Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKMarketplace terus mengalami perkembangan yang ditunjukkan oleh jumlah pelanggan dan jumlah penjualan yang terus mengalami peningkatan. Namun, penjualan secara online seperti marketplace memiliki beberapa keterbatasan untuk memberikan pengalaman pembelian yang personal. Sistem rekomendasi dapat membantu marketplace untuk mengatasi keterbatasan tersebut, sehingga pelanggan dapat menemukan produk atau layanan berdasarkan preferensi mereka. Pada penelitian ini, kami mengusulkan untuk mengembangkan sistem rekomendasi produk menggunakan algoritma Neural Collaborative Filtering (NCF). NCF adalah algoritma collaborative filtering berbasis deep learning dan faktorisasi matriks. Sistem rekomendasi produk yang akan dibangun menggunakan data umpan balik implisit dalam bentuk data pembelian dari pelanggan. Umpan balik implisit adalah jenis data yang dapat diandalkan untuk membangun sistem rekomendasi. Hasil penelitian telah menunjukkan bahwa NCF mencapai kinerja terbaik dan paling unggul dibanding metode yang lain.

---

ABSTRACTMarketplace continuesly growth as indicated by the number of customers and the number of sales that continue to increase. However, online sales like a marketplace have several limitations to provide a personal purchasing experience. The recommendation system can help the online market to overcome these limitations, so that customers can find products or services based on their preferences. In this study, we propose to develop a product recommendation system using the Neural Collaborative Filtering (NCF) algorithm. NCF is a collaborative filtering algorithm based on deep learning and matrix factorization. The product recommendation system will be built using implicit feedback data in the form of customer purchase data. Implicit feedback is a type of data that can be relied upon to build a recommendation system. The results of the study have shown that NCF achieves the best performance compared to state-of-the-arts methods."

"Sistem rekomendasi menjadi salah satu kebutuhan utama bagi penyedia layanan e-commerce untuk memberikan saran rekomendasi produk sesuai dengan apa yang diinginkan oleh pengguna. Salah satu pendekatan yang paling banyak dilakukan dalam membangun sistem rekomendasi adalah collaborative filtering, dengan menggunakan data explicit feedback, yang dapat berupa review atau rating. Sistem rekomendasi dengan pendekatan collaborative filtering telah banyak dikembangkan dengan menggunakan metode machine learning dan metode deep learning. Penelitian ini berfokus untuk mengembangkan sistem rekomendasi dengan pendekatan collaborative filtering berbasis deep learning dengan menggunakan data gabungan review dan rating. Teknik deep learning yang digunakan diperkaya dengan word embeddings untuk dapat menangkap interaksi yang terdapat dalam data review. Penelitian ini menggunakan arsitektur yang diadopsi dari CARL. Modifikasi yang dilakukan pada CARL meliputi pengubahan optimizer dan penggunaan beberapa pretrained word embedding yang berbeda. Selain itu, penelitian ini juga membandingkan performa sistem rekomendasi yang diusulkan antara dataset berbahasa Inggris dan berbahasa Indonesia. Untuk melakukan evaluasi performa sistem rekomendasi yang dikembangkan, digunakan metrik evaluasi mean squared error (MSE). Hasil penelitian menunjukkan modifikasi model CARL (Review-based) dengan menggunakan optimizer Adam (CARL (Review-based) – Adam) menunjukkan performa terbaik dan dapat mengalahkan performa dari baseline model.

---

Recommender systems are one of the main needs for e-commerce to provide product recommendations according to what the users want. One of the most widely used approaches in developing recommender systems is collaborative filtering, using explicit feedback data, which can be in the form of reviews or ratings. Various collaborative filtering methods have been developed using machine learning and deep learning methods. This study focuses on developing deep learning-based recommender systems with collaborative filtering approach using combined reviews and ratings data. The deep learning technique that being used is enriched with word embeddings to capture the interactions contained in the review data. This study uses an architecture adopted from CARL. Modifications made to CARL include changing the optimizer and using several different pretrained word embeddings. This study also compares the performance of the proposed recommender systems between English datasets and Indonesian datasets. To evaluate the performance of the recommender systems, the mean squared error (MSE) evaluation metrics is used. The results showed that the modification of CARL (Review-based) model using Adam optimizer (CARL (Review-based) – Adam) showed the best performance and could beat the performance of the baseline model."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Penelitian ini berfokus pada pengembangan sistem peringatan dini gempa bumi yang memanfaatkan arsitektur event-driven dan model deep-learning. Tujuannya adalah untuk memodelkan data seismik guna mendeteksi gelombang awal, hiposenter, magnitudo, dan kedalaman gempa. Penulis mengumpulkan data dari ratusan titik seismograf dan mengolahnya dengan model deep-learning untuk menghasilkan prediksi yang akurat. Sistem ini dirancang untuk memberikan visualisasi dan informasi yang mendukung Badan Meteorologi, Klimatologi, dan Geofisika (BMKG) dalam mendeteksi aspek-aspek kritis gempa. Selain itu, penulis mengembangkan sistem terdistribusi untuk mengelola permintaan dan pengolahan data skala besar dengan efisiensi tinggi. Antarmuka pemrograman aplikasi (API) juga disajikan untuk memungkinkan prediksi data yang mudah diakses dan dipahami. Terakhir, integrasi antara model machine learning dengan backend dan frontend dirancang untuk memberikan tampilan yang ramah pengguna. Penelitian ini berkontribusi dalam mengembangkan sistem peringatan dini gempa yang lebih canggih dan responsif, sehingga dapat meningkatkan kesiapan dan keamanan masyarakat dalam menghadapi bencana alam.

---

This study focuses on the development of an earthquake early warning system utilizing event-driven architecture and deep-learning models. The aim is to model seismic data to detect initial waves, hypocenters, magnitude, and depth of earthquakes. Data from hundreds of seismograph points were collected and processed using deep-learning models to generate accurate predictions. The system is designed to provide visualizations and information to support the Meteorology, Climatology, and Geophysics Agency (BMKG) in detecting critical earthquake aspects. Additionally, a distributed system was developed to manage large-scale data requests and processing efficiently. An Application Programming Interface (API) is also presented for accessible and understandable data predictions. Finally, the integration of machine learning models with backend and frontend is designed to offer a user-friendly display. This research contributes to the development of a more sophisticated and responsive early warning system, enhancing public preparedness and safety in the face of natural disasters."

"Sistem pengenalan wajah (face recognition system) merupakan salah satu sistem yang dibangun berdasarkan pre-trained model. Sistem ini memanfaatkan teknik biometrik yang menggunakan wajah sebagai pengenalan atau identifikasi seseorang. Implementasi sistem pengenalan wajah dapat diaplikasikan dalam berbagai macam aplikasi seperti sistem absensi untuk mengecek kehadiran, sistem monitoring pengunjung di tempat wisata ataupun tempat-tempat publik, hingga dapat digunakan untuk mengenali tingkah laku seseorang untuk analisis-analisis yang dibutuhkan di berbagai bidang. Dalam penelitian ini, akan diimplementasikan sistem pengenalan wajah untuk sistem absensi menggunakan metode pembelajaran deep learning. Proses training data dan validasi hasil pengenalan wajah akan dibandingkan antara model CNN (Convolutional Neural Network) berarsitektur ResNet-50 dengan VGG16 yang telah dilatih sebelumnya menggunakan dataset Open Data Science (ODSC) untuk mendapatkan model perancangan sistem wajah terbaik. Simulasi real-time dilakukan dengan menggunakan model latih dengan validasi akurasi tertinggi sebesar 98.2%. Model latih yang digunakan dalam simulasi adalah ResNet-50 dengan dataset B sebagai data training serta learning rate sebesar 0.01. Hasil analisis menunjukkan bahwa proses training menggunakan model ResNet-50 jauh lebih ringan dan memberikan hasil model pelatihan dengan validasi akurasi yang lebih tinggi dibanding dengan model VGG16 yang membutuhkan banyak resource selama proses training berlangsung. Pengujian real-time yang dilakukan menunjukkan bahwa model ResNet-50 akan akurat jika memperhatikan beberapa kondisi yang diperlukan seperti jarak deteksi harus 50 hingga 100 cm dari kamera deteksi dan posisi wajah harus lurus menghadap kamera deteksi.

---

The face recognition system is a system that is built based on a pre-trained model. This system utilizes biometric techniques that use the face as an identification or authentication of a person. The facial recognition system can be applied in various applications such as attendance systems to check attendance, visitor monitoring systems at tourist attractions or public places, and to identify a person's behavior for the analyzes needed in various fields. In this study, a facial recognition system will be implemented for the attendance system using deep learning methods. To obtain the best system design, training, and validation of facial recognition results will be compared between the CNN (Convolutional Neural Network) model with the ResNet-50 and VGG16, which has been previously trained using the Open Data Science (ODSC) dataset. Real-time simulations were carried out using a training model with the highest validation accuracy of 98.2%. The training model used in the simulation is ResNet-50 with dataset B as training data and a learning rate of 0.01. The analysis results show that the training process using the ResNet-50 model is much lighter and provides results with higher accuracy validation than the VGG16 model, which requires a lot of resources during the training process. Real-time testing has shown that the ResNet-50 model will be accurate if it considers several conditions, such as the detection distance must be 50 to 100 cm from the detection camera, and the face position must be in a straight facing towards the detection camera."

"Dalam proses berkendara, pengemudi memiliki keterbatasan akan informasi selain dari panel instrumen (dashboard) dan penglihatan mereka, sehingga selalu terdapat resiko bahwa pengemudi lengah dan melakukan kesalahan. Untuk membantu pengemudi, salah satu pengembangan terkini di industri otomotif adalah Driver Assistence System atau DAS, yang ditujukan untuk membantu dengan cara memberikan informasi yang komprehensif mengenai kondisi kendaraan maupun kondisi sekitar kendaraan. Informasi yang didapatkan dapat berupa data kendaraan melalui sensor internal, serta data sensor eksternal seperti Kamera. Sebuah kendala dalam menelaah informasi dari Kamera adalah kemampuan untuk mendeteksi jalan dan mengidentifikasi objek yang ada di sekitar, yang umumnya memerlukan biaya komputasi yang cukup besar, sehingga masih tergolong kurang aksesibel.Dalam penelitian ini, dikembangkan sebuah rancangan sistem gabungan perangkat elektronik dan software, dengan kemampuan membaca data internal kendaraan melalui Sensor Grabber, serta menerima dan menelaah data visual dari Kamera. Algoritma deteksi jalan dan pendeteksian objek dikembangkan menggunakan teknik Image Processing serta Deep Neural Network atau Deep Learning. Data kemudian dapat ditampilkan secara visual melalui Graphical User Interface (GUI) yang dikembangkan dengan bahasa Python.Sistem dilatih dengan sampel berjumlah 816 gambar. Setelah melakukan pengujian, data internal kendaraan dapat diperoleh secara real-time, pendeteksian jalan dapat dilakukan dengan tingkat akurasi sebesar 84.96%, dan objek di sekitar kendaraan dapat diprediksi serta diketahui jarak dan posisinya menggunakan Deep Learning dengan tingkat kepresisian hingga 63.6%, dengan waktu komputasi total 121.68ms.

---

During driving, the driver does not have much information regarding the vehicle and its surroundings aside from the instrument panel and their own eyes, therefore there is always the risk of getting caught off-guard and making a mistake. To assist the driver, one of the current breakthroughs in the industry is Driver Assistance System (DAS), which is meant to help drivers by giving them comprehensive information regarding their vehicle or its surroundings. The given information can be the vehicle's data from internal sensors, and data from external sensors such as Cameras. A problem regarding analyzing visual data is how to detect road edges and identify the surrounding objects, which usually requires a sizable amount of computing power, therefore causing the technology to still remain less accessible to the public.

In this research, a system consisting of Electronics and software with the ability to retrieve vehicle data via a Sensor Grabber, as well as obtain and analyze visual data via a camera is designed. A Road Edge Detection an Object Detection Algorithm is developed with Image Processing and Deep Neural Network or Deep Learning Techniques. The data is then visualized through a Graphical User Interface (GUI) developed in Python.

The system is trained using a sample of 816 images. After a testing process, the internal data of the vehicle can be retrieved in real-rime, road edge detection can be achieved with 84.96% accuracy, and object detection with distance calculation using Deep Learning can be done with 63.6% accuracy, using total computation time of only 121.68ms.

"