Hasil Pencarian  ::  Simpan CSV :: Kembali

"ABSTRAKTeknik yang digunakan untuk Sistem Pemantau Lalu Lintas pada masa sekarangini banyak tergantung pada sensor-sensor yang mempunyai kemampuan yangterbatas, kurang fleksibel, dan seringkali mahal dan sulit untuk dipasang.Penggunaan kamera digabungkan dengan teknologi Computer Vision menjadialternatif yang menarik dari sensor yang ada saat ini. Sensor berbasis kamera inimempunyai potensi yang lebih besar untuk mengamati kondisi lalu lintas yangada dibanding sensor konvensional saat ini yaitu sensor ini lebih murah danmudah untuk dipasang.Di dalam penelitian ini dikembangkan sistem pemantaulalu lintas menggunakan metode Optical Flow dan Gaussian Mixture Model.Eksperimen dilakukan menggunakan handycam, berlokasi di salah satu tol dalamkota Jakarta. Kondisi pengambilan gambar adalah pada kondisi yang berbedabedayaitu pada saat pagi, siang, dan sore, cuaca cerah, dan mendung, sertakondisi arus lalu lintas padat dan lancar. Setelah pengujian dilakukan, algoritmaOptical Flow memberikan hasil yang lebih baik dibandingkan algoritma GaussianMixture Model yaitu dengan akurasi mencapai 92% dibanding Gaussian yanghanya mencapai 72%. Faktor-faktor yang mempengaruhi tingkat akurasi adalahkondisi waktu, cuaca, dan arus kendaraan serta lokasi pengambilan gambar.

---

AbstractCurrent techniques for Sistem Pemantau Lalu Lintas rely on sensors which havelimited capabilities, inflexible and often, costly and disruptive to be installed.Video camera, coupled with Computer Vision techniques offers an attractivealternative to current sensors which is portable and low cost . In this research, atraffic monitoring system using handy camera is developed using Optical Flowand Gaussian Mixture Model (GMM) methods. The experiment took place in oneof the Jakarta city highway. The condition of the experiment is when the time is inthe morning, afternoon, evening, when it is clear, and cloudy, and also when thetraffic is light and heavy. The experiments shows that Optical Flow algorithmgives better results regarding to accuracy rate, better than Gaussian MixtureModel Algorithm. The Optical Flow reach 92% accuracy while Gaussian Mixtureonly got to 72% accuracy. Some factors that influenced the accuracy rate of thesystem are time, weather, traffic and location."

"Sudah sejak lama tanda tangan menjadi salah satu cara untuk melakukan otentikasi dalam kehidupan sehari-hari mulai dari pengesahan dokumen, surat- surat penting bahkan untuk transaksi perbankan. Namun tingkat keamanan dari penggunaan tanda tangan ini tergolong rendah karena tanda tangan dapat ditiru dengan mudah. Seiring dengan perkembangan teknologi, digunakan teknik verifikasi tanda tangan online untuk meningkatkan keamanan dalam otentikasi tanda tangan. Penelitian ini akan menganalisa performa sistem verifikasi tanda tangan online dengan menggunakan algoritma SVM dan GMM pada database SVC 2004 yang mengandung 7 fitur pada setiap tanda tangan. Database ini memiliki 40 dataset tanda tangan dimana setiap dataset terdiri dari 20 tanda tangan asli dan 20 tanda tangan tiruan atau 1600 tanda tangan secara keseluruhan. Berdasarkan hasil simulasi dengan menggunakan 10 data training, sistem verifikasi GMM menghasilkan FRR sebesar 4,5%, FAR 3% dan waktu komputasi rata-rata 21,3 detik sedangkan pada SVM dihasilkan FRR 2,625%, FAR 1,25% dan waktu komputasi rata-rata 1,84 detik.

---

For a long time, signature has become one of many authentication methods that commonly used in daily life such as document and other obligations authentication, even for banking transaction. However the use of signature could be classified as low level security authentication because it can easily forged. With the advanced of technology, online signature verification has been used to increase the security level in signature authentication.

This research will analyze the performance of online signature verification using SVM and GMM algorithm on SVC 2004 signature database which contains 7 features of each signature. The database has 40 contributors who sign 20 authentic signatures, while 20 other are forged ones. In total the database has 1600 signatures.

Based on simulation results using 10 training data, signature verification using GMM resulted in 4,5% FRR, 3% FAR and average computation time of 21,3 seconds, while SVM has 2,625% FRR, 1,25% FAR and average computation time 1,84 second."

"Seringkali analisis statistik beranggapan suatu data hanya berasal dari satu populasi saja. Padahal pada kenyataannya terdapat kondisi dimana suatu data bisa dibagi menjadi beberapa sub-populasi. Gaussian Finite Mixture Model adalah salah satu metode untuk memodelkan data heterogen yang memungkinkan berasal dari sub-populasi yang berbeda. Model ini berbentuk superposisi dari beberapa distribusi Gaussian. Jumlah distribusi akan ditentukan dengan menggunakan Akaikes Information Criterion dan model diagnostik. Estimasi parameter pada model ini menggunakan metode Bayesian, yaitu dengan menentukan distribusi prior untuk parameter model, digabungkan dengan likelihood yang akan menghasilkan distribusi posterior. Kemudian, Markov chain Monte Carlo-Gibbs Sampler digunakan untuk menarik sampel pada parameter dari distribusi poteriornya masing-masing.

---

Commonly statistical analysis assume data comes from one population. But there are conditions where data might be generated from several sub-populations. Gaussian Finite Mixture Model (GFMM) is one of the methods to model heterogeneous data that might come from different sub-populations. This model was formed as a superposition of several Gaussian distribution, with different location parameter. Number of distributions will be determined using Akaike`s Information Criterion and model diagnostic. Parameter estimation is conducted using Bayesian method, that is by specifying the prior distribution for the models parameters, combined with the likelihood to produce the posterior distribution. Finnally, Markov chain Monte Carlo-Gibbs Sampler is implemented to withdraw sampel of parameters from the corresponding posterior distributions."

"Tesis ini berisi perancangan, pembuatan, dan analisa dari sistem traffic counting dan classification kendaraan menggunakan teknologi computer vision. Metode yang digunakan dalam sistem ini adalah metode optical flow, dan untuk proses ektraksi fitur dengan menggunakan algoritma canny. Metode yang dipakai tersebut diimplementasikan dan dievaluasi menggunakan bahasa pemrograman java dengan menambahkan library openCV dan javaCV, dan untuk versi jdk menggunakan jdk 1.7 dan Netbeans IDE 7.3. Alur kerja dari sistem ini yaitu pengambilan data dan pengolahan data. Data yang diambil berupa video yang berasal dari CCTV, kemudian data video tersebut diolah menggunakan sistem ini. Pengolahan data terdiri dari proses-proses yaitu konversi video ke gambar, segmentasi, ektraksi fitur dalam sistem ini menggunakan algoritma canny, dan deteksi objek menggunakan metode optical flow. Dari proses tersebut maka dapat dijadikan acuan untuk melakukan penghitungan, pengklasifikasian dan mengetahui kecepatan rata-rata setiap kendaraan yang melintas di area yang diteliti. Berdasarkan pengujian dengan menerapkan metode optical flow, algoritma canny, dan untuk menghilangkan noise menggunakan morfologi didapat bahwa tingkat error akan semakin berkurang jika perubahan jarak deteksi semakin besar. Error paling besar terjadi untuk tahap counting 26,75 % dan untuk klasifikasi kendaraan 38 %. Pengujian kami juga menemukan bahwa semakin dekat area pertama dengan area kedua, proses klasifikasi yang dilakukan semakin lama sehingga jarak deteksi semakin jauh.

---

This thesis describes the design, making, and analysis of traffic counting and vehicles classification system using computer vision technology. The methods used in this system is a method of optical flow, and for the process of feature extraction by using the canny algorithm. The methods used were implemented and evaluated using the java programming by adding the openCV library and javaCV, and to use jdk 1.7 and Netbeans IDE 7.1. The workflow of the system is the data retrieval and data processing. The data is taken in form of video CCTV, the video data is then processed using this system. Data processing consists of the processes of conversion of video to pictures, segmentation, feature extraction in this system using canny algorithm, and object detection method using optical flow. The result of that process is referred to conduct the counting, classification and to calculate the average speed of each vehicle passing in the area examined. Our experiment shows that by applying optical flow method, Canny algorithm, and removing noise using morphological process occurred that level of error is decreased that the distance is greater. Error occurred for most of the counting stage is 26.75% and for the vehicle classification is 38%. Our test also observes that the closer the first and the second area, the longer process classification so the farther detection distances."

"Keausan mata pahat menjadi masalah utama dalam industri manufaktur ketika proses pemesinan karena keausan mata pahat menjadi pengaruh besar dalam kualitas produksi. Terdapat dua metode pemantauan tool wear, yaitu direct dan indirect. Direct tool wear monitoring merupakan metode pemantauan dengan melakukan pengukuran tingkat keausan mata pahat secara langsung pada proses pemesinan. Penelitian ini mengembangkan sistem manipulator sebagai robot inspeksi yang memiliki fungsi menggerakkan Dinolite sebagai alat bantu pemantauan keausan mata pahat secara visual. Penelitian ini merancang sistem mekanikal dari manipulator dalam pembuatan desain dan struktur mekanikal, kinematika dan dinamika dari manipulator, serta pengujian dari akurasi dan repeatability dari sistem. Sistem kinematika menggunakan inverse kinematics dan forward kinematics dengan menggunakan parameter Denavit-Hartenberg. Dalam mencari besarnya kecepatan end effector, digunakan persamaan Matriks Jacobian, dimana fungsi dari Matriks Jacobian tersebut digunakan dalam menentukan torsi dari tiap joint. Keluaran dari penelitian ini adalah sistem manipulator sebagai alat bantu pemantauan keausan mata pahat pada proses micromilling. Berdasarkan penelitian didapatkan nilai error hasil kompensasi untuk joint 1, 2 dan 3 sebesar -0,007%, 0,001%, dan 0,016%. Didapat juga nilai repeatability manipulator untuk mencapai suatu titik yang sama dengan rata-rata 0,307.

---

Tool wear is a major problem in the manufacturing industry during the machining process because the tool wear becomes a major influence on the quality of production. There are two tool wear monitoring methods, direct and indirect, direct tool wear monitoring is a monitoring method by measuring the level of tool wear directly on the machining process. This Research uses the assistance of a robotic arm manipulator as a tool for monitoring tool wear with the direct tool wear monitoring method. This research develops a manipulator system as an inspection robot, which has the function of moving Dinolite as a visualization device in monitoring tool wear. This research designs mechanical systems of manipulators, mechanical structures, kinematics and dynamics of manipulators, and testing of the accuracy and repeatability of the system. The kinematics system inverse kinematics and forward kinematics using the Denavit-Hartenberg parameter. To find the magnitude of the end effector speed the Jacobian Matrix equation is used, where the function of the Jacobian Matrix is used in determining the torque of each joint. The output of this research is the manipulator system as a tool for monitoring tool wear in the micro-milling process. Based on the research, the error value of the compensation results for joints 1, 2 and 3 was -0,007%, 0,001%, and 0,016%. There is also repeatability value of manipulator value to reach a point that is equal to an average of 0,307.

"

"Bank dipersyaratkan oleh pemerintah untuk mengelola risiko-risiko perbankan, salah satunya adalah risiko operasional. Risiko operasional merupakan salah satu jenis risiko yang melekat pada setiap aktifitas fungsional bank. Bank mengelola risiko operasional dengan cara menghitung kerugian yang diperkirakan sebagai kebutuhan modal bagi risiko operasional (Economic Capital). Loss distribution Approach (LDA) merupakan salah satu metode untuk perhitungan Economic Capital (EC). Dalam metode LDA, bank harus mengestimasi loss severity distribution (distribusi severitas) dan frequency distribution (distribusi frekuensi) kemudian membentuk compound distribution (distribusi majemuk). Nilai EC diperoleh dari Value at Risk (VaR) dari distribusi majemuk dengan tingkat kepercayaan 99,9%. Estimasi distribusi severitas umumnya menggunakan model distribusi tertentu yang telah ada, namun pada banyak kasus kurang baik dalam menggambarkan data. Estimasi distribusi severitas berbasis data diharapkan mampu menjadi solusi permasalahan ini. Salah satu metode yang mengestimasi distribusi severitas dengan berbasis pada data adalah Gaussian Mixture Model (GMM). GMM merupakan suatu metode parametrik untuk mengestimasi fungsi distribusi probabilitas dari suatu variabel acak. Model GMM ini merupakan model kombinasi linear sederhana dari beberapa komponen distribusi Gaussian. Hasil penelitian menunjukkan bahwa GMM mampu menggambarkan data lebih baik dibandingkan dengan menggunakan model distribusi yang ada. Nilai EC yang dihasilkan oleh metode LDA yang distribusi severitasnya menggunakan GMM lebih kecil 2-2,8% dibandingkan nilai EC yang dihasilkan oleh metode LDA yang menggunakan model distribusi tersebut.

---

Bank must be able to manage all of banking risk, on of them is operational risk. Operational risk is a risk that come from any functional activity of bank. Bank manage operational risk by calculate estimated risk (Economic Capital). Loss Distribution Approach (LDA) is a popular method to estimate Economic Capital (EC) of operational risk on banking. In LDA method, loss severity distribution (severity distribution) and loss frequency distribution (frequency distribution) must be estimated and then compound distribution is formed from both of them. Through LDA method, the value of EC can be gotten from Value at Risk (VaR) in compound distribution with the level of confidence reaches 99,9%. Severity distribution estimation that used a model on particular distribution cannot describe a data well through. So, Severity distribution estimation based on data is used to solved this problem. One of methode that estimated severity distribution based on data is Gaussian Mixture Model (GMM). GMM is parametric methode that estimate probability density of random variable. Model of GMM is a linear combination of many Gaussian distribution . The result on this research is estimation of severity distribution through GMM is better than existing distribution model in describing the data. The value at EC of LDA method using GMM is smaller 2 % - 2,8 % than the value at EC of LDA using existing distribution model."

"Dalam pengenalan objek pada sistem pengawasan lalu lintas dibutuhkan sebuah metode yang mampu membedakan antara objek dan non objek. Salah satu metode umum yang biasa digunakan adalah background subtraction. Background subtraction menjadi bagian awal yang penting dari sebuah aplikasi dalam metode computer vision. Hasil dari background subtraction biasanya digunakan dalam proses pada level yang lebih tinggi. Kami mengajukan sebuah metode Gaussian Mixture Model (GMM) dengan algoritma Hole Filling(HF). Ide utama dari pendekatan yang diajukan karena hasil dari GMM menghasilkan noisy image yang berasal dari kesalahan klasifikasi. Hal ini terjadi karena berbagai situasi (waving trees, rippling water dan illumination change). Metode HF yang sederhana mampu meningkatkan akurasi hingga 97,9% dan Kappa statistic hingga 0,74 dengan mengurangi kesalahan klasifikasi dari GMM. Hasil eksperimen and evaluasi pada pixel level menunjukkan bahwa GMMHF mampu unggul dari metode yang lain. Dengan peningkatan kinerja deteksi kendaraan menggunakan GMMHF, estimasi kecepatan kendaraan mendapatkan perbaikan. GMMHF yang dipadukan dengan Pin Hole model menghasilkan estimasi kecepatan terbaik dibandingkan skenario lainnya, dimana simpangan ratarata sebesar 7,4 Km/jam.

---

.There is a necessity in traffic control system using camera to have the capability to discriminate between an object and non-object in the image. One of the procedure to discriminate between those two is usually performed by background subtraction. Gaussian Mixture Model (GMM) is popular method that has been employed to tackle the problem of background subtraction. However, the output of GMM is a rather noisy image which comes from false classification. This situation may arise because several conditions in the video input such as, waving trees, rippling water, and illumination changes. In this paper, a version of GMM technique which is combined with Hole Filling Algorithm (HF) classifier is proposed to alleviate those has problems. The experimental result shows that the proposed method improved the accuracy up to 97.9% and Kappa statistic up to 0.74. This result has outperformed many similar methods that is used for evaluation. With improvement of vehicles detection performance using GMMHF, vehicle?s speed estimation also improved. GMMHF that combined with Pin Hole Model produce the best speed estimation compared with other scenarios, where standard deviation is 7,4 Km/hr."

"Penyakit kardiovaskular merupakan penyebab utama kematian global, termasuk di Indonesia. Evaluasi kesehatan dini, menggunakan heart rate variability (HRV) melalui pengukuran root mean square of successive RR interval differences (RMSSD) dan percentage of successive RR intervals that differ by more than 50 𝑚𝑠 (pNN50), menjadi penting untuk merefleksikan respons relaksasi, stres, kualitas tidur, dan aktivitas fisik. Evaluasi ini sebaiknya dilakukan saat seseorang masih dalam kondisi sehat. Sejalan dengan itu, penelitian ini bertujuan mengevaluasi kesehatan pasien dengan irama jantung normal melalui metode clustering pada variabel RMSSD, pNN50, dan usia, yang diambil dari rekaman elektrokardiogram milik online database Physionet. Setiap cluster yang terbentuk dapat memberikan informasi unik, memungkinkan penentuan risiko penyakit kardiovaskular serta penanganan yang tepat. Namun, karena pola data yang digunakan tidak jelas, mengandung outlier, dan berdimensi rendah, maka dilakukan perbandingan antara metode Hierarchical clustering dan Gaussian Mixture Models (GMM) clustering yang mampu mengatasi hal tersebut. Mengingat GMM clustering yang sangat sensitif terhadap inisialisasi awal, penelitian ini menggunakan dua pendekatan inisialisasi, yaitu acak dan K-Means. Penentuan metode terbaik dilakukan dengan mempertimbangkan metrik evaluasi (efektivitas) dan waktu komputasi metode (efisiensi). Hasil penelitian menunjukkan bahwa GMM clustering dengan inisialisasi K-Means adalah metode terbaik dengan membentuk tiga cluster. Meskipun alat EKG menilai pasien dalam kondisi sehat, namun analisis clustering dapat mengungkapkan informasi penting, terutama bagi pasien yang teridentifikasi memiliki tingkat HRV yang relatif rendah.

---

Cardiovascular diseases are a leading cause of global mortality, including in Indonesia. Early health evaluation, utilizing heart rate variability (HRV) through root mean square of successive RR interval differences (RMSSD) and percentage of successive RR intervals that differ by more than 50 𝑚𝑠 (pNN50) measurements, is crucial to reflect responses to relaxation, stress, sleep quality, and physical activity. This evaluation is ideally conducted while an individual is still in a healthy condition. In line with that, this research aims to evaluate the health of patients with a normal sinus rhythm through clustering methods on variables like RMSSD, pNN50, and age, extracted from electrocardiogram recordings from the online Physionet database. Each cluster can provide unique information, enabling the identification of cardiovascular disease risks and appropriate interventions. However, due to unclear data patterns, the presence of outliers, and is low-dimensiona, a comparison is made between Hierarchical clustering and GMM methods, capable of addressing these issues. Given GMM clustering's sensitivity to initializations, this study employs two approaches, random and K-Means. The determination of the best method is based on considerations of evaluation metrics (effectiveness) and computational time (efficiency). Research results indicate that GMM clustering with K-Means initialization is the most effective and efficient method, forming three clusters. Despite ECG assessments indicating healthy conditions, clustering analysis can reveal crucial information, especially for patients identified with relatively low HRV levels."

"Proses pendokumentasian dan pengukuran untuk pemantauan keausan mata pahat (tool wear) micromilling membutuhkan ketelitian yang tinggi. Proses ini menggunakan mikroskop digital Dino-Lite untuk mengambil gambar dan dilakukan secara berulang setiap setelah melakukan pemesinan dengan cara melepas mata pahat dari spindle pada mesin micromilling. Maka dari itu dilakukan pengembangan robot manipulator untuk mempermudah proses pemantauan mata pahat micromilling. Pengendalian pergerakan aktuator servo dan motor stepper pada pengembangan sistem kontrol robot manipulator dilakukan dengan menggunakan microcontroller board Arduino MEGA2560. Pergerakan aktuator digunakan untuk meletakkan titik koordinat end-effector pada ujung lensa Dino-Lite ke titik koordinat pada ujung permukaan mata pahat micromilling. Dalam pencarian solusi kinematika robot manipulator, digunakan bantuan software Phyton untuk memudahkan perhitungan. Solusi kinematika berupa nilai joint value akan dikirimkan ke servo melalui microcontroller menggunakan kode perintah yang dibuat menggunakan software Arduino IDE. Berdasarkan penelitian yang dilakukan terdapat nilai error accuracy pada servo 1, 2, dan 3 sebesar 16,471%, 1,463%, dan 0,588%. Namun setelah dilakukan proses kompensasi terhadap error, nilainya berkurang menjadi sebesar 0.003%, 0.143%, dan -0.382%, kemudian kemampuan repeatability pergerakan robot manipulator terbilang baik pada tiap servo, yaitu mendekati 0 sehingga dapat meletakkan end-effector ke titik yang dituju dan dapat membuat robot bekerja sesuai fungsinya.

---

The process of documenting and measuring for monitoring the tool wear in micromilling requires high accuracy. This process uses a Dino-Lite digital microscope to take pictures and is repeated every time after machining by removing the cutting tool from the spindle on the micromilling machine.Therefore the development of a manipulator robot is made to simplify the process of monitoring the micromilling tool wear. Control of servo and stepper motors movements in the development of a robot manipulator control system is performed using an Arduino microcontroller board MEGA2560. The actuator is moved to place the end-effector coordinate point at the tip of the Dino-Lite lens to the coordinate point at the tip of the micromilling cutting tool's surface. To find kinematics solutions for robotic manipulators, the help of Python software is used to facilitate calculations. The kinematics solution in the form of a joint value will be sent to the servo via a microcontroller using the command code created using the Arduino IDE software. Based on research conducted there are accuracy errors on servo 1, 2, and 3 values of 16.471%, 1.463% and 0.588%. However, after the error compensation process is carried out, the value is reduced to 0.003%, 0.143%, and -0.382%, then repeatability of the robot manipulator movement is good in each servo, which is close to 0 so that it can put the end-effector to the intended point and can make the robot manipulator work according to its function."

"Coronavirus Disease 2019 (COVID-19) adalah penyakit menular yang disebabkan oleh virus severe acute respiratory syndrome coronavirus 2 (SARS-CoV-2). Virus ini pertama kali ditemukan di Wuhan China pada desember 2019 dan pertama kali masuk ke Indonesia pada 2 Maret 2020. Selama masa pandemi COVID-19 banyak terjadi lonjakan secara tiba-tiba pada jumlah kasus baru COVID-19 yang menunjukkan bahwa adanya kesulitan dalam mengantisipasi peningkatan penyebaran COVID-19. Skripsi ini membahas pemodelan jumlah kasus baru harian COVID-19 di Indonesia menggunakan Gaussian Mixture Model (GMM) dimana model ini merupakan salah satu Mixture Model. Mixture Model merupakan penjumlahan linear berbobot dari beberapa fungsi distribusi dimana masing-masing fungsi distribusi disebut sebagai komponen campuran. Pada GMM, setiap komponen campuran diasumsikan berdistribusikan Gaussian (Normal). Pada penelitian ini, dikonstruksi beberapa GMM dengan 2, 3 dan 4 jumlah komponen untuk pemodelan data jumlah kasus baru harian COVID-19 di Indonesia dari 1 Januari 2021 sampai 31 Maret 2022 dengan interval waktu 455 hari. Parameter dari setiap GMM tersebut diestimasi menggunakan metode maximum likelihood estimation (MLE) melalui algoritma Expectation-Maximization (EM). Berdasarkan nilai Akaike Information Criteria (AIC), diperoleh GMM dengan 4 komponen merupakan model terbaik untuk pemodelan data jumlah kasus baru harian COVID-19 di Indonesia. Dengan GMM 4 komponen, diperoleh probabilitas jumlah kasus baru harian COVID-19 di Indonesia kurang dari jumlah kasus harian terendah adalah 0,009598, lebih dari jumlah kasus harian rata-rata adalah 0,299443 dan lebih dari jumlah kasus harian tertinggi adalah 0,017669.

---

Coronavirus Disease 2019 (COVID-19) is an infectious disease caused by Severe Acute Respiratory Syndrome Coronavirus 2 (SARS-CoV-2). This virus was first found in Wuhan, China in December 2019 and first got into Indonesia on March 2, 2020. During the pandemic, there are a lot of sudden spikes in new COVID-19 daily cases which indicates that there is a struggle in anticipating the sudden increase in COVID-19 transmission. This research discuss about the modeling of new COVID-19 daily cases in Indonesia using Gaussian Mixture Model (GMM) which is a part of Mixture Model. Mixture Model is a linear weighted sum of some distribution function where each function is called a mixture component. In GMM, every mixture components are assumed to be normally distributed. In this research, three GMMs with 2,3 and 4 components were constructed to model new COVID-19 daily cases in Indonesia from January 1, 2021 to March 31, 2022 with a total of 455 days of observation. The parameters of each GMM were estimated with maximum likelihood estimation (MLE) method through Expectation-Maximization (EM) algorithm. According to Akaike Information Criteria (AIC) value, it was found that GMM with 4 components was the best model for modeling new COVID-19 cases in Indonesia. With this model, the probability of new COVID-19 daily cases in Indonesia are less than the lowest daily cases is 0,009598, more than the average daily cases is 0,299443 and more than the highest daily cases is 0,017669."