Motif tenun melayu sangat beragam. Keberagaman ini membuat sulit membedakan motif-motif kain tenun tersebut. Klasifikasi data diperlukan untuk mengidentifikasi karakteristik objek yang terkandung dalam basis data agar kemudian dikategorikan ke dalam kelompok yang berbeda. Tujuan penelitian yang dicapai dalam penelitian ini yaitu untuk mengetahui performa pengenalan dan klasifikasi motif tenun melayu menggunakan Faster R-CNN dengan model arsitektur VGG, dengan cara mengukur persentase dari tingkat akurasi, presisi, dan recall yang akan divalidasi menggunakan K-Fold Cross Validation. Penelitian ini menggunakan algoritma deteksi objek Faster R-CNN sebagai metode pengenalan dan klasifikasi pola kain berbasis citra digital. Faster R-CNN merupakan salah satu metode yang digunakan untuk mengenali objek pada citra digital. Kemampuan pengenalan objek ini digenean untuk mengenali dan mengklasifikasi motif-motif kain tenun melayu. Jumlah dataset yang digunakan berjumlah 100 citra yang diacak untuk masing-masing dari 5 (lima) fold pada K-fold cross validation. Data tersebut dibagi menjadi 80 data train dan 20 data test. Setelah dilakukan persiapan data, pre-processing, serta implementasi, dilakukan pengujian dengan hasil bahwa dari data latih yang berupa citra kain tenun melayu, didapatkan skor rata-rata training loss dari step pertama hingga step terakhir sebesar 1,915. Klasifikasi karakteristik pengenalan motif tenun melayu menggunakan Metode deteksi objek Faster R-CNN melalui validasi K-Fold Cross Validation dengan nilai k=5, didapatkan akurasi 82.14%, presisi 91.38% dan recall 91.36%.

Pekanbaru still using conventional traffic light control system. Pekanbaru as the capital of Riau Province is predicted  udergo the  increased of urban population by 54.5% in 2025. It is important for Pekanbaru to immediately implement smart and efficient traffic management system, so that traffic congestion can be resolved quickly. This research paper provides a design solution for smart traffic light management (Smart Traffic Control System), based on object detection technology that uses deep learning to detect the number and type of vehicles. The number of vehicle is the basis for determining the green light timer automatically. The Smart Traffic Control System (STCS) is integrated with a web based geographic information system (smart map) that can display the current condition  (picture, the number of vehicle, congestion level) of each STCS location. This integrated system has been tested on a traffic light prototype, using a mini computer and a miniature vehicle. This integrated system is able to detect 9 out of 12 vehicles, and able to send data regularly to the smart map.  Keywords: deep learning; smart mobility; smart traffic control system Abstrak: Pengaturan lampu lalu lintas di Kota Pekanbaru masih dilakukan secara  konvensional. Pekanbaru sebagai ibukota Provinsi Riau diprediksikan akan mengalami peningkatan jumlah penduduk  perkotaan sebesar 54,5% pada tahun 2025. Dengan melihat predikisi ini, penting bagi kota Pekanbaru untuk segera memiliki tata kelola lalu lintas yang cerdas dan efisien agar kemacetan dapat ditanggulangi dengan cepat. Penelitian ini memberikan rancangan solusi untuk tata kelola  lampu lalu lintas cerdas (Smart Traffic Control System), berbasis teknologi object detection  yang menggunakan deep learning untuk mendeteksi jumlah dan jenis kendaraan. Jumlah kendaraan menjadi dasar penentuan timer lampu hijau secara otomatis. Smart Traffic Control System (STCS) terintegrasi dengan sistem informasi geografis berbasis web (smart map) yang secara kontinu menerima informasi kepadatan (gambar terkini, jumlah kendaraan, level kepadatan), kemudian menampilkannya diatas peta Kota Pekanbaru. Solusi sistem terintegrasi ini telah diujikan pada sebuah prototipe lampu lalu lintas, menggunakan komputer mini  dan  miniatur kendaraan. Sistem terintegrasi ini mampu mendeteksi 9 dari 12 kendaraan, dan mampu mengirimkan data secara berkala kepada smart map. Kata kunci: deep learning; smart mobility; smart traffic control system

No abstract

Confirmed statistical data of Covid-19 cases that have accumulated sourced from (https://corona.riau.go.id/datastatistik/) in Riau Province on June 7, 2021, there were 63441 cases, on June 14, 2021, it increased to 65883 cases, on June 21, 2021, it increased to 67910, and on June 28, 2021, it increased to 69830 cases. Since the beginning of this pandemic outbreak, it has been observed that the case data continues to increase every week until this July. This study predicts cases of Covid-19 time series data in Riau Province using the LSTM algorithm, with a dataset of 64 lines. Long-Short Term Memory has the ability to store memory information for patterns in the data for a long time at the same time. Tests predicting historical data for Covid-19 cases in Riau Province resulted in the lowest RMSE value in the training data, which was 8.87, and the test data, which was 13.00, in the death column. The evaluation of the best MAPE value in the training data, which is 0.23%, is in the recovered column, and the evaluation of the best MAPE value in the test data, which is 0.27%, in the positive_number column. In the test to predict the next 30 days using the LSTM model that has been trained, it was found that the performance evaluation of the prediction results for the positive_number column and the death column was very good, the recovery column was categorized as good, the independent_isolation column and the care_rs column were categorized as poor.

ABSTRAK Pada tesis ini dihasilkan usulan Arsitektur Mobile Learning Management System (MLMS) Berorientasi Servis sebagai model untuk membangun Mobile Learning Application yang lintas platform. Arsitektur MLMS Berorientasi Servis dirancang sebagai solusi mengenai permasalahan keberagaman platform dan keterbatasan (bandwith, memori, processor, konektivitas, keamanan, display) pada perangkat mobile. Adanya beberapa platform perangkat mobile (Blackberry, Symbian, Windows Mobile, Apple’s iOS, Android, dll) menyulitkan ketika ingin membuat sebuah aplikasi yang dapat bekerja secara lintas platform. Untuk platform yang berbeda, aplikasi harus dibuat ulang, yang tentunya memakan waktu, biaya, serta usaha dan sumber daya yang tidak sedikit. Arsitektur MLMS Berorientasi Servis dihasilkan dengan melakukan analisis terhadap solusi multiplatform yang sudah ada, analisis Service Oriented Architecture (SOA) sebagai solusi multiplatform, analisis keterbatasan perangkat mobile. Analisis pemanfaatan Learning Management System (LMS) pada sisi server. Dari hasil analisis, metode SOA dengan thin native client  merupakan solusi yang dapat mengatasi masalah multiplatform. LMS yang sudah ada dapat digunakan sebagai back-end. Dengan diimplementasikannya konsep SOA, maka dibangun servis-servis sebagai perantara logika  bisnis dan logika aplikasi. Servis membungkus fitur-fitur LMS untuk menyediakan layanan bagi logika bisnis. Analisis dan perancangan servis dilakukan dengan metode Mainstream SOA Methodology (MSOAM) yang menghasilkan 15 servis. Pengujian dan evaluasi terhadap arsitektur yang telah dirancang dilakukan dengan mengimplementasikannya menjadi sebuah aplikasi MLMS berbasis Android yang memanfaatkan Moodle di sisi server. 15 servis yang ada melayani fungsionalitas MLMS antara lain (1) otentikasi peserta, (2) pendaftaran kursus, (3) mengikuti kursus, (4) melihat informasi nilai, (5) melihat informasi tugas. Hasil pengujian menunjukkan bahwa arsitektur yang diusulkan dapat diimplementasikan dengan baik.