Hasil Pencarian  ::  Simpan CSV :: Kembali

"Awan merupakan salah satu objek dalam citra satelit penginderaan jauh sensor optis yang keberadaanya sering kali mengganggu proses pengolahan citra penginderaan jauh. Deteksi awan secara akurat merupakan tugas utama dalam banyak aplikasi penginderaan jauh. Oleh karena itu, deteksi awan secara tepat khususnya pada citra satelit optis resolusi sangat tinggi merupakan suatu pekerjaan yang sangat menantang. Penelitian ini bertujuan untuk mendeteksi objek awan pada data citra satelit penginderaan jauh resolusi sangat tinggi. Penelitian ini menggunakan algoritma deep learning yaitu Convolutional Neural Network (CNN) dan segmentasi Simple Linear Iterative Clustering (SLIC) superpixel untuk mendeteksi objek awan pada citra satelit penginderaan jauh. Penelitian ini menggunakan SLIC untuk mengelompokkan citra ke dalam superpiksel. Penelitian ini juga merancang CNN untuk mengekstrak fitur dari citra dan memprediksi superpiksel sebagai salah satu dari dua kelas objek yaitu awan dan bukan awan. Penelitian ini menggunakan data citra satelit resolusi sangat tinggi Pleiades multispectral dengan resolusi 50 cm. Deteksi awan dilakukan dengan berbagai macam skenario. Hasilnya, metode yang diusulkan mampu mendeteksi objek awan dengan performa akurasi sebesar 91.33%.

---

Clouds are one of the objects in optical sensor remote sensing satellite images whose presence often interferes with the remote sensing image processing process. Accurate cloud detection is a key task in many remote sensing applications. Therefore, precise cloud detection, especially in very high-resolution optical satellite imagery, is a very challenging task. This study aims to detect cloud objects in very high-resolution remote sensing satellite imagery data. This study uses a deep learning algorithm, namely Convolutional Neural Network (CNN) and Simple Linear Iterative Clustering (SLIC) superpixel segmentation to detect cloud objects in remote sensing satellite images. This study uses SLIC to group images into superpixels. This study also designed a CNN to extract features from the image and predict the superpixel as one of two classes of objects, namely cloud, and non-cloud. This study uses very high-resolution Pleiades multispectral satellite imagery data with a resolution of 50 cm. Cloud detection is carried out in various scenarios. As a result, the proposed method can detect cloud objects with an accuracy performance of 91.33%."

"Serangan MitM ini memiliki dampak yang cukup besar dan dapat membuka jalan untuk serangan selanjutnya, seperti Phishing. Penelitian ini membahas tentang pendekatan metode hybrid deep learning yang dapat membantu pendeteksian serangan MitM secara efektif. Metode hybrid deep learning yang digunakan dalam penelitian ini adalah CNN-MLP dan CNN-LSTM, yaitu merupakan gabungan dari CNN, MLP, dan LSTM. Selain itu, dalam skenario eksperimennya menggunakan berbagai metode feature scaling (StandardScaler, MinMaxScaler, dan MaxAbsScaler) dan tanpa menggunakan metode feature scaling sebelum melakukan pemodelan, yang kemudian akan ditentukan metode hybrid deep learning yang terbaik untuk mendeteksi serangan MitM dengan baik. Dataset yang digunakan dalam penelitian ini yaitu Kitsune Network Attack Dataset (ARP MitM Ettercap). Hasil dari penelitian ini yaitu metode CNN-MLP dengan 10 epoch menggunakan MaxAbsScaler memiliki nilai accuracy tertinggi, yaitu 99.93%. Pada urutan kedua, CNN-MLP dengan 10 epoch menggunakan StandardScaler memiliki nilai accuracy sebesar 99.89%.

---

Man in the Middle (MitM) has a sizeable impact because it could make the attackers will do another attacks, such as Phishing. This research is discussing about hybrid deep learning methods-approach on detecting MitM attacks effectively. We were used 2 (two) combinations of the Deep Learning methods (CNN, MLP, and LSTM), which are CNN-MLP and CNN-LSTM. Besides that, in the experiment scenarios, we also used various Feature Scaling methods (StandardScaler, MinMaxScaler, and MaxAbsScaler) and without using any Feature Scaling methods before building the models and will determine the better hybrid Deep Learning methods for detecting MitM attack. Kitsune Network Attack Dataset (ARP MitM Ettercap) is the dataset used in this study. The results of this research proves that CNN-MLP that with 10 epoch using MaxAbsScaler has the highest accuracy rate of 99.93%. In second place, CNN-MLP with 10 epoch using StandardScaler has the accuracy rate of 99.89%."

"Bencana banjir merupakan salah satu peristiwa alam yang sering terjadi di dunia, termasuk Indonesia, dan terjadi ketika aliran air yang berlebihan menggenangi daratan dalam jangka waktu tertentu. Perubahan iklim, cuaca ekstrem, urbanisasi yang tidak terkendali, dan kondisi geografis yang kompleks telah berkontribusi terhadap peningkatan frekuensi dan intensitas banjir, terutama di daerah perkotaan. Analisis banjir otomatis dan deteksi citra dapat memberikan panduan dan informasi yang berguna dalam membuat keputusan untuk mengurangi dampak destruktif seperti korban jiwa dan ekonomi, salah satunya dengan melakukan segmentasi untuk membantu proses pembuatan peta kerawanan banjir. Namun, sejumlah kecil data beresolusi tinggi dan berlabel yang tersedia membuat proses segmentasi sulit untuk dilakukan. Oleh karena itu, penulis mengusulkan pendekatan semi-supervised yaitu mean teacher dengan memanfaatkan teknik deep learning. Adapun dataset yang digunakan adalah citra SAR Sentinel-1 C-band yang telah diolah sebelumnya. Hasil penelitian menunjukkan bahwa model usulan memberikan kenaikan performa yang cukup signifikan pada metrik IoU sebesar 5% terhadap baseline yang mengimplementasikan teknik pseudo-labeling.

---

Floods are one of the natural disaster events that occur in the world. Floods happen when excessive water flows and submerges land for a certain period of time. Climate change, extreme weather, uncontrolled urbanization, and complex geographical conditions have contributed to the increase in the frequency and intensity of floods, especially in urban areas. Automatic flood analysis and detection of imagery can provide useful guidance and information in making decisions to reduce destructive impacts such as loss of life and economy. However, the small amount of high-resolution and labeled data available makes the segmentation process difficult for flood detection. Therefore, the author proposes a semi-supervised approach, namely mean teacher by utilizing the deep learning architecture. The dataset used is the SAR image of Sentinel-1 C-band which has been processed. The results show that the proposed model provides a significant increase in performance on the IoU metric by 5% against the baseline that implements the pseudo-labeling technique."

"Arsitektur model deep learning kini sudah semakin kompleks setiap harinya. Namun semakin besar model maka dibutuhkan kekuatan komputasi yang cukup besar juga dalam menjalankan model. Sehingga tidak semua perangkat Internet of Things (IoT) dapat menjalankan model yang begitu besar secara efisien. Untuk itu teknik model optimization sangat diperlukan. Pada penelitian kali ini penulis menggunakan metode optimasi menggunakan layer weight regularization, serta penyederhanaan arsitektur model pada hybrid deep learning model. Dataset yang digunakan pada penelitian kali ini adalah N-BaIoT. Sementara evaluasi performa model yang digunakan adalah accuracy, confussion matrix, dan detection time. Dengan tingkat accuracy yang sama, model yang diusulkan berhasil meningkatkan waktu deteksi model lebih cepat 0,8 ms dibandingkan dengan model acuan.

---

The deep learning model architecture is getting more complex every day. However, the larger the model, the greater the computational power is needed to run the model. So not all Internet of Things (IoT) devices can run such a large model efficiently. For this reason, model optimization techniques are needed. In this study, the author uses an optimization method using layer weight regularization, as well as simplification of the model architecture on the hybrid deep learning model. The dataset used in this research is N-BaIoT. While the evaluation of the performance of the model used is accuracy, confusion matrix, and detection time. With the same level of accuracy, the proposed model succeeded in increasing the detection time of the model by 0.8 ms faster than the reference method."

"Senjata genggam kelas pistol, shoutgun, dan rifle sering digunakan dalam kegiatan kriminal. Sering kali objek senjata-senjata tersebut yang terekam sulit terdeteksi pada keramaian, dikarenakan pengawasan masih dilakukan dengan mata telanjang. Proses deteksi senjata-senjata tersebut pada rekaman bisa dibantu dengan menggunakaan Deep Learning. Dalam hal ini penulis mengusulkan menggunakan Deep Learning untuk mendeteksi senjata dan menentukan jenis senjata api yang terdeteksi. Penelitian ini bertujuan untuk mengimplementasikan Deep Learning pada robot deteksi senjata api berenis handgun, rifle, dan shotgun. Algoritma Deep Learning yang digunakan yaitu YOLO dan EfficientDet. YOLO merupakan salah satu metode pendeteksian objek tercepat dan akurat, mengungguli algoritma pendeteksian lainnya. Namun, algoritma YOLO memerlukan arsitektur komputer yang berat. Oleh karena itu YOLOv3-tiny dan YOLOv4-tiny, versi YOLOv3 yang lebih ringan, dapat menjadi solusi untuk arsitektur yang lebih kecil. Penulis menggunakan 3 versi YOLO yaitu YOLOv3-tiny, YOLOv4-tiny, dan YOLOv7. YOLOv -tiny memiliki FPS tinggi, yang seharusnya akan menghasilkan kinerja lebih cepat. Karena YOLOv-tiny adalah versi modifikasi dari YOLO versi aslinya, maka akurasinya meningkat, dan YOLOv3 sudah mengungguli SSD dan R-CNN yang lebih cepat. Sedangkan YOLOv7 sebagai versi modifikasi terbaru dari YOLO diuji performanya lebih baik dari YOLO versi yang lainnya atau tidak. Selain itu penulis menggunakan algoritma pendeteksian lainnya yaitu EfficientDet untuk pengujian apakah YOLO mengungguli algoritma pendeteksian lainnya. Tujuan lain dari penelitian ini yaitu untuk mengetahui performa training model Deep Learning terbaik yang akan diimplementasikan pada robot deteksi senjata api yang telah dirancang. Robot yang dirancang menggunakan Single Board Computer (SBC) yaitu Raspberry Pi model 4B yang kemudian didesain hingga berbentuk robot mars rover. Studi ini menemukan bahwa model YOLOv4-tiny adalah model Deep Learning yang diaplikasikan ke robot karena hasil training model ini menggungguli dari pada hasil training model Deep Learning lainnya. Nilai parameter hasil training model YOLOv4-tiny antara lain yaitu: mAP 82%, F1 score 78%, dan Avg. loss 0.74. Dengan demikian, studi ini juga berhasil megimplementasikan Deep Learning berbasis YOLO pada robot deteksi senjata api dengan nilai confidence pendeteksian rata-rata 99%. serta berhasil mengklasifikasi kelas jenis senjata yang terdeteksi.

---

Pistol, shoutgun and rifle class handheld weapons are often used in criminal activities. Often the objects of these weapons that are recorded are difficult to detect in the crowd, because monitoring is still carried out with the naked eye. The process of detecting these weapons in recordings can be assisted by using Deep Learning. In this case the author proposes using Deep Learning to detect weapons and determine the type of firearm detected. This research aims to design a weapon detection and weapon type classification tool based on Deep Learning algorithms. The Deep Learning algorithms used are YOLO and EfficientDet. YOLO is one of the fastest and most accurate object detection methods, outperforming other detection algorithms. However, the YOLO algorithm requires heavy computer architecture. Therefore YOLOv3-tiny and YOLOv4-tiny, lighter versions of YOLOv3, can be a solution for smaller architectures. The author uses 3 versions of YOLO, namely YOLOv3-tiny, YOLOv4-tiny, and YOLOv7. YOLOv -tiny has a high FPS, which should result in faster performance. Because YOLOv-tiny is a modified version of the original YOLO, its accuracy is improved, and YOLOv3 already outperforms faster SSDs and R-CNN. Meanwhile, YOLOv7 as the latest modified version of YOLO is tested whether its performance is better than other versions of YOLO or not. Apart from that, the author uses another detection algorithm, namely EfficientDet, to test whether YOLO outperforms other detection algorithms. Another aim of this research is to determine the performance of the best training model that will be applied to the tool that has been designed. The tool designed using a Single Board Computer (SBC), namely the Raspberry Pi model 4B, was then designed to take the form of a Mars rover robot. This study found that the YOLOv4-tiny model is a Deep Learning model that is applied to robots because the training results of this model are superior to the training results of other Deep Learning models. The parameter values resulting from the YOLOv4-tiny model training include: mAP 82%, F1 score 78%, and Avg. loss 0.74. Thus, this study also succeeded in designing a weapon detection and weapon type classification tool based on a Deep Learning algorithm with an average detection confidence value of 99%. and succeeded in classifying the class of weapons detected."

"COVID-19 merupakan penyakit pernapasan seperti pneumonia yang mengakibatkan kematian pada jutaan orang setiap harinya. Januari 2020, "Organisasi Kesehatan Dunia" WHO menyatakan COVID-19 sebagai wabah penyakit virus yang menjadi perhatian internasional sebagai darurat kesehatan masyarakat yang menjadi perhatian internasional, dikenal sebagai pandemi dunia. Dilaporkan dari 205 negara di seluruh dunia, pada 1 April 2020, penularan virus COVID-19 sekitar ada lebih dari 900000 kasus COVID-19 yang dikonfirmasi dan hampir 50000 kematian. Berdasarkan laporan WHO, angka kematian 2-3% orang karena virus. Sangat penting untuk melakukan tes diagnostik sejak dini stadium berdasarkan kriteria sebagai gejala klinis, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR), sehingga dapat segera mengisolasi orang yang terinfeksi. Mendiagnosis penyakit virus COVID-19 dengan pencitraan yang lebih efektif menggunakan citra CT dada. Model DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, dan VGG19 untuk memeriksa keakuratannya dalam pengenalan gambar. Untuk menganalisis kinerja model, 1888 sampel dari gambar CT paru-paru dikumpulkan dari situs resmi Kaggle. Model penggabungan (concatenate) pada arsitektur CNN yang telah terlatih seperti penggabungan (concatenate) antara ResNet152V2 dengan VGG19 memiliki accuracy sebesar 99,65%, sensitivity sebesar 99,66%, precision sebesar 99,66%, recall sebesar 99,66%, specificity sebesar 99,64%, dan skor F-measure sebesar 99,66%; gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 99,64%, precision sebesar 99,64%, recall sebesar 99,64%, specificity sebesar 99,66%, dan F-measure sebesar 99,64%; serta gabungan DenseNet201 dan MobileNet diperoleh saat batchsize 32 dan 64 dengan learning rate 0,001 maupun gabungan InceptionV3 dan Xception saat batchsize 32 dan learning rate 0,0001 diperoleh accuracy sebesar 99,65%, sensitivity sebesar 100%, precision sebesar 99,28%, recall sebesar 100%, specificity sebesar 99,31%, dan F-measure sebesar 99,64%.

---

COVID-19 is a respiratory disease like pneumonia that kills millions of people every day. January 2020, the WHO "World Health Organization" declared COVID-19 as a viral outbreak of international concern as a public health emergency of international concern, known as a world pandemic. Reported from 205 countries around the world, as of April 1, 2020, the transmission of the COVID-19 virus was around more than 900000 confirmed cases of COVID-19 and nearly 50000 deaths. Based on the WHO report, the death rate of 2-3% of people is due to the virus. To isolate the infected person immediately, it is very important to carry out a diagnostic test early based on the criteria as a clinical symptom, "Reverse-Transcription Polymerase Chain Reaction" (RT-PCR). Diagnosing COVID-19 viral disease with more effective imaging using chest CT images. DenseNet201, MobileNet, Xception, InceptionV3, ResNet152V2, and VGG19 models for accuracy in image recognition. To analyze the model's performance, 1888 samples of CT images of the lungs were collected from the official Kaggle website. The concatenate model on the CNN architecture that has occurred, such as the concatenate between ResNet152V2 and VGG19, has an accuracy of 99.65%, sensitivity of 99.66%, the precision of 99.66%, recall of 99.66%, specificity by 99.64%, and the F-measure score of 99.66%; the combination of DenseNet201 and MobileNet was obtained when batch size 32 and 64 with a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 99.64%, the precision of 99.64%, recall of 99.64%, specificity of 99.66 %, and F-measure of 99.64%; and the combination of DenseNet201 and MobileNet obtained at batch size 32 and 64 with a learning rate of 0.001 or a combination of InceptionV3 and Xception at batch size 32 and a learning rate of 0.0001 obtained an accuracy of 99.65%, the sensitivity of 100%, precision of 99.28%, recall of 100%, specificity of 99.31%, and F-measure of 99.64%."

"Penelitian ini berfokus pada pengaplikasian teknologi deep learning, secara khusus menggunakan Residual Network (ResNet101) dalam prediksi perencanaan dosis untuk pasien kanker paru-paru. Tiga variasi input data diproses untuk dilatih dan diuji menggunakan ResNet, dan kemudian dievaluasi untuk menentukan variasi input yang paling akurat. Tujuan utama penelitian ini adalah memahami mekanisme kerja deep learning dalam prediksi perencanaan dosis, mengevaluasi akurasi prediksi menggunakan ResNet, dan menganalisis kinerja model pada masing-masing variasi input data. Metodologi yang digunakan melibatkan penggunaan model input dan output untuk menghasilkan kurva distribusi-volume dosis (DVH) prediksi dan aktual. DVH merupakan kurva yang digunakan untuk mengukur seberapa besar dosis yang diterima dalam persentase volume pada organ tertentu. Evaluasi dilakukan menggunakan metode Mean Absolute Error (MAE) dari persentase volume prediksi dan referensi masing-masing pasien pada rentang dosis yang ditentukan yaitu 0-60 Gy dengan lebar bin sebesar 0,25 Gy. Hasil evaluasi menunjukkan bahwa variasi data input A memberikan nilai MAE sebesar 11,24% ± 10,58%, variasi data input B memberikan MAE sebesar 12,79% ± 11,27%, dan variasi data input C memberikan MAE sebesar 12,22% ± 12,13%. Hasil tersebut memperlihatkan bahwa variasi data input A memiliki tingkat akurasi terbaik dengan nilai error dan standar deviasi terendah. Evaluasi juga melibatkan penggunaan train-val loss untuk masing-masing model yang dilatih. Temuan ini menunjukkan bahwa penggunaan citra CT sebagai channel 1, gabungan ROI tanpa ROI target sebagai channel 2, dan ROI target sebagai channel 3 memberikan prediksi perencanaan dosis yang paling akurat untuk pasien kanker paru-paru.

---

This study focuses on the application of deep learning technology, specifically using Residual Network (ResNet101), to predict dosage planning for lung cancer patients. Three variations of input data were processed for training and testing using ResNet, and then evaluated to determine the most accurate input variation. The primary objectives of this research are to understand the mechanism of deep learning in dosage planning prediction, evaluate prediction accuracy using ResNet, and analyze model performance for each input data variation. The methodology involved using input and output models to generate predicted and actual dose-volume histogram (DVH) curves. DVH is a curve used to measure the dose received as a volume percentage in a specific organ. Evaluation was conducted using the Mean Absolute Error (MAE) method from the volume percentage prediction and reference for each patient within a dose range of 0-60 Gy with a bin width of 0,25 Gy. The evaluation results showed that input data variation A yielded an MAE of 11,24% ± 10,58%, input data variation B yielded an MAE of 12,79% ± 11,27%, and input data variation C yielded an MAE of 12,22% ± 12,13%. These results indicate that input data variation A had the best accuracy with the lowest error and standard deviation. Evaluation also included using train-val loss for each trained model. These findings suggest that using CT images as channel 1, a combination of ROIs excluding the target ROI as channel 2, and the target ROI as channel 3 provides the most accurate dosage planning prediction for lung cancer patients."

"Legal reasoning merupakan metode yang digunakan untuk menerapkan aturan atau Undang-Undang terhadap fakta yang dimiliki dengan tujuan untuk memperoleh argumentasi hukum. Salah satu metode legal reasoning adalah dengan penalaran induktif, yaitu didasarkan pada kasus-kasus terdahulu. Mahkamah Agung di Indonesia melalui situs Direktori Putusan Pengadilan, yang menyediakan dokumen hasil proses pengadilan yang saat ini menampung jumlah dokumen yang sangat besar. Kumpulan dokumen tersebut dapat dimanfaatkan untuk melakukan aktivitas legal reasoning, seperti klasifikasi jenis tindak pidana (criminal offense). Pada penelitian ini, penulis mengusulkan metode deep learning untuk mengklasifikasikan jenis tindak pidana. Hal ini dapat berguna untuk memberikan efisiensi dan referensi kepada praktisi hukum maupun memudahkan masyarakat untuk memahami dasar hukum dari suatu kasus. Secara spesifik, salah satu rancangan model yang diusulkan adalah dengan penerapan model LEAM (Label Embedding Attentive Model) dengan penambahan sejumlah keyword pada label embedding. Model ini secara konsisten memberikan performa yang baik dalam eksperimen, termasuk pada imbalanced dataset dengan perolehan f1-score 68%.

---

Legal reasoning is a sequence of activities to identify law rules and obtain legal arguments. One of the method in legal reasoning is by using inductive reasoning, which analyzes previous decided cases. Indonesia’s Supreme Court stores the court decision documents online in a large sum. These collections can be utilized to perform legal reasoning, where in this research we focus on the classification of criminal offense. We performed pre-processing tasks including conversion of document to text and cleaning text. We then compared deep learning models, such as LSTM, BiLSTM, CNN+LSTM, and LEAM (Label Embedding Attentive Model). Instead of using only the label name in LEAM, we also carried out experiments by adding related keywords for each label. The LEAM model with additional keywords obtained the best result in an imbalanced dataset with 68% macro average f1-score."

"Ujaran kebencian dapat menyebabkan terjadinya konflik dan pembantaian di masyarakat sehingga harus segera ditangani. Indonesia memiliki lebih dari 700 bahasa daerah dengan karakteristik masing-masing. Ujaran kebencian yang ada di Indonesia juga pernah dilakukan menggunakan bahasa daerah. Media sosial Twitter paling sering digunakan dalam menyebarkan ujaran kebencian. Identifikasi target, kategori, serta level ujaran kebencian dapat membantu Polri dan Kemenkominfo dalam menentukan prioritas penanganan ujaran kebencian sehingga dapat meminimalisir dampaknya. Penelitian ini melakukan identifikasi ujaran kasar dan ujaran kebencian beserta target, kategori, dan level ujaran kebencian pada data Twitter berbahasa daerah menggunakan algoritma classical machine learning dan deep learning. Penelitian ini menggunakan data lima bahasa daerah di Indonesia dengan penutur terbanyak yaitu Jawa, Sunda, Madura, Minang, dan Musi. Pada data Bahasa Jawa performa terbaik diperoleh menggunakan algoritma Support Vector Machine (SVM) dengan transformasi data Classifier Chains (CC) serta kombinasi fitur word unigram, bigram, dan trigram dengan F1-score 70,43%. Algoritma SVM dengan transformasi data CC serta kombinasi fitur word unigram dan bigram memberikan performa terbaik pada data Bahasa Sunda dan Madura dengan masing-masing F1-score 68,79% dan 78,81%. Sementara itu, pada data Bahasa Minang dan Musi hasil terbaik diperoleh menggunakan algoritma SVM dengan transformasi data CC serta fitur word unigram dengan F1-score 83,57% dan 80,72%. Penelitian ini diharapkan dapat digunakan sebagai masukan bagi Polri dan Kemenkominfo dalam pembangunan sistem identifikasi ujaran kasar, ujaran kebencian serta target, kategori, dan level ujaran kebencian pada media sosial.

---

Hate speech can lead to conflict and massacres in society so it must be dealt immediately. Indonesia has more than 700 regional languages with their own characteristics. Hate speech in Indonesia has also been carried out using regional languages. Twitter is the most frequently used social media to spread hate speech. Identification of targets, categories, and levels of hate speech can help the National Police and the Ministry of Communication and Information to determine priorities for handling hate speech to minimize its impact. This study identifies abusive speech and hate speech along with the target, category, and level of hate speech on regional language Twitter data using classical machine learning and deep learning algorithms. This study uses data from five regional languages in Indonesia with the most speakers, namely Javanese, Sundanese, Madurese, Minang, and Musi. In Java language data, the best performance is obtained using the Support Vector Machine (SVM) algorithm with Classifier Chains (CC) data transformation and a combination of unigram, bigram, and trigram word features with an F1-score of 70.43%. The SVM algorithm with CC data transformation and the combination of unigram and bigram word features provides the best performance on Sundanese and Madurese data with F1-scores of 68.79% and 78.81%, respectively. Meanwhile, in Minang and Musi language data, the best results were obtained using the SVM algorithm with CC data transformation and word unigram features with F1-scores of 83.57% and 80.72%, respectively. This research is expected to be used as input for the National Police and the Ministry of Communication and Information in developing a system for identifying harsh speech, hate speech and the target, category, and level of hate speech on social media."

"

Dalam kehidupan kita sehari-hari umumnya banyak barang yang kita butuhkan dan gunakan dalam rumah tangga kita. Mulai dari bahan pangan, minuman, barang untuk membersihkan rumah, barang untuk mencuci pakaian, kudapan, dan lain sebagainya, Pada masyarakat kini banyak barang keperluan sehari-hari tersebut kita beli dan jumpai di berbagai tempat mulai dari warung di dekat rumah, supermarket, toko sembako, dan lain sebagainya. Akhir-akhir ini jumlah supermarket dan minimarket mulai menjamur. Pada tahun 2021 jumlah minimarket di Indonesia mencapai 38.323 gerai yang merupakan peningkatan sebanyak 21,7% dibandingkan pada tahun 2017 yakni hanya sebanyak 31.488 gerai saja. Dengan jumlah gerai yang semakin banyak, banyak masyarakat yang semakin banyak menggunakan jasanya untuk mendapatkan barang-barang kebutuhan sehari-hari mereka. Apalagi bila barang yang dibeli juga cukup banyak sehingga akan sulit untuk mendata barang-barang apa saja yang telah dibeli. Untuk memudahkan hal tersebut, penulis mengajukan sebuah solusi untuk membuat sebuah rancangan sistem yang akan memanfaatkan teknologi Deep Learning untuk mendeteksi tulisan pada struk belanja dari hasil pembelian barang pada minimarket. Hasilnya dari pengujian yang sudah dilakukan pada penelitian ini, masing-masing model Deep Learning memiliki tingkat akurasi mAP50 99,4% dan mAP50:95 72,9% untuk YOLOv5, tingkat akurasi mAP50 99,61% dan mAP50:95 65,19% untuk Faster R-CNN, dan tingkat akurasi mAP50 61,77% dan mAP50:95 98,09% untuk RetinaNet. Dimana YOLOv5 memiliki tingkat akurasi mAP50:95 tertinggi yakni 72,9% dan Faster R-CNN memiliki tingkat akurasi mAP50 tertinggi yakni 99,61%. Dimana pada proses implementasi sistem YOLOv5 dan Faster R-CNN berhasil melakukan proses pengenalan sedangkan RetinaNet gagal untuk melakukannya.

---

In our daily lives, we generally need and use many items in our households. Starting from food ingredients, drinks, household cleaning items, laundry items, snacks, and so on. Nowadays, many of these daily necessities are bought and found in various places such as small shops near our homes, supermarkets, grocery stores, and so on. Recently, the number of supermarkets and minimarkets has increased. In 2021, the number of minimarkets in Indonesia reached 38,323 branches which is an increase of 21.7% compared to 2017 which was only 31,488 branches. With the increasing number of branches, many people are using their services to obtain their daily necessities. Especially when the purchased items are quite a lot so it will be difficult to record what items have been purchased. To facilitate this matter, the author proposes a solution to create a system design that will utilize Deep Learning technology to detect writing on receipts from purchasing items at minimarkets. The results of testing that have been carried out in this study show that each Deep Learning model has an mAP50 accuracy level of 99.4% and mAP50:95 72.9% for YOLOv5, an mAP50 accuracy level of 99.61% and mAP50:95 65.19% for Faster R-CNN, and an mAP50 accuracy level of 61.77% and mAP50:95 98.09% for RetinaNet. YOLOv5 has the highest mAP50:95 accuracy rate at 72.9%, while Faster R-CNN has the highest mAP50 accuracy rate at 99.61%. Where in the implementation process, YOLOv5 and Faster R-CNN systems were able to perform recognition processes while RetinaNet failed to do so."