Article Per Year (5 Year)
p-Index From 2020 - 2025
2.304
P-Index
This Author published in this journals
All Journal IT JOURNAL RESEARCH AND DEVELOPMENT JURTEKSI Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer) Jurnal Computer Science and Information Technology (CoSciTech) Jurnal PkM (Pengabdian kepada Masyarakat) Technologica
Taufiq, Reny Medikawati
Universitas Muhammadiyah Riau
Arts Humanities Computer Science & IT Control & Systems Engineering Decision Sciences, Operations Research & Management Education Electrical & Electronics Engineering Energy Engineering Social Sciences

Published : 13 Documents Claim Missing Document
Claim Missing Document
Check
Articles

Found 13 Documents
Search

 1   2 
Density Based Clustering Untuk Pemetaan Daerah Rawan Gempa Bumi Di Wilayah Sumatera Barat Menggunakan Metode DBSCAN Taufiq, Reny Medikawati; Firdaus, Rahmad; Handayani, Fitri; Muarif, Putri Fadhilla; Rizqy, Riza Rindriani
JURNAL FASILKOM Vol. 14 No. 3 (2024): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v14i3.8833

Abstract

Earthquakes are natural disasters that cannot be prevented or avoided. One of the areas affected is the West Sumatra region, where West Sumatra is one of the regions in Indonesia which is in the Sumatra basin which is vulnerable to earthquakes. Therefore, density-based clustering analysis can be carried out which aims to produce a point map of earthquake-prone areas in the West Sumatra region using the Density Based Spatial Clustering of Application with Noise (DBSCAN) method. In implementing the DBSCAN algorithm, epsilon and minpts parameters are required using the K-Nearest Neighbors method with evaluation of results using the Silhouette Coefficient. The results of DBSCAN clustering using KNN input parameters obtained a total of 3 clusters and 1 noise with a silhouette coefficient value of 0.310 from the 2010-2023 data period. However, from the testing stage without using KNN, we got a high silhouette score, namely 0.890 with 2 clusters and 1 noise.
TRAFFIC FLOW DETECTION USING YOLOV4 AND DEEPSORT ON NVIDIA JETSON NANO Taufiq, Reny Medikawati; Syahril, Syahril; Rafdi, Faris Abi; Firdaus, Rahmad; Sunanto, Sunanto; Muarif, Putri Fadhilla
JURTEKSI (Jurnal Teknologi dan Sistem Informasi) Vol 11, No 3 (2025): Juni 2025
Publisher : Universitas Royal

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3871

Abstract

Abstract: This study aims to develop a Deep Learning-based Traffic Flow Detector to automatically and accurately observe traffic flow. Conventional traffic observation is often conducted manually or via CCTV, but it is prone to human error and difficult to use for real-time trend analysis. In this study, the YOLOv4 method is used to detect four types of vehicles (cars, motorcycles, buses, trucks). To continuously track vehicle movement and address occlusion issues, the Deep SORT algorithm is implemented. The YOLOv4 model used is a pre-trained model and was tested on seven CCTV video recordings obtained from the official website of the Pekanbaru City Transportation Department. The system was implemented on a limited device, the Nvidia Jetson Nano, as a simulation of direct CCTV integration. Test results showed a highest precision of 98%, but the maximum accuracy achieved was only 26%. This low accuracy is influenced by several factors, including video resolution, detection model quality, and lighting conditions. Nevertheless, the system demonstrates potential to support future traffic management and engineering decisions but still requires further optimization, including improving video resolution and quality, retraining the model with a more representative local dataset, using lighter and more accurate detection models, and optimizing the tracking algorithm. Keywords: deep learning; deepsort; NVIDIA Jetson NANO; traffic flow; YOLOv4  Abstrak: Penelitian ini bertujuan mengembangkan Traffic Flow Detector berbasis Deep Learning untuk mengobservasi arus lalu lintas secara otomatis dan akurat. Observasi lalu lintas konvensional sering dilakukan secara manual atau melalui CCTV, namun rentan terhadap human error dan sulit digunakan untuk menganalisis tren secara real-time. Pada penelitian ini digunakan metode YOLOv4 untuk mendeteksi empat jenis kendaraan (mobil, motor, bus, truk). Untuk melacak pergerakan kendaraan secara berkelanjutan dan mengatasi masalah occlusion, digunakan algoritma Deep SORT. Model YOLOv4 yang digunakan merupakan pre-trained model dan diujikan pada tujuh rekaman video CCTV yang diambil dari situs resmi Dinas Perhubungan Kota Pekanbaru. Sistem ini diimplementasikan pada perangkat terbatas Nvidia Jetson Nano sebagai simulasi penerapan langsung pada CCTV. Hasil pengujian menunjukkan presisi tertinggi mencapai 98%, namun akurasi tertingginya hanya sebesar 26%. Rendahnya akurasi dipengaruhi oleh beberapa faktor seperti resolusi video, kualitas model deteksi, serta kondisi pencahayaan. Meski demikian, sistem ini menunjukkan potensi untuk membantu pengambilan keputusan dalam manajemen dan rekayasa lalu lintas di masa depan, namun masih membutuhkan optimasi lebih lanjut, seperti  peningkatan kualitas video input, pelatihan ulang model dengan dataset lokal, penggunaan model deteksi yang lebih ringan dan akurat serta pengoptimalan algoritma pelacakan. Kata kunci: deep learning deepsort; Nvidia Jetson Nano; traffic flow; YOLOv4
Kombinasi Algoritma Gaussian Naïve Bayes Dan Adaboost Untuk Meningkatkan Akurasi Dalam Klasifikasi Penyakit Diabetes Handayani, Fitri; Firdaus, Rahmad; Wahyudi, Ashari; Fu'adah Amran, Hasanatul; Medikawati Taufiq, Reny
JURNAL FASILKOM Vol. 15 No. 2 (2025): Jurnal FASILKOM (teknologi inFormASi dan ILmu KOMputer)
Publisher : Unversitas Muhammadiyah Riau

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.37859/jf.v15i2.9279

Abstract

Diabetes mellitus adalah penyakit metabolik kronis yang dapat menyebabkan komplikasi serius jika tidak terdeteksi dini. Penelitian ini bertujuan untuk meningkatkan akurasi klasifikasi diabetes dengan menggabungkan algoritma Gausian Naïve Bayes dan Adaboost menggunakan teknik ensemble learning. Ensemble learning adalah metode dalam pembelajaran mesin yang meningkatkan akurasi model dengan menggabungkan prediksi dari beberapa model yang berbeda. Teknik ini mengintegrasikan model-model yang mungkin memiliki performa kurang optimal secara individu untuk membentuk model yang lebih unggul. Adaboost memberikan bobot lebih besar pada sampel yang sulit diklasifikasikan, sehingga efektif dalam menangani data yang kompleks dan tidak seimbang. Dataset yang digunakan berasal dari Sylhet Diabetes Hospital, Bangladesh, yang berisi data kuesioner yang telah diverifikasi oleh dokter. Evaluasi menggunakan Confusion Matrix menunjukkan bahwa kombinasi Gausian Naïve Bayes dan Adaboost meningkatkan akurasi klasifikasi diabetes secara signifikan. Model ini mencapai akurasi 96.1% pada pembagian data 80:20, lebih tinggi dibandingkan Naïve Bayes tunggal (87.69%). Precision tertinggi (100%) tercatat pada pembagian data 80:20, dengan recall stabil pada 93.7%–94%, dan F1-Score tertinggi sebesar 96.7%. Hasil ini menunjukkan bahwa kombinasi kedua algoritma melalui teknik ensemble learning dapat saling melengkapi dan meningkatkan performa klasifikasi, menjadikannya lebih efektif dalam identifikasi diabetes
Co-Authors Aldi, M Tri Aminuyati Chan, Ridzky Dinia Putri Eka Putra Fajrizal Fatma, Yulia Febrian Alfanico Fitri Handayani Fitri Handayani Fitriani, Aisyah Fu'adah Amran, Hasanatul Harun Mukhtar Hasanatul Fu’adah Amran Hayami, Regiolina M. Rizki Amanda Pratama Muarif, Putri Fadhilla Muhammad Rifaldo Munanda, Rizka Prastiwi, Adila Pramudiah Rafdi, Faris Abi Rahmad Firdaus Rahmad Firdaus Rahmat Febri Rahmawilda, Rahmawilda Rizqy, Riza Rindriani Sunanto Sunanto Suryanti, Anggi Aprilia Susi Handayani Syahril Syahril Syahril Taslim Toresa, Dafwen Wahyudi, Ashari Yoze Rizki