Hasil Pencarian  ::  Simpan CSV :: Kembali

"Menjaga jarak aman saat berkendara adalah hal penting yang perlu diperhatikan terutama saat berkendara dalam kecepatan tinggi. Jalan tol yang bebas hambatan dapat membuat pengemudi mobil memacu kendaraannya dalam kecepatan tinggi sehingga sulit untuk menjaga jarak aman. Jarak aman yang relatif terhadap kecepatan kendaraan menambah sulit penerapan jarak aman di jalan tol. Aturan tiga-detik bisa menjadi solusi karena jarak waktu adalah konstan pada kecepatan berapapun. Namun, menghitung jarak waktu dapat berisiko mengurangi konsentrasi padahal penting bagi pengemudi untuk tetap fokus menyetir ketika di jalan tol. Kemajuan teknologi kecerdasan buatan dapat menjadi solusi untuk membantu menjaga jarak aman berkendara tanpa harus khawatir menghitungnya secara manual. Penelitian ini mengusulkan penggunaan model deep learning dan pendekatan pemrosesan gambar untuk menghitung jarak aman berkendara di jalan tol. Kemudian, memberikan feedback berupa peringatan visual apabila kendaraan tidak berada pada jarak aman. Pendekatan dilakukan dengan mengestimasi kecepatan kendaraan pengemudi dan jarak kendaraan di depan kendaraan pengemudi berdasarkan garis lajur di jalan tol. Model deep learning YOLOv8, algoritma Canny Edge Detection, Hough Transformation, dan teknik transformasi perspektif dipadukan untuk mencapai tujuan tersebut. Program dapat mengestimasi kecepatan kendaraan pengemudi dengan rata-rata error sebesar 7.66 Km/jam pada 93% kesalahan yang dibuat. Sementara itu, ratarata error estimasi kecepatan adalah 25.8 Km/jam pada 100% kesalahan yang dibuat. Hasil observasi juga menunjukkan bahwa hasil estimasi kecepatan lebih konsisten pada video 30 fps dibandingkan video 60 fps. Konsistensi ini ditunjukkan dengan rata-rata perubahan hasil estimasi kecepatan antar perhitungan pada video 30 fps adalah 29.76 Km/jam sedangkan pada video 60 fps adalah 76.74 Km/jam. Program akan semakin optimal apabila faktor seperti garis lajur jalan yang terputus, memudar, ataupun tertutup dapat diminimalisir. Selain itu, konfigurasi kamera yang dapat memengaruhi posisi gambar, perlu untuk diperhatikan agar garis lajur jalan tidak keluar dari gambar. Penelitian ini mengharapkan bahwa penggunaan model deep learning dan pendekatan pemrosesan gambar dapat membantu pengawasan jarak aman berkendara di jalan tol dengan menggunakan garis lajur jalan sebagai faktor utama untuk mengestimasi kecepatan dan jarak kendaraan.

---

Keeping a safe distance while driving becomes an important aspect that needs to be considered, especially when driving at high speeds. Toll roads that are freeway can tempt car drivers to accelerate their vehicles to high speeds, thus making it difficult to maintain a safe distance. The relative safe distance in relation to the vehicle's speed adds to the challenge of implementing safe driving distances on toll roads. The three-second rule can be a solution since the time distance remains constant regardless of the speed. However, calculating the time distance can be risky as it may reduce the driver's concentration which is important to stay focused while driving on toll roads. The advancements in artificial intelligence technology can provide a solution to help maintain a safe distance without having to worry about calculating it manually. This research proposes the use of deep learning models and image processing approaches to calculate the safe distance on toll roads. Then, it provides feedback in the form of a visual warning if the vehicle is not at a safe distance. The approach is carried out by estimating the driver's speed and the distance of the vehicle in front of the driver based on the lane lines on the toll road. The deep learning model YOLOv8, Canny Edge Detection algorithm, Hough Transformation, and perspective transformation techniques are combined to achieve this objective. The program can estimate the driver's speed with an average error of 7.6 Km/h for 93% of the errors made. Meanwhile, the average error in speed estimation is 25.8 Km/h for 100% of the errors made. The observation results also indicate that speed estimation is more consistent in 30 fps videos compared to 60 fps videos. This consistency is shown by the average change in speed estimation results between calculations on 30 fps videos is 29.76 Km/h, while on 60 fps videos it is 76.74 Km/h. The program will be more optimal if factors such as discontinuous, faded, or obstructed lane lines can be minimized. Furthermore, the configuration of the camera, which can affect the image's position, needs to be considered to prevent the lane lines from going outside the image. This research expects that the use of deep learning models and image processing approaches can assist in monitoring the safe distance on toll roads by utilizing lane lines as the main factor to estimate vehicle speed and distance."

"Penelitian ini bertujuan untuk mengembangkan model deteksi penyakit kulit pada hewan peliharaan menggunakan image processing dan Deep Learning. Model ini dirancang untuk mendeteksi tiga jenis penyakit kulit yang umum, yaitu Ringworm, Scabies, dan Earmite, dengan memanfaatkan gambar yang diambil menggunakan kamera ponsel. Model ini menggabungkan teknik image processing, seperti CLAHE, filter Gaussian, dan segmentasi HSV, dengan model CNN. Evaluasi model dilakukan menggunakan metrik Accuracy, Precision, Recall, dan F1-score. Pada penelitian ini digunakan dua model untuk mendeteksi penyakit yang berbeda. Hasil penelitian menunjukkan bahwa untuk model 1, yang melakukan klasifikasi multi-kelas, nilai metrik validasi Akurasi mencapai 83%, F1-score mencapai 82%, Precision mencapai 89%, dan Recall mencapai 83%. Sedangkan untuk hasil model 2, yang melakukan klasifikasi biner, nilai akurasi mencapai 100%, F1-score mencapai 100%, Precision mencapai 100%, dan Recall mencapai 100%. Model ini juga menunjukkan kinerja yang lebih baik dibandingkan dengan model transfer learning ResNet-50 dan VGG16.

---

This research aims to develop a skin disease detection model for pets using image processing and Deep Learning . The model is designed to detect three common skin diseases, namely Ringworm, Scabies, and Earmite, using images captured by mobile phone cameras. The model combines image processing techniques, such as CLAHE, Gaussian filter, and HSV segmentation, with a CNN model. Model evaluation is performed using the Accuracy, Precision, Recall, and F1-score metrics. In this study, two models were used to detect different diseases. The research results show that for model 1, which performs multi-class classification, the validation metric value of Accuracy reaches 83%, F1-score reaches 82%, Precision reaches 89%, and Recall reaches 83%. Meanwhile, for the results of model 2, which performs binary classification, the accuracy value reaches 100%, F1-score reaches 100%, Precision reaches 100%, and Recall reaches 100%. This model also shows better performance compared to the ResNet-50 and VGG16 transfer learning models."

"Vital sign merupakan parameter fisiologis yang penting dalam melihat adanya gangguan pada tubuh seseorang. Maka dari itu kebutuhan peralatan dalam pemeriksaan vital sign sangat tinggi. Saat ini vital sign dapat diketahui dengan cara pemeriksaan non-contact. Pemeriksaan vital sign dengan non-contact dapat menggunakan Photoplethysmography (PPG). Saat ini PPG sendiri telah banyak dikembangkan agar dapat membaca keseluruhan vital sign seperti detak jantung, tekanan darah, dan juga konsenstrasi oksigen di dalam darah (SpO2). Pada penelitian ini dirancang pengembangan PPG dengan bantuan pencitraan dalam membaca vital sign. Dataset yang digunakan pada penelitian ini adalah dataset yang berasal dari pengukuran langsung yang telah dirancang agar dapat diproses menjadi sinyal Imaging Photoplethysmography (IPPG) yang baik. Dataset terdiri dari 13 orang laki-laki dan 17 orang perempuan. Dataset yang didapatkan akan dibagi menjadi beberapa scene yang kemudian diproses dalam metode yang diusungkan yaitu Discrete Fourier Transform (DFT) dan Deep Learning yaitu Convolutional Neural Network (CNN). Hasil penelitian ini berupa nilai RMSE dan MAE dimana saat penggunaan DFT menghasilkan masing masing 3,39 dan 1,38 dan dengan metode CNN arsitektur PhysNet menghasilkan 8,2151 dan 2,5976 untuk detak jantung, 3,3311 dan 1,0534 untuk tekanan darah, serta 3,6044 dan 1,1398 untuk SpO2.

---

Vital sign is an important physiological parameter in seeing a disturbance in a person's body. Therefore the need for equipment in vital sign examination is very high. Currently vital signs can be identified with non-contact examination. Examination of vital signs with non-contact can use Photoplethysmography (PPG). Currently PPG itself has been developed a lot so that it can read all vital signs such as heart rate, blood pressure, and also the concentration of oxygen in the blood (SpO2). In this study, the development of PPG was designed with the help of imaging in reading vital signs. The dataset used in this study is a dataset derived from direct measurements that have been designed to be processed into a good Imaging Photoplethysmography (IPPG) signal. The dataset consists of 13 men and 17 women. The dataset obtained will be divided into several scenes which are then processed using the proposed method, namely the Discrete Fourier Transform (DFT) and Deep Learning, namely the Convolutional Neural Network (CNN). The results of this study are RMSE and MAE values where when using the DFT they produce 3.39 and 1.38 respectively and with the PhysNet architecture CNN method they produce 8.2151 and 2.5976 for heart rate, 3.3311 and 1.0534 for blood pressure , and 3.6044 and 1.1398 for SpO2."

"Sistem Penilaian Esai Otomatis (SIMPLE-O) merupakan teknologi deep learning yang dikembangkan oleh Departemen Teknik Elektro, Fakultas Teknik Universitas Indonesia. SIMPLE-O dikembangkan untuk menilai ujian esai Bahasa Indonesia menggunakan gabungan algoritma CNN dengan Bidirectional LSTM. Dokumen yang menjadi input untuk sistem berupa jawaban mahasiswa dan kunci jawaban dosen. Keduanya akan melalui proses pre-processing yang dilanjut menuju proses embedding dan masuk ke dalam model deep learning. Selanjutnya akan dilakukan perhitungan dengan metrik penilaian yaitu Manhattan Distance dan Cosine Similarity. Pengujian dilakukan dengan mencari hyperparameter terbaik dari enam skenario yang dijalankan. Hasil pengujian skenario akhir fase training dan testing pengukuran Manhattan Distance mendapatkan nilai rata-rata selisih sebesar 0,72 dan 15,19. Untuk pengujian akhir pengukuran Cosine Similarity didapatkan nilai sebesar 1,07 dan 15,43.

---

The Automated Essay Assessment System (SIMPLE-O) is a deep learning technology developed by the Department of Electrical Engineering, Faculty of Engineering, University of Indonesia. SIMPLE-O was developed to assess Indonesian essay exams using the CNN algorithm and the Bidirectional LSTM. Documents that become input for the system are student answers and lecturer answer keys. Both of them will go through a pre-processing process, leading to the embedding process and entering the deep learning model. Next, calculations will be done with assessment metrics: Manhattan Distance and Cosine Similarity. Testing is done by looking for the best hyperparameters from the six-run scenarios. The results of testing the scenario at the end of the training and testing phase of the Manhattan Distance measurement obtained an average difference of 0.72 and 15.19. For the final test of the Cosine Similarity measurement, values were obtained of 1.07 and 15.43."

"Pelayanan di supermarket merupakan salah satu hal yang menjadi pertimbangan seseorang dalam menentukan kualitas dari sebuah supermarket. Antrian di supermarket merupakan salah satu penentu dari kualitas layanan yang dimiliki. Antrian tersebut dapat disebabkan berbagai hal, salah satunya adalah lamanya kasir dalam menyelesaikan transaksi yang dilakukan. Semakin lama transaksi berlangsung, semakin lama waktu yang dibutuhkan untuk dibutuhkan seorang pelanggan sehingga menyebabkan antrian terjadi. Salah satu penyebab lamanya transaksi dapat disebabkan karena proses pemindaian produk yang membutuhkan waktu cukup lama. Oleh karena itu, dengan membuat model pemindaian barcode yang cepat dan efisien berbasis deep learning menggunakan object detection, harapannya dapat membuat proses transaksi menjadi lebih cepat sehingga antrian yang terjadi dapat dikurangi. Dalam penilitian ini, model sistem akan membandingkan antara performa model YOLOv5 dengan Faster R-CNN yang kemudian ditambahkan image enhancement (Super Resolution) untuk dibandingkan dengan tujuan mencari tahu performa dan akurasinya. Hasil pengujian model pada tahap pelatihan menunjukkan model YOLOv5 merupakan model yang lebih akurat dan efisien dengan akurasi Mean Average Precission (mAP) sebesar 81,74%, penggunaan waktu pelatihan sebesar 1,6448 jam, dan loss pada epoch/step terakhir sebesar 0,0208. Hasil pengujian model menggunakan image enhancement (super resolution) menunjukkan peningkatan kualitas decode dari 67% menjadi sebesar 75,5% atau peningkatan sebesar 8,5% dengan super resolution tipe RRDB_PSNR. Kemudian hasil pengujian augmentasi rotasi pada pendeteksian barcode diagonal menunjukan peningkatan sangat signifikan dari 2% menjadi 80%. Pada pengujian terakhir dimana dataset yang digunakan sudah dilakukan augmentasi. Model yang di training memiliki penurunan dari mAP yang dihasilkan menjadi 71,7% dari yang sebelumnya sebesar 81,74% atau penurunan sekitar 10,04%

---

Service in supermarkets is one of the things that a person considers in determining the quality of a supermarket. Queues at supermarkets are one of the determinants of the quality of service they have. The queue can be caused by various things, one of which is the length of time the cashier completes the transaction. The longer the transaction lasts, the longer it will take for a customer to cause a queue to occur. One of the reasons for the length of the transaction can be due to the product scanning process which takes a long time. Therefore, by creating a fast and efficient barcode scanning model based on deep learning using object detection, it is hoped that it can make the transaction process faster so that queues that occur can be reduced. In this research, the system model will compare the performance of the YOLOv5 model with Faster R-CNN which is then added with image enhancement (Super Resolution) for comparison with the aim of finding out its performance and accuracy. The results of model testing at the training stage show that the YOLOv5 model is a more accurate and efficient model with an accuracy of Mean Average Precision (mAP) of 81.74%, training time usage of 1.6448 hours, and loss in the last epoch/step of 0.0208. The results of model testing using image enhancement (super resolution) show an increase in decoding quality from 67% to 75.5% or an increase of 8.5% with super resolution of type RRDB_PSNR.Then the results of the rotational augmentation test on diagonal barcode detection showed a very significant increase from 2% to 80%. In the last test where the dataset used has been augmented. The training model has a decrease from the resulting mAP to 71.7% from the previous 81.74% or a decrease of about 10.04%.

"

"Tujuan utama penggunaan peralatan Pressure Relief Device (PRD) adalah untuk memastikan keamanan bejana tekan dalam sistem bertekanan. Seiring berjalannya waktu, peralatan PRD dapat mengalami penurunan kualitas dan gagal menjalankan fungsi yang diharapkan, sehingga harus diidentifikasi sebagai mode kegagalan. Untuk memitigasi potensi risiko yang terkait dengan hal ini, direkomendasikan agar pendekatan seperti inspeksi berbasis risiko (RBI) diterapkan. Meskipun RBI telah diadopsi secara luas, metode ini bergantung pada teknik kualitatif, sehingga menyebabkan variasi yang signifikan dalam penilaian risiko peralatan. Studi ini mengusulkan metode analisis risiko baru yang menggunakan pembelajaran mesin berbasis pembelajaran mendalam untuk mengembangkan model penilaian risiko untuk peralatan PRD terkait dengan mode kegagalan failure on leakage. Pendekatan inovatif ini akan mengurangi waktu penilaian, meningkatkan akurasi, dan menurunkan biaya pemrosesan dengan memberikan hasil penghitungan yang tepat. Penelitian ini mengembangkan program prediksi risiko yang menggunakan pembelajaran mesin berbasis deep learning yang dirancang secara eksplisit untuk mode kegagalan failure on leakage pada peralatan pelepas tekanan. Dataset yang digunakan dalam proses pengembangan model mengikuti standar API 581 dan berisi 168 dataset. Berbagai parameter model digunakan, antara lain test size 20%, nilai random state 0, 150 epoch, learning rate 0,001, dan 3 layers dengan nilai dense 128, 64, dan 32. Performa model dievaluasi menggunakan validation confusion matrix, yang menunjukkan akurasi 94%.

---

The primary objective of deploying Pressure Relief Device (PRD) equipment is to ensure the safety of pressure vessels within a pressurized system. Over time, PRD equipment may degrade and fail to perform its intended function, which must be identified as a failure mode. To mitigate potential risks associated with this, it is recommended that an approach such as risk-based inspection (RBI) be implemented. Despite the widespread adoption of RBI, the method relies on qualitative techniques, leading to significant variations in equipment risk assessments. This study proposes a novel risk analysis method that uses deep learning-based machine learning to develop a risk assessment model for PRD equipment related to the fail-on-leakage failure mode. This innovative approach will reduce assessment times, improve accuracy, and lower processing costs by providing precise calculation results. The research develops a risk prediction program that uses deep learning-based machine learning designed explicitly for failure-on-leakage failure mode in pressure relief equipment. The dataset used in the model development process adheres to API 581 standards and comprises 168 data points. Various model parameters are employed, including a test size of 20%, a random state value of 0, 150 epochs, a learning rate of 0.001, and 3 layers with dense values of 128, 64, and 32. The model's performance is evaluated using a validation confusion matrix, which indicates an accuracy of 94%."

"Kemajuan umat manusia dalam penerbangan modern sangat bergantung pada kemampuan untuk melakukan pemodelan sistem idenifikasi penerbangan dari suatu wahana pernerbangan. Pemodelan suatu sistem identifikasi penerbangan bergantung dengan tingkat kualitas dan kuantitas dari data simulasi yang digunakan untuk mendapatkan pendekatan situasi dan kondisi penerbangan aktual yang seakurat mungkin. Akurasi dan presisi dari data simulasi yang digunakan dalam pemodelan sistem penerbangan akan mempengaruhi hasil algoritma yang digunakan dalam sistem identifikasi. Dalam pencapaian kualitas data tersebut, digunakanlah perangkat lunak X-Plane yang berfungsi sebagai simulator penerbangan ultra-realistis yang menyuplai set data yang memungkinkan pembelajaran mesin dari algoritma berbasis komputer. Data pembelajaran pesawat terbang terdiri dari attitude orientasi pesawat. Data yang diperoleh dari simulator tersebut akan diproseskan menggunakan metode preprocessing, sehingga layak digunakan untuk pelatihan sistem identifikasi. Suatu algoritma artificial neural network diterapkan untuk mengidentifikasi sistem pesawat dengan mempelajari dataset yang disebutkan di atas, yang kemudian akan digunakan dalam pengembangan perancangan sistem kontrol. Algoritma artificial neural network yang dirancang dalam penelitian ini telah menunjukkan keberhasilan dalam sistem identifikasi untuk sistem penerbangan pesawat, dan siap digunakan dalam percobaan dan pengujian sistem kontrol pada pesawat.

---

Humanitys progress in modern aviation is very dependent on the ability to model the flight identification system of a flight vehicle. Modeling a flight identification system depends on the quality and quantity of simulation data used to get the most accurate representation of the actual flight situation and condition. The accuracy and precision of the simulation data used in the flight system modeling will affect the results of the algorithm used in the identification system. In achieving this data quality, X-Plane software is used which functions as an ultra realistic flight simulator that supplies data sets that enable machine learning from computer based algorithms. Airplane learning data consists of airplane orientation attitude. Data obtained from the simulator will be processed using the preprocessing method, so it is feasible to use for identification system training. An artificial neural network algorithm is applied to identify aircraft systems by studying the dataset mentioned above, which will then be used in the development of control system design. The artificial neural network algorithm designed in this study has shown success in the identification system for aircraft flight systems, and is ready to be used in the testing and testing of control systems on aircraft."

"Skripsi ini membahas mengenai pengembangan Sistem Penilaian Esai Otomatis (SIMPLE-O) yang dirancang dengan menerapkan Regularization pada model MLP(Multilayer Perceptron) untuk penilaian esai Bahasa Jepang. Sistem dirancang dengan menggunakan bahasa pemrograman Python. Penilaian otomatis oleh sistem dilakukan dengan cara membandingkan jawaban 43 mahasiswa dan kunci jawaban dari dosen yang telah diproses sebelumnya sedemikian rupa hingga berbentuk token. Jawaban mahasiswa dan dosen akan diproses menggunakan model MLP sehingga menghasilkan vector jawaban yang akhirnya akan dibandingkan menggunakan Manhattan Distance. Dari variasi model pada beberapa skenario yang diuji, model yang memiliki performa terbaik dari segi akurasi dan kekonsistenan tingkat akurasi terjadi pada model MLP yang menggunakan L1 Regularization dengan learning rate optimizer sebesar 0,00001 dan lambda 0,001. Model mendapatkan rata-rata nilai perbedaan antara nilai sistem dengan nilai asli sebesar 22,40% dan standar deviasi 11,54.

---

This thesis discusses the development of an Automated Essay Scoring System (SIMPLE-O) designed by applying Regularization to the MLP (Multilayer Perceptron) model for Japanese Language essay scoring. System is developed using the Python programming language. Automatic assessment by the system is carried out by comparing the answers of 43 students and the answer keys from lecturers who have been processed previously in such a way that they are in the form of tokens. Student and lecturer answers will be processed using the MLP model, resulting in an answer vector that will eventually be compared using Manhattan Distance. From the model variations on some of the scenarios tested, model that has the best performance in terms of accuracy and consistency occurs in MLP models that use L1 Regularization with a optimizer learning rate of 0.00001 and lambda of 0.001. The model obtains an average value of the difference between the system value and the original value of 22.40% and a standard deviation of 11.54."

"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%."

"Banyak sekali variabel nonlinear didalam sistem kendali untuk quadcopter sehingga cukup rumit untuk mengendalikan dinamika penerbangan dari wahana ini. Salah satu metode yang digunakan untuk membangun model dinamik quadcopter adalah Deep Learning berbasis Long Short-Term Memory. Metode pembelajaran yang umum digunakan dalam melatih model adalah offline learning, dimana pelatihan dilakukan secara akumulatif berdasarkan dataset yang telah dimiliki. Walaupun offline learning memungkinkan model belajar lebih cepat, metode ini menghasilkan model yang kurang baik untuk wahana yang membutuhkan feedback dengan kompleksitas tinggi. Untuk menangani masalah tersebut akan dikembangkan metode online learning, dimana data diperoleh secara sekuensial dan digunakan untuk memperbarui model di setiap timestep. Akan ditunjukkan bahwa metode online learning dapat memperbaiki model yang diperoleh dari metode offline learning berdasarkan Mean Square Error dari setiap jenis data quadcopter. ..... There are so many nonlinear variables in the control system for the quadcopter so it is quite complicated to control the flight dynamics of this vehicle. One of the methods used to build a dynamic quadcopter model is Deep Learning based on Long Short-Term Memory. The learning method commonly used in training the model is offline learning, where training is carried out accumulatively based on the existing dataset. Although offline learning allows for faster learning models, this method results in poor models for vehicles that require high complexity feedback. To deal with this problem, an online learning method will be developed, where data is obtained sequentially and used to update the model at each time step. It will be shown that the online learning method can improve the model obtained from the offline learning method based on the Mean Square Error of each quadcopter data type."