Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKKetika manusia mengalami stres, tubuhnya akan memproduksi hormon stres serta menimbulkan respon fisiologis yang berkaitan dengan sistem saraf otonom atau autonomous nervous system (ANS). Salah satu respon fisiologis dari timbulnya stres pada tubuh yaitu meningkatnya variabilitas detak jantung atau heart rate variability (HRV). Data HRV merupakan beberapa feature yang didapatkan dari interval R-R yang berasal dari sinyal Electrocardiograph (ECG). HRV didapatkan dengan menggunakan analisis domain waktu dan analisis domain frekuensi. Dalam penelitian ini, akan dijelaskan mengenai pengembangan sistem pendeteksi stres berbasis detak jantung dengan menghitung dan membandingkan feature HRV berdasarkan analisis domain waktu dan frekuensi serta mengklasifikasikan feature tersebut dengan algoritma k-Nearest Neighbors (kNN). Sistem diimplementasikan pada perangkat Android dan juga Laptop. Hasil yang diperoleh yaitu feature HRV gabungan dari hasil analisis domain waktu dan frekuensi yang paling merepresentasikan stres dari detak jantung serta menghasilkan akurasi sebesar 79,17% menggunakan algoritma kNN pada Laptop dan akurasi sebesar 79,166% dari klasifikasi kNN pada aplikasi Android yang dibuat.

---

ABSTRACTWhen humans deal with stress, they produce stress hormones which create physiological responses related to the autonomic nervous system (ANS). One of the physiological responses to stress in the body is a variation in heart rate or heart rate variability (HRV). HRV data are some features obtained from the R-R interval derived from Electrocardiograph (ECG) signals. HRV is obtained using time domain analysis and frequency domain analysis. In this study, we will discuss the development of a stress detection system based on heart rate by calculating and comparing HRV features from time and frequency domain analysis and classifying these features with the k-Nearest Neighbors (kNN) algorithm. The system is implemented on Android device and PC. The results obtained were combined HRV features from the results of time and frequency domain analysis are the best features to represent stress from heart rate with accuracy of 79,17% using the kNN algorithm on PC and accuracy of 79,166% from the kNN classification on Android application.

 

"

"ABSTRAKPada penelitian ini dirancang sebuah sistem pendeteksi kantuk untuk mencegah terjadinya kelalaian pengendara yang dapat menyebabkan kecelakaan dalam bentuk aplikasi berbasis Android. Dengan menggunakan Elektoensefalogram (EEG), kondisi mengantuk pada seseorang dapat dideteksi dengan cara merekam aktivitas kelistrikan yang terjadi pada otak manusia dan direpresentasikan menjadi bentuk sinyal frekuensi. Kemudian sinyal tersebut akan dikirim ke aplikasi di smartphone Android melalui Bluetooth dan akan memberikan peringatan berupa notifikasi jika kondisi mengantuk sudah terdeteksi. Sinyal akan diproses menggunakan Fast Fourier Tranform (FFT) untuk mengekstraksi fitur pada sinyal otak dan diklasifikasi menggunakan ­K-Nearest Neighbor (KNN). Sistem tersebut diharapkan dapat meminimalisir penyebab terjadinya kecelakaan yang dikarenakan oleh pengemudi yang mengantuk. Hasil yang didapatkan dari perancangan sistem pendeteksi ini menunjukkan bahwa aplikasi sudah dapat menghasilkan performa terbaik dengan tingkat akurasi tertinggi yaitu 95.24% dengan menggunakan nilai K=3 dan dengan menggunakan 4 fitur gelombang otak (Delta, Theta, Alpha, dan Beta).

---

ABSTRACTIn this research, a drowsiness detection system is an Android application and it is designed to prevent drivers negligence that can cause accidents. By using Electroencephalogram (EEG), the condition of drowsiness can be detected by recording the electrical activity that occurs in human brain and represented as a frequency signal. Then the signal will be sent to the Android application on smartphone via Bluetooth and will give an alarm notification if the drowsiness is detected. The signal will be processed using Fast Fourier Transform (FFT) to extract features in human brain signals and be classified using K-Nearest Neighbor (KNN). The system is expected to minimize the causes of accidents that caused by drowsy drivers. The results obtained from the development of this detection system indicate that the application can produce the best performance with the highest accuracy of 95.24% using the value of K = 3 and by using 4 brain wave features (Delta, Theta, Alpha, and Beta)."

"ABSTRAK

Aplikasi Meditasi berbasis EEG merupakan aplikasi yang dapat digunakan untuk mendeteksi perasaan stres seseorang dan membantunya bermeditasi dengan memanfaatkan alat EEG untuk membaca gelombang otak. Proses yang terjadi dalam aplikasi ini adalah menerima data gelombang otak dari EEG, mengubah sinyal gelombang otak dari domain waktu ke domain frekuensi dengan Fast Fourier Transform (FFT), dan mengklasifikasikan data dengan k-Nearest Neighbor (KNN). Proses klasifikasi dengan KNN diuji dengan memberikan variasi jumlah gelombang data yang digunakan serta variasi nilai k pada KNN. Dengan menggunakan nilai k = 3 dan menggunakan lima gelombang otak, yaitu gelombang delta, teta, alfa, beta, dan gama sebagai fitur dalam KNN, dapat diperoleh hasil akurasi terbaik sebesar 80% dan waktu pemrosesan tercepat sebesar 23 ms. Dalam pemakaian aplikasi meditasi, waktu rata-rata pengguna untuk dapat menurunkan tingkat stresnya adalah selama 4,2 menit. Implementasi EEG dan proses klasifikasi dengan KNN pada aplikasi meditasi ini dapat mengecek tingkat stres seseorang secara real time dan memastikan bahwa orang tersebut tidak stres lagi setelah bermeditasi.

---

ABSTRACTEEG-based Meditation Application is an application that can be used for detecting someone's stress feeling and helping someone to meditate by using EEG to get brainwave signals. The processes that will be done in this application include collecting brainwave data from EEG, altering the brainwave signals from time domain to frequency domain with Fast Fourier Transform (FFT), and classifying data with k-Nearest Neighbor (KNN). Classification processes with KNN are tested by using variation in the number of brain waves used and using variation in the value of k used in KNN. By using k value of 3 and using five brainwaves, namely delta wave, theta wave, alpha wave, beta wave, and gamma wave as features in KNN, the best accuracy value can be gained, i.e. 80% with the fastest processing time, which is 23 ms. With the meditation application, the average time for the user to reduce the stress level is 4,2 minutes. The implementation of EEG and classification with KNN on this application makes it able to check a person's stress level in real time and to make sure that the person is de-stressed after meditation.

"

"Prediksi trend harga saham dapat berguna bagi trader untuk menentukan nilai saham dimasa yang akan datang. Untuk memprediksi trend dengan analisis teknikal adalah melakukan prediksi harga penutupan saham. Seiring dengan waktu, meningkatnya harga saham setara dengan diperolehnya return saham yang profit. Pada skripsi ini, dilakukan analisis dan prediksi harga penutupan saham selama sebulan menggunakan metode Support Vector Machines ndash; K Nearest Neighbor SVM-KNN . Pertama, terlebih dahulu dilakukan pemilihan indikator teknikal yang berpengaruh terhadap saham perusahaan yang dianalisis menggunakan Support Vector Regression SVR . Kedua, klasifikasi return saham yang terdiri dari profit dan loss dengan SVM. Hasil prediksi label kelas dapat membantu mencari tetangga terdekat dalam memprediksi harga penutupan saham dengan KNN. Percobaan dilakukan menggunakan 3, 4, dan 5 indikator teknikal yang terpilih dan tanpa pemilihan fitur dengan 13 indikator teknikal.

---

Stock price trend prediction is important for trader to determine whether the stock price is rising up or not. To predict the trend using technical stock analysis is by predicting the close prices. Along the time, when the price is rising up then it can indicate profit return. This undergraduate thesis will study how to analysis and prediction of stock closing prices one month ahead with Support Vector Machines ndash K Nearest Neighbor SVM KNN method. First, feature selection method is applied to select the important technical indicators using Support Vector Regression SVR . Second, classify the stock rsquo s return which consist of profit and loss using SVM. The output of class label is used to help find the nearest neighbor. Next, stock prices are forecasted using KNN. This study will be experimented with 3, 4, and 5 selected indicators and compared with 13 technical indicators."

"Sistem pengenalan wajah telah banyak diaplikasikan dengan menggunakan berbagai metode, diantaranya: metode PCA, metode ICA, metode LDA, metode EP, metode EBGM, metode Kernel, metode 3-D Morphable, metode 3-D Face Recognition, metode Bayesian Framework, metode HMM, metode SVM, dan sebagainya. Pada penelitian ini digunakan metode Local Binary Pattern LBP untuk melakukan ekstraksi fitur citra wajah, serta metode SVM dan KNN untuk mengukur tingkat akurasi sistem pengenalan wajah. Data yang digunakan pada penelitian ini yaitu citra wajah 25 mahasiswa Matematika Universitas Indonesia, masing-masing individu diambil 10 citra wajah yang berbeda terdiri dari 5 citra wajah menggunakan kacamata dan 5 citra lainnya tidak menggunakan kacamata, serta diambil dari sudut yang berlainan. Berdasarkan pengujian yang telah dilakukan, metode KNN dengan memperoleh tingkat akurasi terbaik yaitu sebesar 96.20 pada iterasi 100 dan 90 data training. Hal ini menunjukkan metode KNN lebih baik dibandingkan dengan metode SVM yang hanya memperoleh tingkat akurasi sebesar 94.80 pada iterasi 100 dan 90 data training.

---

Face recognition has been widely applied using various methods, that is PCA, ICA, LDA, EP, EBGM, Kernel, 3 D Morphable, 3 D Face Recognition, Bayesian Framework, HMM, SVM, etc.

In this research, the Local Binary Pattern LBP method is used to perform feature extraction of a facial image, and to measure the accuracy level of face recognition used SVM and knn method. The data used in this research are face images of 25 mathematics students of University of Indonesia, each individual took 10 different facial images consisting of 5 face images are using glasses with 5 different angles and 5 other images aren 39 t using glasses that also taken from the same 5 different angles.

Based on the tests, KNN method with K 1 obtained the best accuracy of 96.20 at 100 iterations and 90 training data. This result shows the KNN method is better than the SVM method which only obtained 94.80 at 100 iterations and 90 of training data."

"ABSTRAKPenyakit kardiovaskuler adalah penyakit serius yang mematikan di mana seperempat kematian yang terjadi ternyata disebabkan oleh penyakit ini. Sementara itu, di negara berkembang seperti Indonesia kualitas layanan kesehatan masih rendah, ditandai dengan kurangnya tenaga dokter pada daerah-daerah rural dan terpencil. Kondisi ini menjadi motivasi perlunya merancang inovasi teknologi telemedical yang berfungsi membantu dokter melakukan diagnosis dan pengobatan penyakit kardiovaskuler. Penelitian ini mengusulkan sebuah sistem berbasis teknologi machine-to-machine M2M untuk mengecek kesehatan pasien yang akan melaporkan hasilnya ke dokter jantung secara jarak jauh melalui aplikasi website dan aplikasi mobile, yang diberi nama My Kardio. Desain dari sistem ini adalah terdiri dari tiga bagian utama yaitu bagian pasien patient site yang terdiri dari sensor-sensor dan gateway, bagian server server site yaitu server aplikasi web dan mobile yang terletak di cloud internet, dan bagian dokter doctor site yaitu aplikasi web dan mobile untuk dokter agar dokter dapat melakukan pengecekan dan diagnosis terhadap pasien secara online. Sistem ini dilengkapi dengan sistem prediksi auto-rekomendasi untuk memberikan rekomendasi kepada dokter dalam menentukan diagnosis penyakit yang diderita pasien. Sistem auto-rekomendasi ini dibangun dengan algoritma k-Nearest Neighbors kNN yang terbukti cukup baik performansinya dalam hal akurasi dan kecepatan. Uji coba telah dilakukan pada empat lokasi di daerah pinggiran Jakarta yaitu Kampung Banjarsari 10 pasien , Cibubur 15 pasien , Cimanggis 37 pasien , dan Pancoran 23 pasien pada total sejumlah 85 pasien. Evaluasi kuantitatif menghasilkan rata-rata akurasi prediksi sistem auto-rekomendasi adalah 76,47 , waktu pemrosesan sistem auto-rekomendasi 1 detik, dan performansi waktu transfer data dari lokasi pemeriksaan ke server M2M adalah 8,97 detik. Evaluasi secara kualitatif dilakukan melalui wawancara dokter spesialis jantung, dan diperoleh hasil bahwa aplikasi My Kardio sangat membantu terutama untuk daerah-daerah yang kekurangan dokter spesialis jantung; dan juga bermanfaat untuk kota besar di mana akses pasien ke dokter jantung juga terkendala oleh waktu praktek dokter yang terbatas dan kemacetan. Kata kunci:Machine-to-machine, penyakit kardiovaskuler, k-Nearest Neighbors.

---

ABSTRACTCardiovascular disease is a deadly disease which one-fourth of deaths are caused by this disease. Meanwhile, in developing country like Indonesia, the quality of health services is still low, marked by the lack of doctors to serve patients. This condition gives the motivation about the need for a new innovation to improve the life expectancy of cardiovascular patients in Indonesia, with the help of technology. This research proposes a machine-to-machine M2M technology-based system to check the health of patients which will report the results to the cardiologist remotely through the web and mobile applications, named My Kardio. The design of this system is composed of three main parts, the first one is patient site consisting of sensors and gateways, then server site which is web and mobile application server located in the Internet cloud, and the last is doctor site: web and mobile application for doctors to enable doctors checking and diagnosing patients online. The system is equipped with an auto - recommendation prediction system to provide recommendations to physicians in determining the diagnosis of illness suffered by the patient. This auto-recommendation system is built on the k-Nearest Neighbors kNN algorithm that has been proven with good accuracy and fast. Trials have been performed in four locations in the suburbs of Jakarta: Kampung Banjarsari 10 patients , Cibubur 15 patients , Cimanggis 37 patients , and Pancoran 23 patients of the total 85 patients. Quantitative analysis results are, first the prediction accuracy of the auto- recommendation system is 76.47 on average, then the processing time of auto- recommendation system is 1 second, and last, the duration of data transfer time from location to M2M server is 8.97 seconds. Qualitative analysis was made with cardiologists interviews, which results that My Kardio application is very helpful especially in remote areas which lacking of cardiologists, even for big cities where patients rsquo; access to cardiologists is a problem due to limited clinic time and traffic jams. "

"Penderita gangguan depresi semakin meningkat setiap tahunnya, terutama pada generasi muda. Hal ini membawa urgensi tentang pentingnya menjaga kesehatan mental, terlebih lagi WHO melaporkan bahwa depresi sangat mempengaruhi kualitas hidup dan menjadi penyebab dari meningkatnya risiko gangguan kesehatan lainnya. Kesalahan diagnosis seringkali terjadi pada depresi, maka dari itu sangat penting untuk mengembangkan pendekatan objektif untuk membantu dokter mendiagnosis depresi secara lebih efektif. Elektroensefalografi (EEG) merupakan teknologi berbasis sinyal otak yang dapat merekam aktivitas jaringan otak. Penelitian ini bertujuan untuk membuat program analisis gangguan depresi berbasis Machine Learning. Aplikasi Graphical User Interface (GUI) juga dibuat untuk mempermudah pengguna. Pemrosesan sinyal dilakukan dengan dua metode, yakni wavelet dan Power Spectral Density (PSD). Relative Power Ratio (RPR) dihitung sebagai fitur klasifikasi. Perhitungan dominansi juga dilakukan untuk mereduksi jumlah fitur. Fitur dengan dominansi tertinggi akan digunakan untuk membuat model klasifikasi Machine Learning. Pengklasifikasi yang digunakan adalah K-Nearest Neighbor (KNN) dengan cross validation. Akurasi tertinggi yang diperoleh mencapai 70% dengan metode wavelet dan 65% dengan metode PSD.

---

The number of individuals suffering from depressive disorder (also known as major depressive disorder or MDD) is increasing every year, especially among the younger generations. This highlights the urgency of prioritizing mental health, especially considering the World Health Organization’s report that depression significantly affects the quality of life and increases the risk of other health disorders. Misdiagnosis often occurs in cases of depression, making it crucial of develop an objective approach to help doctors diagnose depression more affectively. Electroencephalography (EEG) is a brain signalbased technology that records brain network activity. This research aims to create a machine learning-based program for analyzing depressive disorders. Additionally, a Graphical User Interface (GUI) application is developed to facilitate users. Signal processing is performed using two methods, namely wavelet and Power Spectral Density (PSD). The Relative Power Ratio (RPR) is calculated as a classification feature. Dominance computation is also conducted to reduce the number of features, and the feature with highest dominance are used to create the Machine Learning classification model. The classifier used is K-Nearest Neighbor (KNN) with cross-validation. The highest accuracy achived is 70% with the wavelet method and 65% with the PSD method."

"Microarray merupakan salah satu teknologi pada bidang biologi yang memberikaninformasi tentang ekspresi gen. Data microarray mentah berupa gambar, yang harusdiubah menjadi matriks ekspresi gen dimana baris menunjukkan gen, kolommenunjukkan kondisi eksperimental. Namun, pada praktiknya data microarray banyakditemukan missing values yang tentunya akan menghambat proses dari analisis datanya.Imputasi merupakan salah satu solusi yang dapat mengatasi adanya missing values padadata microarray. Dengan menggunakan imputasi, nilai missing values yang terdapat padamatriks data diprediksi atau diestimasi sehingga diperoleh matriks data yang lengkap.Metode imputasi yang digunakan pada penelitian ini bernama bi-KNN-RLSP, yangmenggunakan konsep biclustering, principal component analysis, dan regresi kuantil.Dalam proses pembentukan biclustering, dibutuhkan matriks lengkap sementara yangdiperoleh melalui proses praimputasi dengan KNNimpute. Percobaan bi-KNN-RLSPdilakukan pada data ekspresi gen garis sel kanker serviks dengan menerapkan missingrate yang berbeda, yaitu 1%, 5%, 10%, 15%, 20%, 25%, dan 30% dengan menggunakanparameter k=10 pada proses praimputasi KNNimpute. Hasil percobaan tersebut dievaluasiperformanya menggunakan normalized root mean squared error. Nilai rata-rata NRMSEpada percobaan yang dilakukan sebanyak lima kali memiliki nilai yang lebih rendahdibandingkan dengan metode bi-RLSP dan row average. Waktu komputasi untuk metode bi-KNN-RLSP dan bi-RLSP tidak jauh berbeda, sehingga dengan waktu yang tidaksignifikan berbeda, metode bi-KNN-RLSP dapat menghasilkan nilai NRMSE yang lebih kecil dibandingkan dengan bi-RLSP. Oleh karena itu, dapat dikatakan bahwa modifikasi praimputasi row average pada metode bi-RLSP menjadi KNNimpute dapat menghasilkan performa imputasi yang lebih bagus. Selain itu, diperoleh hasil bahwa nilai NMRSE untuk metode bi-KNN-RLSP meningkat seiring dengan meningkatnya missing rate.

---

Microarray is a technology in biology that provides information about gene expression. The raw microarray data is in the form of images, which must be converted into a gene expression matrix where rows indicate genes, columns indicate experimental conditions. However, in practice, many missing values are found in microarray data, which of course

will hinder the process of data analysis. Imputation is one solution that can overcome the missing values in microarray data. By using imputation, the missing values contained in the data matrix are predicted or estimated so that a complete data matrix is obtained. The imputation method used in this study is called bi-KNN-RLSP, which uses the concept of

biclustering, principal component analysis, and quantile regression. In the process of forming biclustering, a temporary complete matrix is needed which is obtained through the pre-imputation process with KNNimpute. The bi-KNN-RLSP experiment was carried out on cervical cancer cell line gene expression data by applying different missing rates,

namely 1%, 5%, 10%, 15%, 20%, 25%, and 30% using the parameter k=10. in the KNNimpute pre-imputation process. The results of these experiments were evaluated for their performance using the normalized root mean squared error. The average value of NRMSE in the five times experiment has a lower value than the bi-RLSP and row average methods. The computation time for the bi-KNN-RLSP and bi-RLSP methods is not much different, so with the time that is not significantly different, the bi-KNN-RLSP method can produce a smaller NRMSE value compared to bi-RLSP. Therefore, it can be said that the modification of the row average preimputation in the bi-RLSP method to KNNimpute can produce better imputation performance. In addition, it was found that the NMRSE value for the bi-KNN-RLSP method increased along with the increase in the missing rate."

"

Cacar monyet muncul pada 2022 sebagai penyakit yang ditakutkan berpotensi sebagai pandemi selanjutnya. Cacar monyet adalah penyakit infeksi virus dari hewan (zoonosis) dan termasuk keluarga virus yang sama dengan cacar (smallpox, variola). Walaupun penyakit cacar monyet tidak lebih berbahaya dari COVID-19, diperlukan langkah pencegahan untuk mengurangi risiko penularan. Pendekatan machine learning dapat dilakukan dengan pengusulan penggunaan tiga arsitektur CNN, yaitu EfficientNetV2B1, MobileNetV3, dan NASNetMobile untuk mengklasifikasi cacar monyet dari citra lesi kulit. Ketiga model dilakukan transfer learning menggunakan pre-trained weights ImageNet bertotal 29 skenario dengan pemisahan data train dan test, dan melakukan augmentasi yang berbeda untuk menguji performa model. Skenario difokuskan pada peningkatan recall untuk mengurangi tingkat false negative pada prediksi cacar monyet. Penelitian ini juga membangun dataset yang terdiri dari empat kelas, yaitu cacar monyet, cacar air, campak, dan sehat dengan jumlah 40 hingga 100 foto per kelas. Citra dataset bersumber dari Kaggle dan web Kesehatan dan divalidasi kembali menggunakan Google Reverse Image. Dari eksperimen 29 skenario, didapatkan skenario dengan model yang optimal adalah MobileNetV3 versi minimalistic dengan recall 93,2%, dengan ukuran 7,6 MB, selisih recall dan validation recall 0,0035 dengan pemisahan data train dan test sebesar 70:30 dengan optimizer Adam 0,0001. Model dikonversi ke dalam format TensorFlow Lite dan disematkan ke dalam aplikasi Android yang dirancang menggunakan bahasa pemrograman Kotlin dan library UCrop untuk cropping citra yang diambil pengguna agar terfokus pada lesi kulit. Model membutuhkan rata-rata waktu inferensi 40 milidetik pada aplikasi Android.

---

Monkeypox emerged in 2022 as a disease that potentially be the next pandemic. Monkeypox is a virus infection from animals (zoonosis) and categorized as the same family as smallpox (variola). Even monkeypox is not deadly as COVID-19, preventive measure is needed to reduce infections. Machine learning approach can be implemented with 3 proposed CNN architecture, EfficientNetV2B1, MobileNetV3, and NASNetMobile to classify monkeypox from skin lesion image. Transfer learning will be done to the three models using pre-trained weights from ImageNet of 29 scenarios with variations of train-test data split and augmentation to benchmark model performance. The experiment is focused on improving recall as minimizing false negative prediction on monkeypox. This paper also built a new dataset with 4 class, monkeypox, chickenpox, measles, and healthy skin which has 40 to 100 image per class. The dataset images are compiled from Kaggle and health website and revalidate with Google Reverse Image. From 29 experiment scenarios, the resulted best model is MobileNetV3 minimalistic with 93,2% recall, 7,6 MB in size, difference in training and validation recall of 0,0035% with data train-test splits 70:30 and optimizer using Adam 0,0001. The model is converted to TensorFlow Lite format to be embedded in Android application that is build with Kotlin and UCrop library to crop the image to focus on the skin lesions. The model has a mean of 40 milliseconds inference in the application.

"

"Pada sistem parkir yang ada saat ini, proses pengecekan plat nomor atau Tanda Nomor Kendaraan Bermotor TNKB dilakukan dengan mencocokkan plat nomor melalui foto yang diambil saat pengguna masuk ke area parkir. Hasil pengenalan plat nomor kemudian diinput ke komputer dengan cara diketik. Proses yang dilakukan secara manual oleh operator ini memakan waktu yang relatif lama. Tugas akhir ini mengembangkan pengenalan plat nomor otomatis untuk mengatasi masalah tersebut. Pengenalan plat nomor otomatis merupakan teknologi yang memudahkan ekstraksi karakter-karakter pada plat nomor. Pengembangan sistem parkir ini menggunakan OpenCV sebagai pustaka pengolah citra, algoritma KNN K-Nearest Neighbour untuk Optical Character Recognition, dan sistem basis data untuk sistem parkir. Berdasarkan hasil pengujian, kombinasi nilai variabel block size dan weight terbaik untuk proses thresholding dalam pengenalan plat nomor adalah b=71 dan w=20 dengan hasil akurasi segmentasi karakter sebesar 89, akurasi rekognisi sebesar 82, dan jumlah rekognisi yang tepat 100 sebesar 26. Sistem dapat membaca plat nomor dengan baik pada jarak optimal 60 cm dengan akurasi segmentasi karakter sebesar 89, akurasi rekognisi sebesar 79, dan jumlah rekognisi yang tepat 100 sebesar 26. Resolusi input gambar juga memengaruhi proses pengenalan plat nomor. Resolusi yang optimal untuk rekognisi adalah 1024 x 768 dengan hasil akurasi segmentasi karakter sebesar 89, akurasi rekognisi keseluruhan sebesar 81, jumlah rekognisi yang tepat 100 sebesar 26, dan dengan rata-rata waktu pemrosesan selama 0,174 detik. Akurasi rekognisi plat nomor juga diperngaruhi oleh faktor lain seperti pencahayaan dan kondisi plat nomor apakah rusak atau tidak, tertutup sesuatu atau tidak . Selain itu, kondisi plat nomor yang ideal diperlukan untuk pengenalan plat nomor otomatis secara optimal. Secara keseluruhan, sistem parkir otomatis memiliki akurasi rekognisi yang baik.

---

In current parking system, number plate checking is done by matching it through the photo taken when user enters the parking area. The operator then types the recognised number plate into computer. The process, which is done manually by operator, takes a relatively long time. This thesis develops an automatic license plate recognition to overcome the problem. Automatic license plate recognition is a technology which makes computer able to recognize characters in a license plate. The development of the system uses OpenCV as image processing library, KNN algorithm for Optical Character Recognition OCR, and database system for parking data.

Based on the test result, the combination of the best block size and weight value for the thresholding process in the recognition of the number plate is b 71 and w 20 with character segmentation accuracy of 89, recognition accuracy of 82, and the number of fully recognized number plate of 1. The system can read the number plate well at an optimal distance of 60 cm with character segmentation accuracy 89, recognition accuracy of 79, and fully recognized number plate 26. Image input resolution also affects the number plate recognition process.

The optimal resolution for recognition is 1024 x 768 with character segmentation accuracy of 89, overall segmentation accuracy of 81, the number of fully recognized number plate of 26, and with average processing time of 0.174 seconds. The accuracy of plate number recognition is also affected by other factors such as lighting and the condition of the number plate whether it is damaged or not, obstructed by something or not. In addition, the ideal number plate conditions are required for optimal number plate recognition. Overall, the automated parking system has a good recognition accuracy."