📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 2 dokumenPENGEMBANGAN MODEL MACHINE LEARNING UNTUK APLIKASI DETEKSI FERTILITAS TELUR SECARA REAL TIME
Deteksi fertilitas telur pada peternakan umumnya masih dilakukan secara manual menggunakan metode candling yang membutuhkan waktu relatif lama, tenaga kerja banyak, serta bergantung pada operator. Penelitian ini bertujuan mengembangkan sistem deteksi fertilitas telur ayam berbasis deep learning menggunakan algoritma YOLO untuk mengidentifikasi telur secara otomatis, real-time, dengan kapasitas multi-telur. Perangkat keras yang digunakan meliputi Raspberry Pi 4, kamera Arducam IMX477, sistem pencahayaan LED, serta aplikasi dasbor untuk proses inferensi dan pengaturan kamera. Tahapan penelitian diawali dengan perbandingan performa model YOLOv11n dan YOLOv12n pada beberapa variasi epoch, dilanjutkan studi pengaruh praproses serta augmentasi dataset. Model terbaik diimplementasikan pada sistem dasbor untuk pengujian optimasi parameter kamera (brightness, contrast, sharpness–saturation). Evaluasi dilakukan menggunakan metrik precision, recall, mAP@0.5, dan F1-score. Hasil menunjukkan model YOLOv12n dengan 100 epoch dan penerapan data preparation memberikan performa terbaik dengan nilai precision 0.983, recall 0.996, dan mAP@0.5 0.995. Selain itu, optimasi parameter kamera pada kombinasi contrast 1.4, brightness -0.40 dan sharpness–saturation 1.0 menghasilkan nilai F1-score sebesar 1.00 (100%). Implementasi sistem berhasil mendeteksi 36 telur dalam satu frame secara otomatis dengan hasil klasifikasi yang sesuai dengan kondisi fertilitas sebenarnya. Sistem ini berpotensi menjadi alternatif proses candling manual yang lebih cepat, konsisten, dan efisien pada peternakan unggas.
PENERAPAN ALGORITMA MACHINE LEARNING XGBOOST UNTUK DETEKSI FRAUD PADA TRANSAKSI PERBANKAN BERBASIS PENYALAHGUNAAN DATA NASABAH
Transformasi digital dalam sektor perbankan meningkatkan risiko fraud dalam transaksi digital perbankan. Penelitian ini bertujuan mengimplementasikan algoritme XGBoost untuk mendeteksi transaksi fraud serta membandingkan performanya dengan Decision Tree. Metode yang digunakan adalah Cross-Industry Standard Process for Data Mining (CRISP-DM), dengan fokus pada tahap Business Understanding, Data Understanding, Data Preparation, Modeling, dan Evaluation. Kinerja model dievaluasi menggunakan berbagai metrik, termasuk Accuracy, Precision, Recall, F1-Score, False Positive Rate (FPR), dan Area Under the Curve (AUC). Hasil penelitian menunjukkan bahwa XGBoost, baik dalam konfigurasi default maupun setelah optimasi, memiliki performa lebih baik dibandingkan Decision Tree pada dua dataset, yaitu BankSim dan Finhacks 2018. Optimasi parameter XGBoost meningkatkan akurasi serta menurunkan FPR secara signifikan, menunjukkan efektivitasnya dalam mendeteksi fraud. Temuan ini berkontribusi pada pengembangan sistem deteksi fraud berbasis machine learning yang lebih akurat dan adaptif dalam mencegah kerugian finansial pada sektor perbankan.