Hasil Pencarian  ::  Simpan CSV :: Kembali

"Klasifikasi genre musik merupakan salah satu bidang dari Music Information Retrieval (MIR) yang menggunakan pola-pola spektral dalam rekaman audio digital sebagai fitur untuk membentuk sebuah sistem yang dapat menentukan genre dari sebuah musik secara otomatis. Beberapa model deep learning telah dikembangkan untuk memperoleh performa terbaik dalam melakukan klasifikasi genre musik. Tiga di antaranya adalah Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), dan model hybrid CNN-LSTM. Walaupun model- model tersebut mampu memberikan hasil yang cukup memuaskan, model-model tersebut memiliki kekurangan masing-masing. Model CNN kurang dapat memperhitungkan urutan-urutan fitur pada data berurutan dan model LSTM tidak dapat melakukan komputasi secara paralel. Ketiga model tersebut juga membutuhkan pengulangan dan konvolusi yang kompleks, serta waktu yang cukup panjang untuk perhitungan berurutan. Transformers merupakan arsitektur model yang tidak lagi mengandalkan recurrence/pengulangan, melainkan mekanisme attention yang dapat memperhitungkan urutan-urutan data pada data berurutan dan melakukan perhitungan paralel sehingga jangka waktu yang dibutuhkan dalam perhitungan lebih singkat. Melihat keberhasilan dan kepopuleran dari Transformer pada berbagai bidang seperti Bidirectional Encoder Representations from Transformers (BERT) pada bidang Natural Language Processing dan Vision Transformers pada bidang Computer Vision, pada skripsi ini dilakukan analisis mengenai kinerja model Transformers dalam permasalahan klasifikasi genre musik dibandingkan dengan model CNN, LSTM, dan CNN-LSTM.

---

Music genre classification is one of the fields of Music Information Retrieval (MIR) that uses spectral patterns in digital audio recording as features to build a system that can automatically classify a music’s genre. Several deep learning models have been developed to get the best performance in classifying music genres. Three of them are Convolutional Neural Network (CNN), Long Short-Term Memory (LSTM), and hybrid CNN-LSTM model. Although those models can give satisfactory results, each model has their own weakness. CNN is less able to consider the sequences in sequential data and LSTM is not able to do parallel computation. All these models also require complex recurrences and convolutions, as well as quite a long time for sequential calculations. Transformers is a model architecture that no longer relies on recurrences, but rather on an attention mechanism that can consider the sequences in data and perform parallel calculations so that the time required for calculation is shorter. Looking into the success and popularity of Transformers in various fields such as BERT in the field of NLP and Vision Transformers in the field of Computer Vision, this thesis analyzes the performance of Transformers on music genre classification compared to CNN, LSTM, and CNN-LSTM."

"Stylometry merupakan teknik analisa terhadap kepengarangan menggunakan statistik. Melalui stylometry, identitas kepengarangan dari suatu dokumen dapat dianalisis dengan tingkat akurasi yang tinggi. Hal ini menyebabkan adanya ancaman terhadap privasi penulis. Namun terdapat salah satu jenis metode dari stylometry yaitu penghapusan identitas kepengarangan yang dapat memberikan perlindungan privasi bagi penulis. Penelitian ini menggunakan metode penghapusan identitas kepengarangan yang diterapkan pada korpus Federalist Paper. Federalist Paper merupakan korpus terkenal yang telah banyak diteliti terutama pada metode identifikasi kepengarangan karena di dalam korpus tersebut terdapat 12 artikel yang tidak diketahui identitas penulisnya, salah satu metode identifikasinya adalah menggunakan algoritma Support Vector Machine. Melalui algoritma tersebut didapatkan identitas penulis dari artikel yang tidak diketahui pengarangnya dengan tingkat akurasi sebesar 86%. Tantangan dari metode penghapusan identitas kepengarangan adalah harus mampu mengubah gaya penulisan dengan tetap mempertahankan makna. Long-Short Term Memory (LSTM) merupakan algoritma berbasis Deep Learning yang mampu melakukan prediksi kata secara baik. Melalui model yang dibentuk dari algoritma LSTM, artikel-artikel dalam Federalist Paper diubah gaya penulisannya. Hasilnya, 30% dari artikel yang diklasifikasi dapat diubah identitas kepengarangannya dari satu penulis menjadi penulis lainnya. Tingkat kemiripan dokumen hasil ubahan berkisar antara 40-57% menandakan perubahan makna yang tidak signifikan dari dokumen aslinya. Hasil tersebut menyimpulkan bahwa metode yang diajukan mampu melakukan penghapusan identitas kepengarangan dengan baik.

---

Stylometry is an authorship analysis technique using statistics. Through stylometry, authorship identity of a document can be analyzed with a high degree of accuracy. This causes a threat to the privacy of the author. But there is one type of method of stylometry, namely the elimination of authorship identity which can provide privacy protection for writers. This study uses the authorship method of eliminating the method applied to the Federalist Paper corpus. Federalist Paper is a well-known corpus that has been extensively studied especially in authorship identification methods because there are 12 disputed texts in the corpus, one of the identification

methods is using the Support Vector Machine algorithm. Through this algorithm the author's identity of disputed text is obtained with an accuracy of 86%. The challenge of the authorship identity elimination method is that it must be able to change the writing style while maintaining its meaning. Long-Short Term Memory (LSTM) is a Deep Learning based algorithm that is able to predict words well.

Through a model formed from the LSTM algorithm, the disputed articles in the Federalist Paper are changed in their writing style. As a result, 30% of classified articles can be changed from one author identity to another identity. The level of similarity of the changed documents ranges from 40-57%, which indicates a change in meaning that is not significant from the original document. These results conclude that the proposed method is able to perform authorship identity deletion properly."

"Saham merupakan salah satu surat berharga yang diterbitkan dan dijual oleh perusahaan,yang telah memenuhi syarat, di Bursa Efek Indonesia. Prinsip dasar yang dimiliki olehsaham adalah High Risk High Reward, yang menggambarkan bahwa saham memangdapat memiliki hasil yang besar, namun memiliki risiko yang tinggi pula. Denganprinsip High Risk High Reward, tentunya para investor harus lebih hati-hati dalammenentukan langkah yang akan mereka lakukan. Salah satu cara yang dapat digunakanuntuk mengurangi risiko, yaitu melakukan prediksi tren harga saham menggunakanMachine Learning. Menggunakan data historis saham pada Bursa Efek Indonesia,yaitu open, high, low, dan close price, algoritma Machine Learning dapat melakukanprediksi tren harga saham yang selanjutnya akan digunakan sebagai strategi investasipara investor. Terdapat banyak metode Machine Learning yang dapat digunakan untukmelakukan prediksi, salah satu metode yang dapat digunakan adalah Recurrent NeuralNetwork yaitu Long Short Term Memory (LSTM). Pada metode LSTM, data historisharga saham akan dibawa ke depan melalui seluruh gerbang LSTM yaitu: ForgetGate, Input Gate, dan Output Gate. Selanjutnya akan dicari nilai loss dari model,setelah didapat nilai loss, model akan ditinjau kembali setiap tahapannya, dimulai daribelakang. Langkah pengulangan tesebut dilakukan agar mendapat variabel Weight danBias yang optimal. Kemudian, tingkat akurasi dari metode tersebut akan ditentukanmenggunakan: Root Mean Square Error (RMSE) dan Mean Absolute Error (MAE).Penelitian ini menggunakan data historis perusahaan yang termasuk pada Indeks LQ45dan dapat diambil melalui website, finance.yahoo.com. Dari penelitian ini, diketahuibahwa, masing-masing masalah memiliki model terbaiknya, untuk penyelesaian masalahtersebut.

---

Stock is a part of ownership of a company, that have fulfill the requirement to be sold at

Bursa Efek Indonesia. The basic principal of stock market is High Risk High Reward,

which describe that stock market indeed have a chance to get a great profit, but it also

come with a high risk. This principal is the reason that all investor must be cautious in

deciding their move. There’s many method to do this, with one of the being, forecasting

the stock market trend with machine learning. With the historical data, that include

open, high, low, dan close price, the machine learning algorithm, could forecast the stock

market direction for the next days, which will be one of the deciding factor for investor to

choose their move. Nowadays, there’s many machine learning method that can be used to

forecast, one of them is the branch method of Recurrent Neural Network, which is, Long

Short Term Memory (LSTM). LSTM use the historical data, and bring them forward to,

Forget Gate, Input Gate, Memory State, Output Gate. Then the loss value of the model

will be calculated. After all the process the model will be re-evaluated. The re-evaluation

step is to update all the weights and biases in the model. Then the accuracy of the model

will be evaluated with Root Mean Squared Error (RMSE) and Mean Absolute Error

(MAE). This study uses the historical data of the companys that’s included in the index

LQ45, and the data is taken from the website, finance.yahoo.com. From this research, it

is known that every problem has their own preference model to solve."

"Moda transportasi kereta merupakan transportasi umum yang cukup diminati penduduk Indonesia. Namun, Moda transportasi ini masih sedikit menggunakan energi yang bersih. Kereta Api jarak jauh Indonesia masih menggunakan diesel. Bahan bakar diesel tentunya merupakan energi konvensional yang penggunaannya ingin dikurangi oleh dunia. Salah satu solusinya adalah dengan mengurangi pengurangan diesel pada kereta api jarak jauh. Untuk mengurangi penggunaan bahan bakar dan mengurangi emisi dari mesin, maka kereta api bisa dibuat secara hibrid dengan menggabungkan mesin diesel dengan sumber energi listrik, seperti baterai. Kereta hibrid memerlukan EMS (Energy Management System) untuk mengatur energi apa yang dipakai dengan cara yang optimal. Salah satu basis dari EMS ini adalah MPC (Model Predictive Control). Salah satu hal yang menjadi pertimbangan dari Model Predictive Control adalah prediktor nya. Dengan perkembangan Deep Learning, Long Short Term Memory Neural Network (LSTM) dikenal baik untuk memodelkan data sequence. LSTM bisa membuat model prediksi kecepatan dengan data yang telah dikumpulkan. Dengan prediksi daya yang akurat, Model Predictive Control bisa menghasilkan kontrol EMS yang lebih ekonomis dengan biaya komputasi yang bisa diimplementasikan.

---

The train mode of transportation is public transportation that is quite attractive to the Indonesian population. However, this mode of transportation still uses little clean energy. Indonesian long-distance trains still use diesel. Diesel fuel is of course a conventional energy whose use the world wants to reduce. One solution is to reduce diesel reduction on long-distance trains. To reduce fuel use and reduce emissions from the engine, a hybrid train can be made by combining a diesel engine with a source of electrical energy, such as a battery. Hybrid trains require an EMS (Energy Management System) to regulate what energy is used in an optimal way. One of the bases of this EMS is MPC (Model Predictive Control). One of the things to consider in the Predictive Control Model is its predictors. With the development of Deep Learning, Long Short Term Memory Network (LSTM) is well known for modeling data sequences. LSTM can create a speed prediction model with the data that has been collected. With accurate power predictions, the Predictive Control Model can produce EMS control that is more economical with computational costs that can be implemented."

"Dataset ERA5-Land merupakan sebuah dataset reanalisis yang dapat difungsikan untuk berbagai kebutuhan pengamatan cuaca dan iklim, salah satunya adalah untuk melakukan prediksi temperatur udara. Namun dalam penggunaannya perlu dilakukan verifikasi dan uji analisis untuk mengetahui kesesuaian dataset tersebut dengan data hasil pengamatan langsung. Penelitian ini bertujuan untuk melakukan verifikasi terhadap dataset temperatur udara ERA5-Land dengan dataset dari AWS untuk mengetahui kesesuaian dari data temperatur tersebut menggunakan representasi AWS di empat kota, yaitu Tangerang Selatan, Bogor, Semarang, dan Malang. Hasil verifikasi data temperatur tersebut didapatkan kesesuaian yang tinggi antara kedua dataset tersebut, yaitu dengan nilai korelasi (r) antara 0,85 hingga 0,90 dan memiliki bias negatif di keselurahan wilayah pengamatan. Bias tersebut dikoreksi dengan metode regresi linear untuk mendapatkan data temperatur ERA5-Land terkoreksi sebelum dilakukan pemodelan prediksi temperatur udara. Penelitian ini menggunakan algoritma LSTM untuk melakukan pemodelan prediksi temperatur dengan variabel hyperparameter untuk mendapatkan hasil kesesuaian yang terbaik. Hasil analisis model prediksi temperatur udara didapatkan nilai kesesuaian (R2) terbaik yang berbeda di tiap wilayah pengamatan: Tangerang Selatan dengan konfigurasi K = 0,840, Bogor dengan konfigurasi B = 0,840, Semarang dengan konfigurasi E = 0,852, dan Malang dengan konfigurasi H = 0, 797.

---

The ERA5-Land dataset is a reanalysis dataset that can be used for various weather and climate observation needs, one of which is to predict air temperature. However, in its use, verification and analysis tests need to be carried out to determine the suitability of the dataset with direct observation data. This study aims to verify the ERA5-Land air temperature dataset with the AWS dataset to determine the suitability of the temperature data using AWS representation in four cities, namely South Tangerang, Bogor, Semarang, and Malang. The results of the temperature data verification obtained a high suitability between the two datasets, namely with a correlation value (r) between 0.85 and 0.90 and had a negative bias in the entire observation area. This bias is corrected using the linear regression method to obtain corrected ERA5-Land temperature data before modeling the air temperature prediction. This study uses the LSTM algorithm to perform temperature prediction modeling with hyperparameter variables to obtain the best suitability results. The results of the analysis of the air temperature prediction model obtained the best suitability value (R2) which differed in each observation area: South Tangerang with configuration K = 0.840, Bogor with configuration B = 0.840, Semarang with configuration E = 0.852, and Malang with configuration H = 0.797."

"Indonesia merupakan negara tropis yang memiliki dua musim yaitu musim kemarau dan musim hujan. Akan tetapi, kondisi cuaca setiap harinya tidak dapat diprediksi karena pengaruh perubahan iklim yang terjadi. Hujan bisa terjadi kapan saja di musim kemarau dan begitu juga sebaliknya. Hal ini menyebabkan perbedaan suhu di setiap harinya. Penelitian ini bertujuan untuk menganalisa pengaruh perubahan suhu dan cuaca terhadap penggunaan listrik di gedung kampus pendidikan khususnya penggunaan pendingin ruangan. Untuk itu dilakukan pemilihan fitur data cuaca menggunakan Pearson Correlation Coefficient (PCC) dan user behaviour modelling dengan menggunakan dua metode yaitu Long Short Term Memory (LSTM) dan penambahan lapisan convolutional neural network (CNN) pada metode LSTM. Setelah dilakukan modelling, maka akan dilakukan prediksi dan akurasinya akan untuk menentukan metode mana yang lebih cocok untuk kasus ini. Metode gabungan CNN-LSTM mendapatkan skor tertinggi dengan skor R2 sebesar 0,83 dan MAE sebesar 136,55. Penggunaan data cuaca terbukti memiliki pengaruh terhadap akurasi model. Meskipun cuaca di Indonesia tidak menentu dan penggunaan pendingin ruangan yang tidak teratur, faktor cuaca seperti rata-rata suhu masih memiliki pengaruh terhadap penggunaan pendingin ruangan di gedung institusi pendidikan.

---

Indonesia is a tropical country that has two seasons, namely the dry season and the rainy season. However, daily weather conditions cannot be predicted due to the influence of climate change. Rain can occur at any time in the dry season and vice versa. This causes temperature differences on a daily basis. This study aims to analyze the influence of temperature and weather changes on electricity use in educational campus buildings, especially the use of air conditioning. For this reason, weather data will be selected using Pearson Correlation Coefficient (PCC) and user behavior modeling using two methods, namely Long Short Term Memory (LSTM) and the addition of a convolutional neural network (CNN) layer to an LSTM method. After modeling, predictions will be made and the accuracy will be measured to determine which method is more suitable for this case. The combined CNN-LSTM method got the highest score with an R2 score of 0.83 and MAE of 136.55. The use of weather data has proven to have an influence on model accuracy. Although the weather in Indonesia is erratic and the use of air conditioning is unmonitored, weather factors such as average temperature and rain still have an influence on the use of air conditioning in educational institution buildings."

"Dalam perkembangan teknologi saat ini, perlindungan jaringan komputer sangat diperlukan, maka kita membutuhkan sebuah sistem untuk melindunginya jaringan dari serangan, salah satu serangan paling sering di jaringan Komputer adalah DDoS. Proteksi DDoS ini dapat dilakukan dengan cara: menggunakan Supervised Learning atau Unsupervised Learning. Diawasi Pembelajaran adalah suatu metode dimana sistem diberi label data sehingga mampu mengklasifikasikan data uji yang diberikan, dan pembelajaran tanpa pengawasan maka jika data tidak berlabel diberikan, maka sistem harus klasifikasi tanpa bantuan label, keuntungan dari sistem tanpa label apakah sistem mampu mengidentifikasi serangan yang tidak sistem pembelajaran yang aktif. Sistem untuk mendeteksi ini membutuhkan efisiensiagar dapat merespon dengan cepat terhadap serangan yang dilakukan.Maka dimungkinkan untuk membuat suatu sistem yang dapat menghilangkan data tersebut tidak ada kemampuan serangan, sistem ini dapat dikonfigurasi dengan menggunakan LSTM. Studi ini mencoba keefektifan Sistem pembelajaran tanpa pengawasan melalui implementasi sistem penghapusan data, eksperimen pada sistem kepunahan data untuk menentukan arsitektur terbaik, dan melakukan modifikasi pada sistem pembelajaran tanpa pengawasan. Hasil penelitian ini menunjukkan efek sistem data terhadap sistem deteksi DDoS danpotensi keuntungan dan kerugian dari penerapan sistem dilakukan pada kemampuan deteksi sistem DDoS

---

In today's technological developments, computer network protection

indispensable, then we need a system to protect it network from attacks, one of the most frequent attacks on the network Computers are DDoS. This DDoS protection can be done by: using Supervised Learning or Unsupervised Learning. Supervised Learning is a method in which the system is labeled data so that able to classify the test data given, and unsupervised learning then if unlabeled data is given, then the system must labelless classification, the advantages of the labelless system whether the system is able to identify attacks that are not active learning system. The system to detect this requires efficiency in order to be able to respond quickly to attacks carried out.Then it is possible to create a system that can eliminate data no attack capability, this system can be configured with using LSTM. This study tested the effectiveness Unsupervised learning system through system implementation data deletion, experiment on extinction system data to determine the best architecture, and make modifications to unsupervised learning system. The results of this study indicate the effect of data system against DDoS detection system and potential advantages and disadvantages of implementing the system performed on the DDoS detection capability. system"

"Beras merupakan makanan pokok mayoritas masyarakat Indonesia. Jika dibandingkan dengan konsumsi tahun 2019, konsumsi beras nasional meningkat sekitar 4,67 persen pada tahun 2021. Hal ini menunjukan bahwa setiap tahun konsumsi beras nasional akan meningkat karena seiring dengan pertumbuhan jumlah penduduk Indonesia. Sehingga dibutuhkan data produksi beras yang akurat dan tepat waktu untuk dapat menjaga ketersediaan stok beras nasional. Data citra satelit bisa menjadi alternatif untuk memprediksi produksi padi dikarenakan kekurangan yang dimiliki oleh metode survei yang dilakukan oleh BPS yaitu biaya yang cukup tinggi dan terdapat tenggang waktu diseminasi data. Gabungan citra SAR dan Optik dapat meningkatkan akurasi dari model yang dibangun. Selain itu penggunaan model deep learning memiliki akurasi yang lebih baik jika dibandingkan metode machine learning konvensional salah satunya kombinasi CNN dan Bi-LSTM yang mampu mengekstraksi fitur serta memiliki kemampuan untuk memodelkan data temporal dengan baik. Output yang diperoleh dengan menggunakan metode CNNBiLSTM untuk mengklasifikasikan fase pertumbuhan padi, menghasilkan akurasi yang terbaik dengan nilai akurasi 79,57 pada data testing dan 98,20 pada data training serta F1-score 79,78. Dengan menggunakan kombinasi data citra sentinel 1 dan 2 akurasi dari model LSTM dapat ditingkatkan. Selanjutnya akurasi yang didapatkan untuk model regresi produktivitas padi masih kurang baik. Akurasi terbaik dihasilkan oleh model random forest dengan nilai MAPE 0.1336, dan RSME 0,6871.

---

Rice is the staple food of the majority of Indonesian people. When compared to consumption in 2019, national rice consumption will increase by around 4.67 percent in 2021. This shows that every year rice consumption will increase in line with the growth of Indonesia's population. So that accurate and timely rice production data is needed to be able to maintain the availability of national rice stocks. Satellite imagery data can be an alternative for predicting rice production due to the drawbacks of the survey method conducted by BPS, which relatively high cost and the time span for data dissemination. The combination of SAR and Optical images can increase the accuracy of the model built. In addition, the use of deep learning models has better accuracy when compared to classical machine learning methods, one of them is the combination of CNN and Bi-LSTM which are able to extract features and have the ability to model temporal data properly. The output obtained using the CNNBiLSTM method to classify rice growth phases, produces the best accuracy with an accuracy value of 79.57 on testing data and 98.20 on training data and an F1-score of 79.78. By using a combination of sentinel 1 and 2 image data, the accuracy of the LSTM model can be improved. Furthermore, the accuracy obtained for the rice production regression model is still not good. The best accuracy was produced by the random forest model with a MAPE value of 0.1336 and RSME of 0.6871."

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

---

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

"

"Peramalan beban listrik, juga dikenal sebagai Probabilistic Load Forecasting (PLF), memiliki peran penting dalam industri tenaga listrik, terutama dalam merencanakan operasi sistem tenaga, menjaga stabilitas, dan memfasilitasi perdagangan energi. Di Bandar Udara Internasional Soekarno-Hatta yang merupakan sebuah entitas komersial besar, peramalan yang akurat dan andal sangat penting untuk optimalisasi layanan, kepatuhan terhadap regulasi dan meningkatkan akurasi perencanaan konsumsi energi. Tujuan penelitian ini adalah menentukan model peramalan yang akurat untuk digunakan di Bandar Udara Internasional Soekarno-Hatta. Dalam penelitian ini, empat model berbeda diuji: Seasonal Autoregressive Integrated Moving Average (SARIMA), Seasonal Autoregressive Integrated Moving Average with Exogenous (SARIMAX), serta dua model berbasis neural network, yaitu Long Short-Term Memory (LSTM) dan Gated Recurrent Units (GRU). Kemudian model ini diterapkan pada data historis harian yang dikumpulkan dari perusahaan operator bandar udara dengan rentang waktu 01 Januari 2022 hingga 31 Desember 2022. Hasil penelitian menunjukkan bahwa model LSTM mencapai performa terbaik dalam melakukan peramalan, dengan Mean Absolute Error (MAE) 12.79, Root Mean Square Error (RMSE) 15.47, dan Mean Absolute Percentage Error (MAPE) 1.91%. Sehingga berdasarkan hasil penelitian, model LSTM dapat digunakan untuk meningkatkan akurasi perencanaan konsumsi listrik harian di Bandar Udara Internasional Soekarno-Hatta dan fasilitas serupa lainnya.

---

Electric load forecasting, also known as Probabilistic Load Forecasting (PLF), plays a crucial role in the electricity industry, particularly in planning power system operations, maintaining stability, and facilitating energy trading. At Soekarno-Hatta International Airport, which is a large commercial entity, accurate and reliable forecasting is essential for service optimization, regulatory compliance, and improving the accuracy of energy consumption planning. The aim of this study is to identify an accurate forecasting model to be used at Soekarno-Hatta International Airport. In this study, four different models were tested: Seasonal Autoregressive Integrated Moving Average (SARIMA), SARIMA with Exogenous (SARIMAX), and two neural network-based models, Long Short-Term Memory (LSTM), and Gated Recurrent Units (GRU). The models were subsequently utilized on the daily historical data gathered by the airport operating firm from January 1, 2022, to December 31, 2022. The research findings demonstrated that the LSTM model was the most effective in terms of forecasting performance, with Mean Absolute Error (MAE) of 12.79, Root Mean Square Error (RMSE) of 15.47, and Mean Absolute Percentage Error (MAPE) of 1.91%. Therefore, based on the research findings, the LSTM model can be used to improve the accuracy of daily electricity consumption planning at Soekarno-Hatta International Airport and other similar facilities."