Rumah adalah bangunan gedung yang berfungsi sebagai tempat tinggal yang layak huni, sarana pembinaan keluarga, cerminan harkat dan martabat penghuninya, serta aset bagi pemiliknya. Menurut Direktur Jenderal Pembiayaan Perumahan Kementerian Pekerjaan Umum Perumahan Rakyat, perumahan di Indonesia masih mengalami defisit pasokan sebesar 7,6 juta pada 2015 dan menargetkan akan mengurangi angka kebutuhan rumah atau backlog perumahan di 2019 mendatang menjadi 5,4 juta agar masyarakat Indonesia bisa mempunyai rumah sendiri. Tingginya kebutuhan rumah yang harus dipenuhi memerlukan kerjasama seluruh stakeholder di bidang perumahan seperti developer properti. Dalam rangka menghadapi para pesaing dan mempertahankan kelangsungan perusahaan, dibutuhkan manajemen yang baik di bidang perencanaan. Tujuan penelitian ini adalah untuk memprediksi jumlah penjualan rumah sehingga dapat dijadikan acuan oleh developer properti dalam menyusun perencanaan. Memprediksi adalah suatu teknik analisa perhitungan untuk memperkirakan kejadian dimasa depan dengan menggunakan referensi data-data di masa lalu. Metode yang digunakan dalam memprediksi jumlah penjualan rumah adalah metode fuzzy time series. Metode Fuzzy Time Series (FTS) merupakan suatu konsep yang digunakan untuk meramalkan masalah di mana data historis diubah ke dalam nilai linguistik. Adapun hasil pengujian Mean Absolute Percentage Error (MAPE) yang sudah dilakukan menunjukkan tingkat akurasi prediksi sebesar 85,79% dengan menggunakan margin sebesar 5% sehingga perancangan ini dapat diterapkan oleh developer properti.

<p>Recognizing the early symptoms of the SARS-CoV-2 virus (COVID-19) is essential for minimizing its spread. One of the typical symptoms of a person infected with COVID-19 is increased body temperature beyond the normal range. Facial recognition can be used to separate healthy people from those with high body temperatures based on thermal images of the faces. In this study, the XEAST XE-27 thermal imager modes 2, 3, and 4 comprising 1500 thermal images each were compared. The facial recognition was performed using a convolutional neural network. Additionally, body temperatures were extracted from thermal images using matrix laboratory (MATLAB) by considering the minimum and maximum temperatures of each mode and class. The network training results indicate that the accuracies achieved by the proposed facial recognition system in modes 2, 3, and 4 are 87.33%, 92.33%, and 91.66%, respectively. Furthermore, the accuracies of body temperature extraction in modes 2, 3, and 4 are 70%, 60%, and 40%, respectively. Thus, the proposed system serves as a contactless technique for the early detection of COVID-19 symptoms by combining facial recognition and body temperature measurements.</p>