Hasil Pencarian  ::  Simpan CSV :: Kembali

"Penerapan teknik Explainable AI (XAI) telah menjadi fokus utama penelitian dalam upaya untuk meningkatkan interpretabilitas dan kepercayaan dalam model AI, khususnya pada bidang outlier detection. Penelitian ini bertujuan untuk mengungkapkan proses pengambilan keputusan yang kompleks di balik proses outlier detection, serta untuk memberikan pemahaman yang lebih dalam tentang faktor-faktor yang mempengaruhi keputusan tersebut. Dalam penelitian ini, diselidiki berbagai teknik XAI yang dapat digunakan dalam konteks outlier detection. Penelitian ini memberikan evaluasi komprehensif tentang aplikasi XAI dalam outlier detection, dengan mengevaluasi kelebihan dan kelemahan dari setiap teknik yang digunakan. Hasil eksperimen menunjukkan bahwa penerapan XAI dalam outlier detection dapat memberikan wawasan yang berharga tentang faktor-faktor yang mempengaruhi keputusan model, dan dapat meningkatkan interpretabilitas dan kepercayaan dalam model outlier detection.

---

The application of Explainable AI (XAI) techniques has been the main focus of research to improve interpretability and trust in AI models, particularly in the field of outlier detection. This study aims to uncover the complex decision-making process behind outlier detection and provide a deeper understanding of the factors influencing these decisions. Various XAI techniques that can be used in outlier detection are investigated in this research. This study provides a comprehensive evaluation of XAI applications in outlier detection by assessing the strengths and weaknesses of each technique used. The experimental results indicate that the implementation of XAI in outlier detection can provide valuable insights into the factors influencing model decisions and can enhance the interpretability and trustworthiness of outlier detection models."

"Algoritma propagasi balik merupakan algoritma yang memiliki akurasi yang cukup bagus dalam sistem klasifikasi. Akurasi yang cukup bagus pada algoritma propagasi balik dalam batasan data yang menjadi data masukan adalah data yang ideal, dalam artian tidak ada outlier didalamnya. Outlier adalah data yang muncul dan memiliki karakteristik unik yang jauh berbeda dari data observasi-observasi lainnya dan memiliki nilai ekstrim. JIka terdapat outliers dalam data ujicoba maka akurasi algoritma propagasi balik akan menurun. Dalam penelitian ini dikembangkan metode untuk menentukan outlier pada algoritma propagasi balik sehingga dapat mengurangi kelemahan algoritma propagasi balik dalam menentukan data outlier.Metode yang dikembangkan adalah mahalanobis distance outliers determination (MDOD) yaitu motode untuk menentukan outlier pada algoritma propagasi balik dengan menggunakan perhitungan jarak mahalanobis dan fuzzy distance outliers determination (FDOD) yaitu metode untuk menentukan oulier berdasarkan perhitungan jarak fuzzy. Dari percobaan dalam penelitian ini menujukkan sistem penentu outlier mampu meningkatkan akurasi pengenalan algoritma proagasi balik yang mengunakan data uji meliputi data outlier hingga mencapai dua kali dari pengenalan propagasi balik biasa. FDOD memiliki akurasi yang cukup bagus dibandingkan dengan MDOD dengan data set yang sama FDOD memiliki akurasi sebesar 84.64% sedangkan MDOD memiliki akurasi sebesar 78.21%."

"Pemanasan global merupakan tantangan utama yang menyebabkan perubahan iklim yang menjadi kekhawatiran bagi kehidupan. Upaya mengurangi kenaikan suhu permukaan bumi rata-rata menjadi 1.5 0C menjadi sesuatu yang harus dilakukan. Kenaikan suhu disebabkan oleh gas rumah kaca, salah satunya karbon dioksida yang sebagian besar disebabkan oleh aktivitas manusia dalam pembakaran bahan bakar fosil. Pengamatan yang dilakukan oleh BMKG di GAW (Global Atmosphere Watch) berbiaya mahal. Penelitian yang akan dilakukan adalah pengembangan sistem pemantauan konsentrasi gas karbon dioksida menggunakan low-cost sensor berbasis Non-Dispersive Infrared (NDIR). Data pengukuran diproses oleh Arduino Mega 2560 dan dikirimkan ke IoT platform Firebase realtime database dengan modul wifi dari ESP8266. Komparasi dilakukan dengan alat Thermo 410i di BMKG. Peningkatan akurasi sistem dilakukan dengan deteksi data pencilan dengan Local Outliers Factor dan Savitzky-Golay Moving Average sehingga perlatan yang dikembangkan bisa meningkatkan akurasi rata-rata keseluruhan meningkat dari 91.2% menjadi 98.3 %.

---

Global warming is the main challenge that causes climate change which is a concern for life. Efforts to reduce the average increase in the earth's surface temperature to 1.5 0C must be done. The increase in temperature is caused by greenhouse gases, one of which is carbon dioxide, caused mainly by human activities in burning fossil fuels. Observations made by BMKG on GAW (Global Atmosphere Watch) are expensive. The research will be carried out by developing a monitoring system for carbon dioxide gas concentrations using a low-cost sensor based on Non-Dispersive Infrared (NDIR). The measurement data is processed by Arduino Mega 2560 and sent to the IoT platform Firebase real-time Database with the wifi module from ESP8266. The comparison was made with the Thermo 410i device at BMKG. The system accuracy is increased by detecting outlier data with the Local Outliers Factor and Savitzky-Golay Moving Average so that the developed equipment can increase the overall average accuracy from 91.2 % to 98.3%."