Title

PENENTUAN JENIS LOBSTER MENGGUNAKAN YOLOV7 BERBASIS VIDEO (2024)

https://drive.google.com/drive/folders/1APL-eZweKkQllHHmOekO3LH3loGGDvoL

Creator

Anugrah Ahzul Raihan

Date

2024

Description

Lobster adalah hewan invertebrata yang termasuk dalam filum
Arthropoda dan hidup di air. Lobster merupakan jenis udang yang memiliki nilai
ekonomi tinggi di Indonesia. Beberapa nelayan lobster masih menggunakan metode
konvensional untuk mengidentifikasi jenis lobster, seperti metode visual untuk
membedakan lobster pasir dari lobster batik. Metode yang diusulkan dalam
penelitian ini menggunakan YOLOv7 untuk melakukan identifikasi jenis lobster
pada rekaman video. Selain akurat, metode yang diusulkan ini juga efisien.
Kecepatan deteksi berkisar dari 7,9ms hingga 14,1ms per frame, dan kecepatan
inferensi berkisar dari 0,8ms hingga 2ms per frame. Ini berarti model dapat
mendeteksi jenis lobster secara real-time, yang penting bagi nelayan lobster yang
membutuhkan identifikasi jenis lobster dengan cepat dan akurat. Untuk
mengevaluasi kinerja metode yang diusulkan, para peneliti melatih model YOLOv7
pada kumpulan data yang berisi lebih dari 5.000 gambar lobster dari dua spesies
berbeda. Model kemudian diuji pada set data uji terpisah berupa video lobster
berdurasi 2 menit. Para peneliti juga mengevaluasi kecepatan metode yang
diusulkan pada video lobster 2 menit dengan 7562 frame. Diperlukan waktu 3 menit
15 detik untuk mendeteksi lobster dalam video. Kecepatan deteksi ini relatif cepat,
mengingat model tersebut mampu mencapai mAP 99,6%. Secara keseluruhan, hasil
penelitian ini menunjukkan bahwa penggunaan YOLOv7 berhasil dan efisien.
Dengan teknologi ini, nelayan lobster dapat secara efektif membedakan kedua
spesies ini, sehingga meningkatkan profitabilitas dan keberlanjutan budidaya
lobster.

Alternative Title

S1-1 FT-INF-24 ANUGRAH AHZUL RAIHAN_212552018253880

Title

ANALISIS PERBANDINGAN ALGORITMA K-NEAREST NEIGHBOR DENGAN NAÏVE BAYES UNTUK KLASIFIKASI KANKER PARU-PARU (2024)

https://drive.google.com/drive/folders/1T62Qsyx1y8eRVbp75Ut7QETLowXgJfml

Creator

YUNISA DARMAYANTI

Date

2024

Description

Kanker paru merupakan kontributor global yang signifikan terhadap
mortalitas manusia, menyumbang 25% dari semua kematian yang terkait dengan
kanker pada tahun 2021. Sifatnya yang sulit terdeteksi, seringkali tanpa gejala awal
pada seperempat kasus yang didiagnosis, menjadi tantangan untuk deteksi tepat
waktu. Berbeda dengan beberapa jenis kanker lain, kanker paru tidak bisa dilihat
dengan mata telanjang, dengan gejalanya sering kali menyamar sebagai penyakit
lain seperti bronkitis, asma, atau batuk yang persisten. Diagnosis dini sangat
penting untuk pengobatan yang efektif dan peningkatan tingkat kelangsungan
hidup. Menyadari urgensi tersebut, penelitian ini menyelidiki prediksi kanker paru
melalui penerapan teknik data mining. Data mining, suatu proses yang mencari pola
dan tren dalam repositori data besar, memainkan peran penting dalam mengungkap
wawasan yang bermakna. Dalam konteks ini, klasifikasi muncul sebagai aspek
fundamental, berfungsi sebagai cara untuk membedakan objek berdasarkan
karakteristiknya yang khas. Untuk mengatasi kompleksitas yang terkait dengan

klasifikasi kanker paru, dilakukan studi perbandingan, fokus pada algoritma K-
Nearest Neighbor (KNN) dan Naïve Bayes Classifier (NBC). Dengan

memanfaatkan dataset yang mencakup 1000 instansi dan 24 kriteria, studi ini
bertujuan untuk mengungkap algoritma mana yang terbukti lebih unggul dalam
klasifikasi kanker paru. Setelah analisis, studi ini menghasilkan hasil yang
mencolok. Algoritma KNN menunjukkan tingkat akurasi sebesar 98,34%,
melampaui akurasi algoritma NBC sebesar 90,00%. Oleh karena itu, penelitian ini
menyimpulkan bahwa, dalam ranah klasifikasi kanker paru, algoritma KNN lebih
unggul dibandingkan dengan algoritma Naïve Bayes. Temuan ini menjanjikan
untuk meningkatkan efektivitas deteksi kanker paru dini, yang berpotensi
menyelamatkan banyak nyawa melalui metode klasifikasi yang lebih baik.

Alternative Title

S1-2 FT-INF-24 YUNISA DARMAYANTI_212552018253884)

Title

SENTIMENT ANALYSIS TWITTER PADA MATA UANG DIGITAL CRYPTO MENGGUNAKAN LSTM DAN RECURRENT NEURAL NETWORK (RNN) (2024)

https://drive.google.com/drive/folders/1q4h4rO2tGor0KiXWCuybe04-P0UENbCY

Creator

M. Ainul Furkan

Date

2024

Description

Peneliti Sentiment Analysis Twitter Pada Mata Uang Digital Crypto
Menggunakan LSTM dan RNN. Penelitian ini yaitu analisis sentimen dengan
menggunakan metode Long Short-Term Memory (LSTM) dan Recurrent Neural
Network (RNN). Peneliti membuat judul tersebut karena banyaknya mata uang
digital yang digunakan dalam proses jual beli maupun sebuah transaksi. Oleh
karena itu banyak diantaranya masyarakat awam yang belum familiar dengan mata
uang tersebut. Disisi lain mata uang digital tersebut nantinya akan menjadi sebuah
alat pertukaran maupun jual beli sebuah investasi agar tidak terbujuk dengan mata
uang yang palsu karena nominal yang tinggi namun nilai ekonominya rendah. Dari
segi metode, peneliti mengusulkan metode LSTM dan RNN untuk mengukur
tingkat keakuratan pada sentiment analysis twitter dengan topic mata uang digital
dimana penelitian sebelumnya menggunakan metode yang berbeda. Serta dalam
penerapan ini menggunakan Platform twitter sebagai alat bantu mengumpulkan
data yang nantinya dapat di visualisasi pada aplikasi yang dibuat. Jumlah data yang
digunakan pada pengujian ini yaitu sebanyak 1000 data. Hasil pengujian
menunjukkan tingkat akurasi sebesar 92%, presisi sebesar 92,30%, recall sebesar
92,98%, dan skor f-measure sebesar 88,80%. Hal ini menunjukkan bahwa model
yang dikembangkan mampu secara efektif memprediksi sentimen terkait mata uang
digital crypto dari data yang dianalisis.

Alternative Title

S1-3 FT-INF-24 M. AINUL FURKAN_202552018253337

Title

KLASIFIKASI TEKS BERITA BREAKING NEWS DI MANGGARAI MENGGUNAKAN LONG SHORT TERM MEMORY (LSTM) (2024)

https://drive.google.com/drive/folders/1BvXjS_pWIrIaY9jX7GTEtNWSGKEmYNTj

Creator

CLAUDIA NILA DAIMAN

Date

2024

Description

Berita sering kali menyebar dari berbagai sumber, termasuk media sosial dan
situs web. Metode LSTM (Long Short Term Memory) yang lebih baik dalam
mengolah data temporal dan sekuensial dapat mempercepat pengambilan keputusan
terhadap berita terkini di Manggarai. Tujuan dari penelitian ini adalah untuk
mengembangkan sistem klasifikasi teks berita terkini menggunakan LSTM dan
membuat model yang dapat mengklasifikasikan berita dengan akurasi tinggi ke dalam
empat kategori: ekonomi, kecelakaan, politik dan pariwisata. Penelitian ini
menggunakan 4000 dataset yang masing-masing kategori terdiri dari 1000 unit data.
Data tersebut dibagi menjadi beberapa variasi rasio data latih dan uji yaitu, 3600:400,
3200:800, 2800:1200, 2400:1600, 2000:2000, 1600:2400, 1200:2800, 800:3200, dan
400:3600. Model LSTM berhasil menunjukkan performa yang unggul dibandingkan
dengan model lainnya, dengan akurasi sebesar 89.25%, Presecion sebesar 89.37%,
Recall sebesar 89.25% dan F1-score sebesar 89.23%, pada model pertama. Akurasi
menunjukkan persentase prediksi yang benar, precision mengukur ketepatan prediksi
positif, recall menghitung seberapa baik model menangkap semua contoh positif, dan
F1-score merupakan rata-rata harmonis dari precision dan recall. Hasil tersebut
menunjukkan bahwa model LSTM dapat mengklasifikasikan teks berita secara efisien
dan akurat. Penelitian ini memvalidasi penerapan LSTM dalam klasifikasi teks berita
untuk memberikan informasi penting dan cepat kepada masyarakat Manggarai.

Alternative Title

S1-4 FT-INF-24 CLAUDIA NILA DAIMAN_201552018152794

Title

DETEKSI UMUR LOBSTER MENGGUNAKAN ALGORITMA YOLO V8 BERBASIS VIDEO DIGITAL (2024)

https://drive.google.com/drive/folders/1s9vhr2hBYOEAliXoNJI6Ya_D3gQI3h8f

Creator

BAYU NUSMAN

Date

2024

Description

Lobster merupakan salah satu hewan air yang memiliki nilai ekonomis tinggi dalam
industri perikanan. Permintaan lobster di pasar domestik dan ekspor terus
meningkat karena dagingnya yang lezat dan dapat diolah menjadi berbagai macam
masakan. Indonesia, khususnya Pulau Jawa, memberikan kontribusi yang cukup
besar terhadap produksi lobster nasional. Namun, penentuan umur lobster secara
manual yang ada saat ini memiliki keterbatasan seperti kerumitan, waktu yang
dibutuhkan, dan subjektivitas dalam penilaian, untuk mengatasi hal tersebut,
penelitian ini mengusulkan pendeteksian umur lobster dengan menggunakan
metode YOLO (You Only Look Once), khususnya versi YOLOv8. Algoritma ini
dikenal mampu melakukan pengenalan gambar dan video dengan cepat dan
menghasilkan akurasi yang tinggi. YOLOv8 dapat dijalankan dengan menggunakan
GPU, sehingga memungkinkan operasi paralel yang secara signifikan meningkatkan
kecepatan deteksi objek dibandingkan dengan menggunakan CPU saja. Pengolahan
data pada penelitian ini melibatkan beberapa tahapan, dimulai dari pre-processing
berupa ekstraksi citra dan bounding dari video lobster. Selanjutnya, algoritma
YOLOv8 digunakan untuk melatih model dengan parameter grid dan bounding box
yang telah disesuaikan. Model yang telah dilatih kemudian divalidasi dan diuji
dengan menggunakan data gambar dan video lobster. Hasil pengujian menunjukkan
bahwa model YOLOv8 yang dikembangkan memiliki presisi sebesar 0.997, recall
sebesar 0.998, mAP50 sebesar 0.995, dan mAP50-95 sebesar 0.971. Hal ini
menunjukkan bahwa model tersebut mampu mendeteksi dan menentukan umur
lobster dengan akurasi yang sangat tinggi, sehingga memberikan hasil yang lebih
efisien dan objektif dibandingan kan dengan cara manual.

Alternative Title

S1-5 FT-INF-24 BAYU NUSMAN_212552018253882

Title

KLASIFIKASI SUARA ANAK TUNAWICARA BERBASIS FITUR MFCC MENGGUNAKAN LSTM DAN BILSTM (2024)

https://drive.google.com/drive/folders/1PKiFalUGFWtXgp8h3hZOn6kDrvZ0GTaU

Creator

DION BUDI RIYANTO

Date

2024

Description

Kemampuan berbicara adalah aspek penting dalam berkomunikasi dengan
orang lain. Anak-anak yang mengalami gangguan bicara tunawicara memiliki
kesulitan berkomunikasi dengan orang di sekitar mereka karena mereka tidak dapat
berbicara secara normal akibat keterbatasan tersebut. Cara mereka berkomunikasi
adalah melalui bahasa isyarat, yang tidak semua orang mengerti. Oleh karena itu,
peneliti menggunakan model LSTM dan BiLSTM untuk mengembangkan sistem
klasifikasi suara berdasarkan fitur MFCC untuk anak tunawicara. Tujuan dari
penelitian ini adalah mengklasifikasikan suara anak tunawicara sekaligus
memperbaiki hasil penelitian sebelumnya. Hasil penelitian menunjukkan bahwa
model LSTM yang dilatih dengan konfigurasi 256 hidden layer unit, 100 epoch,
dan learning rate 0.01 menghasilkan akurasi prediksi sebesar 87,07%. Sedangkan
untuk model BiLSTM pada konfigurasi 512 hidden layer unit, 200 epoch, dan
learning rate 0.01 menghasilkan akurasi prediksi sebesar 88,01%. Nilai hidden layer
unit, epoch, dan learning rate tersebut dipilih setelah melakukan berbagai
eksperimen tuning hyperparameter untuk mendapatkan akurasi tertinggi. Kedua
model berhasil melampaui akurasi tertinggi pada penelitian sebelumnya yaitu
84,7%.

Alternative Title

S1-6 FT-INF-24 DION BUDI RIYANTO_201552019153017

Title

KLASIFIKASI KUALITAS BIJI JAMBU METE MENGGUNAKAN METODE CONVOLUTIONAL NEURAL NETWORK (CNN) (2024)

https://drive.google.com/drive/folders/1UVfmeDROQPiap1oNYAlxA6kDJh5nJXiB

Creator

MARIANUS RORU MALE

Date

2024

Description

Selama ini penetuan kualitas biji mete dilakukan dengan pengamatan fisik
secara langsung. Kerap kali hasil pengamatan kurang konsisten dikarenakan
keterbatasn visual manusia. Hal ini menyebabkan kerugian tersendiri bagi petani
karena tidak adanya harga tetap dalam jual beli biji mete. Pengolahan citra merupakan
solusi alternatif untuk mengatasi penentuan kualitas biji mete. Pengolahan citra
mempunyai kemampuan yang lebih tepat dan obyektif dibandingkan visual manusia.
Convolutional Neural Network (CNN) merupakan salah satu metode deep learning
yang mampu mengklasifikasi obyek citra sedemikian rupa hingga mampu menentukan
jenis obyek tersebut. Penelitian ini bertujuan untuk mengklasifikasi kualitas biji mete
berdasarkan citranya menggunakan metode CNN, serta melihat seberapa baik kinerja
model CNN yang dibangun. Adapun total dataset yang digunkan dalam penelitian ini
adalah 1000 citra biji mete berkualitas baik dan buruk. Proses klasifikasi dilakukan
menggunakan arsitektur EfficientNetV2M dan arsitektur ResNet50 dengan beberapa
parameter yang berbeda. Hal ini bertujuan untuk membandingkan dan menentukan
hasil terbaik yang diperoleh darisistem klasifikasi. Hasil pengujian menunjukkan
arsitektur EfficientNetV2M menghasilkan akurasi terbaik 98% dari learning rate 0.001
dan epoch 60. Sedangkan arsitektur ResNet50 menghasilkan akurasi terbaik 93% dari
learning rate 0.001 dan epoch 20. Hasil tersebut menunjukkan bahwa model CNN yang
dibangun memiliki performa yang baik dalam mengklasifikasikan kualitas biji jambu
mete.

Alternative Title

S1-7 FT-INF-24 MARIANUS RORU MALE_181552018151836

Title

SEGMENTASI PENYAKIT PADA CITRA ECENG GONDOK MENGGUNAKAN YOLOv8 (2024)

https://drive.google.com/drive/folders/1iWAFe6Vr7N-20BHNn_hHE74ZnKcirtPJ

Creator

Andrean Yogha Saputra

Date

2024

Description

Eceng gondok adalah tanaman air dari Sungai Amazon. Eceng gondok merupakan
gulma yang serius di lingkungan air tawar di sungai, danau, dan waduk di daerah
beriklim hangat dan tropis di seluruh dunia. Eceng gondok juga dapat menurunkan
kualitas dan kuantitas air dengan mengurangi oksigen terlarut. Meskipun dianggap
sebagai gulma, akar Eichhornia crassipes dapat menyerap air yang terkontaminasi,
termasuk logam berat seperti timbal dan merkuri serta beberapa komposit organik yang
dipastikan bersifat karsinogenik. Oleh karena itu, Eichhornia crassipes dapat
dibudidayakan untuk pengolahan air limbah. Salah satu masalah yang dihadapi dalam
mengelola tanaman air ini adalah mengidentifikasi dan memantau penyakit yang dapat
mempengaruhi pertumbuhan dan kesehatan tanaman. Penyakit tertentu dapat
mengganggu pertumbuhan tanaman, oleh karena itu diperlukan suatu cara untuk
mengidentifikasi penyakit eceng gondok agar pengelolaan tanaman menjadi efisien
dengan menggunakan teknologi yang tepat. Penelitian ini bertujuan untuk membuat
sistem segmentasi penyakit pada eceng gondok menggunakan YOLOv8 dan
menganalisa kinerja YOLOv8 dalam mengidentifikasi penyakit pada daun eceng
gondok, dari hasil pengujian segmentasi penyakit daun eceng gondok. Dapat
disimpulkan bahwa segmentasi daun eceng gondok menggunakan YOLOv8 dengan
hasil yang maksimal sesuai dengan penyakit masing-masing daun eceng gondok,
dimulai dari daun yang sehat memiliki nilai mAP sebesar 0.995. Kemudian daun
berpenyakit bercak memiliki hasil segmentasi daun eceng gondok sebesar 0.977. Daun
berpenyakit karat memiliki nilai sebesar 0.928, daun berpenyakit kuning memiliki nilai
sebesar 0.995 dan hasil nilai untuk semua kelas yang didapatkan adalah 0.974. Dalam
melakukan segmentasi dibutuhkan waktu yang relatif cepat yaitu Speed: preprocess
5.1ms, inference 14.1ms, loss 0.0 ms, postprocess 3.7 ms per citra.

Alternative Title

S1-8 FT-INF-24 ANDREAN YOGHA SAPUTRA_212552018253886

Title

KLASIFIKASI JENIS CUCAK BERDASARKAN SUARA MENGGUNAKAN MEL FREQUENCY CEPSTRAL COEFFICIENTS (MFCC) DAN NAIVE BAYES (NB) (2024)

https://drive.google.com/drive/folders/1mVx4Aly6StqDpCihwAzfYqJm60UxsJKJ

Creator

MUHAMMAD ROMADLONI PUTRA

Date

2024

Description

Indonesia memiliki ekosistem yang kaya dan beragam dengan tingkat
keanekaragaman hayati yang tinggi, termasuk keanekaragaman burung. Penelitian
ini berfokus pada pengembangan sistem klasifikasi suara burung yang
menggunakan Mel-Frequency Cepstral Coefficient dan algoritma Naive Bayes.
Sistem ini bertujuan untuk mengidentifikasi spesies burung dari famili
Pycnonotidae di Indonesia: brinji gunung, cucak kutilang, merbah belukar, merbah
cerukcuk, dan merbah mata merah. Dataset suara burung dikumpulkan dari website
xeno-canto.org, kemudian data diproses dan diekstraksi menggunakan fitur mel
frequency cepstral coefficient. Model naive bayes kemudian dilatih dan diuji pada
dataset yang telah diberi label. Penelitian ini menunjukkan bahwa model naïve
bayes adalah metode yang efektif untuk mengklasifikasikan suara burung. Model
naive bayes memiliki kinerja yang cukup bagus dalam mengklasifikasian suara
burung, mencapai akurasi prediksi pada rasio 80:20 mulai dari yang terendah 52%
hingga yang tertinggi 90%. Hal ini menunjukkan bahwa model ini cocok untuk
membedakan antara suara burung cucak yang berbeda. Hasil pengujian yang
diperoleh menunjukkan bahwa model naiva bayes memiliki potensi besar dalam
mengklasifikasikan suara cucak. Akurasi yang dicapai oleh model ini, bahkan
dengan 20% data latih, membuktikan kemampuannya untuk mengidentifikasi dan
membedakan suara cucak dengan tingkat akurasi yang cukup tinggi. Efektivitas
model naive bayes dalam mengklasifikasikan suara cucak cukup bagus, terutama
mengingat kemampuannya untuk mencapai efisiensi yang tinggi meskipun dengan
data pelatihan yang terbatas.

Alternative Title

S1-10 FT-INF-24 MUHAMMAD ROMADLONI PUTRA_2011552019153130

Title

SEGMENTASI CITRA PENYAKIT PADA UBI JALAR MENGGUNAKAN ALGORITMA YOLOV8 (2024)

https://drive.google.com/drive/folders/1tt8YxlV_lOGzjDs2Bq3523x8XvcILt0M

Creator

Khusniyatul Latifah

Date

2024

Description

Ubi jalar merupakan sumber karbohidrat terbesar keempat di Indonesia, setelah
beras, jagung, dan ubi kayu. Namun, ubi jalar rentan terhadap serangan penyakit
yang dapat menyebabkan kerugian ekonomi yang besar disektor pertanian. Penyakit
ini dapat mempengaruhi produktivitas dan kualitas tanaman ubi jalar. Penting bagi
petani untuk mengidentifikasi ubi jalar yang berpenyakit secepat mungkin untuk
mencegah penyebaran penyakit yang berakibat kerugian ekonomi. Salah satu cara
untuk mengatasi masalah ini adalah dengan menggunakan teknologi komputer.
Menggunakan teknologi computer vision dapat membantu mengidentifikasi
penyakit pada ubi jalar. Metode deep learning terbukti lebih efektif dibeberapa
bidang, dengan computer vision menjadi salah satu alternatif untuk menyelesaikan
permasalahan. Metode yang digunakan dalam penelitian ini adalah metode
segmentasi menggunakan algoritma YOLOv8. Dari metode yang dipakai dari
penelitian ini menghasilkan hasil yang maksimal karena dapat mengidentifikasi ubi
jalar berpenyakit dan sehat. Hasil untuk ubi jalar sehat mendapatkan nilai mAP
sebesar 0.995%, untuk ubi jalar sakit busuk umbi sebesar 0.995%, dan nilai
keseluruhan untuk semua kelas mencapai 0.995%. Proses segmentasi ini
berlangsung dengan waktu yang cukup efisien, di mana tahapan memerlukan waktu
.6ms preprocess, 18.0ms inference, 4.5ms postprocess per image. Penggunaan
YOLOv8 untuk segmentasi ubi jalar telah terbukti berhasil, memungkinkan
identifikasi objek dengan efisiensi yang tinggi. Model ini menunjukkan potensi
yang besar dalam pemantauan dan pengendalian penyakit pada tanaman ubi jalar,
memberikan harapan baru dalam upaya meningkatkan kesehatan tanaman dan hasil
panen secara berkelanjutan.

Alternative Title

S1-9 FT-INF-24 KHUSNIYATUL LATIFAH_212552018253881