Object tracking is a challenging in computer vision. Object tracking is divided into two, which can be one object or several objects, depending on the object being observed. The process of tracking an object in the form of one object is to estimate the target in the next sequence based on information from the first frame given. In object tracking in the form of single object tracking, there are five steps that are often used in discriminatory methods, including motion models, feature extraction, observation models, model updates and integration methods. Although various algorithms of object tracking are proposed, there are still failures in the object tracking process caused by occlusion, non-rigid target deformation, and other factors. This study proposes the implementation of the Kalman filter, particle filter, and correlation filter methods for object tracking in video data. The results of the implementation of the three methods can track objects in traffic video data and the script circuit video. In object tracking calculations and method analysis, the kalman filter gets 96.89% where the kalman method is better in terms of accuracy compared to other methods. Meanwhile, in the average performance of computation time, the correlation method gets 26.69 FPS, where the correlation method is superior compared to other competitor methods.
Keywords – Kalman Filter; Particle Filter; Correlation Filter; Object Tracking; Object Tracking in Video
{"title":"Analisis Metode Kalman Filter, Particle Filter dan Correlation Filter Untuk Pelacakan Objek","authors":"Ridho Sholehurrohman, Mochammad Reza Habibi, Igit Sabda Ilman, Rahman Taufiq, Muhaqiqin Muhaqiqin","doi":"10.34010/komputika.v12i2.9567","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.9567","url":null,"abstract":"Object tracking is a challenging in computer vision. Object tracking is divided into two, which can be one object or several objects, depending on the object being observed. The process of tracking an object in the form of one object is to estimate the target in the next sequence based on information from the first frame given. In object tracking in the form of single object tracking, there are five steps that are often used in discriminatory methods, including motion models, feature extraction, observation models, model updates and integration methods. Although various algorithms of object tracking are proposed, there are still failures in the object tracking process caused by occlusion, non-rigid target deformation, and other factors. This study proposes the implementation of the Kalman filter, particle filter, and correlation filter methods for object tracking in video data. The results of the implementation of the three methods can track objects in traffic video data and the script circuit video. In object tracking calculations and method analysis, the kalman filter gets 96.89% where the kalman method is better in terms of accuracy compared to other methods. Meanwhile, in the average performance of computation time, the correlation method gets 26.69 FPS, where the correlation method is superior compared to other competitor methods.
 Keywords – Kalman Filter; Particle Filter; Correlation Filter; Object Tracking; Object Tracking in Video","PeriodicalId":52813,"journal":{"name":"Komputika","volume":"78 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-09-08","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136364055","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-09-08DOI: 10.34010/komputika.v12i2.10644
Vida Komaria, Nova El Maidah, Muhammad Ariful Furqon
ABSTRAK - Jawa timur merupakan Provinsi dengan jumlah produksi cabai rawit terbesar di Indonesia berdasarkan data dari BPS pada tahun 2021 yaitu sekitar 41,75%. Cabai rawit merupakan komoditas yang memiliki fluktuasi harga yang tinggi dan berpengaruh terhadap berbagai pihak sehingga dibutuhkan mekanisme untuk memprediksi harga cabai rawit agar menjadi bahan pertimbangan dalam pengambilan keputusan. Fuzzy time series Lee merupakan salah satu metode yang dapat digunakan untuk memprediksi data time series baik data yang bersifat stasioner maupun non-stasioner. Penelitian dilakukan menggunakan data historis harga cabai rawit merah dan cabai rawit hijau di Provinsi Jawa Timur dari April 2017 hingga Februari 2023 dengan periode data mingguan sebanyak 307 data. Nilai Z1 dan Z2 yang digunakan untuk mendapatkan hasil error terkecil adalah Z1=950 dan Z2=400 untuk cabai rawit merah sedangkan untuk cabai rawit hijau nilai Z1 dan Z2=100. Nilai error dari peramalan harga cabai rawit merah menggunakan model fuzzy time series Lee yaitu MAE=4.469,04 RMSE=6.138,64 dan MAPE=13,09% dengan kategori nilai MAPE baik dan nilai error untuk peramalan harga cabai rawit hijau yaitu MAE=1.486,15 RMSE=2.211,06 dan MAPE=6,72% dengan kategori nilai MAPE sangat baik.
Kata Kunci – peramalan; fuzzy time series Lee; harga cabai rawit; MAPE; Python
{"title":"Prediksi Harga Cabai Rawit di Provinsi Jawa Timur Menggunakan Metode Fuzzy Time Series Model Lee","authors":"Vida Komaria, Nova El Maidah, Muhammad Ariful Furqon","doi":"10.34010/komputika.v12i2.10644","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.10644","url":null,"abstract":"ABSTRAK - Jawa timur merupakan Provinsi dengan jumlah produksi cabai rawit terbesar di Indonesia berdasarkan data dari BPS pada tahun 2021 yaitu sekitar 41,75%. Cabai rawit merupakan komoditas yang memiliki fluktuasi harga yang tinggi dan berpengaruh terhadap berbagai pihak sehingga dibutuhkan mekanisme untuk memprediksi harga cabai rawit agar menjadi bahan pertimbangan dalam pengambilan keputusan. Fuzzy time series Lee merupakan salah satu metode yang dapat digunakan untuk memprediksi data time series baik data yang bersifat stasioner maupun non-stasioner. Penelitian dilakukan menggunakan data historis harga cabai rawit merah dan cabai rawit hijau di Provinsi Jawa Timur dari April 2017 hingga Februari 2023 dengan periode data mingguan sebanyak 307 data. Nilai Z1 dan Z2 yang digunakan untuk mendapatkan hasil error terkecil adalah Z1=950 dan Z2=400 untuk cabai rawit merah sedangkan untuk cabai rawit hijau nilai Z1 dan Z2=100. Nilai error dari peramalan harga cabai rawit merah menggunakan model fuzzy time series Lee yaitu MAE=4.469,04 RMSE=6.138,64 dan MAPE=13,09% dengan kategori nilai MAPE baik dan nilai error untuk peramalan harga cabai rawit hijau yaitu MAE=1.486,15 RMSE=2.211,06 dan MAPE=6,72% dengan kategori nilai MAPE sangat baik. 
 Kata Kunci – peramalan; fuzzy time series Lee; harga cabai rawit; MAPE; Python","PeriodicalId":52813,"journal":{"name":"Komputika","volume":"24 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-09-08","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136364212","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-09-08DOI: 10.34010/komputika.v12i2.10616
Lukmanul Khakim, Eko Budihartono
Rumah tangga merupakan penyumbang sampah terbanyak, berbagai jenis sampah dihasilkan, mulai dari sampah organik, non organik dan lain sebagainya. Jika setiap rumah tangga menghasilkan 2 kg sampah setiap harinya, dan sampah tersebut langsung dibuang ke tempat pembuangan sampah sementara (TPS), maka sangat banyak jumlah sampah yang tertimbun di TPS tersebut. Maka dari itu diperlukan alat yang berfungsi untuk mengolah sampah yang dapat didaur ulang menjadi kompos, yaitu sampah atau sisa makanan yang tergolong sampah organik. Alat yang dimaksud terdiri dari motor stepper nema 17 sebagai pemotong dan pengaduk sampah supaya tercampur dengan tanah, sensor YL-69 sebagai pendeteksi kelembapan tanah, sensor DS18B20 sebagai pendeteksi suhu tanah dan dua pompa mini sebagai penyuplai air dan EM4. Dari hasil penelitian ini, YL-69 mendeteksi kelembapan tanah 17% sampai 86%, artinya kelembapan tanah meningkat, maka stepper akan aktif untuk mengaduk tanah dan sampah organik. Selanjutnya DS18B20 mendeteksi suhu tanah 25℃ sampai 34℃, artinya ketika suhu antara 30℃ sampai 34℃ maka proses pengomposan berlangsung, suplai air dan EM4 terhenti secara otomatis.
Kata Kunci – Sampah Organik; Kompos; Mikrokontroler; DS18B20, YL-69.
{"title":"Alat Pengolah Limbah Rumah Tangga Menjadi Kompos Berbasis Mikrokontroler","authors":"Lukmanul Khakim, Eko Budihartono","doi":"10.34010/komputika.v12i2.10616","DOIUrl":"https://doi.org/10.34010/komputika.v12i2.10616","url":null,"abstract":"Rumah tangga merupakan penyumbang sampah terbanyak, berbagai jenis sampah dihasilkan, mulai dari sampah organik, non organik dan lain sebagainya. Jika setiap rumah tangga menghasilkan 2 kg sampah setiap harinya, dan sampah tersebut langsung dibuang ke tempat pembuangan sampah sementara (TPS), maka sangat banyak jumlah sampah yang tertimbun di TPS tersebut. Maka dari itu diperlukan alat yang berfungsi untuk mengolah sampah yang dapat didaur ulang menjadi kompos, yaitu sampah atau sisa makanan yang tergolong sampah organik. Alat yang dimaksud terdiri dari motor stepper nema 17 sebagai pemotong dan pengaduk sampah supaya tercampur dengan tanah, sensor YL-69 sebagai pendeteksi kelembapan tanah, sensor DS18B20 sebagai pendeteksi suhu tanah dan dua pompa mini sebagai penyuplai air dan EM4. Dari hasil penelitian ini, YL-69 mendeteksi kelembapan tanah 17% sampai 86%, artinya kelembapan tanah meningkat, maka stepper akan aktif untuk mengaduk tanah dan sampah organik. Selanjutnya DS18B20 mendeteksi suhu tanah 25℃ sampai 34℃, artinya ketika suhu antara 30℃ sampai 34℃ maka proses pengomposan berlangsung, suplai air dan EM4 terhenti secara otomatis.
 Kata Kunci – Sampah Organik; Kompos; Mikrokontroler; DS18B20, YL-69.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":"33 1","pages":"0"},"PeriodicalIF":0.0,"publicationDate":"2023-09-08","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"136364056","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-05-25DOI: 10.34010/komputika.v12i1.9028
Abdul Basit, Eko Budihartono
– Pertanian modern banyak diminati oleh petani modern terutama di perkotaan karena banyak pengalihfungsian lahan. Hidroponik menjadi pertanian yang pailing popular karena tidak membutuhkan lahan yang besar, minim perawatan karna tidak membutuhkan pemupukan yang rutin akantetapi menghasilkan panen yang maksimal. Meningkatnya hasil panen perlu adanya proses panen lebih efisien, dengan teknologi robotic memungkinkan kita untuk membuat keranjang panen yang interaktif, dengan membuat robot human following. Robot dibangun menggunakan microcontroller arudino uno, ada 4 sensor untuk mendukung proses robot berjalan dengan baik, sensor ulrasonik digunakan untuk mendeteksi hambatan agar robot berjalan kedepan dengan jarak distance > 40 dan distance < 20. Sensor, Sensor ir digunanakan untuk proses mendeteksi hambatan agar robot bisa berbelok ke kanan dan kekiri, data dari sensor dikirm ke microcontroller untuk di proses oleh motor driver agar roda robot bisa bergerak sesuai dengan data sensor. Untk mempermudah mengetauhui berapa berat hasil panen digunakan sensor loadcell dan modul HX711 sensor merubah dari resistensi menjadi berat, data sensor akan dikirimkan ke microcontroller untuk diproses ke LCD 16x2 untuk menampilkan hasil proses timbang.
{"title":"Robot Panen Hidroponik Berbasis Human Following","authors":"Abdul Basit, Eko Budihartono","doi":"10.34010/komputika.v12i1.9028","DOIUrl":"https://doi.org/10.34010/komputika.v12i1.9028","url":null,"abstract":"– Pertanian modern banyak diminati oleh petani modern terutama di perkotaan karena banyak pengalihfungsian lahan. Hidroponik menjadi pertanian yang pailing popular karena tidak membutuhkan lahan yang besar, minim perawatan karna tidak membutuhkan pemupukan yang rutin akantetapi menghasilkan panen yang maksimal. Meningkatnya hasil panen perlu adanya proses panen lebih efisien, dengan teknologi robotic memungkinkan kita untuk membuat keranjang panen yang interaktif, dengan membuat robot human following. Robot dibangun menggunakan microcontroller arudino uno, ada 4 sensor untuk mendukung proses robot berjalan dengan baik, sensor ulrasonik digunakan untuk mendeteksi hambatan agar robot berjalan kedepan dengan jarak distance > 40 dan distance < 20. Sensor, Sensor ir digunanakan untuk proses mendeteksi hambatan agar robot bisa berbelok ke kanan dan kekiri, data dari sensor dikirm ke microcontroller untuk di proses oleh motor driver agar roda robot bisa bergerak sesuai dengan data sensor. Untk mempermudah mengetauhui berapa berat hasil panen digunakan sensor loadcell dan modul HX711 sensor merubah dari resistensi menjadi berat, data sensor akan dikirimkan ke microcontroller untuk diproses ke LCD 16x2 untuk menampilkan hasil proses timbang.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-05-25","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"48123236","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-05-24DOI: 10.34010/komputika.v12i1.9688
Sugeng Sugeng, Taufiq Nuzwir Nizar
Kondisi mengantuk pada pengendara roda empat adalah salah satu faktor yang menyebabkan terjadinya kecelakaan lalulintas. Kondisi mengantuk dapat disebabkan karena kelelahan perjalanan yang dilalui oleh pengendara. Pemanfaatan kecerdasan buatan dapat digunakan untuk mendeteksi kondisi mengantuk pendendara, salah satunya dengan mengamati aktifitas atau kondisi mata, pergerakan mulut dan posisi kepala saat mengemudi. Dengan mengetahui semua kondisi tersebut maka dapat dibuat sebuah mesin yang dapat memberi peringatan jika pengendara mengalami kemungkinan kondisi mengantuk. Penelitian ini memanfaatkan sebuah kamera sebagai masukan data untuk mengenali kondisi pengendara melalui aktifitas, mata, mulut dan posisi kemiringan kepala. Sistem akan memulai dengan mendeteksi wajah pengendara, kemudian menghitung setiap aktivitas kedipan mata, jumlah atau banyaknya mulut terbuka karena menguap, serta aktivitas kepala melalui pose maupun kemiringan posisi kepala. Deteksi wajah digunakan untuk mengetahui posisi wajah lalu mendeteksi posisi mata, mulut serta kepala pengendara. Memanfaatkan kecerdasan buatan dengan metoda Blazeface yang merupakan algoritma yang digunakan untuk memetakan posisi wajah. Serta dengan menggunakan metoda EAR( Eye Aspect Ratio) untuk dapat menentukan apakah mata dan mulut dalam keadaan terbuka atau tertutup. Hasil dari penelitian ini didapatkan akurasi deteksi wajah 98% dan sistem hanya dapat mendeteksi wajah pada sudut kemiringan wajah 0-15 derajat.
{"title":"Deteksi Aktivitas Mata, Mulut Dan Kemiringan Kepala Sebagai Fitur Untuk Deteksi Kantuk Pada Pengendara Mobil","authors":"Sugeng Sugeng, Taufiq Nuzwir Nizar","doi":"10.34010/komputika.v12i1.9688","DOIUrl":"https://doi.org/10.34010/komputika.v12i1.9688","url":null,"abstract":"Kondisi mengantuk pada pengendara roda empat adalah salah satu faktor yang menyebabkan terjadinya kecelakaan lalulintas. Kondisi mengantuk dapat disebabkan karena kelelahan perjalanan yang dilalui oleh pengendara. Pemanfaatan kecerdasan buatan dapat digunakan untuk mendeteksi kondisi mengantuk pendendara, salah satunya dengan mengamati aktifitas atau kondisi mata, pergerakan mulut dan posisi kepala saat mengemudi. Dengan mengetahui semua kondisi tersebut maka dapat dibuat sebuah mesin yang dapat memberi peringatan jika pengendara mengalami kemungkinan kondisi mengantuk. Penelitian ini memanfaatkan sebuah kamera sebagai masukan data untuk mengenali kondisi pengendara melalui aktifitas, mata, mulut dan posisi kemiringan kepala. Sistem akan memulai dengan mendeteksi wajah pengendara, kemudian menghitung setiap aktivitas kedipan mata, jumlah atau banyaknya mulut terbuka karena menguap, serta aktivitas kepala melalui pose maupun kemiringan posisi kepala. Deteksi wajah digunakan untuk mengetahui posisi wajah lalu mendeteksi posisi mata, mulut serta kepala pengendara. Memanfaatkan kecerdasan buatan dengan metoda Blazeface yang merupakan algoritma yang digunakan untuk memetakan posisi wajah. Serta dengan menggunakan metoda EAR( Eye Aspect Ratio) untuk dapat menentukan apakah mata dan mulut dalam keadaan terbuka atau tertutup. Hasil dari penelitian ini didapatkan akurasi deteksi wajah 98% dan sistem hanya dapat mendeteksi wajah pada sudut kemiringan wajah 0-15 derajat.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-05-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"47268829","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-05-24DOI: 10.34010/komputika.v12i1.9638
Debora Chrisinta, J. E. Simarmata
Umumnya masyarakat Indonesia menyampaikan opini kepada pejabat publik dilakukan dengan melibatkan organisasi masyarakat secara demonstrasi. Namun, dikarenakan era digital masa kini banyak masyarakat juga yang memilih dalam menanggapi/merespon kinerja pejabat publik dengan menyampaikannya melalui media sosial salah satunya Twitter. Opini masyarakat yang tercatat dalam Twitter dapat digunakan untuk dilakukan analisis secara terstruktur mengggunakan analisis sentiment. Analisis sentiment bertujuan untuk membentuk data menjadi kelas tertentu. Klasifikasi kelas yang ada dalam analaisis sentiment berupa kelas positif dan kelas negatif. Pada penelitian ini menerapkan algoritma Naïve Bayes dalam melakukan klasifikasi sentimen data Twitter penilaian masyarakat terhadap pejabat publik. Data yang digunakan berasal dari data teks sebanyak 8000 Tweet yang kemudian dilakukan proses preprocessing sehingga menghasilkan 7993 data. Evaluasi kinerja algoritma menggunakan confusion matrix untuk mendapatkan nilai accuracy dan error rate. Hasil analisis sentimen menunjukkan penilaian masyarakat dengan frekuensi tertinggi berada pada kelas negatif. Performa algoritma menunjukkan nilai accuracy sebesar 64,55% dengan error rate sebesar 35,45%.
{"title":"Analisis Sentimen Penilaian Masyarakat Terhadap Pejabat Publik Menggunakan Algoritma Naïve Bayes Classifier","authors":"Debora Chrisinta, J. E. Simarmata","doi":"10.34010/komputika.v12i1.9638","DOIUrl":"https://doi.org/10.34010/komputika.v12i1.9638","url":null,"abstract":"Umumnya masyarakat Indonesia menyampaikan opini kepada pejabat publik dilakukan dengan melibatkan organisasi masyarakat secara demonstrasi. Namun, dikarenakan era digital masa kini banyak masyarakat juga yang memilih dalam menanggapi/merespon kinerja pejabat publik dengan menyampaikannya melalui media sosial salah satunya Twitter. Opini masyarakat yang tercatat dalam Twitter dapat digunakan untuk dilakukan analisis secara terstruktur mengggunakan analisis sentiment. Analisis sentiment bertujuan untuk membentuk data menjadi kelas tertentu. Klasifikasi kelas yang ada dalam analaisis sentiment berupa kelas positif dan kelas negatif. Pada penelitian ini menerapkan algoritma Naïve Bayes dalam melakukan klasifikasi sentimen data Twitter penilaian masyarakat terhadap pejabat publik. Data yang digunakan berasal dari data teks sebanyak 8000 Tweet yang kemudian dilakukan proses preprocessing sehingga menghasilkan 7993 data. Evaluasi kinerja algoritma menggunakan confusion matrix untuk mendapatkan nilai accuracy dan error rate. Hasil analisis sentimen menunjukkan penilaian masyarakat dengan frekuensi tertinggi berada pada kelas negatif. Performa algoritma menunjukkan nilai accuracy sebesar 64,55% dengan error rate sebesar 35,45%.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":"1 1","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-05-24","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"42499834","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-05-19DOI: 10.34010/komputika.v12i1.9629
Adi Muzakir, Anita Desiani, A. Amran
Kanker prostat merupakan kanker yang berkembang di prostat dalam sistem reproduksi pria, hal ini terjadi ketika sel prostat mengalami keterikatan pada reseptor androgen melalui proses molecular docking. Insidensi kanker prostat meningkat seiring pertambahan usia, di mana risiko yang dimiliki pria untuk menderita kanker prostat dalam seumur hidupnya mendekati angka 10%. Deteksi dini terhadap kasus kanker prostat pada banyak pengidap atau pria yang rentan risiko kanker prostat penting dilakukan untuk memulai pengobatan dan perencanaan kebutuhan medis yang tepat. Salah satu cara yang dapat dilakukan dalam deteksi penyakit kanker prostat adalah dengan melakukan klasifi-kasi menggunakan pendekatan data mining dengan algoritma Naïve Bayes dan K-Nearest Neighbor (K-NN). Penelitian ini bertujuan untuk mendapatkan hasil klasifikasi terbaik untuk mendeteksi penyakit kanker prostat dengan membandingkan kedua algoritma tersebut. Hasil akurasi klasifikasi kanker prostat dengan menggunakan algoritma Naïve Bayes adalah 80% dan K-NN sebesar 90%. Sementara untuk rata-rata keseluruhan nilai presisi algoritma Na-ïve Bayes dan K-NN masing-masing berada di angka 71,5% dan 93%. Nilai recall untuk algoritma Naïve bayes didapatkan sebesar 88% dan algoritma K-NN yaitu 87,5%. Berdasarkan nilai akurasi, presisi, dan recall kedua algo-ritma tersebut, algoritma K-NN memiliki nilai yang lebih tinggi dibandingkan dengan algoritma Naïve Bayes, sehing-ga dapat dikatakan bahwa algoritma K-NN bekerja dengan baik dalam melakukan klasifikasi penyakit kanker prostat. Meskipun algoritma Naïve Bayes memiliki nilai yang lebih rendah dibandingkan dengan algoritma K-NN, tetapi nilai rata-rata untuk performa presisi, recall, dan akurasinya masih berada di atas 70%. Dapat dikatakan bahwa algoritma Naïve Bayes cukup baik dalam mengklasifikasi penyakit kanker prostat.
{"title":"Klasifikasi Penyakit Kanker Prostat Menggunakan Algoritma Naïve Bayes dan K-Nearest Neighbor","authors":"Adi Muzakir, Anita Desiani, A. Amran","doi":"10.34010/komputika.v12i1.9629","DOIUrl":"https://doi.org/10.34010/komputika.v12i1.9629","url":null,"abstract":"Kanker prostat merupakan kanker yang berkembang di prostat dalam sistem reproduksi pria, hal ini terjadi ketika sel prostat mengalami keterikatan pada reseptor androgen melalui proses molecular docking. Insidensi kanker prostat meningkat seiring pertambahan usia, di mana risiko yang dimiliki pria untuk menderita kanker prostat dalam seumur hidupnya mendekati angka 10%. Deteksi dini terhadap kasus kanker prostat pada banyak pengidap atau pria yang rentan risiko kanker prostat penting dilakukan untuk memulai pengobatan dan perencanaan kebutuhan medis yang tepat. Salah satu cara yang dapat dilakukan dalam deteksi penyakit kanker prostat adalah dengan melakukan klasifi-kasi menggunakan pendekatan data mining dengan algoritma Naïve Bayes dan K-Nearest Neighbor (K-NN). Penelitian ini bertujuan untuk mendapatkan hasil klasifikasi terbaik untuk mendeteksi penyakit kanker prostat dengan membandingkan kedua algoritma tersebut. Hasil akurasi klasifikasi kanker prostat dengan menggunakan algoritma Naïve Bayes adalah 80% dan K-NN sebesar 90%. Sementara untuk rata-rata keseluruhan nilai presisi algoritma Na-ïve Bayes dan K-NN masing-masing berada di angka 71,5% dan 93%. Nilai recall untuk algoritma Naïve bayes didapatkan sebesar 88% dan algoritma K-NN yaitu 87,5%. Berdasarkan nilai akurasi, presisi, dan recall kedua algo-ritma tersebut, algoritma K-NN memiliki nilai yang lebih tinggi dibandingkan dengan algoritma Naïve Bayes, sehing-ga dapat dikatakan bahwa algoritma K-NN bekerja dengan baik dalam melakukan klasifikasi penyakit kanker prostat. Meskipun algoritma Naïve Bayes memiliki nilai yang lebih rendah dibandingkan dengan algoritma K-NN, tetapi nilai rata-rata untuk performa presisi, recall, dan akurasinya masih berada di atas 70%. Dapat dikatakan bahwa algoritma Naïve Bayes cukup baik dalam mengklasifikasi penyakit kanker prostat.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-05-19","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43430726","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-05-19DOI: 10.34010/komputika.v12i1.9378
Prasetyo Adi Pamungkas, F. W. Christanto
Perubahan gaya hidup masyarakat saat ini sangat membutuhkan akses informasi yang mudah dan cepat, untuk memenuhi kebutuhan yang bergantung dengan jaringan telekomunikasi. Sejalan dengan hal ini menuntut pengadaan sarana infrastruktur konstruksi pendukungnya yaitu instalasi antena sebagai media transmisi telekomunikasi lewat udara. PT. Intisel Prodaktifakom Jawa Tengah adalah salah satu perusahaan yang menangani dan bergerak dalam bidang jasa kontraktor telekomunikasi. Agar mampu menjadi perusahaan kontraktor yang sukses di bidang telekomunikasi, manajemen diperlukan untuk peningkatan efisiensi dan efektivitas pengelolaan proyek, karena banyaknya pekerjaan yang harus diselesaikan sering muncul berbagai masalah, minimnya teknisi yang idle sehingga terjadi delay pekerjaan, update pekerjaan yang tidak real-time, pemberian tugas kepada teknisi masih secara manual menggunakan Whatsapp Group, dan kesulitan dalam proses pengawasan. Untuk mencapai tujuan sebuah proyek yang memenuhi kriteria biaya, mutu dan waktu, sistem task management berbasis web menggunakan metode prototype dimaksudkan sebagai alat untuk peningkatan mutu dan pelayanan perusahaan. Berdasarkan dari pengujiaan yang telah dilakukan sistem Task Managemt ini mendapatkan hasil yang cukup baik, pada pengujian black box sistem berjalan dengan baik sesuai dengan perencanaan, dari pengujian reability didapatkan hasil rata-rata 100% per test yang dijalankan, kemudian untuk pengujian kepuasan pengguna menghasilkan rata-rata presentase yaitu 76% responden memilih sangat baik, 26% responden memilih baik. Diharapkan PT Intisel Prodaktifakom Jawa Tengah dapat lebih banyak memenangkan tander projek dan juga kepercayaan lebih kepada PT Intisel Prodaktifakom dari vendor yang menjadi langganan untuk PT Intisel Prodaktifakom Jawa Tengah.
{"title":"Task Management System Acceptance Technical Procedure Instalasi Antenna Provider pada Tower Berbasis Web ( Studi Kasus : PT. Intisel Prodaktifakom Central Java )","authors":"Prasetyo Adi Pamungkas, F. W. Christanto","doi":"10.34010/komputika.v12i1.9378","DOIUrl":"https://doi.org/10.34010/komputika.v12i1.9378","url":null,"abstract":"Perubahan gaya hidup masyarakat saat ini sangat membutuhkan akses informasi yang mudah dan cepat, untuk memenuhi kebutuhan yang bergantung dengan jaringan telekomunikasi. Sejalan dengan hal ini menuntut pengadaan sarana infrastruktur konstruksi pendukungnya yaitu instalasi antena sebagai media transmisi telekomunikasi lewat udara. PT. Intisel Prodaktifakom Jawa Tengah adalah salah satu perusahaan yang menangani dan bergerak dalam bidang jasa kontraktor telekomunikasi. Agar mampu menjadi perusahaan kontraktor yang sukses di bidang telekomunikasi, manajemen diperlukan untuk peningkatan efisiensi dan efektivitas pengelolaan proyek, karena banyaknya pekerjaan yang harus diselesaikan sering muncul berbagai masalah, minimnya teknisi yang idle sehingga terjadi delay pekerjaan, update pekerjaan yang tidak real-time, pemberian tugas kepada teknisi masih secara manual menggunakan Whatsapp Group, dan kesulitan dalam proses pengawasan. Untuk mencapai tujuan sebuah proyek yang memenuhi kriteria biaya, mutu dan waktu, sistem task management berbasis web menggunakan metode prototype dimaksudkan sebagai alat untuk peningkatan mutu dan pelayanan perusahaan. Berdasarkan dari pengujiaan yang telah dilakukan sistem Task Managemt ini mendapatkan hasil yang cukup baik, pada pengujian black box sistem berjalan dengan baik sesuai dengan perencanaan, dari pengujian reability didapatkan hasil rata-rata 100% per test yang dijalankan, kemudian untuk pengujian kepuasan pengguna menghasilkan rata-rata presentase yaitu 76% responden memilih sangat baik, 26% responden memilih baik. Diharapkan PT Intisel Prodaktifakom Jawa Tengah dapat lebih banyak memenangkan tander projek dan juga kepercayaan lebih kepada PT Intisel Prodaktifakom dari vendor yang menjadi langganan untuk PT Intisel Prodaktifakom Jawa Tengah.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-05-19","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"48072074","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-05-10DOI: 10.34010/komputika.v12i1.9300
Riza F. Ramadhan
Online buying and selling transactions have become a necessity and routine for generation Z in the era of technology 4.0. This phenomenon is an effect caused by the existence of the internet. The internet innovates for software developers to create communication applications without meeting face-to-face. Due to the rapid development of the internet, many online buying and selling platforms have emerged and are used by online shopping activists, especially generation Z. Of course, the various trading platforms have differences in appearance and usability. So it is necessary to research selecting the ideal platform using the Decision Support System as the data processing system. While the methods used are the MOORA and SMART methods, the two approaches will analyze the differences in the calculation results and the advantages of each technique. The results of the MOORA method are inversely proportional to the SMART method, but the difference is only that the difference in the final scores is not that great. Hence, the two approaches are ideal for a Decision Support System.
{"title":"Implementasi dan Analisis Metode MOORA dan SMART pada Pemilihan Platform Jual Beli Online menggunakan Decision Support System","authors":"Riza F. Ramadhan","doi":"10.34010/komputika.v12i1.9300","DOIUrl":"https://doi.org/10.34010/komputika.v12i1.9300","url":null,"abstract":"Online buying and selling transactions have become a necessity and routine for generation Z in the era of technology 4.0. This phenomenon is an effect caused by the existence of the internet. The internet innovates for software developers to create communication applications without meeting face-to-face. Due to the rapid development of the internet, many online buying and selling platforms have emerged and are used by online shopping activists, especially generation Z. Of course, the various trading platforms have differences in appearance and usability. So it is necessary to research selecting the ideal platform using the Decision Support System as the data processing system. While the methods used are the MOORA and SMART methods, the two approaches will analyze the differences in the calculation results and the advantages of each technique. The results of the MOORA method are inversely proportional to the SMART method, but the difference is only that the difference in the final scores is not that great. Hence, the two approaches are ideal for a Decision Support System.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-05-10","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"43336475","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
Pub Date : 2023-05-09DOI: 10.34010/komputika.v12i1.9082
Dolly Indra, H. Herman, Firman Shantya Budi
The development of computer technology today is very helpful for humans in completing their work in various fields. One application of computer technology i.e., in the field of computer vision which has a very important role for object recognition. In this study, we designed a computer vision-based automatic vehicle counting system. The system that we created uses the MobileNetV2 Single Shot Multibox Detector (SSD) which is placed on the Raspberry Pi 4 to carry out the process of classifying cars and motorcycles and the raspberry pi 4 also functions as a system controller. This automatic vehicle counter system has been integrated between Raspberry Pi 4 and a mobile application on a smartphone where the smartphone functions to display information such as day, date, month, year and together with the number of cars and motorcycles. We tested this automatic vehicle counting system on steam services (car and motorcycle washing) for 3 days where 10 vehicles were collected every day. The test results show that the system is capable of detecting cars and motorcyles with an average accuracy rate of 46.6%.
当今计算机技术的发展对人类完成各个领域的工作非常有帮助。计算机技术的一种应用即在计算机视觉领域中对物体识别有着非常重要的作用。本课题设计了一种基于计算机视觉的车辆自动计数系统。我们创建的系统使用放置在树莓派4上的MobileNetV2 Single Shot Multibox Detector (SSD)来进行汽车和摩托车的分类过程，树莓派4也作为系统控制器。该自动车辆计数器系统是在树莓派4和智能手机上的移动应用程序之间集成的，智能手机可以显示日、日、月、年等信息，以及汽车和摩托车的数量。我们在蒸汽服务(汽车和摩托车清洗)上测试了这个自动车辆计数系统3天，每天收集10辆车辆。测试结果表明，该系统能够对汽车和摩托车进行检测，平均准确率为46.6%。
{"title":"Implementasi Sistem Penghitung Kendaraan Otomatis Berbasis Computer Vision","authors":"Dolly Indra, H. Herman, Firman Shantya Budi","doi":"10.34010/komputika.v12i1.9082","DOIUrl":"https://doi.org/10.34010/komputika.v12i1.9082","url":null,"abstract":"The development of computer technology today is very helpful for humans in completing their work in various fields. One application of computer technology i.e., in the field of computer vision which has a very important role for object recognition. In this study, we designed a computer vision-based automatic vehicle counting system. The system that we created uses the MobileNetV2 Single Shot Multibox Detector (SSD) which is placed on the Raspberry Pi 4 to carry out the process of classifying cars and motorcycles and the raspberry pi 4 also functions as a system controller. This automatic vehicle counter system has been integrated between Raspberry Pi 4 and a mobile application on a smartphone where the smartphone functions to display information such as day, date, month, year and together with the number of cars and motorcycles. We tested this automatic vehicle counting system on steam services (car and motorcycle washing) for 3 days where 10 vehicles were collected every day. The test results show that the system is capable of detecting cars and motorcyles with an average accuracy rate of 46.6%.","PeriodicalId":52813,"journal":{"name":"Komputika","volume":" ","pages":""},"PeriodicalIF":0.0,"publicationDate":"2023-05-09","publicationTypes":"Journal Article","fieldsOfStudy":null,"isOpenAccess":false,"openAccessPdf":"","citationCount":null,"resultStr":null,"platform":"Semanticscholar","paperid":"48414262","PeriodicalName":null,"FirstCategoryId":null,"ListUrlMain":null,"RegionNum":0,"RegionCategory":"","ArticlePicture":[],"TitleCN":null,"AbstractTextCN":null,"PMCID":"","EPubDate":null,"PubModel":null,"JCR":null,"JCRName":null,"Score":null,"Total":0}
京公网安备 11010802042870号
京ICP备2023020795号-1
扫码关注我们
求助内容：
应助结果提醒方式：