Hasil Pencarian  ::  Simpan CSV :: Kembali

"Higgs Boson telah ditemukan pada tahun 2012 di Large Hadron Collider LHC. Higgs Boson meluruh secara dominan menjadi partikel bottom anti bottom bb, dari tumbukan proton anti proton menghasilkan sinyal yang sama dengan top anti top tt jets. Dalam peluruhan Higgs Boson, Higgs tersebut masih belum dapat dibedakan dari reaksi latar belakang bb. Penelitian ini akan menyajikan pembelajaran sistematis tentang machine learning ML menggunakan metode neural network untuk membedakan ttH pada peluruhan H --> bb. Penelitian inimenggunakan metode fenomenologi serta simulasi untuk membentuk event, kemudian komputasi sebagai alat untuk seleksi event dan ML. Adapun hasil yang diperoleh adalah diskriminasi yang hanya menghasilkan efisiensi testing sebesar 2.7 sehingga perlu optimasi rekonstruksi top quark yang lebih menyeluruh agar menghasilkan variabel yang lebih kuat untuk didiskriminasi.

---

Higgs Boson has been discovered in 2012 in the Large Hadron Collider LHC. Higgs Boson decays predominately into bottom bottom particles bb, from proton collisions producing the same anti proton signals as top anti top tt jets with heavy flavor. In the decay of Higgs Boson, the Higgs is still indistinguishable from the background reaction bb. This study will present systematic learning about machine learning ML using the neural network method to distinguish ttH on decay H bb. The methods that were used on this research were phenomenology, simulation to generate event, then computation as tool for event selection and ML. The result obtained were discrimination that only produced testing efficiency 2.7 so it needs more optimization of top quark reconstruction to produce stronger variable to be more discriminated."

"ABSTRACTHiggs Boson yang ditemukan pada tahun 2012 di Large Hadron Collider LHC hingga saat ini masih dianggap Higgs Boson Standard Model -sebuah partikel skalar. Padahal, ada kemungkinan bahwa partikel itu adalah Higgs Boson pseudo-scalar. Saat ini, LHC masih belum dapat membedakan apakah partikel Higgs itu scalar, pseudo-scalar, atau campuran dari keduanya. Fokus dari penelitian ini adalah pembentukan dari algoritma neural nerwork untuk membedakan sinyal yang datang dari Higgs Boson scalar dan Higgs Boson pseudo-scalar pada tumbukan proton-proton.

---

ABSTRACTThe Higgs Boson discovered in 2012 at the Large Hadron Collider LHC is still assumed to be Standard Model Higgs Boson a scalar particle. But there are still possibilities for it to be a pseudo scalar Higgs Boson. Currently LHC has not been able to discriminate whether the particle is a scalar, pseudo scalar, or mixed pseudoscalar particle. The focus of this research is in the formulation of the neural network algorithm to discriminate between event signals from a scalar Higgs Boson and pseudo scalar Higgs Boson from proton proton collision."

"Peralatan Perangkat Pelepas Tekanan (PRD) dioperasikan dengan tujuan untuk melindungi kehidupan dan keselamatan dalam suatu sistem bertekanan. Peralatan akan mengalami penurunan kondisi seiring berjalannya waktu pemakaian. Ketidakmampuan PRD untuk melakukan fungsinya perlu diidentifikasi sebagai mode kegagalan. Untuk mengurangi risiko apabila terjadi kegagalan, suatu pendekatan seperti Risk Based Inspection (RBI) dapat dilakukan. Metode RBI yang umum digunakan masih menggunakan pendekatan kualitatif, sehingga menghasilkan variasi yang cukup besar. Penelitian ini mengusulkan metode analisa risiko dengan menggunakan pembelajaran mesin berbasis deep learning untuk mengembangkan suatu model penilaian risiko pada PRD akibat mode kegagalan fail on demand (POFOD) yang diharapakan dapat mempersingkat waktu, meningkatkan akurasi, efisiensi dalam pengolahan data hasil inspeksi, serta biaya; dengan menawarkan hasil akurasi perhitungan yang tinggi. Penelitian ini menghasilkan program prediksi risiko dengan menggunakan metode klasifikasi pembelajaran mesin berbasis deep learning akibat mode kegagalan fail on demand pada peralatan perangkat pelepas tekanan. Pembuatan dataset yang digunakan pada model bersumber dari 160 data yang diolah dengan menggunakan standar API 581. Penelitian ini menggunakan beberapa parameter model seperti test size sebesar 20%, random state bernilai 0, penggunaan jumlah epoch sebesar 150, learning rate sebesar 0.001, dan layer berjumlah 3 dengan dense 64,64,8; yang menghasilkan akurasi model sebesar 91%, dari validasi confusion matrix.

---

Pressure Relief Device (PRD) equipment is operated with the aim of protecting the lives and safety within a pressurized system. An equipment experiences deterioration over time. The inability of PRD equipment to perform its design function needs to be identified as a failure mode. To reduce the risk in case of failure, an approach such as Risk Based Inspection (RBI) can be implemented. The commonly used RBI methods still rely on qualitative approaches, leading to significant variations. This research proposes a method using deep learning to develop a risk assessment model for PRD due to the failure on demand. This is expected to shorten the assessment time, improve accuracy, efficiency, and reduce costs by offering highly accurate calculation results. This research produces a risk prediction program using a deep learning classification method for POFOD in pressure relief device equipment. The dataset used in the model consists of 160 data processed according to API 581 standards. This research utilizes several model parameters, including a test size of 20%, 0 value of random state, 150 epochs, a learning rate of 0.001, and 3 layers with dense of 64, 64, 8. The model achieves an accuracy of 91% from the validation confusion matrix."

"Survei Kesehatan Indonesia (SKI) tahun 2023 yang dilakukan oleh Kementerian Kesehatan (Kemenkes) ada sekitar 70 juta perokok aktif di Indonesia. Apabila dihitung dari populasi penduduk Indonesia ada 28,62% penduduk yang merokok di tahun 2023 dan persentase ini meningkat dari tahun sebelumnya sebanyak 0,36%. Perilaku merokok ini menyebabkan berbagai penyakit seperti penyakit paru-paru kronis, kerusakan gigi, penyakit mulut, stroke, serangan jantung, kanker rahim, gangguan mata, dan kerusakan pada rambut. Untuk menekan jumlah perokok di Indonesia, diperlukan sistem untuk deteksi perokok. Deteksi perokok saat ini memakan biaya yang mahal, bantuan ahli, dan sistem yang kompleks. Oleh karena itu, deep learning dengan algoritma Convolutional Neural Network hadir sebagai solusi untuk mengatasi masalah tersebut. Skripsi ini membahas bagaimana merancang sistem deep learning dengan Convolutional Neural Network (CNN) untuk keperluan deteksi wajah perokok. Skripsi ini juga membahas bagaimana pengaruh berbagai skenario jumlah data pelatihan dan data pengujian serta penambahan ekstraksi fitur wajah terhadap metrik evaluasi . Hasil dari rancangan dievaluasi dengan metrik evaluasi kalkulasi loss function, akurasi, dan F1 score. Hasil simulasi menunjukan skenario data pelatihan 70% dan data pengujian 30% adalah skenario terbaik dengan nilai metrik evaluasi pengujian pada skenario ini sebesar 2.236 untuk loss, 54.5% untuk akurasi, dan 34.9% untuk F1 score. Skenario ini diimprovisasi dengan adanya penambahan ekstraksi fitur perokok pada awal preprocessing yang ditandai dari penurunan loss sebesar 65.65%, peningkatan akurasi sebesar 19%, dan peningkatan F1 score sebesar 24.08%.

---

The 2023 Indonesian Health Survey (SKI) conducted by the Ministry of Health (Kemenkes) reported that there are approximately 70 million active smokers in Indonesia. This accounts for 28.62% of the Indonesian population in 2023, representing a 0.36% increase from the previous year. Smoking behavior leads to various diseases such as chronic lung disease, tooth damage, oral diseases, stroke, heart attacks, uterine cancer, eye disorders, and hair damage. To reduce the number of smokers in Indonesia, a smoker detection system is necessary. Current smoker detection methods are expensive, require expert assistance, and involve complex systems. Therefore, deep learning with Convolutional Neural Network (CNN) algorithms presents a solution to address these issues. This thesis discusses how to design a deep learning system using Convolutional Neural Networks (CNN) for smoker face detection. It also examines the impact of different training and testing data scenarios and the addition of facial feature extraction on evaluation metrics. The designed system is evaluated using metrics such as loss function calculation, accuracy, and F1 score. The simulation results show that a scenario with 70% training data and 30% testing data is the best scenario, yielding evaluation metric values of 2.236 for loss, 54.5% for accuracy, and 34.9% for F1 score. This scenario was improved with the addition of smoker feature extraction in the preprocessing stage, resulting in a 65.65% reduction in loss, a 19% increase in accuracy, and a 24.08% increase in F1 score."

"ABSTRACTBackpropagation neural network merupakan salah satu algoritme machine learning yang mengizinkan sebuah mesin untuk melakukan pembelajaran dari sekumpulan data, sehingga tidak perlu diprogram secara eksplisit. Namun, backpropagation neural network yang baik memerlukan proses pembelajaran dengan waktu lama dengan data dalam jumlah banyak. Penelitian ini akan merancang sebuah program backpropagation neural network yang dapat dieksekusi secara paralel untuk mendapatkan waktu eksekusi yang lebih cepat. Pembuatan program ini dilakukan menggunakan OpenMP API dalam bahasa pemrograman C. Hasil pengujian membuktikan bahwa adanya pengurangan waktu eksekusi, yakni secara berurutan sebesar 2,2653 detik dan 0,5838 detik untuk masing-masing mesin pengujian yang digunakan, untuk pertambahan setiap jumlah thread yang bekerja pada program. Namun, program masih memiliki skalabilitas yang kurang bagus dikarenakan oleh terjadinya fenomena false sharing pada program. Program memiliki sifat kenaikan waktu eksekusi linier sebesar 0,9263 detik untuk setiap pertambahan jumlah sampel input. Hal ini dikarenakan oleh pertambahan jumlah sampel hanya menambah jumlah data yang harus diproses program saja. Sedangkan, program memiliki sifat kenaikan waktu eksponensial sebesar e0,0103 detik untuk setiap pertambahan jumlah dimensi sampel input. Hal ini dikarenakan oleh pertambahan jumlah dimensi tidak hanya menambah jumlah data yang harus diproses saja, melainkan juga menambah sejumlah variabel yang bekerja pada program yang menimbulkan pertambahan komputasi pada setiap sampel input.

---

ABSTRACTBackpropagation neural networks is one of many machine learning algorithms that allows a machine to do a learning process from a set of data, instead of programming it explicitly. However, a good backpropagation neural network program needs a lot amount of learning time and involves huge amount of data. This experiment made a backpropagation neural network program that can be executed in parallel fashion in order to reduce its execution time using OpenMP API in C programming language. The program rsquo s test results show that there are 2.2653 and 0.5838 second execution time decreases, each corresponds to each testing machine, for every thread added to the program. However, the program rsquo s scalability is not good enough due to false sharing phenomenon that appeared in time of execution. Program has a 0.9263 second linear execution time increase for every input samples added to the program. This is because of the addition will only effect on how much data the program needs to process. However, the program has an e0.0103 second exponential execution time increase for every input sample rsquo s feature added. This is because of the addition will not only effect on how much data that needs to be processed, but also generate some additional variables involved inside program which affects the computational process of each input sample."

"Penggunaan analisis sentimen semakin umum digunakan. Dalam pengembangan analisis sentimen ini banyak tantangan yang perlu dihadapi. Karena analisis ini termasuk Natural Language Processing NLP, hal yang perlu dimengerti adalah kompleksitas bahasa. Dengan berkembangnya teknologi Artificial Neural Network, ANN semakin banyak permasalahan yang bisa diselesaikan. Ada banyak contoh struktur ANN dan untuk penelitian ini yang digunakan adalah Convolutional Neural Network CNN dan Recurrent Neural Network RNN. Kedua jenis ANN tersebut sudah menunjukkan performa yang baik untuk beberapa tugas NLP. Maka akan dilakukan analisis sentimen dengan menggunakan kedua jenis ANN tersebut dan dibandingkan kedua performa ANN tersebut. Untuk data yang akan digunakan diambil dari publikasi stanford dan untuk mengubah data tersebut bisa digunakan pada ANN digunakan word2vec. Hasil dari analisis menunjukkan bahwa RNN menunjukkan hasil yang lebih baik dari CNN. Walaupun akurasi tidak terlalu terlihat perbedaan yaitu pada RNN yang mencapai 88.35 0.07 dan CNN 87.11 0.50, tetapi waktu pelatihan RNN hanya membutuhkan waktu 8.256 detik sedangkan CNN membutuhkan waktu 544.366 detik.

---

Term of sentiment analysis become popular lately. There are many challenges developing sentiment analysis that need to be addressed. Because this kind analysis is including Natural Language Processing, the thing need to understand is the complexity of the language. With the current development of Artificial Neural Network ANN, more problems can be solved.

There are many type of ANN and for this research Convolutional Neural Network CNN and Recurrent Neural Network will be used. Both already showing great result for several NLP tasks. Data taken from stanford publication and transform it with word2vec so could be used for ANN.

The result shows that RNN is better than CNN. Even the difference of accuracy is not significant with 88.35 0.07 for RNN and 87.11 0.50 for CNN, the training time for RNN only need 8.256 secods while CNN need 544.366 seconds."

"Salah satu aspek pertahanan negara yang cukup penting adalah pertahanan udara negara. Sayangnya, Industri Pertahanan Indonesia masih cukup kurang mendukung. Salah satu isu yang diakibatkan oleh masalah ini adalah kurang berkembangnya teknologi pertahanan udara di Indonesia dibanding dengan negara-negara lain, seperti teknologi pengendalian pesawat, seperti Unmanned Aerial Vehicle (UAV). Oleh karena ini, diperlukan pengembangan teknologi pengendalian pesawat yang mandiri dan bersetara dengan pihak luar negeri. Dinamika penerbangan merupakan masalah yang bersifat non-linear, time-varying, memiliki coupling, dan terefek oleh gangguan eksternal. Untuk memecahkan masalah ini, diperlukan pengendali pesawat berbasis metode Direct Inverse Control. Direct Inverse Control memerlukan sistem identifikasi dari sistem yang ingin dikendalikan agar dapat mengembangkan neural network inverse. Pada penelitian ini, diajukan sistem identifikasi pesawat Cessna-172P berbasis Deep Neural Network dan Recurrent Neural Network. Kinerja kedua sistem identifikasi sudah cukup dalam mereplikasikan dinamika penerbangan pesawat Cessna-172P. Dari analisis kinerja kedua sistem identifikasi, sistem identifikasi berbasis recurrent neural network menghasilkan kesahalan prediksi yang lebih rendah, tetapi menggunakan daya dan waktu komputasi yang lebih banyak.

---

One important aspect of national defense is the country's air defense. Unfortunately, the Indonesian Defense Industry still lacks sufficient support. One issue resulting from this problem is the underdevelopment of air defense technology in Indonesia compared to other countries, such as aircraft control technology like Unmanned Aerial Vehicles (UAV). Therefore, the development of independent aircraft control technology that is on par with foreign counterparts is needed. Flight dynamics pose nonlinear, time-varying challenges with coupling and are affected by external disturbances. To address this problem, an aircraft controller based on the Direct Inverse Control method is required. Direct Inverse Control necessitates system identification of the desired controlled system to develop an inverse neural network. In this study, a Deep Neural Network and Recurrent Neural Network-based identification system for the Cessna-172P aircraft is proposed. Both identification systems perform well in replicating the flight dynamics of the Cessna-172P aircraft. From the performance analysis of both identification systems, the recurrent neural network-based identification system produces lower prediction errors but requires more computational power and time."

"Selama masa pandemi COVID-19, antarmuka suara menggunakan KWS (keyword spotting) semakin sering digunakan pada berbagai sistem elektronik karena minimnya kontak fisik yang diperlukan antarmuka ini. Salah satu sistem yang dapat menggunakan KWS adalah sistem navigasi lift, di mana KWS pada sistem tersebut akan mengenali kata kunci terkait lantai yang ingin dituju pengguna. Dalam penelitian ini, model KWS untuk sistem navigasi lift dibuat menggunakan CNN (Convolutional Neural Network) dan CRNN (Convolutional Recurrent Neural Network) untuk mengenali enam kata kunci spesifik. Selama proses pembuatannya, berbagai hyperparameter CRNN terkait implementasi GRU, batch normalization, dropout layer, optimizer, kernel size, dan batch size diuji pengaruh variasinya terhadap performa CRNN. Dari pengujian tersebut, ditemukan bahwa CRNN menunjukkan performa paling baik ketika GRU yang digunakan bersifat bidirectional dengan dua layer dan 64 hidden unit, kernel size sebesar 3x3, optimizer Adams, batch size sebesar 163, serta penerapan batch normalization layer sebelum dropout layer. Model CRNN yang diperoleh dari kombinasi hyperparameter terbaik kemudian dibandingkan dengan model CNN untuk dievaluasi performa klasifikasinya saat dijalankan pada Raspberry Pi 4B. Berdasarkan hasil akurasi, persentase penggunaan RAM, dan latensi, model CNN menunjukkan performa yang lebih baik daripada CRNN.

---

During the COVID-19 pandemic, voice interfaces using KWS (keyword spotting) are increasingly being used in various electronic systems due to the lack of physical contact required for this interface. One system that can use KWS is an elevator navigation system, where the KWS on the system will recognize keywords related to the floor the user wants to go to. In this study, the KWS model for the elevator navigation system was created using CNN (Convolutional Neural Network) and CRNN (Convolutional Recurrent Neural Network) to identify six specific keywords. During the manufacturing process, various CRNN hyperparameters related to GRU implementation, batch normalization, dropout layer, optimizer, kernel size, and batch size were tested for the effect of their variations on CRNN performance. From these tests, it was found that CRNN showed the best performance when the GRU used bidirectional with two layers and 64 hidden units, kernel size of 3x3, Adams optimizer, batch size of 163, and batch normalization layer applied before dropout layer. The CRNN model obtained from the best combination of hyperparameters is then compared with the CNN model to evaluate its classification performance when run on the Raspberry Pi 4B. Based on the results of accuracy, percentage of RAM usage, and latency, CNN model shows better performance than CRNN."

"Terdapat banyak metode pembelajaran mesin menggunakan jaringan saraf tiruan untuk mendeteksi atau mengenali aksi manusia, salah satunya adalah metode pengenalan aksi manusia berdasarkan kerangka (Skeleton-base Action Recognition) PoseC3D dengan arsitektur pembelajaran 3D-CNN (3D Convolutional Neural Network). Pada metode PoseC3D, dilakukan pengenalan aksi manusia berdasarkan kerangka manusia dari data visual RGB dengan mengambil aksi dalam bentuk heatmap 2D dan kemudian dibentuk hingga menjadi heatmap 3D. Heatmap 3D tersebut dilakukan pembelajaran dengan arsitektur 3D-CNN untuk didapatkan keluaran berupa klasifikasi dari aksi manusia. Metode PoseC3D diajukan karena dikatakan mampu untuk melakukan pengenalan aksi manusia yang lebih baik dibandingkan dengan metode lain. Metode ini dikatakan lebih efektif dalam pembelajaran fitur spatiotemporal, lebih mampu menghadapi gangguan estimasi pose, hingga dapat melakukan pengenalan aksi manusia dalam skenario banyak manusia dalam satu bingkai. Oleh karena itu, penelitian ini melakukan percobaan dan pengujian sistem pengenalan aksi manusia dengan metode PoseC3D karena dikatakan mampu memberikan hasil yang baik. Penelitian melakukan percobaan dan pengujian metode sistem menggunakan himpunan data buatan yang berisi video seseorang yang sedang melakukan suatu aksi dengan aksi manusia berbahaya dan tidak berbahaya. Dalam himpunan data aksi manusia buatan ini terdapat delapan aksi manusia yang terdiri dari lima aksi manusia yang tidak berbahaya, yaitu berjalan, duduk, menyapu, berbaring, dan melempar serta terdapat tiga aksi manusia yang berbahaya, yaitu aksi menggunakan pistol, senjata laras panjang, dan pisau. Pada penelitian, dilakukan percobaan dengan melakukan pelatihan model menggunakan himpunan data aksi manusia tadi untuk mendapatkan keluaran berupa model pelatihan dengan akurasi model tersebut dan pada pengujian akan dilakukan pengujian model pelatihan yang diperoleh menggunakan data video yang diujikan untuk mengetahui ketepatan pengenalan aksi manusia. Dari keluaran yang diperoleh, akan dilakukan analisis keberhasilan dan keakuratan metode PoseC3D dengan himpunan data buatan dalam mengenali aksi manusia.

---

There are many machine learning methods using an artificial neural network to detect or recognize human action, one of them is Skeleton-based Action Recognition using the PoseC3D method with 3D-CNN (3D Convolutional Neural Network) learning architecture. The PoseC3D method does action recognition based on a human skeleton from the RGB visual data by extracting the human pose or action on a 2D heatmap and then transforming it into a 3D heatmap. The 3D heatmap is done by learning with 3D-CNN architecture to obtain output in the form of classification from human action. The PoseC3D method is said to be able to do human action recognition better rather than other methods where this method is said to be more effective in learning spatiotemporal features, can perform human action recognition with multiple people, and is more robust with pose estimation noise. Therefore, this study experiment and testing of human action recognition with the PoseC3D method which is said to be able to obtain an output with a good result. The study experiment and tested human action recognition with a custom dataset of the video containing several humans doing some action with dangerous and harmless actions. In this custom dataset containing human actions, there are eight human actions consisting of five harmless human actions, namely walking, sitting, sweeping, lying down, and throwing and there are three dangerous human actions, namely using a gun, rifle, and knife. In the research, an experiment was carried out by conducting model training using the custom human action dataset earlier to get the output in the form of a training model with the accuracy of the model and in testing the training model obtained using video data was tested to determine the accuracy of recognition of human actions. From the output obtained, an analysis of the success and accuracy of the PoseC3D method with custom datasets will be carried out in recognizing human actions."

"Penelitian ini memiliki tujuan untuk mencari model machine learning yang dapat mengenali kegiatan yang dilakukan pengguna ATM, serta mencari algoritma terbaik untuk mengetahui kapan suatu kegiatan pengguna ATM dimulai dan selesai pada suatu video. Terdapat sembilan jenis aktivitas berbeda yang ingin dideteksi. Penelitian ini dapat dibagi dalam dua fase, yaitu fase mencari rentang waktu aktivitas pada video yang disebut fase deteksi aktivitas, dan fase mengenali aktivitas tersebut yang disebut fase pengenalan aktivitas. Pada fase pengenalan aktivitas, penulis mengajukan suatu rancangan arsitektur 3D CNN, serta melakukan eksperimen terhadap parameter pada arsitektur tersebut. Setelah melakukan beberapa eksperimen, didapatkan model terbaik dengan kernel berukuran 3 x 3 x 3, menggunakan input video dengan piksel berukuran 20 x 20 per frame, dan menggunakan dua lapis layer ekstraksi fitur. Pada fase deteksi aktivitas, penulis mengajukan suatu rancangan fungsi deteksi aktivitas, yang mengikuti framework ‘classification lalu post-processing’ yang merupakan salah satu framework untuk deteksi aktivitas (Yao et al., 2018), serta melakukan eksperimen terhadap parameter pada fungsi tersebut. Setelah melakukan beberapa eksperimen, didapatkan performa terbaik dengan parameter teta sebesar 20, dan konstanta C sebesar 365. Pada kedua eksperimen tersebut, terdapat beberapa kesalahan yang dilakukan, sehingga diperlukan eksperimen lanjutan dimana kesalahan tersebut tidak dilakukan. Kesalahan tersebut adalah model kemungkinan besar masih underfit, dan terdapat permasalahan pada pemotongan video manual pada dataset. Setelah menyelesaikan kesalahan tersebut, model untuk fase pengenalan aktivitas mendapatkan akurasi sebesar 93.94%, presisi sebesar 96.36%, recall sebesar 93.94%, dan f-score sebesar 93.69%. Pada sisi lain, dalam fase deteksi aktivitas didapatkan akurasi sebesar 94.44%, presisi sebesar 96.30%, recall sebesar 96.30%, dan f-score sebesar 94.07%.

---

This research aims to find a machine learning model that can recognize the activities of ATM users, and find the best algorithm to find when each ATM user activity starts and finishes on a video. There are nine different types of activities that this study want to detect. This research can be divided into two phases, namely the phase of detecting for a time span of activity on a video that is called the activity detection phase, and the phase of recognizing that activity that is called the activity recognition phase. In the activity recognition phase, I propose a 3D CNN architecture design, and conduct experiments on the parameters of the architecture. After carrying out several experiments, the best model is obtained with a kernel with dimensions of 3 x 3 x 3, using video input with pixels measuring 20 x 20 per frame, and using two layers of feature extraction layer. In the activity detection phase, I propose an activity detection function, which follows the ‘classification then post-processing’ framework, which is one of the frameworks for activity detection (Yao et al., 2018), and conducts experiments on the parameters of the function. After carrying out several experiments, the best performance was obtained with a theta parameter of 20, and a constant C of 365. In both experiments, there were some errors made, so that further experiments were needed to be done, where the errors were not carried out. The error is that the model is most likely still in underfit phase, and there are problems with manual video clipping on the dataset. After resolving these errors, the model for the activity recognition phase gained an accuracy of 93.94%, a precision of 96.36%, a recall of 93.94%, and an f-score of 93.69%. On the other hand, in the activity detection phase an accuracy of 94.44% is obtained, a precision of 96.30%, a recall of 94.44%, and an f-score of 94.07%."