Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."