Computatio : Journal of Computer Science and Information Systems

Pemetaan Kecamatan di Wilayah Bogor Berdasarkan Tipe Lahan dengan Metode Gradient Boosting

2022-01-28T19:41:32+00:00

Kabupaten Kota Bogor merupakan tempat Gunung Salak, sumber mata air Jakarta, berada sehingga untuk air sampai di Jakarta, air harus melalui Bogor terlebih dahulu. Hal ini mengakibatkan perubahan terhadap lahan di Bogor akan berpengaruh pada proses aliran air dari Gunung Salak ke Jakarta. Oleh karena itu, dibutuhkan suatu sistem yang dapat digunakan untuk memantau perubahan fungsi lahan di Bogor. Sistem ini, diharapkan dapat memberi informasi tentang alih fungsi lahan secara periodik yang terjadi di daerah Bogor dan diharapkan dapat membantu pihak-pihak yang terkait dalam penanganan dampak-dampak yang terjadi akibat alih fungsi lahan. Data yang diperlukan adalah citra Landsat 8 band 2, 3, 4, 5, 6, dan 7 yang telah melalui proses pra-pemrosesan untuk kemudian diklasifikasikan dengan menggunakan model yang dibangun dengan metode Gradient Boosting Regression untuk klasifikasi. Model dibangun dengan nilai learning rate 0.1 dan banyak pohon 50. Akurasi yang didapat dari model ini adalah 99.3349% untuk data latih, 99.1658% untuk data validasi, dan membutuhkan waktu 13.91376 detik.

Prediksi Jumlah Penduduk Tingkat Kecamatan di Wilayah Bogor Menggunakan Metode Long Short Term Memory

2022-01-28T21:53:48+00:00

Population growth is addition or reduction of the population which is influenced by several factors. In Indonesia, this is something that pays great attention and is monitored by the government, especially on Java Island. Worries of population increase is one of the reasons for this monitoring which can cause problems with the support power and capacity power of the environment. The purpose of this design is to predict the population and calculate population growth rate at sub-district level in the Bogor area for 2021 and 2022 using population data at different annual intervals in each areas. Prediction is done using Long Short Term Memory. The configuration parameters of the model used for training and testing is different for each areas which obtained from the results of the parameter experiment which was repeated 5 times for each configuration to obtain the best Mean Absolute Percentage Error (MAPE) average. All models for LSTM method gain an average MAPE below 10% in each areas so that the models for prediction were stated to be very good.

Sistem Self-Checkout Produk Sembako Menggunakan Metode Convolutional Neural Networks

2024-10-24T08:38:26+00:00

Terdapat banyak toko kelontong dari yang kecil hingga yang besar. Toko kelontong menjual berbagai produk mulai dari sayuran, buah-buahan, makanan instan, makanan ringan dan lain sebagainya. Toko kelontong yang besar atau dikenal dengan grocery store, dapat memiliki banyak pengguna pada saat yang bersamaan. Terdapat beberapa loket kasir yang disediakan untuk melayani pelanggan selama proses pembayaran. Bagi pelanggan yang memiliki banyak barang belanjaan akan memakan waktu yang lama saat dikasir dan dapat menyebabkan antrian yang panjang. Sistem akan menerima input citra yang didalamnya terdapat beberapa produk. Sistem ini akan melakukan pendeteksian dan pengenalan produk dengan menggunakan metode Faster R-CNN dan arsitektur ResNet-101. Setelah produk berhasil diidentifikasi, akan ditampilkan daftar dari produk beserta harga dan total harga keseluruhan. Pendeteksian dan pengenalan produk untuk 1 produk yang berada dalam 1 frame mendapatkan akurasi sebesar 84%, untuk 3 produk yang berada dalam 1 frame mendapatkan akurasi sebesar 44%, dan untuk 5 produk yang berada dalam 1 frame mendapatkan akurasi sebesar 12%.