Hasil Pencarian  ::  Simpan CSV :: Kembali

"Estimasi curah hujan yang akurat secara temporal menjadi tantangan penting dalam sistem pemantauan cuaca. Kamera pengawas (CCTV), yang kini banyak terpasang di ruang publik, memiliki keunggulan berupa ketersediaan luas dan kemampuan merekam kondisi cuaca dengan resolusi waktu tinggi hingga per detik, menjadikannya sumber data potensial untuk estimasi curah hujan secara real-time. Penelitian ini mengembangkan model estimasi curah hujan berbasis deep learning dengan memanfaatkan data video dari kamera pengawas, yang banyak tersedia dan mampu merekam kondisi cuaca dengan resolusi waktu tinggi. Permasalahan utama dalam pendekatan visual ini adalah menurunnya akurasi model akibat noise visual, kabut, dan kondisi pencahayaan yang rendah, terutama pada malam hari atau saat transisi waktu. Untuk menjawab tantangan tersebut, dikembangkan model hybrid convolutional neural network dan long short-term memory (CNN-LSTM) yang dirancang untuk mengenali pola spasial dan temporal secara bersamaan. Citra video diproses melalui tahap pra-pemrosesan berupa pemotongan ukuran menjadi 240×120 piksel, konversi ke grayscale, dan pengambilan 15 frame berdurasi 3 detik (5 FPS). Model kemudian dievaluasi pada berbagai konfigurasi dan kondisi waktu, termasuk skenario all-day yang mencakup pagi, siang, sore, dan malam. Hasil evaluasi menunjukkan peningkatan performa signifikan dibandingkan model CNN saja, terutama pada malam hari, dengan peningkatan nilai R² dari 0,82 menjadi 0,94. Pada skenario all-day, model mencapai nilai R² sebesar 0,96, MAE 0,03, MAAPE 0,45, NSE 0,96, dan KGE 0,98. Model yang diusulkan menunjukkan ketahanan terhadap variasi kondisi cahaya dan intensitas hujan, sehingga berpotensi untuk diimplementasikan dalam sistem estimasi curah hujan real-time yang dapat beroperasi secara konsisten selama 24 jam penuh, baik pada hujan ringan maupun lebat, dan dalam berbagai kondisi waktu serta pencahayaan.

---

Accurate temporal rainfall estimation remains a critical challenge in weather monitoring systems. Surveillance cameras (CCTV), which are now widely installed in public spaces, offer advantages such as broad availability and the ability to capture weather conditions with high temporal resolution—up to one frame per second—making them a promising data source for real-time rainfall estimation. This study proposes a deep learning-based rainfall estimation model utilizing video data from surveillance cameras, which are widely deployed and capable of capturing weather conditions at high temporal resolution. The main challenge of this visual-based approach lies in reduced model accuracy due to visual noise, fog, and low lighting conditions, especially at night or during rapid lighting transitions. To address these issues, a hybrid model combining Convolutional Neural Network (CNN) and Long Short-Term Memory (LSTM) was developed to capture both spatial and temporal patterns. The video frames underwent preprocessing steps including resizing to 240×120 pixels, grayscale conversion, and extraction of 15 frames over 3 seconds at 5 FPS. The model was evaluated under various configurations and time conditions, including an all-day scenario covering morning, afternoon, evening, and night. Evaluation results showed significant performance improvement over CNN-only models, particularly under low-visibility conditions at night, with the coefficient of determination (R²) increasing from 0.8236 to 0.9362. In the all-day scenario, the model achieved an R² of 0.9673, MAE of 0.0309, MAAPE of 0.4508, NSE of 0.9648, and KGE of 0.9776. These results demonstrate the model’s robustness to varying lighting and rainfall intensity conditions, highlighting its potential for real-time rainfall estimation systems that can operate reliably across a full 24-hour cycle, including light and heavy rainfall events under diverse lighting environments."

"Retinopati diabetik adalah kelainan vaskular retina yang disebabkan oleh diabetes jangka panjang. Deteksi dini retinopati diabetik pada pasien diabetes diperlukan karena tidak ada gejala yang terlihat selama tahap awal penyakit. Para peneliti mengembangkan metode berbasis komputer untuk membantu dokter dalam proses deteksi dini. Dokter dapat menggunakan output dari metode tersebut sebagai pertimbangan dalam mediagnosis tipe retinopati diabetik yang diderita pasien. Salah satu metode yang populer adalah deep learning. Pada penelitian ini, dibangun gabungan dua algoritma deep learning, yaitu Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM) untuk deteksi retinopati diabetik dengan output berupa caption yang menjelaskan kondisi yang ada pada citra fundus pasien. CNN digunakan untuk mengekstraksi fitur lesi retinopati diabetik pada citra fundus, dan LSTM digunakan untuk membuat caption berdasarkan fitur lesi tersebut. Penelitian ini menggunakan empat model CNN, yakni AlexNet, pre-trained AlexNet, GoogleNet, dan pre-trained GoogleNet. Simulasi gabungan algoritma CNN-LSTM dilakukan dengan proporsi data yang berbeda menggunakan data set dari Rumah Sakit Cipto Mangunkusumo. Hasil simulasi menunjukkan bahwa gabungan algortima CNN-LSTM dapat mendeteksi fitur lesi dan membuat caption dengan rata-rata kinerja akurasi tertinggi sebesar 91.69% untuk model pre-trained GoogleNet-LSTM dan proporsi data 80% data training dan 20% data testing.

---

Diabetic retinopathy is a retinal vascular disorder caused by long-term diabetes. Early diabetic retinopathy detection in diabetes patients is needed because no symptoms can be seen during the early stage of disease. The researchers developed a computer-based method to assist ophthalmologists in the early detection process. Ophthalmologists can use the output of the method as a consideration in diagnosing the type of diabetic retinopathy. One of the popular methods is deep learning. In this study, a combination of two deep learning algorithms, namely Convolutional Neural Network (CNN)-Long Short-Term Memory (LSTM), was constructed for diabetic retinopathy detection with the output in the form of a caption that explains the condition present in the patient’s fundus images. CNN is used to extract features of diabetic retinopathy lesions on fundus images, and LSTM is used to generate a caption based on those lesion features. This study used four CNN models that are AlexNet, pre-trained AlexNet, GoogleNet, and pre-trained GoogleNet. Simulation of a combined CNN-LSTM algorithm has been done with the different proportions of data using a data set from Cipto Mangunkusumo National General Hospital. The simulation results show that a combined CNN-LSTM algorithm can detect lesion features and generate caption with the highest average performance accuracy of 91.69% for pre-trained GoogleNet-LSTM and the proportion 80% training data and 20% testing data."

"Turbin gas di Pembangkit Listrik Tenaga Gas dan Uap (PLTGU) harus dijaga keandalannya dengan melakukan prediksi anomali untuk menghindari kerusakan turbin gas. Untuk melakukan prediksi anomali turbin gas, perlu menggunakan metode yang tepat dengan memperhatikan beberapa hal. Prediksi anomali pada real-performance turbin gas di pembangkit listrik sulit dilakukan dengan simulasi model fisik karena kondisinya yang dinamis dan banyaknya parameter operasi yang saling memiliki korelasi, sehingga, dibutuhkan metode yang memiliki kemampuan ekstrasi informasi input dengan baik. Selain itu, parameter operasi turbin gas juga memiliki sifat sekuensi waktu, dimana hubungan parameter sebelum dan sesudah waktu tertentu memiliki hubungan yang berkorelasi. Beberapa penelitian belum dapat mengatasi kedua permasalahan tersebut untuk pemodelan real-performance turbin gas. Metode Convolutinal Neural Network dapat digunakan untuk menjawab permasalahan pertama dan metode Recurrent Neural Network dapat menjawab permasalahan kedua. Oleh karena itu, penelitian ini mengajukan metode hybrid Convolutional Neural Network (CNN) dengan tipe dari Recurrent Neural Network (RNN), yakni Long Short-term Memory (LSTM) dan Gate Recurrent Unit (GRU), untuk dapat mengekstrasi korelasi hubungan antar-parameter yang tepat dengan kemampuan komputasi time variant yang baik. Prediksi anomali yang didapatkan menggunakan model CNN sebesar 81,33%, metode hybrid CNN-LSTM sebesar 91,79%, dan hybrid CNN-GRU sebesar 91,46%. Sehingga, hybrid CNN-LSTM memberikan peningkatan akurasi prediksi anomali turbin gas dengan kemampuan ekstrasi fitur parameter dan komputasi time-variant yang lebih baik.

---

The reliability of the gas turbine in Combined Cycle Power Plant (CCPP) should be maintained by predicting anomalies to avoid damage failure. To predict the gas turbine anomaly, it is necessary to use the right method by paying attention to several things. The operating parameters of the gas turbine system are a form of inter-parameter correlation with a high dynamic change correlation, so it requires a method that can extract the feature input between parameters correctly. In addition, the gas turbine operating parameters also have time sequence properties, where the correlation between parameters before and after a certain time has a correlated variant. Several studies have not been able to overcome these two problems for modeling real-performance gas turbines. The Convolutional Neural Network method can be used to answer the first problem and the Recurrent Neural Network method can answer the second problem. Therefore, this research proposes a hybrid Convolutional Neural Network (CNN) method with a type of Recurrent Neural Network, called Long Short-term Memory (LSTM) and Gate Recurrent Unit (GRU), in order to extract the right correlation between parameters with better time variant computation. The anomaly prediction obtained using the CNN model is 81.33%, the CNN-LSTM hybrid method is 91.79%, and the CNN-GRU hybrid is 91.46%. Thus, the CNN-LSTM hybrids provide increased accuracy of gas turbine anomaly predictions with better parameter extraction and time-variant analysis capabilities."

"Skripsi ini membahas penggunaan arsitektur Long Short-Term Memory (LSTM) dalam merancang sebuah model identifikasi. Riset ini membahas pengaruh hyperparameter seperti jumlah hidden layer, jenis fungsi aktivasi, tipe optimizer, dan hyperparameter lainnya terhadap kinerja arsitektur neural network. Selebihnya, Skripsi ini juga membandingkan model Long Short Term Memory (LSTM) dengan arsitektur Convolutional Neural Network (CNN) dan Artificial Neural Network (ANN). Hasil dari penelitian skripsi ini menunjukkan bahwa arsitektur Long Short Term Memory menunjukkan hasil yang optimal pada sistem yang time dependent dan dinamis.

---

This paper discusses the application of Long Short-Term Memory Networks in designing a identification model. Firstly, this paper discusses the effect of different hyperparameters such as but not limited to: number of hidden layers, type of activation function, type of optimizer used on the performance of the neural network. Furthermore, this paper also compares the performance and effectiveness of different neural networks such as Convolutional Neural Network (CNN) and Artificial Neural Network (ANN) to a LSTM model. The result of this research shows that a Long Short-Term Memory (LSTM) network performs optimally in systems that are time-dependent and dynamic.>i/>

"

"Analisis sentimen dilakukan untuk menganalisis pendapat atau pandangan seseorang terhadap suatu masalah tertentu. Analisis sentimen dapat dilakukan secara manual, tetapi jika menggunakan data berskala besar akan lebih mudah dilakukan secara otomatis yaitu dengan menggunakan machine learning. Namun, machine learning hanya efektif digunakan pada satu domain saja sehingga dikembangkanlah lifelong learning. Lifelong learning merupakan machine learning yang dapat melakukan pembelajaran secara berkelanjutan. Pada penelitian ini, model yang digunakan adalah model CNN-LSTM dan LSTM-CNN. Pada kinerja transfer of knowledge, model CNN-LSTM dan LSTM-CNN menunjukkan hasil lebih baik dibanding model LSTM, tetapi kedua model gabungan tersebut kinerjanya lebih buruk dibanding model CNN. Sedangkan, pada kinerja loss of knowledge, model model CNN-LSTM dan LSTM-CNN menunjukkan hasil lebih baik dibanding model CNN, tetapi lebih buruk dibanding model LSTM. Pada penelitian ini, diimplementasikan juga lifelong learning dengan pembaruan vocabulary. Penambahan pembaruan vocabulary pada lifelong learning meningkatkan kinerja model CNN, LSTM, CNN-LSTM, dan LSTM-CNN pada transfer of knowledge dan loss of knowledge

---

Sentiment analysis is done to analyze a person's opinion or views on a particular problem. Sentiment analysis can be done manually, but if you use large-scale data it will be easier to do it automatically by using machine learning. However, machine learning is only effective in one domain, so lifelong learning is developed. Lifelong learning is machine learning that can carry out continuous learning. In this study, the models used are the CNN-LSTM and LSTM-CNN models. In the transfer of knowledge performance, the CNN-LSTM and LSTM-CNN models showed better results than the LSTM model, but the two combined models performed worse than the CNN model. Meanwhile, for the loss of knowledge performance, the CNN-LSTM and LSTM-CNN models showed better results than the CNN model, but worse than the LSTM model. In this study, lifelong learning with vocabulary updates was also implemented. The addition of vocabulary updates to lifelong learning improves the performance of the CNN, LSTM, CNN-LSTM, and LSTM-CNN models on transfer of knowledge and loss of knowledge"

"Analisis sentimen adalah salah satu bidang dari Pemrosesan Bahasa Alami yang membangun sistem untuk mengenal opini dalam teks dan mengelompokkan ke dalam sentimen positif atau negatif. Banyak peneliti telah membangun model yang menghasilkan akurasi terbaik dalam melakukan analisis sentimen. Tiga diantaranya adalah Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan Gated Recurrent Unit (GRU), yang merupakan bagian dari deep learning. CNN digunakan karena kemampuannya dalam mengekstrak fitur penting dalam penggalan kalimat, sedangkan LSTM dan GRU digunakan karena kemampuannya yang memiliki memori akan input yang telah diproses sebelumnya. GRU memiliki struktur yang lebih sederhana dibandingkan dengan LSTM. Ketiga model tersebut dapat digabungkan menjadi model gabungan LSTM-CNN, CNN-LSTM, GRU-CNN, dan CNN-GRU. Penelitian sebelumnya telah membuktikan bahwa model gabungan tersebut memiliki akurasi yang lebih baik dibandingkan dengan model dasar LSTM, GRU, dan CNN. Implementasi model dilakukan pada data ulasan aplikasi berbahasa Indonesia. Hasilnya, didapatkan bahwa hampir seluruh model gabungan memiliki akurasi yang lebih baik dibandingkan dengan model dasar.

---

Sentiment analysis is one of the fields of Natural Language Processing that builds a system to recognize and extract opinion in the form of text into positive or negative sentiment. Nowadays, many researchers have developed methods that yield the best accuracy in performing analysis sentiment. Three particular models are Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and Gated Recurrent Unit (GRU), which are part of deep learning architectures. CNN is used because of its ability to extract important features from each sentence fragment, while LSTM and GRU are used because of their ability to have a memory of prior inputs. GRU has a simpler and more practical structure compared to LSTM. These models can be combined into combined LSTM-CNN, CNN-LSTM, GRU-CNN, and CNN-GRU model. Former researches have proved that these models have better accuracy compared to standard models. This research is focused on the performance of all the combined LSTM-CNN, CNN-LSTM, GRU-CNN, CNN-GRU models and will be compared to the standard LSTM, GRU, CNN models. Implementation of the model is performed on a collection of application review data in Indonesian text. As a result, almost all of the combined models have better accuracy than the standard models."

"Indonesia terletak di wilayah dengan tingkat aktivitas gempa yang tinggi. Meskipun gempa bumi tidak dapat dihindari, melalui kemajuan teknologi, sistem peringatan dini gempa telah berhasil menyelamatkan nyawa di banyak negara rawan gempa. Sistem peringatan dini gempa bekerja berdasarkan sifat dari gelombang P dan S pada gempa, yang dimana gelombang P merambat lebih cepat dibandingkan gelombang S. Selisih waktu kedatangan gelombang P dan S ini dapat digunakan untuk memberikan peringatan dini. Oleh karena itu, penentuan waktu tiba fase P di gelombang gempa sangatlah penting. Tujuan dari penelitian ini adalah untuk mengembangkan dua variasi model yang dapat mendeteksi fase P dari data sinyal seismik. Mula-mula, model akan mendeteksi gelombang P di sinyal seismik, lalu fase P nya akan ditentukan di saat gelombang P pertama kali terdeteksi. Dua variasi model tersebut yaitu 1D CNN-LSTM dan LSTM yang akan dilatih menggunakan dua variasi input, yaitu frekuensi dominan dan modified energy ratio MER. Hasil prediksi model kemudian dibandingkan dengan hasil prediksi metode STA/LTA. Berdasarkan hasil evaluasi, model 1D CNN-LSTM variasi pertama memberikan performa terbaik dalam mendeteksi fase P. Pada sinyal normal dengan input frekuensi dominan dari STFT 200 Frame, model ini menghasilkan MAE sebesar 0,856 detik dan RMSE sebesar 1,763 detik. Sementara itu, pada sinyal dengan SNR rendah menggunakan STFT 100 Frame, diperoleh MAE sebesar 1,353 detik dan RMSE sebesar 2,395. Model yang menggunakan variasi input MER memberikan hasil prediksi yang buruk. STA/LTA memberikan nilai MAE dan RSME terbesar dibandingkan prediksi model.

---

Indonesia is located in a region with high seismic activity. Although earthquakes are unavoidable, technological advancements have enabled earthquake early warning systems to save lives in many earthquake-prone countries. These early warning systems operate based on the characteristics of P and S waves, where P-waves travel faster than S-waves. The time difference between the arrival of P and S waves can be used to provide early warnings. Therefore, accurately determining the arrival time of the P-wave phase is crucial. The aim of this study is to develop two model variations capable of detecting the P-wave phase from seismic signal data. First, the model detects the P-wave in the seismic signal, then the P-phase is determined at the point where the P-wave is first detected. The two model variations are 1D CNN-LSTM and LSTM, which are trained using two types of input features: dominant frequency and Modified Energy Ratio (MER). The model predictions are then compared to predictions made using the STA/LTA method. Based on the evaluation results, the first variation of the 1D CNN-LSTM model demonstrated the best performance in detecting the P-phase. On regular signals with dominant frequency input from a 200-frame STFT, this model achieved a MAE of 0,856 seconds and an RMSE of 1,763 seconds. On low SNR signals using a 100-frame STFT, the model achieved a MAE of 1,353 seconds and an RMSE of 2,395 seconds. In contrast, models using MER input yielded poor prediction results. The STA/LTA method produced the highest MAE and RMSE values compared to the model predictions."

"Penelitian ini memafaatkan kamera pengawas dengan pemodelan Deep Learning untuk memprediksi curah hujan. Model dibangun dengan input video serta data referensi curah hujan dari Tipping Bucket yang dipasang berdekatan dengan lokasi kamera pengawas. Penelitian ini memfokuskan prediksi curah hujan dengan input video sebagai representasi curah hujan dalam satuan waktu, serta metode Rain Streak yang muncul sebagai Rain Streak. Informasi spasial yang dimiliki setiap gambar yang ditangkap kamera pengawas ditangkap oleh arstitektur model vR-TCN dan digunakan fungsi Time Distributed agar informasi spasial yang ditangkap diterapkan terhadap deretan gambar.  Penelitian ini membuktikan input Rain Streak dengan metode grayscale memiliki hasil yang lebih baik, disertai dengan pemilihin Region of Interest yang didasari dengan latar paling hitam. Hasil prediksi model dengan konfigurasi besar Region of Interest 120x180 pada latar paling hitam, menggunakan metode Grayscale serta menggunakan jumlah 5 deretan gambar memiliki hasil terbaik dengan nilai RMSE sebesar 0,1391 dan R2 sebesar 0,8800.

---

This research utilizes surveillance cameras and Deep Learning modeling to predict rainfall. The model is built using video input and reference data from nearby Tipping Bucket rain gauges. This research focuses on predicting rainfall using video inputs as a representation of rainfall over a period of time, as well as the Rain Streak method that appears as Rain Streak. The spatial information captured by the surveillance camera in each image is captured by the vR-TCN model architecture, and the Time Distributed function is used to apply the captured spatial information to a sequence of images. This research proves that the Rain Streak method with grayscale produces better results, accompanied by the selection of a Region of Interest based on the darkest background. The predictive model yields the best results with a configuration of a large Region of Interest of 120x180 on the darkest background, using the Grayscale method and a sequence of 5 images, with an RMSE value of 0,1391 and an R2 value of 0,8800."

"Jatuh merupakan penyebab utama kedua cedera dan kematian yang tidak disengaja di seluruh dunia. Kejadian ini sering terjadi pada lansia dan frekuensinya meningkat setiap tahun. Sistem pendeteksi aktivitas jatuh yang reliabel dapat mengurangi risiko cedera yang dialami. Mengingat jatuh adalah kejadian yang tidak dikehendaki atau terjadi secara tiba-tiba, sulit untuk mengumpulkan data jatuh yang sebenarnya. Deteksi jatuh juga sulit karena kemiripannya dengan beberapa aktivitas seperti jongkok, dan mengambil objek dari lantai. Selain itu, beberapa tahun belakangan dataset mengenai aktivitas jatuh yang tersedia secara publik juga terbatas. Oleh karena itu, di tahun 2019, beberapa peneliti mencoba membuat dataset jatuh yang komprehensif yang mensimulasikan kejadian yang sebenarnya dengan menggunakan perangkat kamera dan sensor. Dataset yang dihasilkan dataset multimodal bernama UP-Fall. Menggunakan dataset tersebut, penelitian ini mencoba mendeteksi aktivitas jatuh dengan pendekatan Convolutional Neural Network (CNN) dan Long Short Term Memory (LSTM). CNN digunakan untuk mendeteksi informasi spasial dari data citra, sedangakan LSTM digunakan untuk mengeksploitasi informasi temporal dari data sinyal. Kemudian, hasil dari kedua model digabungkan dengan strategi majority voting. Berdasarkan hasil evaluasi, CNN memperoleh akurasi sebesar 98,49% dan LSTM 98,88%. Kedua model berkontribusi kepada performa strategi majority voting sehingga mendapatkan akurasi (98,31%) yang melebihi akurasi baseline (96,4%). Metrik evaluasi lain juga meningkat seperti precision naik 11%, recall 14%, dan F1-score 12% jika dibandingan dengan baseline

---

.Fall is the second leading cause of accidental injury and death worldwide. This event often occurs in the elderly and the frequency is increasing every year. Reliable fall activity detection system can reduce the risk of injuries suffered. Since falls are unwanted events or occur suddenly, it is difficult to collect actual fall data. It is also difficult because of the similarity to some activities such as squatting, and picking up objects from the floor. In addition, in recent years the fall dataset that is publicly available is limited. Therefore, in 2019, some researchers tried to create a comprehensive fall dataset that simulates the actual events using camera and sensor devices. The experiment produced a multimodal dataset UP-Fall. Using this dataset, this study tries to detect falling activity using Convolutional Neural Network and Long Short Term Memory approaches. CNN is used to detect spatial information from image data, while LSTM is used to exploit temporal information from signal data. Then, the results of the two models are combined with the majority voting strategy. Based on the evaluation results, CNN obtained an accuracy of 98.49% and LSTM 98.88%. Both models contribute to the performance of the majority voting strategy with the result that the accuracy (98.31%) exceeds baseline accuracy (96.4%). Other evaluation metrics also improved such as precision goes up to 11%, recall 14%, and F1-score 12% in comparison with baseline."

"Quadcopter merupakan wahana terbang yang memiliki 4 rotor bersifat underactuated. Sifat quadcopter yang merupakan sistem yang kompleks akibat coupling antar variabelnya menjadikan desain pengendali yang cukup rumit. Diperlukan adanya pengendali yang mudah untuk dapat diaplikasikan pada quadcopter. Untuk melakukan percobaan pengaplikasian pengendali pada quadcopter, sistem pengendali tersebut harus dilakukan percobaan pada simulasi untuk mengetahui hasilnya. Oleh karena itu, peneliti mengusulkan pengendalian DIC yang berbasis deep neural networks (DNN) dan long-short term memory (LSTM) diujikan pada simulator sebelum akhirnya pada quadcopter asli. LSTM digunakan memiliki arsitektur pendukung untuk data sekuensial sebagaimana pergerakan trajektori. Sistem kendali dengan LSTM ini dihasilkan galat MSE yang lebih rendah dibanding DNN. Kinerja LSTM lebih baik dibandingkan dengan DNN. Selain itu, terdapat beberapa faktor – faktor terjadi peningkatan galat ketika diintegrasikan pada simulator Gazebo untuk bahan evaluasi terhadap pengendali berbasis yang sama diaplikasikan pada quadcopter aslinya.

---

Quadcopter is a flying vehicle that has 4 rotors that are underactuated. The nature of the quadcopter which is a complex system due to the coupling between the variables makes the controller design quite complicated. An easy controller is needed to be applied to the quadcopter. In order to experiment with the application of the controller on the quadcopter, the control system must be experimented with in a simulation to find out the results. Therefore, the researcher proposes that DIC control based on Deep Neural Network and Long-Short Term Memory be tested on a simulator before finally on a real quadcopter. LSTM is used to have a supporting architecture for sequential data as well as trajectory movement. The controller with this LSTM produces a lower MSE error than DNN. LSTM performance is better compared to DNN. In addition, there are several factors that increase the error when integrated into the simulator for evaluation of the same based controller applied to the original quadcopter."