Kesuksesan startup memiliki peran penting dalam pertumbuhan ekonomi dengan ide bisnis yang baru, inovatif dan dapat menciptakan lapangan pekerjaan. Pertumbuhan startup yang eksponensial dalam beberapa tahun terakhir membuat ketidakpastian dan tingkat kegagalan yang tinggi. Sehingga penting bagi investor untuk dapat memprediksi kesuksesan startup dalam menemukan perusahaan yang memiliki potensi kesuksesan yang lebih besar untuk didanai. Untuk membantu para investor, maka tujuan dari penelitian ini adalah membangun model untuk memprediksi apakah startup yang sedang beroperasi akan sukses atau gagal menggunakan Deep Neural Network (DNN). DNN mengkombinasikan keunggulan deep learning dan neural network untuk memecahkan masalah nonlinear. Proses yang dilakukan adalah menggunakan dataset startup success prediction, kemudian dataset tersebut di pre-processing untuk pengecekan missing value, data duplicate, data outlier serta penentuan atribut berdasarkan korelasi antar variabel. Kemudian, dataset yang sudah di pre-processing dibagi menjadi data training dan data testing. Selanjutnya ditentukan parameter DNN apa saja yang akan digunakan untuk membangun model prediksi menggunakan data training agar tidak mengalami overfitting ataupun underfitting. Model yang dibangun kemudian diuji mengunakan data testing. Hasil pengujian menunjukkan bahwa model prediksi yang diusulkan tidak overfitting ataupun underfitting dan memiliki nilai akurasi sebesar 83,93% dan nilai presisi sebesar 86,51% dalam memprediksi kesuksesan startup.

Image enhancement is one of the most popular research topics currently in the field of image processing. Often image has poor quality caused by various factors such as lighting factor, enviromental factor or low quality of camera, and others. A number of these disturbances often become a barrier in improving the image quality where handling is the main objective of this research is done in the form of methodology base on the combination of AFF dan FBET algorithm. The result of the test on the proposed methodology show that in the process of noise loss continued with the image sharpening process obtained the value of PSNR = 18.56 dB is more optimal than the first done image sharpening process with the value of PSNR = 18.10 dB.

Salah satu bisnis yang mengalami perkembangan saat ini adalah bisnis properti. Untuk memudahkan pelanggan dalam melihat spesifikasi dan contoh properti dibutuhkan visualisasi dengan memanfaatkan teknologi Augmented Reality (AR). Penelitian ini akan mengimplementasikan teknologi AR pada brosur properti perumahan untuk visualisasi desain rumah berbasis Android dengan menggunakan Teknik Marker Based Tracking pada brosur perumahan. Pengujian aplikasi ini nantinya menggunakan kamera handphone Android dan 2 jenis marker. Kemudian menampilkan visualisasi perumahan dalam bentuk 3D agar memudahkan pengguna dalam memvisualisasikan rancangan rumah yang diinginkan. Dengan adanya aplikasi ini diharapkan akan mempermudah bagi para pengguna untuk memperoleh informasi perancangan perumahan secara lebih detail dan menarik. Hasil pengujian dengan black box testing yang dilakukan pada aplikasi sudah selesai dibangun dan didapatkan hasil bahwa aplikasi sudah dapat berjalan sesuai dengan fungsionalitas yang direncanakan. Dan berdasarkan hasil kuesioner pengujian pada aplikasi ini didapatkan hasil 94,92% dengan kategori sangat setuju yang mengindikasikan pengguna sangat setuju bahwa aplikasi ini bermanfaat dalam proses promosi penjualan dan membantu calon konsumen dalam memilih tipe desain rumah yang diinginkan.

Object detection is a technique used to retrieve certain parts of the image. The part can be in the form of scenery, people, or other objects. At the time of object detection, the image obtained can experience a decrease in image quality which can be caused by weather factors, namely fog, smoke, dust, rain, and others. A decrease in the quality of the image can result in errors in classification and the inability to recognize objects in the image. Therefore, the process of improving image quality becomes very important to do at the pre-processing stage in detecting image objects. The focus of the problem to be solved in this study is the return of a blurred image using L0 Gradient Prior. The results showed that the application of L0 Gradient Prior in restoring a blurred image can increase the number of objects that can be detected by the object detection system.

No abstract