent by OBD-II Bluetooth Dongle. This paper will describe the application’s system requirement, design, implementation, and analysis of its sensors and processing algorithms.

From the research, it is known that data rate of OBDSIM (OBD-II Simulator) significantly faster than vehicle’s OBD-II with Bluetooth dongle in the market based on initial startup connection and the data communication process after with the difference up to 30 times longer time needed by vehicle’s test. With average sampling rate from OBD to usable values in application has value of 5.19Hz, there are some problem with time-sensitive algorithms because all of the algorithms processing rate synchronized with received OBD Data’s timings. However, the reliability of Bluetooth communication and the application itself is high with error rate below 10 percent during the tests. Reverse geocoding, shaky movement analysis, and sharp turn analysis are the algorithm which proven not accurate enough for the expected resulr, but in general the feedback given to driver is accurate and the real-time processing done in very fast manner so the application can provide its main function as real-time feedback system while driving."

"Mengemudi dalam keadaan mengantuk merupakan salah satu bentuk kelalaian dalam berkendara yang dapat membahayakan. Oleh karena itu, penelitian ini ditujukan untuk merancang dan membangun sebuah sistem pendeteksi kantuk yang mampu memperingatkan pengemudi apabila sudah berada pada kondisi yang memerlukan istirahat. Sistem yang dikembangkan berupa sebuah aplikasi Android yang memanfaatkan tiga jenis sensor yaitu kamera depan sebagai sumber data citra wajah dengan resolusi 480p, perangkat EEG portabel sebagai sumber data gelombang otak dan MiBand sebagai sumber data detak jantung. Data dari ketiga sensor ini selanjutnya akan digunakan sebagai input bagi sebuah model neural network untuk melakukan deteksi kantuk. Dari penelitian ini didapatkan hasil bahwa arsitektur 1D CNN lebih cocok digunakan sebagai model dalam sistem pendeteksi kantuk dibandingkan dengan LSTM. Interval waktu 4 menit digunakan pada sistem pendeteksi kantuk yang dikembangkan karena dinilai paling optimal untuk digunakan. Dengan menggunakan data dari sepuluh partisipan, model mampu mendapatkan validation accuracy sebesar 96.30%. Sedangkan dari 12 kali percobaan pengujian sistem pendeteksi kantuk yang dikembangkan, sistem mampu melakukan klasifikasi kantuk dengan tingkat akurasi sebesar 83.3%

 

---

Driving in a drowsy condition is one form of carelessness in driving that can be dangerous. Therefore, this research is intended to design and build a drowsy detection system that can warn the driver when they are in a condition that requires to rest. The system was developed in the form of an Android application that utilizes three types of sensors, which are the front camera as a source of face image with 480p resolution, portable EEG devices as a source of brainwaves data and MiBand as the source of heart rate data. Collected data from these three sensors will then be used as input for a neural network model to detect drowsiness. From this study it was found that the 1D CNN architecture is the most suitable to be used as a model in drowsiness detection systems compared to LSTM. A 4-minute time interval is used in the drowsy detection system that was developed because it was considered as the most optimal. By using data from ten participants, the model was able to get a validation accuracy of 96.30%. While from 12 trials of drowsiness detection system testing that was developed, the system can do drowsiness classification with an accuracy rate of 83.3%

 

"

"Cyberbullying merupakan hal yang marak terjadi di dunia global, bahkan di Indone- sia. Menurut survei yang dilaksanakan oleh UNICEF terhadap 2.777 anak muda di Indonesia pada tahun 2019, 45 persen dari partisipan tersebut pernah mengalami cy- berbullying. Dari data tersebut, penulis ingin mencoba mengurangi jumlah tersebut dengan membuat suatu aplikasi untuk mendeteksi apakah sebuah kalimat yang ditulis mengandung unsur cyberbullying atau tidak sehingga pengguna aplikasi terse- but dapat menjaga ucapannya dalam mengirim pesan secara online. Aplikasi tersebut dibuat berbasis android sehingga mudah untuk diakses masyarakat Indonesia. Aplikasi tersebut juga dibuat berdasarkan bahasa pemrograman Kotlin, karena ba- hasa pemrograman tersebut merupakan bahasa yang modern, ringkas, mudah untuk dioperasikan, serta merupakan bahasa pemrograman yang lebih aman untuk digu- nakan dalam mendesain suatu aplikasi android dibandingkan dengan bahasa pem- rograman yang lainnya.

---

Cyberbullying is something that is happening massively in global, especially in In- donesia. According to a survey by UNICEF that is conducted to 2,777 young people in Indonesia in 2019, 45 percent of the participants had experienced cyberbullying. From this data, the author wants to try to reduce this number by creating an application to detect whether a sentence written contains elements of cyberbullying or not so that application users can protect their speech when they are sending messages online. The application is based on Android so that it is easy for Indonesian people to access. The application is also made based on Kotlin programming language, be- cause this programming language is a modern, concise, easy-to-operate language, and is a safer programming language to use in designing an Android application compared to other programming languange."

"Pada karya ilmiah ini dilakukan pengembangan aplikasi layanan psikologi berbasis Android dengan metode pengembangan Open Unified Process (OpenUP). Pengembangan dilakukan menggunakan OpenUP untuk membuktikan sifat agile dan ringan dari metode tersebut. Selain itu, metode pengembangan juga harus mendukung terciptanya kualitas produk yang baik. Kerangka kerja OpenUP diterapkan pada versi 1.5.0.4 yang meliputi peran, tugas, artefak, dan komponen lainnya selama pengembangan aplikasi berlangsung. Dari hasil evaluasi, metode pengembangan OpenUP dinilai cukup efektif berdasarkan jumlah peran yang diemban, use case yang diimplementasikan, dan artefak yang dihasilkan. Selain itu, kualitas aplikasi yang dihasilkan juga cukup baik berdasarkan kompatibilitas, performa, dan survei dari responden. Dengan hasil evaluasi tersebut, diharapkan OpenUP dapat menjadi salah satu metode pengembangan yang banyak digunakan dan aplikasi yang dihasilkan dapat memberikan manfaat serta dapat dikembangkan lebih lanjut.

---

Development of Android-based psychology service application using Open Unified Process implemented in this scientific work. The purpose of the development using OpenUP is to prove the agile dan lightweight characteristic of the method. Furthermore, development method should bolster the quality of the result product. OpenUP version 1.5.0.4 framework implemented including role, task, artifact, and other components during the application development. From the evaluation, OpenUP method provides a quite effective result based on role acquired, use case implemented, and artifact produced. It also produces well-quality application based on compatibility, performance, and survey response. With that result, OpenUP is expected to be a widely used development method and the application produced could bring benefits while also to be further developed."

"Pengembangan aplikasi yang tidak dilengkapi dengan informasi detail mengenai aspek keamanan aplikasi menyebabkan pengguna mengalami kesulitan untuk menilai dan memahami risiko keamanan privasi yang mereka hadapi, sehingga banyak informasi sensitif yang terungkap tanpa sepengetahuan pengguna. Penelitian ini mengembangkan desain penilaian risiko privasi melalui pendekatan analisis statik dengan memanfaatkan permission dan beberapa atribut aplikasi (multiple application attributes), serta menggunakan majority voting ensemble learning dengan menerapkan teknik pemilihan fitur Random Forest Feature Importance untuk mendeteksi keamanan aplikasi. Nilai risiko diperoleh dari sebuah matriks risiko yang dibentuk dari dua aspek penilaian, yaitu frekuensi terjadinya risiko (likelihood) dan tingkat keparahannya (severity). Penilaian likelihood dilakukan dengan mengkombinasikan prediksi ensemble learning dan atribut aplikasi, sementara penilaian severity berdasarkan pada karakteristik dan jumlah permission. Untuk mengevaluasi model pembelajaran dan desain penilaian risiko privasi digunakan dataset CIC-AndMal2017 yang terdiri dari 2126 file APK. Jumlah data yang digunakan untuk membentuk model memiliki proporsi 80% data training dan 20% data testing, serta metode klasifikasi data yang digunakan adalah binary class (malicious dan benign). Penelitian ini menerapkan bahasa pemrograman Python dan menggunakan parameter default pada proses pembentukan model pembelajaran. Hasil percobaan menunjukkan bahwa model ensemble learning yang dibentuk dari algoritma Decision Tree, K-Nearest Neighbor, dan Random Forest memiliki performa model yang lebih baik dibandingkan single classification model, dengan accuracy sebesar 95.2%, precision 93.2%, dan F1-Score sebesar 92.4%. Penerapan teknik pemilihan fitur mampu meningkatkan efisiensi waktu selama pembelajaran model dengan total waktu sebesar 263 ms. Serta, hasil penilaian risiko mampu memberikan informasi yang komprehensif dan logis mengenai keamanan privasi aplikasi kepada pengguna. Hal ini menunjukkan bahwa desain penilaian risiko yang dibuat dapat menilai aplikasi secara efektif dan objektif.

---

Lack of detailed information about the application's security aspects leads to the user's inability to assess and understand the risk of privacy breaches and leads to the disclosure of a great deal of sensitive information without the user's knowledge. This study proposes a privacy risk assessment development through employing static analysis with permission and multiple application attributes and using majority voting ensemble learning with the Random Forest Feature Importance technique to detect app security. The risk score is obtained from a risk matrix based on two assessment aspects, namely the frequency of risk (likelihood) and its severity. The likelihood assessment is performed by combining ensemble learning predictions and information on multiple application attributes, while the severity assessment is performed by utilizing the number and characteristics of permissions. The dataset CIC-AndMal2017, which consists of 2126 APK files, was used to evaluate learning models and privacy risk assessment design. The amount of data used to build models consists of 80% data training and 20% data testing, while the data classification method used is binary class (malicious and benign). This study employs Python programming and implements default parameters in building a learning model. The experimental results show that ensemble learning model built from Decision Tree, K-Nearest Neighbor, and Random Forest algorithms provides better model performance than single classification models with accuracy of 95.2%, precision of 93.2%, and F1-Score of 92.4%. By applying feature selection technique, it could improve the efficiency of time used to learn the model with a total time of 263 milliseconds. Moreover, the results of the risk assessment provide comprehensive and rational information about the security of application privacy to users. This shows that the risk assessment design can assess the applications effectively and objectively. "