Hasil Pencarian  ::  Simpan CSV :: Kembali

"Lapangan Z yang berlokasi di Sub-cekungan Cipunegara merupakan salah satu lapangan penghasil gas dengan reservoir berlitologi karbonat platform dan karbonat reef. Berdasarkan 7 data sumur dan data seismik 3D PSTM, sumur A1, A3, G1, W1, C18, C19, dan C26 menunjukan bahwa zona interest dalam penelitian ini yaitu layer F menunjukan kedalaman dan karakteristik yang berbeda. Selanjutnya, berdasarkan data sumur yang tersedia akan dilaksanakan analisa petrofisika yang bertujuan untuk mengkarakterisasi reservoir berdasarkan properti batuan, seperti porositas, densitas, saturasi air, kecepatan batuan (Vp dan Vs) dan sebagainya. Dalam ketiadaan data Vs, nilai Vs tersebut akan didapat dengan dilakukannya proses deep learning. Setelah data Vs didapatkan, dilaksanakan analisa sensitivitas melalui crossplot yang bertujuan untuk mencari parameter yang sensitive terhadap perubahan litologi. Hasil didapat parameter AI cukup sensitive sehingga dipakai untuk proses inversi. Inversi dalam penelitian ini adalah jenis model based. Berdasarkan peta persebaran AI hasil inversi, lapisan F dengan litologi karbonat ditandai dengan warna hijau sampai kuning-jingga dengan nilai cut-off 6800 ((m*s)/(g/cc)). Selanjutnya akan dilaksanakan proses validasi hasil inversi AI menggunakan deep learning sebagai pendekatan yang berbeda. Hasil deep learning menunjukan nilai validasi yang cukup baik. Hal ini dapat disimpulkan bahwa inversi AI dan deep learning dapat dipakai sebagai inovasi yang baik untuk proses karakterisasi reservoir.

---

Field Z, located in the Cipunegara Sub-basin, is one of the gas-producing fields with carbonate platform and carbonate reef reservoirs. Based on 7 wells data and 3D PSTM seismic data, A1, A3, G1, W1, C18, C19, and C26 wells show that the zone of interest in this study named the F layer shows different depths and characteristics. Furthermore, based on available well data, will be carried out a petrophysical analysis that aims to characterize the reservoir based on rock properties, such as porosity, density, water saturation, rock velocity (Vp and Vs), and so on. In the absence of data Vs, the value of Vs will be obtained by doing a deep learning process. After the Vs data is obtained, a sensitivity analysis is carried out through a cross plot that aims to find parameters that are sensitive to changes in lithology. The result shows that the AI parameter is quite sensitive, so that Acoustic Impedance or AI is used for the inversion process. Inversion in this research is a model-based type. Based on the AI distribution map of inversion results, the F layer with carbonate lithology is marked in green to yellow-orange with a cut-off value of 6800 ((m*s)/(g/cc)). Furthermore, the AI inversion result will be validated using deep learning as a different approach than usual. The deep learning results shows a good validation score. It can be concluded that AI inversion and deep learning can be used as good innovations for reservoir characterization processes."

"COVID-19 merupakan penyakit yang telah menjadi pandemi pada tahun 2020. Penyakit ini dinyatakan sebagai pandemi karena menjadi wabah yang sangat luas hingga seluruh dunia terpapar. Dalam usaha penekanan penyebaran penyakit COVID-19, banyak peneliti yang menerapkan deep learning untuk mendeteksi penyakit ini. Convolutional Neural Network(CNN) merupakan jenis deep learning yang paling banyak digunakan untuk usaha mengklasifikasi citra X-ray paru-paru. Algoritma yang dikembangkan pada penelitian ini menggunakan deep learning dengan model CNN ResNet152v2 dengan Python untuk bahasa pemrogramannya serta Keras Tensorflow sebagai API. penelitian ini melakukan beberapa ekperimen untuk meningkatkan akurasi dan performa dengan memvariasikan dataset serta parameter seperti epoch, batch size, optimizer. Performa terbaik didapatkan dengan pengaturan parameter pada jumlah dataset 3000, epoch 15, batch size 16, dan optimizer Nadam dengan nilai akurasi hingga 96%. Hasil akurasi ini merupakan peningkatan yang didapatkan penelitian terdahulu yang menggunakan model VGG16 dengan akurasi hingga 92%.

---

COVID-19 is a disease that has become a pandemic in 2020. This disease is declared a pandemic because it is an epidemic that is so widespread that the entire world is exposed. In an effort to suppress the spread of the COVID-19 disease, many researchers have applied deep learning to detect this disease. Convolutional Neural Network (CNN) is a type of deep learning that is most widely used to classify X-ray images of the lungs. The algorithm developed in this study uses deep learning with the CNN ResNet152v2 model with Python for the programming language and Keras Tensorflow as the API. This study conducted several experiments to improve accuracy and performance by varying the dataset and parameters such as epoch, batch size, optimizer. The best performance is obtained by setting parameters on the number of datasets 3000, epoch 15, batch size 16, and optimizer Nadam with an accuracy up to 96%. The result of this accuracy is an improvement obtained from previous studies using the VGG16 model with an accuracy of up to 92%."

"Beras merupakan makanan pokok mayoritas masyarakat Indonesia. Jika dibandingkan dengan konsumsi tahun 2019, konsumsi beras nasional meningkat sekitar 4,67 persen pada tahun 2021. Hal ini menunjukan bahwa setiap tahun konsumsi beras nasional akan meningkat karena seiring dengan pertumbuhan jumlah penduduk Indonesia. Sehingga dibutuhkan data produksi beras yang akurat dan tepat waktu untuk dapat menjaga ketersediaan stok beras nasional. Data citra satelit bisa menjadi alternatif untuk memprediksi produksi padi dikarenakan kekurangan yang dimiliki oleh metode survei yang dilakukan oleh BPS yaitu biaya yang cukup tinggi dan terdapat tenggang waktu diseminasi data. Gabungan citra SAR dan Optik dapat meningkatkan akurasi dari model yang dibangun. Selain itu penggunaan model deep learning memiliki akurasi yang lebih baik jika dibandingkan metode machine learning konvensional salah satunya kombinasi CNN dan Bi-LSTM yang mampu mengekstraksi fitur serta memiliki kemampuan untuk memodelkan data temporal dengan baik. Output yang diperoleh dengan menggunakan metode CNNBiLSTM untuk mengklasifikasikan fase pertumbuhan padi, menghasilkan akurasi yang terbaik dengan nilai akurasi 79,57 pada data testing dan 98,20 pada data training serta F1-score 79,78. Dengan menggunakan kombinasi data citra sentinel 1 dan 2 akurasi dari model LSTM dapat ditingkatkan. Selanjutnya akurasi yang didapatkan untuk model regresi produktivitas padi masih kurang baik. Akurasi terbaik dihasilkan oleh model random forest dengan nilai MAPE 0.1336, dan RSME 0,6871.

---

Rice is the staple food of the majority of Indonesian people. When compared to consumption in 2019, national rice consumption will increase by around 4.67 percent in 2021. This shows that every year rice consumption will increase in line with the growth of Indonesia's population. So that accurate and timely rice production data is needed to be able to maintain the availability of national rice stocks. Satellite imagery data can be an alternative for predicting rice production due to the drawbacks of the survey method conducted by BPS, which relatively high cost and the time span for data dissemination. The combination of SAR and Optical images can increase the accuracy of the model built. In addition, the use of deep learning models has better accuracy when compared to classical machine learning methods, one of them is the combination of CNN and Bi-LSTM which are able to extract features and have the ability to model temporal data properly. The output obtained using the CNNBiLSTM method to classify rice growth phases, produces the best accuracy with an accuracy value of 79.57 on testing data and 98.20 on training data and an F1-score of 79.78. By using a combination of sentinel 1 and 2 image data, the accuracy of the LSTM model can be improved. Furthermore, the accuracy obtained for the rice production regression model is still not good. The best accuracy was produced by the random forest model with a MAPE value of 0.1336 and RSME of 0.6871."

"Manajemen Insiden merupakan bagian yang diperlukan dalam pengelolaan layanan IT. Penerapan manajemen insiden dapat meningkatkan layanan dan membantu mencapai tujuan organisasi. Insiden IT dapat menjadi referensi dan dapat membentuk pola yang dapat dipelajari sehingga dapat dijadikan prediksi sebuah insiden di masa datang. Riset ini membandingkan beberapa teknik awal machine learning (Random Forest, SVM, Multi Layer Perceptron) dengan beberapa teknik terbaru machine learning (RNN, LSTM, GRU) untuk memprediksi insiden IT. Kami menggunakan dataset ITSM data insiden. Grid search akan mencari kombinasi parameter terbaik hingga didapatkan optimal model. Cross-validation sebagai evaluasi teknik digunakan untuk menguji kinerja optimal model. Kami menggunakan 5-fold dan 10-fold cross-validation digunakan untuk mengevaluasi kinerja model dengan membagi dataset menjadi data pelatihan dan data uji. Hasil perbandingan menunjukkan bahwa akurasi tertinggi sebesar 98,866% yang dihasilkan oleh teknik machine learning LSTM pada 5-fold dan 10-fold cross-validation, SVM mempunyai akurasi terendah sebesar 97,837% yang dihasilkan oleh teknik machine learning SVM pada 5-fold dan 10-fold cross-validation.

---

Incident Management is a part of managing IT services. The application of Incident Management can improve services and help achieve organizational goals. IT incidents could be a reference and can be learned so that they can be used as predictions of future incidents. This research compares the factors that cause incidents by using some initial machine learning techniques (Random forest, SVM, Multilayer perceptron) and compared with the latest machine learning techniques (RNN, LSTM, GRU) to predict IT incidents. We use the ITSM incident dataset. Grid search will find the best parameter combination until the optimal model is obtained, subsequently cross-validation as an evaluation technique is used to test the optimal performance of the model. We use 5-fold and 10-fold cross-validation to evaluate the performance of the model by dividing the dataset into training data and test data. The results of the comparison show that the highest accuracy of 98,866% produced by LSTM machine learning techniques at 5-fold and 10-fold cross-validation, SVM has the lowest accuracy of 97.837% produced by machine learning SVM at 5-fold and 10-fold cross-validation."

"Peningkatan keselamatan dan efisiensi dalam industri minyak dan gas bumi di Indonesia masih memerlukan pendekatan yang canggih untuk memelihara sistem perpipaan yang ada. Disertasi ini membahas penerapan metode Risk Based Inspection (RBI) dengan dukungan teknologi machine learning (ML) dan deep learning (DL) untuk mengembangkan model yang mampu mengidentifikasi akar permasalahan dan solusi untuk menanggulangi kegagalan tersebut. Penelitian dilakukan pada sampel ex-spool berdiameter 16’’ melalui pengujian metalografi dan penggunaan algoritma AdaBoost, Random Forests, dan Gradient Boosting. Metode klasifikasi masalah dilakukan berdasarkan prinsip K-Means Clustering dan Gaussian Mixture Model dan penelitian divalidasi menggunakan metode k-fold cross-validation. Model yang dihasilkan mampu mengidentifikasi dan mengklasifikasikan jenis kegagalan ke dalam 3 kelompok sesuai jenis risikonya masing-masing serta memberikan beragam metode pemeliharaan material yang lebih ekonomis. Program artificial intelligence ini diharapkan mampu meningkatkan keselamatan dan keandalan operasi perpipaan minyak dan gas di Indonesia melalui penerapan berbagai metode pemeliharaan pipa di masa depan.

---

Improving safety and efficiency in the oil and gas industry in Indonesia still requires a sophisticated approach to maintain the existing piping systems. This dissertation discusses the application of the risk-based inspection (RBI) method with the support of machine learning (ML) and deep learning (DL) technology to develop a model that is able to identify the potential root-cause and its solutions to overcome these failures. The research was carried out on a 16'' diameter ex-spool sample through metallographic testing and the use of AdaBoost, Random Forests, and Gradient Boosting algorithms. The problem classification method was carried out based on the principles of K-means clustering and the Gaussian Mixture Model, while the research was validated using the k-fold cross-validation method. The resulting model is able to identify and classify types of failure into three groups according to each type of risk and provides a variety of more economical material maintenance solutions. It is hoped that this artificial intelligence program can support efforts to increase the safety and reliability of oil and gas pipeline operations in Indonesia through the application of various pipeline maintenance methods in the future."

"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."

"Quadcopter adalah sebuah wahana terbang yang terdiri dari empat motor terhubung dengan baling-baling. Sistem pengendalian wahana ini memiliki kompleksitas yang cukup tinggi akibat kemampuannya yang memiliki enam derajat kebebasan, tetapi hanya memiliki empat jenis pergerakan, yaitu roll, pitch, yaw, dan thrust. Kompleksitas ini menyebabkan pengendalian quadcopter bersifat underactuated karena jumlah pergerakannya yang lebih sedikit dari derajat kebebasannya. Pengendalian empat pergerakan tersebut membutuhkan proses tambahan untuk menggerakkan masing-masing motor pada quadcopter yang disebut sebagai control mixer. Penelitian yang bertujuan untuk mengembangkan sistem kendali quadcopter berdasarkan ekosistem PX4 Autopilot membutuhkan sebuah control mixer yang dapat digunakan terlepas dari sistem pengendali bawaan dari PX4 Autopilot. Akan tetapi, control mixer yang terdapat di PX4 Autopilot hanya terikat pada sistem pengendali bawaannya dan persamaan matematisnya tidak terdapat di dokumentasi resminya. Oleh karena itu, penelitian ini bertujuan untuk membuat sistem control mixer berbasis ekosistem PX4 Autopilot tanpa perlu mengetahui persamaan matematis dari model tersebut menggunakan model Deep Learning berbasis Back Propagation Neural Network yang akan diujikan pada program simulasi Gazebo untuk melakukan evaluasi model.

---

The quadcopter is an aircraft composed of four motors connected to propellers. The control system of this vehicle is quite complex due to its capability of six degrees of freedom, but it only has four types of movements: roll, pitch, yaw, and thrust. This complexity makes quadcopter control underactuated because the number of movements is fewer than its degrees of freedom. Controlling these four movements requires an additional process to manipulate each motor on the quadcopter, known as a control mixer. Research aimed at developing a quadcopter control system based on the PX4 Autopilot ecosystem requires a control mixer that can be used independently of PX4 Autopilot's built-in control system. However, the control mixer in PX4 Autopilot is only tied to its built-in control system, and its mathematical equations are not documented officially. Therefore, this research aims to create a control mixer system based on the PX4 Autopilot ecosystem without needing to know the mathematical equations of the model, using a Deep Learning model based on Back Propagation Neural Network that will be tested in the Gazebo simulation program to evaluate the model."

"ABSTRACTA conversational agent is a software that can communicate with humans by using natural language. Earlier approaches to build conversation agents were rule-based. With the rise of deep learning, the neural network models have been used to automatically infer the conversations used by the agents. This method allows skipping the cumbersome feature engineering process in the training and results in the application of conversational agents to the various field. There is one major problem in the neural network called catastrophic forgetting, a condition where the neural network will forget knowledge learned in the previous training phase and a new knowledge will be acquired. This problem can be mitigated by using a continuous learning model to sustain the old knowledge while keep learning new knowledge. In this project, we propose the application of neural conversational model on Dota 2, an online game with the continuous update, bug fixes, and new features. The continuous update feature has led to players struggling to stay informed of changes in the game features and characters. We propose the usage of a conversational agent with a continuous learning model to learn the everchanging patch notes while still maintaining previous patches knowledge. Our project has shown that elastic weight consolidation is not suitable for a dataset with text properties and would be better to be applied in other types of datasets which has been conducted in previous studies.

---

ABSTRACTConversational agent, adalah perangkat lunak yang digunakan untuk berkomunikasi dengan user menggunakan natural language. Pembuatan conversational agent sebelumnya menggunakan rule-based. Dengan munculnya Deep learning, model menggunakan neural network untuk menyimpulkan pembicaraan di dalam percakapan secara otomatis. Metode ini memungkinkan untuk melewati proses feature engineering di masa pelatihan dan menghasilkan conversational agent dalam banyak bidang. Namun ada satu masalah besar menggunakan neural network yaitu model akan melupakan pengetahuan yang sudah dipelajari dalam masa pelatihan sebelumnya dan pengetahuan baru akan didapatkan. Masalah ini bias di mitigasi dengan menggunakan continuous learning model untuk mempertahankan pengetahuan lama sambal mempelajari pengetahuan baru. Di dalam proyek ini, kami mengusulkan penerapan model percakapan neural network pada Dota 2, game online yang memiliki pembaruan berkelanjutan seperti memberbaiki bug dan fitur baru. Fitur pembaruan berkelanjutan telah meyebabkan pemain berupaya untuk tetap mendapatkan informasi tentang perubahan fitur dan karakter. Kami mengusulkan penggunaan conversational agent dengan continuous learning agar model dapat mempelajari perubahan yang terjadi di dalam permainan tersebut dan mempertahankan pengetahuan sebelumnya. Project ini telah menunjukkan bahwa elastic weight consolidation tidak cocok untuk dataset dengan property teks dan akan lebih baik untuk diterapkan pada jenis dataset lain yang telah dilakukan dalam studi sebelumnya"

"Emosi adalah perasaan yang muncul dalam diri seseorang sebagai respon dari situasi tertentu. Perasan ini dapat memengaruhi pikiran, perilaku, dan persepsi seseorang terhadap suatu peristiwa. Klasifikasi emosi adalah bagian dari analisis sentimen yang bertujuan untuk menganalisis dan memperoleh emosi dari suatu data. Penelitian klasifikasi emosi berbasis teks perlu dilakukan karena dapat diimplementasikan pada berbagai bidang, seperti kesehatan dan pendidikan. Bahasa Indonesia menduduki peringkat 11 bahasa dengan penutur terbanyak di dunia dengan 200 juta penutur. Namun, penelitian klasifikasi emosi berbasis teks bahasa Indonesia masih sedikit dilakukan. Algoritma machine learning dapat digunakan untuk mengatasi berbagai tantangan dalam penelitian klasifikasi emosi seperti memahami emosi dan menganalisis emosi dari data yang tidak terstruktur. Penelitian ini berfokus pada pengembangan model machine learning dengan teknik convolutional neural network (CNN), long short-term memory (LSTM), dan bidirectional encoder representation from transformer (BERT). Berdasarkan pengujian yang dilakukan, metode convolutional neural network (CNN) mendapatkan F1 score sebesar 84,2%, metode long short term memory mendapatkan F1 score sebesar 82%, metode BERT en uncased mendapatkan F1 score sebesar 22%, dan metode BERT multi cased mendapatkan F1 score sebesar 32%. Hasil pengujian ini menandakan metode CNN merupakan metode dengan hasil pengujian terbaik dan BERT en uncased merupakan metode dengan hasil pengujian terburuk dibanding ketiga metode lainnya.

---

Emotions are feelings that arise within a person in response to a particular situation. These feelings can affect a person's thoughts, behavior, and perception of an event. Emotion classification is a part of sentiment analysis that aims to analyze and derive emotions from data. Text-based emotion classification research needs to be done because it can be implemented in various fields, such as health and education. Indonesian is ranked the 11th most spoken language in the world with 200 million speakers. However, there is still little research on Indonesian text-based emotion classification. Machine learning algorithms can be used to overcome various challenges in emotion classification research such as understanding emotions and analyzing emotions from unstructured data. This research focuses on developing machine learning models with convolutional neural network (CNN), long short-term memory (LSTM), and bidirectional encoder representation from transformer (BERT) techniques. Based on the tests conducted, the convolutional neural network (CNN) method gets an F1 score of 84,2%, the long short term memroy method gets an F1 score of 82%, the BERT en uncased method gets an F1 score of 22%, and the BERT multi cased method gets an F1 score of 32%. These results indicate that the CNN is the bets method while the BERT en uncased is the worst method compared to the three other methods."

"Sektor pariwisata menjadi salah satu sektor yang memiliki banyak potensipemasukan anggaran negara. Salah satu cara untuk meningkatkan pemasukanmelalui sektor pariwisata adalah dengan memanfaatkan teknologi informasi agardapat menarik lebih banyak wisatawan yang datang. Pemanfaatan teknologitersebut adalah dengan menggunakan smart tourism. Implementasi smart tourismyang digunakan pada pariwisata di Indonesia, khususnya untuk objek wisataMonumen Nasional (Monas) adalah dengan memanfaatkan aplikasi telepon pintarberbasis Visual Question Answering (VQA) untuk memberikan informasi detailmengenai objek pariwisata yang sedang diamati dari kamera ponsel. Fokus dariskripsi ini adalah untuk menghasilkan model latihan dengan akurasi deteksi objekyang baik. Hasil dari proses latihan model akan dijadikan sebagai model untukdeteksi objek yang ada di sekitar Monas yang akan digunakan untuk melakukan VQA. Dataset yang digunakan dalam penelitian ini adalah gambar Monas besertaobjek-objek sekitarnya sebanyak 600 gambar dengan label kelas sebanyak 25 kelasobjek. Jaringan yang digunakan untuk melakukan deteksi objek adalah denganmenggunakan YOLO dan RetinaNet, dimana nantinya kedua jaringan ini akandilakukan komparasi dengan mencari skor akhir dari hasil evaluasi kedua modelyang telah dihasilkan. Dengan menggunakan dataset orisinil, pada jaringan YOLO mean average precision (mAP) yang didapatkan dengan rentang nilai confidencelevel threshold 0,1 sampai 0,9 berkisar antara 60,77% sampai 71,99%, sedangkanuntuk jaringan RetinaNet mAP yang didapatkan berkisar antara 72,18% sampai92,98%. Dengan menggunakan dataset augmentasi, pada jaringan YOLO mAPyang didapatkan berkisar antara 52,51% sampai 93,72%, sedangkan untuk jaringanRetinaNet mAP yang didapatkan berkisar antara 23,8% sampai 56,19%. Untuk skorArea Under Curve (AUC) pada dataset orisinil sebesar 0,99 dan 0,96 pada datasetaugmentasi. Berdasarkan hasil eksperimen ini dapat disimpulkan model YOLOdapat mendeteksi lebih baik dibandingkan dengan RetinaNet dan datasetaugmentasi dapat menghasilkan deteksi gambar lebih baik dibandingkan dengandataset orisinil.

---

Tourism sector has become one of the most potential income for some countires.One of the way to increase income from tourism sector is to implement informationtechnology so it can attract more tourists to come. The technology that can beimplemented is smart tourism. One of the smart tourism implementations forIndonesia tourism, especially for Monumen Nasional (Monas) tourism destinationis mobile based Visual Question Answering (VQA) application that can providedetailed information about tourism object from mobile phone camera. Focus of thisthesis is to produce training model with good detection accuracy. The result of themodel training process will be used as model for object detection model that willbe used for doing VQA. Dataset that will be used for this research are 600 picturescontaining Monas and 25 surrounding objects called class. The networks that willbe used for object detection is using YOLO and RetinaNet, where both of thesenetworks will be compared each other by searching the accuracy from evaluationmetric from both networks. By using original dataset, in YOLO network the meanaverage precision (mAP) score is between 60.77% to 71.99% with 0.1 to 0.9confidence level threshold range and in RetinaNet network the mAP score isbetween 72.18% to 92.98%. By using augmented dataset, in YOLO network themAP score is between 52.51% to 93.72% and in RetinaNet network the mAP scoreis between 23,8% to 56,19%. The Area Under Curve (AUC) score for originaldataset is 0.99 and 0.96 for augmented dataset using YOLO network. Based on theevaluation result, YOLO can detect objects better than RetinaNet and augmenteddataset can produce better detection than original dataset."