No abstract

Kemacetan merupakan suatu keadaan padatnya lalu lintas yang dapat disebabkan oleh banyak faktor. Salah satu faktor yang menyebabkan kemacetan adalah banyaknya kendaraan yang melintas di jalan. Salah satu usaha yang dapat dilakukan untuk mengurangi masalah kemacetan yaitu dengan membuat jalur khusus yang hanya boleh dilalui kendaraan roda dua, empat atau lebih. Akan tetapi, terdapat pengendara yang masih menggunakan jalur yang tidak sesuai seperti di jalan Margonda Raya, Depok. Kendaraan roda dua (motor) yang telah disiapkan jalur khusus, sering kali mengambil jalur untuk kendaraan roda empat sehingga diperlukan suatu kegiatan pengawasan penggunaan jalur lalu lintas. Oleh karena itu, pada penelitian ini dibuat pengenalan jenis-jenis kendaraan menggunakan metode Convolutional Neural Network (CNN). Data yang digunakan dalam penelitian ini sebanyak 120 citra yang terdiri dari citra mobil, motor dan sepeda. Hasil uji coba dan evaluasi model terhadap tiga jenis kendaraan menggunakan package Keras menunjukkan akurasi sebesar 94,4% pada tahap pelatihan dan 73,3% pada tahap pengujian.

On a tour activity, travel time estimation is needed so that the travel itinerary goes according to the plan. Travel time estimation is very important so we can estimate the time needed to arrive at the destinations in the travel itinerary. Therefore we need a method that can estimate travel time from one place to another. In this study, we propose the k-Nearest Neighbors Regression (kNN-Regression) method with Tensorflow to construct an estimation model. The proposed number of features in our estimation model is 8 features, i.e. zone information, time information, day information, weather information, temperature information, wind speed information, humidity information, and precipitation information. The data obtained from travel information from Ngurah Rai airport to Kuta Beach using GPS and weather information using weather application in real-time. We divide our data into two groups: a historical group consisting of 177 data and a testing group consisting of 51 data. In the testing stage, kNN-Regression will find the historical data closest to the testing data, so that the estimation value of the travel time of some testing data is not much different from the value of the nearest historical data. As a result, our proposed model gives the Mean Absolute Error (MAE) of 2.196078, Root Mean Square Error (RMSE) of 2.977036294 and accuracy rate 88.1819%.

Sering terjadinya pencurian kendaraan bermotor membuat pemilik harus lebih berhati-hati dalam memarkirkan kendaraannya. Selain itu dibutuhkan alat tambahan pengamanan kendaraan yang diparkir seperti kunci ganda dan alarm. Akan tetapi, alarm tidak selalu aktif setiap waktu sehingga pencurian bisa tetap terjadi. Jika pencurian terjadi, dibutuhkan Sistem Lacak Kendaraan untuk melacak posisi kendaraan yang telah dicuri. Pada penelitian ini dibuat prototipe sistem lacak kendaraan yang terdiri dari alat pelacak, aplikasi mobile dan web server. Alat pelacak untuk melacak posisi pada kendaraan bermotor yang terhubung dengan web server dan aplikasi mobile menampilkan informasi data dari web server di smartphone pemilik. Alat pelacak terdiri dari 2 komponen utama yaitu Arduino Uno dan Modul SIM808. Alat pelacak ini menerima data dari satelit dan mengirimkan data tersebut berupa koordinat latitude dan longitude ke web server melalui protokol HTTP dengan jaringan internet. Web server menyimpan dan mengolah data ke dalam bentuk JSON dan menyediakan layanan API web services yang dibuat menggunakan PHP Native serta digunakan oleh aplikasi mobile. Aplikasi mobile dibuat berbasiskan Android dan menggunakan kerangka kerja Ionic. Pada aplikasi ini, data posisi kendaraan terbaru dapat secara otomatis terbaharui apabila data API dari web server merupakan data baru.

Wajah manusia memiliki ciri khusus yang dapat membedakan dengan orang lainnya sehingga pengenalan wajah sangat penting dilakukan untuk mengenali seseorang. Ciri khusus pada wajah ini disebut juga dengan fitur. Pada penelitian ini, untuk mendapatkan fitur dilakukan pengenalan pola citra wajah dengan menggunakan metode isomap. Metode isomap merupakan salah satu metode dari manifold learning yang menghasilkan fitur-fitur dengan cara mereduksi dimensi. Citra wajah yang digunakan dalam penelitian ini terdiri dari 6 orang dengan tiap orang memiliki 4 citra wajah dengan ekspresi yang berbeda-beda. Data citra ini dibagi menjadi dua bagian yaitu data latih dan data uji. Selanjutnya data citra tersebut diubah menjadi vektor. Metode isomap digunakan untuk mentransformasikan vektor tersebut menjadi vektor yang mengandung fitur wajah. Setelah fitur wajah diperoleh, selanjutnya dilakukan pengujian pada data uji dengan menggunakan algoritma K Nearest Neighbor (KNN).  Algoritma K Nearest Neighbor digunakan untuk pengklasifikasian dengan cara mencari K data latih yang terdekat dengan data uji. Dari hasil klasifikasi diperoleh bahwa tingkat akurasi sebesar 83,33%.