Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam tulisan ini, denah lantai ditekankan pada dua metrik (footprint dan program) yang berkaitan dengan tipologi dalam arsitektur. Tipologi adalah studi tentang jenis elemen yang hadir sebagai ide utama dari arsitektur. Arsitek awalnya memulai suatu karya dari tipe, dan konsep tipe itu sendiri menyiratkan ide transformasi. Konsep tipe ini sejalan dengan proses yang harus dilalui arsitek dalam perancangan denah lantai. Proses untuk mendapatkan suatu desain denah yang baik sangat berulang dan membutuhkan tenaga manusia yang ekstensif. Banyak program komputer yang dapat membantu proses tersebut tetapi tidak dapat sepenuhnya mengotomatisasi. Otomatisasi akan memungkinkan arsitek dengan cepat menghasilkan banyak kemungkinan untuk gambar arsitektur, termasuk denah lantai. Otomatisasi tersebut dapat diadopsi menggunakan Machine Learning, khususnya GAN (Generative Adversarial Network), yang telah berkembang pesat di berbagai bidang studi. Berdasarkan analisis denah yang dihasilkan secara otomatis, dapat disimpulkan bahwa Machine Learning berhasil menghasilkan variasi yang tinggi tanpa mengabaikan kriteria desain denah yang baik.

---

In this paper, the floorplan is being emphasized on two metrics (footprint and program) which correlates to the discourse of typology in architecture. Typology is a study of types of elements which presents as the very idea of architecture. Architect initially starts his work from the type, and the very concept of type implies the idea of transformation. This concept resonates with a process that architect has to pass through. The process in creating a good floorplan design is highly iterative and requires extensive human labour. Many computer programs could help the architect in the process, but they cannot fully automate the process. Automation would allow architects to quickly generate many possibilities for architectural drawings, including floorplan solutions. Such automation could be adopted using Machine Learning, particularly GAN (Generative Adversarial Network), which has been developed enormously in many fields of study. Based on the analysis of the auto-generated floorplans, it could be concluded that Machine Learning successfully generates high variation without neglecting the criteria of a good floorplan design."

"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."

"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."

"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%."

"Fatik menjadi salah satu indikator utama yang menjadi perhatian pada penggunaan paduan alumunium sebagai aplikasi struktural pesawat terbang, dimana sebanyak lebih dari 50% kecelakaan dirgantara disebabkan oleh kegagalan fatik material. Metode eksperimental trial and error untuk mendesain material memerlukan waktu panjang, biaya tinggi, serta efisiensi penelitian yang dipengaruhi oleh intuisi dan keberuntungan dari peneliti menimbulkan urgensi pendekatan lain dalam penelitian mekanika material. Penelitian mekanika material berbasis Pembelajaran Mesin (PM) dapat memanfaatkan data-data eksperimen dan penelitian terdahulu, sehingga dapat memangkas biaya dan waktu penelitian. Pada penelitian ini telah berhasil dikembangkan dua model deep learning yang mampu memetakan dengan baik hubungan antara data paduan alumunium dengan sifat fatik yang dihasilkan. Model dibuat dengan arsitektur Deep Neural Network menggunakan TensorFlow. Model S2P (Structure to Performance) dapat memprediksi performa fatik suatu paduan alumunium dari data komposisi, perlakuan panas, sifat mekanis, dan pembebanan fatik yang diterima. Model P2S (Performance to Structure) dapat memprediksi komposisi paduan alumunium yang dapat memenuhi performa fatik yang diharapkan. Kedua model menghasilkan performa baik berdasarkan pada metrik penilaian R2, yaitu senilai 0,92 untuk model S2P dan 0,96 untuk model P2S. Formula matematika sifat mekanis dan sifat fatik paduan alumunium dibuat sebagai fungsi dari variabel unsur paduan dan perlakuan panas. Pengembangan model deep learning prediksi sifat paduan alumunium berbasis fitur atomik menunjukkan bahwa total elektronegatifitas berpengaruh besar terhadap sifat mekanis dan sifat fatik.

---

Fatigue is one of the main concern of the utilization of aluminum alloys as aircraft structural applications, since more than 50% of aerospace accidents are caused by material fatigue failure. The experimental trial and error method for designing materials requires long time and high costs. Research efficiency is also influenced by intuition and luck of the researcher. These condition raises the urgency of other approaches in material mechanics research. Machine Learning (ML) based material mechanics research can take advantage of experimental data and previous research, which ables reduce research costs and time. In this research, two deep learning models have been successfully developed. The models are able to map the relationship between aluminum alloy data and the resulting fatigue properties. The model is built on a fully connected Deep Neural Network architecture using TensorFlow. The S2P (Structure to Performance) model can predict the fatigue performance of an aluminum alloy from the data of composition, heat treatment, mechanical properties, and fatigue loading condition. The P2S (Performance to Structure) model can predict the composition of aluminum alloys that can meet the expected fatigue performance. Both models produce good performance based on the R2 scoring metric, which is 0.92 for the S2P model and 0.96 for the P2S model. Mathematical formulas for mechanical properties and fatigue properties of alloys are made as a function of alloying and heat treatment variables. The development of atomic feature based deep learning model shows that the total electronegativity has a large impact on the mechanical properties and fatigue properties."

"Diagnosis otomatis kanker kulit dari lesi kulit dengan menggunakan gambar dermoskopi masih merupakan tugas yang menantang bagi kecerdasan buatan khususnya pada Artificial Neural Network dengan menggunakan deep learning. Penggunaan arsitektur yang tepat pada klasifikasi merupakan faktor penting dalam membuat diagnosis otomatis yang akurat. Meski demikian, model-model klasifikasi yang sudah terbuat tersebut masih belum dapat sempurna melakukan kategorisasi pada penyakit lesi kulit. Pada riset ini dilakukan penggantian arsitektur model klasifikasi yang digunakan dengan menggunakan arsitektur terbaru seperti EfficientNet B0 dan B1. Model EfficientNet B0 terbaik dengan menggunakan augmentasi saja memiliki akurasi, presisi, recall, dan f1-score sebesar 91%, 76%, 68%, dan 71% sedangkan EfficientNet B1 terbaik dengan menggunakan augmentasi dan class weight memiliki akurasi, presisi, recall, dan f1-score sebesar masing-masing 89%, 78%, 73%, dan 73%. Model EfficientNet B1 terbaik tersebut dapat mengungguli model state of the art yang ada dengan kenaikan recall dan f1-score sebesar 2% dan 12% dari model semi-supervised. Model juga dapat diimplementasikan dengan graphical user interface sehingga dapat digunakan oleh dokter spesialis kulit dalam pemeriksaan dermoskopi.Automatic diagnosis of skin cancer from skin lesions using dermoscopy images is still a challenging task for artificial intelligence, especially in Artificial Neural Networks using deep learning. The use of the correct architecture in the classification is an important factor in making an accurate automatic diagnosis. However, the classification models that have been made are still not able to perfectly categorize skin lesions. In this research, a replacement of the classification model architecture used by using the latest architectures such as the EfficientNet B0 and B1 was conducted. The best EfficientNet B0 model that only used augmentation has the accuracy, precision, recall, and f1-scores of 91%, 76%, 68%, and 71% while the best EfficientNet B1 that used augmentation and class weights has the accuracy, precision, recall, and f1-score of 89%, 78%, 73%, and 73%, respectively. The best EfficientNet B1 model can outperform the existing state of the art model with an increase in recall and f1-score by 2% and 12% from the semi-supervised model, respectively. The model can also be implemented with a graphical user interface so that dermatologist can use it in dermoscopy examinations."

"Pengguna media sosial di Indonesia merupakan salah satu yang terbanyak di dunia. Hal ini mendorong pemilik produk atau layanan menggunakan media sosial sebagai saluran utama untuk penjualan dan layanan pelanggan. Masyarakat Indonesia cenderung mencari ulasan online sebelum memutuskan pembelian, sehingga ulasan pengguna sangat mempengaruhi keputusan pembelian dan keberhasilan bisnis. Oleh karena itu, pemilik produk dan layanan harus cepat tanggap terhadap sentimen ulasan pengguna untuk mempertahankan reputasi dan menghindari penurunan penjualan. Analisis sentimen adalah salah satu cara untuk mengetahui sentimen terhadap produk atau layanan. Terdapat pendekatan machine learning dan deep learning dalam analisis sentimen. Penggunaan machine learning pada analisis sentimen ulasan pengguna berbahasa Indonesia telah banyak dilakukan, namun eksplorasi dalam bidang deep learning masih jarang ditemukan. Penelitian ini menggunakan model CNN-BiLSTM dan BiLSTM-CNN yang dibandingkan dengan logistic regression, support vector machine, dan naïve bayes. Pada skenario pertama, analisis ulasan pengguna di Traveloka menunjukkan model BiLSTM-CNN dengan Precision tertinggi 85% dan AUC 82.14%, serta model Support Vector Machine (SVM) dengan Accuracy 83.25% dan F1-Score 86.53%. Pada skenario kedua, analisis ulasan pengguna provider telekomunikasi menunjukkan SVM sebagai yang terbaik dengan Accuracy 78.15%, Precision 68.78%, F1-Score 76.33%, dan AUC 77.36%. Dari hasil ini, model machine learning lebih unggul dibandingkan deep learning.

---

Social media users in Indonesia are among the largest in the world. This drives product or service owners to use social media as the main channel for sales and customer service. Indonesian consumers tend to look for online reviews before making a purchase decision, so user reviews greatly influence purchasing decisions and business success. Therefore, product and service owners must quickly respond to user review sentiments to maintain reputation and avoid sales decline. Sentiment analysis is one way to understand the sentiment towards a product or service. There are machine learning and deep learning approaches in sentiment analysis. The use of machine learning in sentiment analysis of user reviews in Indonesian has been widely conducted, but exploration in the field of deep learning is still rarely found. This study uses CNN-BiLSTM and BiLSTM-CNN models compared to logistic regression, support vector machine, and naïve bayes. In the first scenario, analysis of user reviews on Traveloka shows the BiLSTM-CNN model with the highest Precision of 85% and AUC of 82.14%, and the Support Vector Machine (SVM) model with an Accuracy of 83.25% and F1-Score of 86.53%. In the second scenario, analysis of user reviews of telecommunications providers shows SVM as the best with an Accuracy of 78.15%, Precision of 68.78%, F1-Score of 76.33%, and AUC of 77.36%. From these results, machine learning models outperform deep learning models."

"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."

"Jaringan optik adalah jaringan telekomunikasi berkapasitas tinggi dengan menggunakan teknologi dan komponen optik. Di Indonesia, CWDM biasanya digunakan pada jaringan optik di daerah urban, hal ini dikarenakan CWDM memiliki bandwidth yang lebar dan sesuai dengan kebutuhan daerah urban yang hanya butuh jarak yang pendek. Machine learning (ML) merupakan salah satu cabang kecerdasan buatan yang sangat cocok untuk menangani masalah kompleks yang sulit dijawab dalam waktu yang wajar. Prediksi Quality of Transmission (QoT) yang akurat sebelum pembentukan koneksi sangat penting untuk penyediaan layanan dan pemanfaatan sumber daya jaringan. Model Coarse Wavelength Division Multiplexing (CWDM) yang digunakan jaringan sesuai dengan standar ITU-T G.694.2 yaitu splitting sebesar 20nm, pada wavelength yang terdaftar pada standar yaitu 1551 nm, 1571 nm, 1591 nm, dan 1611 nm. Pendekatan yang digunakan adalah algoritma jenis linear regression dengan akurasi 82,47%, k-nearest neighbor regression dengan akurasi 77,18%, support vector regression dengan akurasi 83,88%, random forest regression 91,44%, dan deep learning ANN regression dengan akurasi 94,52%. Algoritma machine learning yang paling baik dalam memprediksi kualitas transmisi adalah random forest regressor. Algoritma ini tidak lebih baik dari deep learning yaitu, ANN regression. Namun waktu komputasi pada ANN regression cenderung lebih lama yaitu 12,451 ms sedangkan pada random forest regression hanya 1,9098 ms.

---

An optical network is a high-capacity telecommunications network using optical technology and components. In Indonesia, CWDM is usually used on optical networks in urban areas, this is because CWDM has a wide bandwidth and is in accordance with the needs of urban areas that only need a short distance. Machine learning (ML) is a branch of artificial intelligence that is very suitable for dealing with complex problems that are difficult to answer in a reasonable time. Accurate Quality of Transmission (QoT) prediction prior to connection establishment is critical for service provision and utilization of network resources. The Coarse Wavelength Division Multiplexing (CWDM) model used by the network complies with the ITU-T G.694.2 standard, which is 20nm splitting, the wavelengths registered in the standard are 1551 nm, 1571 nm, 1591 nm, and 1611 nm. The approach used is a linear regression type algorithm with an accuracy of 82.47%, k-nearest neighbor regression with an accuracy of 77.18%, support vector regression with an accuracy of 83.88%, random forest regression of 91.44%, and ANN deep learning regression. With an accuracy of 94.52%. The best machine learning algorithm for predicting transmission quality is the random forest regressor. This algorithm is no better than deep learning i.e., ANN regression. However, the computational time for ANN regression tends to be longer, namely 12.451 ms, while for random forest regression it is only 1.9098 ms. "