Hasil Pencarian  ::  Simpan CSV :: Kembali

Abstrak :
ABSTRACT
Backpropagation neural network merupakan salah satu algoritme machine learning yang mengizinkan sebuah mesin untuk melakukan pembelajaran dari sekumpulan data, sehingga tidak perlu diprogram secara eksplisit. Namun, backpropagation neural network yang baik memerlukan proses pembelajaran dengan waktu lama dengan data dalam jumlah banyak. Penelitian ini akan merancang sebuah program backpropagation neural network yang dapat dieksekusi secara paralel untuk mendapatkan waktu eksekusi yang lebih cepat. Pembuatan program ini dilakukan menggunakan OpenMP API dalam bahasa pemrograman C. Hasil pengujian membuktikan bahwa adanya pengurangan waktu eksekusi, yakni secara berurutan sebesar 2,2653 detik dan 0,5838 detik untuk masing-masing mesin pengujian yang digunakan, untuk pertambahan setiap jumlah thread yang bekerja pada program. Namun, program masih memiliki skalabilitas yang kurang bagus dikarenakan oleh terjadinya fenomena false sharing pada program. Program memiliki sifat kenaikan waktu eksekusi linier sebesar 0,9263 detik untuk setiap pertambahan jumlah sampel input. Hal ini dikarenakan oleh pertambahan jumlah sampel hanya menambah jumlah data yang harus diproses program saja. Sedangkan, program memiliki sifat kenaikan waktu eksponensial sebesar e0,0103 detik untuk setiap pertambahan jumlah dimensi sampel input. Hal ini dikarenakan oleh pertambahan jumlah dimensi tidak hanya menambah jumlah data yang harus diproses saja, melainkan juga menambah sejumlah variabel yang bekerja pada program yang menimbulkan pertambahan komputasi pada setiap sampel input.

---

ABSTRACT
Backpropagation neural networks is one of many machine learning algorithms that allows a machine to do a learning process from a set of data, instead of programming it explicitly. However, a good backpropagation neural network program needs a lot amount of learning time and involves huge amount of data. This experiment made a backpropagation neural network program that can be executed in parallel fashion in order to reduce its execution time using OpenMP API in C programming language. The program rsquo s test results show that there are 2.2653 and 0.5838 second execution time decreases, each corresponds to each testing machine, for every thread added to the program. However, the program rsquo s scalability is not good enough due to false sharing phenomenon that appeared in time of execution. Program has a 0.9263 second linear execution time increase for every input samples added to the program. This is because of the addition will only effect on how much data the program needs to process. However, the program has an e0.0103 second exponential execution time increase for every input sample rsquo s feature added. This is because of the addition will not only effect on how much data that needs to be processed, but also generate some additional variables involved inside program which affects the computational process of each input sample.

Abstrak :
Penelitian ini mengembangkan dan menganalisa sistem pendeteksi plagiarisme dua bahasa berbasis Latent Semantic Analysis untuk karya tulis berbahasa Indonesia dan referensi berbahasa Inggris. Sistem pendeteksi plagiarisme menggunakan algoritma backpropagation neural network untuk melakukan klasifikasi pasangan karya tulis berbahasa Indonesia dan Inggris yang sudah dinilai tingkatan plagiarismenya secara manual. Sistem dapat memperoleh klasifikasi akurasi F-measure sampai dengan 92.75. Hasil percobaan menunjukkan bahwa akurasi tertinggi dapat diperoleh jika menggunakan metode term frequency binary dalam penghitungan jumlah kata dan penggunaan frobenius norm, vector angle slice, dan vector angle pad sebagai pilihan fitur untuk masukan backpropagation neural network.

---

This research aims to develop and analyse dual language plagiarism detection system based on Latent Semantic Analysis for papers with Indonesian language and reference text with English language. The plagiarism detection system uses backpropagation neural network algorithm to classify pairs of Indonesian and English papers which plagiarism levels has been graded manually. The system has reached classification accuracy using F measure metric up to 92.75. Experiment results show that the highest accuracy obtained when using term frequency binary method in counting frequency of words and using frobenius norm, vector angle slice, and vector angle pad features for backpropagtion neural network input.

Abstrak :
ABSTRAK
Pada penelitian ini menjelaskan bagaimana pengenalan suara otomatis menggunakan bahasa daerah yang berasal indonesia yaitu bahasa sunda, yang dapat mengontrol alat-alat elektronik pada suatu rumah. Bahasa sunda merupakan bahasa daerah dengan penuturan terbanyak kedua di indonesia setelah bahasa jawa. Pengenalan suara menggunakan bahasa sunda dilakukan pada penelitian ini dengan tujuan dapat mengontrol beberapa alat elektronik didalam rumah secara langsung dengan akurasi yang baik. Adapun metode yang digunakan dalam pengenalan suara bahasa sunda adalah metode ekstraksi Mel Frequency Cepstral Coefficient (MFCC) dan metode classifikasi jaraingan saraf tiruan berbasis algoritma backpropagation. Ada 16 intruksi bahasa sunda yang digunakan dalam pengenalan suara sebagai input pada sistem, setiap instruksi memiliki 2 sampai 3 suku kata bahasa sunda. Output yang digunakan penulis dalam penelitian ini sebanyak 6 alat elektronik rumah tangga, untuk menghidupkan atau mematikan satu output dikontrol menggunakan 2 instruksi bahasa sunda. Data suara yang digunakan dalam proses pembelajaran algoritma backpropagation adalah sebanyak 480 data yang masing-masing instruksi bahasa sunda adalah 30 data suara yang sama, hasil dari proses pembelajaran adalah berupa bobot yang dapat digunakan untuk proses pengetesan hardware, berdasarkan hasil percobaan langsung didapat tingkat akurasi pengenalan sebesar 96.875% saat dilakukan testing terhadap sistem.

---

ABSTRACT
In this study explain how automatic speech recognition uses regional languages that originate from Indonesia, namely Sundanese language, which can control electronic devices in a home. Sundanese is the second most spoken local language in Indonesia after Javanese. Voice recognition using Sundanese language was carried out in this study to be able to directly control several electronic devices in the house with good accuracy. The method used in Sundanese speech recognition is the Mel Frequency Cepstral Coefficient (MFCC) extraction method and the artificial neural network classification method based on the backpropagation algorithm. There are 16 Sundanese language instructions used in speech recognition as input to the system; each instruction has 2 to 3 Sundanese language syllables. The output used by the author in this study was five household electronic devices, to turn on or turn off one output controlled using 2 Sundanese language instructions. Sound data used in the learning process of the backpropagation algorithm is 480 data, each Sundanese language instruction is 30 of the same sound data, the results of the learning process are in the form of weights that can be used for hardware testing, based on the results of direct experiments 96.875 % when testing the system.

Abstrak :
[ABSTRAK
Perkembangan teknologi yang semakin cepat menjadikan teknologi penting di berbagai sektor kehidupan, khususnya di bidang industri. Perkembangan zaman membuat tingkat permintaan akan suatu produk menjadi berubah sehingga industri harus meningkatkan kinerja produksinya. Teknologi yang digunakan merupakan teknologi automasi di mana di dalamnya terdapat pengendali. Pengendali yang digunakan oleh kebanyakan industri merupakan pengendali konvensional karena pengendali konvensional relatif murah dan efektif. Akan tetapi pengendali konvensional ini tidak dapat digunakan untuk sistem yang kompleks dan non linear. Pengendali konvensional, misalnya pengendali PID, tidak dapat mengatasi terjadinya perubahan karakteristik dari sistem secara otomatis. Untuk itu diperlukan sistem pengendali yang mampu mengatasi perubahan karakteristik secara otomatis dan dapat beradaptasi dengan dinamika perubahan sistem yang diakibatkan adanya perubahan kondisi lingkungan kerja. Sistem pengendali yang dianggap mampu untuk beradaptasi dengan perubahan karakteristik dari sistem secara otomatis adalah pengendali berbasis Neural Network. Dalam percobaan ini parameter yang digunakan untuk menentukan pengendali yang baik adalah adaptivity serta kecepatan respon pengendali. Pada hasil simulasi ini didapatkan bahwa pengendali berbasis Neural Network dengan metode Radial Basis Function Neural Network (RBFNN) lebih baik dan lebih cepat dalam menanggapi perubahan karakteristik sistem dibandingkan dengan pengendali Neural Network berbasis backpropagation. ABSTRACT
Development of technology has been rapidly increasing that make technology as an important aspect in many sectors of life, especially in industrial sector. The times have changed the demand of a product so that industry has to enhance its production capacity. Technology used in industry is automation technology which has controller inside. Controller used in industry mostly is conventional controller because it has low price and good effectivity. However, conventional controller can?t be used for complex and non-linear system. For example, PID controller, it can?t handle the changes of system?s characteristic automatically. PID controller has to be reset to handle the new system?s characteristic. Because of that, industry need a controller that has ability to handle the changes of the system?s characteristic automatically and adapt with the dynamics of system?s changes caused by external factor. Controller system that has been considered for the ability of handling the changes of system?s characteristic automatically is Neural Network based controller. In this experiment, the parameters used to determine good controller is adaptivity of the system also the speed of controller response. The result of the experiment shows that Neural Network with Radial Basis Function Neural Network (RBFNN) based controller has better response to the changes of the system?s characteristic than Backpropagation based Neural Network controller.;Development of technology has been rapidly increasing that make technology as an important aspect in many sectors of life, especially in industrial sector. The times have changed the demand of a product so that industry has to enhance its production capacity. Technology used in industry is automation technology which has controller inside. Controller used in industry mostly is conventional controller because it has low price and good effectivity. However, conventional controller can?t be used for complex and non-linear system. For example, PID controller, it can?t handle the changes of system?s characteristic automatically. PID controller has to be reset to handle the new system?s characteristic. Because of that, industry need a controller that has ability to handle the changes of the system?s characteristic automatically and adapt with the dynamics of system?s changes caused by external factor. Controller system that has been considered for the ability of handling the changes of system?s characteristic automatically is Neural Network based controller. In this experiment, the parameters used to determine good controller is adaptivity of the system also the speed of controller response. The result of the experiment shows that Neural Network with Radial Basis Function Neural Network (RBFNN) based controller has better response to the changes of the system?s characteristic than Backpropagation based Neural Network controller., Development of technology has been rapidly increasing that make technology as an important aspect in many sectors of life, especially in industrial sector. The times have changed the demand of a product so that industry has to enhance its production capacity. Technology used in industry is automation technology which has controller inside. Controller used in industry mostly is conventional controller because it has low price and good effectivity. However, conventional controller can’t be used for complex and non-linear system. For example, PID controller, it can’t handle the changes of system’s characteristic automatically. PID controller has to be reset to handle the new system’s characteristic. Because of that, industry need a controller that has ability to handle the changes of the system’s characteristic automatically and adapt with the dynamics of system’s changes caused by external factor. Controller system that has been considered for the ability of handling the changes of system’s characteristic automatically is Neural Network based controller. In this experiment, the parameters used to determine good controller is adaptivity of the system also the speed of controller response. The result of the experiment shows that Neural Network with Radial Basis Function Neural Network (RBFNN) based controller has better response to the changes of the system’s characteristic than Backpropagation based Neural Network controller.]

Abstrak :
Pencampuran susu dengan melamin ditujukan untuk mengelabuhi badan pengawasan makanan, agar terlihat kandungan protein dalam susu bagus.kualitas susu bagus terlihat dari kadar nitrogen yang terkandung dalam asam amino,karena melamin mempunyai kadar nitrogen yang tinggi sebanyak 66% maka susu akan terlihat mempunyai protein tinggi. Jaringan Syaraf Tiruan (JST) adalah suatu metode komputasi untuk memodelkan suatu sistem. Bentuk dan sifat JST yang sangat flexible memungkinkan JST digunakan untuk memodelkan, merancang dan menganalisa pendeteksian kadar melamin dari bahan makanan. Metode yang digunakan adalah backpropagation yang terdiri atas lapisan masukan, lapisan tersembunyi dan lapisan keluaran. Data yang diperoleh yaitu dari pengukuran yang dilakukan di LAB afiliasi Fakultas Matematika dan Ilmu Pengetahuan (FMIPA) Universitas Indonesia.Analisa Sistem yang dilakukan adalah training data dengan fungsi gradien (traingd) serta menggunakan fungsi aktivasi purelin.hasil identifikasi kemudian di hitung persen error dari jaringan.

---

Melamine mixing with milk and Some of food is to manipulating for food control agency, and to look good protein in milk is looking from the nitrogen content of the amino acid, because the melamine has a high nitrogen content of 66% then milk look like have a good protein content. Network Network is a method for computing and modeling a system. Neural Network is so flexible so allow neural netwok using to modeling, design and analyze detectition of melaminn level from food. Which using backpropagation metode, this metode include input layer, hidden layer, and output layer. All data get from Afilition Laboratory in Science Faculty in University of Indonesia depok. System analyze using gradient function (traingd) and using purelin activation function and all data identification then calculate in persen with neural network.

Abstrak :
ABSTRAK

Proses deteksi tumor otak dengan komputer dilakukan melalui empat tahapan utama. Pada tahap awal dilakukan pra-proses dengan median filter untuk memperbaiki kualitas citra. Kemudian dilanjutkan dengan ekstraksi fitur menggunakan dekomposisi wavelet haar bertingkat tiga agar ukuran citra tidak terlalu besar, hanya 1/8 dari ukuran citra asalnya. Setelah itu dilakukan proses reduksi dimensi menggunakan Principal Component Analysis (PCA). PCA menentukan komponen penting dari citra dengan melihat dari varians yang direpresentasikan oleh nilai eigen, sehingga jumlah komponen yang akan dimasukkan ke proses pembelajaran tidak terlalu banyak, untuk menghindari curse of dimentionality. Baru setelah itu dilakukan proses pembelajaran menggunakan metode Backpropagation Neural Network (BPNN) dengan 10 hidden neuron, dimana proses pelatihan dan pengujian dilakukan untuk mendapatkan bobot dan bias yang terbaik dan kemudian diuji. Hasil akurasi pengenalan pada kondisi awal ini mencapai 87%, sementara pada kondisi ideal yang menggunakan dekomposisi wavelet haar bertingkat empat dan 3 hidden neuron pada BPNN mencapai akurasi pengenalan 100%.

---

ABSTRACT

Brain tumor detection process by the computer is going through four main step. First is pre-processing that using median filter to enhance the image quality. The second is feature extraction using level-3 haar wavelet decomposition, so that the image is not too big, only 1/8 of the original size . The third is dimentionality reduction using Principal Component Analysis (PCA). PCA determine the principal component of the image from variances, which represented by eigen value. So the component that will be used in learning step is much fewer, to avoid the curse of dimentionality. And the last step is learning, using Backpropagation Neural Network (BPNN) with 10 hidden neuron. The BPNN going through training and testing phase. BPNN will find its optimal weight and bias, and those weight and bias are being tested. The result from BPNN could distinguish images into normal and tumor, with accuracy 87% in default condition. In ideal condition, which is using level-4 haar wavelet decomposition and 3 hidden neuron in BPNN, the accuracy is 100%.

Abstrak :
ABSTRAK
Emosi merupakan suatu keadaan psikologis yang dipicu oleh aktivitas sensorik manusia baik secara sadar maupun tidak sadar. Emosi berperan penting dalam kehidupan manusia seperti dalam pengambilan keputusan, dalam mengekspresikan diri, dan lain sebagainya. Emosi dapat dihasilkan menggunakan rangsangan/stimulus tertentu seperti emosi takut dihasilkan menggunakan hal-hal yang menyeramkan seperti gambar pembunuhan, emosi bahagia dapat dipicu menggunakan stimulus gambar-gambar yang menyenangkan seperti gambar pemandangan, emosi sedih dapat dipicu menggunakan musik-musik sendu, menangis, dan hal-hal menyedihkan lainnya, dan emosi jijik dapat dipicu mengunakan stimulus yang menjijikkan seperti kotoran manusia. Beberapa stimulus yang biasa digunakan dalam penelitian adalah gambar, text, audio, atau video. Pada proses penghasilan emosi, terdapat aktivitas elektrik dalam otak manusia yang dapat direkam menggunakan perangkat bernama Elektroensefalografi EEG , rekaman gelombang otak ini juga dapat dilakukan menggunakan perangkat yang bernama neuroheadset. Penelitian ini membahas tentang pengembangan sistem akuisisi data sinyal otak menggunakan neuroheadset dan menghasilkan database yang digunakan untuk analisis emosi. Dalam penelitian ini digunakan stimulus berupa video yang terdiri dari kumpulan gambar. Setiap gambar dalam video telah melalui proses validasi sesuai dengan kelas emosi yang diinginkan. Kelas emosi yang digunakan dalam penelitian ini yaitu bahagia, jijik, sedih, dan takut. Setiap kelas emosi memiliki empat stimulus video. Proses validasi dilakukan oleh lima orang partisipan dan proses pengambilan data sinyal otak dilakukan terhadap empat orang partisipan. Pengambilan data dilakukan menggunakan perangkat neuroheadset dengan vendor Emotiv tipe Epoc. Hasil rekaman sinyal diproses menggunakan Matlab dan menghasilkan database berukuran 16x14x7680, dimana angka 16 merepresentasikan jumlah stimulus video, 14 merepresentasikan sensor Emotiv Epoc yang digunakan, dan 7680 merupakan data sinyal yang diambil selama 60 detik dengan frekuensi sampling 128 Hertz. Tingkat keberhasilan tertinggi untuk emosi bahagia, jijik, sedih, dan takut secara berurut adalah 75 , 62.5 , 62.5 , dan 75 . Tingkat keberhasilan tertinggi ini dicapai untuk variasi channel frekuensi alpha, sensor yang digunakan yaitu F7, F3, F4, dan F8. Teknik klasifikasi yang digunakan adalah feed-forward backpropagation neural network.

---

ABSTRACT
Emotion is a psychological state that triggered by human sensory activity both consciously and unconsciously. Emotions play an important role in human life such as decision making, self expression, and others. Emotions can be generated using certain stimuli such as feared emotions generated using scary things like murder images, happy emotions can be triggered by stimuli of fun images such as sight images, sad emotions can be triggered using melodic music, crying, and other sad things, and disgusted emotions can be triggered using disgusting stimuli like human feces. Some of the stimuli commonly used in research are using images, text, audio, or video. In the process of earning emotions, there is electrical activity in the human brain that can be recorded and processed to obtain brain signals using a device called Electroencephalography EEG , these brainwave records can also be recorded using a device called neuroheadset. This study discusses the development of data acquisition system of brain signals using neuroheadset and generate database used for emotion analysis. In this study used a video stimulus consisting of a collection of images. Each image in the video has gone through the validation process according to the desired emotion class. Four kind of emotion used in research that are happy, disgusted, sad, and scared. Each emotional class has four video stimuli. Five participants carried out the validation process and the process of retrieving the brain signals data performed on four participants. Data retrieval performed using a neuroheadset device with Emotiv vendor with Epoc type. The recording of the signal is processed using Matlab and generates a 16x14x7680 database, where the number 16 represents the number of video stimuli, 14 represents the Epoc Emotion sensor used, and 7680 is the signal data taken for 60 seconds with 128 Hertz sampling frequency. The highest recognition rate for happy, disgusted, sad, and fearful emotions are 75 , 62.5 , 62.5 , and 75 . The highest success rate achieved for alpha frequency channel variation the sensors used are F7, F3, F4, and F8. The classification technique used is feed forward backpropagation neural network.

Abstrak :
Data yang didapat dari Polda Metro Jaya, pada arus mudik 6 hari sebelum Hari Raya Idul Fitri tahun 2017 ada sekitar 73 kasus kecelakaan lalu lintas yang disebabkan oleh rasa kantuk pada saat berkendara. Yang dimana 6 orang meninggal dunia, mengalami luka berat sebanyak 17 orang, dan luka ringan sebanyak 82 orang. Jumlah ini meningkat 16 persen dari tahun 2016 yang tercatat sebanyak 63 kejadian. Sistem pendeteksi dan prediksi kantuk dikembangkan untuk mengatasi masalah ini. Metode peramalan untuk time series yang banyak menimbulkan proses prediksi cukup sulit dilakukan. Sistem prediksi kantuk dibangun dengan algoritme backpropagation neural network yang diharapkan mampu untuk mempelajari dan beradaptasi pada setiap pola dari data historis yang diberikan. Dengan mengenali pola dari data historis, sistem dapat memberikan prediksi dan respons yang akurat dengan akurasi sebesar 100.

---

Data obtained from Polda Metro Jaya, on the homecoming traffic 6 days before Idul Fitri 2017 there are about 73 cases of traffic accidents caused by drowsiness at the time of driving. Where 6 people died, severe injuries as many as 17 people, and light injuries as many as 82 people. This number increased 16 percent from the year 2016 recorded as many as 63 events. Drowsiness and prediction systems were developed to address this problem. Forecasting methods for time series caused a lot of prediction process quite difficult. The sleep prediction system is built with backpropagation neural network algorithm expected to be able to learn and adapt to each pattern of given historical data. By recognizing patterns from historical data, the system is expected to provide accurate predictions and responses with 100.

Abstrak :
ABSTRAK
Emosi merupakan hasil dari aktivitas sensorik manusia baik sadar maupun tidak sadar yang dipicu oleh suatu objek atau situasi yang dialami manusia. Dalam dunia medis, emosi sangat berperan dalam kesembuhan pasien, tenaga medis sering kali mempertimbangkan emosi pasien untuk pengambilan keputusan langkah medis yang harus ditempuh. Saat ini, sistem pendeteksi emosi yang banyak digunakan adalah menggunakan raut wajah, namun sistem ini masih kurang bisa membantu tenaga medis dikarenakan ada pasien yang tidak mau atau tidak bisa memperlihatkan emosi mereka baik secara verbal maupun non-verbal. Oleh karena itu dibutuhkan sistem pendeteksi emosi yang tidak bergantung pada ekspresi emosi verbal maupun non-verbal. Penelitian ini membahas tentang perancangan sistem pendeteksi emosi menggunakan sinyal elektroensefalografi (EEG) dengan menggunakan metode ekstraksi fitur Bispectrum Wavelet. Kemudian untuk detailed coefficient akan diekstrak fiturnya menggunakan Relative Wavelet Bispectrum (RWB) dan untuk approximate coefficient akan di filter menggunakan Non-Overlap 3-D Pyramid untuk kemudian dicari mean%. Sistem pendeteksi emosi dengan menggunakan sinyal EEG dipilih karena untuk mendapatkan sinyal EEG tidak bergantung pada ekspresi emosi verbal maupun non-verbal. Dataset EEG yang digunakan didapatkan dari Database for Emotion Analysis using Physiological Signals (DEAP). Hasil mean yang didapatkan dari implementasi sistem yang diajukan pada skripsi ini adalah 76.6250% untuk valence dan 75.8594% untuk arousal. Hasil ini lebih tinggi 3.1050% untuk valence dan 2.4794% untuk arousal dibandingkan dengan hasil yang didapatkan pada paper

---

ABSTRACT
Emotion is a result of humans conscious or unconscious sensorics activities that is triggered by object or situation that the human experienced. In medical world, emotion can be the key for patient healing process, doctor or medical personnel often use patients emotion to make next healing process movement. Nowadays, facial recognition is the most common emotion detection system; however, this emotion detection system is unreliable because it needs patient to show their emotion in verbal or non-verbal ways. Therefore, other emotion detection system that does not depend on humans verbal or non-verbal expression is needed. In this research, emotion detection system using electroencephalography (EEG) signal with Bispectrum Wavelet for its features extraction is discussed. Relative Wavelet Bispectrum will be used to extract features from detailed coefficient, and the approximate coefficient will be filtered and then it mean% will be calculated. EEG signal-based emotion detection system was chosen because EEG signal does not depend on humans verbal or non-verbal expression. Database for Emotion Analysis using Physiological Signals (DEAP) is used in this research. The mean result of the proposed system was 76.6250% for valence and 75.8594% for arousal. This results was higher by 3.1050% for valence and 2.4794% for arousal from the previous system

Abstrak :
Dalam menjalankan bisnisnya, perusahaan telekomunikasi di sektor fixed broadband seringkali mengalami kebocoran pendapatan signifikan. Diantara beberapa penyebab kebocoran pendapatan, fraud merupakan faktor kebocoran yang memiliki dampak terbesar terhadap finansial dan citra perusahaan. Salah satu upaya untuk meminimalkan fraud dengan mendeteksi fraud yang dilakukan oleh pelanggan. Oleh karena itu, tujuan penelitian ini merancang classification model menggunakan machine learning untuk diaplikasikan terhadap sistem fraud detection. Classification model akan dibangun menggunakan supervised machine learning yang bertujuan untuk memprediksi kelas tertentu berdasarkan data historis yang didapatkan. Dalam penelitian ini, beberapa beberapa algoritme machine learning akan dibandingkan diantaranya logistic regression, decision tree, random forest, dan backpropagation neural network. Selain itu, dalam kasus fraud detection, data historis yang didapatkan memiliki perbandingan antar kelas yang tidak seimbang sehingga dibutuhkan pra-proses data balancing. Pada penelitian ini, data balancing dilakukan dengan oversampling berbasis Adaptive Synthetic (ADASYN). Hasil penelitian ini menunjukkan backpropagation neural network memiliki performa terbaik diantara algoritma lainnya. Selain itu didapatkan seluruh algoritme memiliki indikator performa diatas 90% menunjukkan pada kasus fraud detection di sektor fixed broadband, machine learning bekerja dengan akurat. ......In running their business, telecommunications companies in the fixed broadband sector often experience significant revenue leakage. Among several causes of revenue leakage, fraud is the leakage factor that has the most significant impact on finances and corporate image. One of the efforts to minimize fraud is to detect fraud committed by customers. Therefore, this study aims to design a classification model using machine learning to be applied to the fraud detection system. The classification model will be built using supervised machine learning, which aims to predict certain classes based on historical data. Several machine learning algorithms will be compared in this study, including logistic regression, decision tree, random forest, and backpropagation neural network. In addition, in fraud detection, the historical data obtained has an unbalanced comparison between classes, so pre-processing data balancing is needed. In this research, data balancing is done by using Adaptive Synthetic (ADASYN) based oversampling. The results of this study indicate that the backpropagation neural network has the best performance among other algorithms. In addition, it is found that all algorithms have performance indicators above 90%, indicating that in the case of fraud detection in fixed broadband sector, machine learning works accurately.