Claim Missing Document
Check
Articles

Found 13 Documents
Search

Perancangan Sistem Deploy Untuk Menghubungkan Machine Learning Ke Website Kamil, Muhammad Zulvikar Fadlillah; Purnamasari, Rita; Eliskar, Yulinda
eProceedings of Engineering Vol. 11 No. 6 (2024): Desember 2024
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Studi ini mengkaji proses perancangan sistem yang menghubungkan model machine learning dengan aplikasi web. Tujuannya adalah menciptakan akses langsung bagi pengguna terhadap model tersebut. Kami mengembangkan arsitektur yang memadukan teknologi machine learning dan web secara efisien, dengan penekanan pada kemudahan penerapan dan kinerja sistem. Proses perancangan mencakup analisis kebutuhan, pemilihan teknologi yang sesuai, serta serangkaian pengujian untuk menjamin performa dan kehandalan. Temuan kami menunjukkan bahwa sistem yang dirancang berhasil meningkatkan aksesibilitas dan penerapan model machine learning dalam lingkungan web. Hal ini memberikan dampak positif terhadap adopsi teknologi kecerdasan buatan secara lebih luas. Kata kunci— Integrasi web, Machine learning, Sistem penerapan.
Sistem Deteksi Dan Manajemen Prioritas Adaptif Kendaraan Darurat Untuk Pengendalianlampu Lalu Lintas Wibawa, Made Hady Sadya; Soetedjo, Erlangga Rahmat; Mua, Edward Christhoper; Eliskar, Yulinda; Purnamasari, Rita
eProceedings of Engineering Vol. 12 No. 4 (2025): Agustus 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Keterlambatan kendaraan darurat di persimpangan lalu lintas dapat berdampak serius terhadap keselamatan publik, khususnya di lingkungan perkotaan yang padat. Untuk mengatasi tantangan ini, makalah ini mengusulkan sistem kontrol lalu lintas berbasis edge secara real-time yang secara dinamis memprioritaskan kendaraan darurat melalui deteksi multimodal. Sistem ini mengintegrasikan pengenalan sirene berbasis audio dan deteksi objek visual menggunakan algoritma YOLOv5, yang diimplementasikan pada platform komputasi edge Raspberry Pi. Mikrofon arah dan modul kamera digunakan untuk menangkap data lingkungan, yang kemudian diproses secara paralel untuk mengidentifikasi keberadaan serta arah kedatangan kendaraan darurat. Berdasarkan hasil deteksi, sistem akan menyesuaikan waktu sinyal lalu lintas normal dengan mengaktifkan fase lampu hijau pada lajur yang sesuai, sehingga memastikan kendaraan darurat dapat melintas segera. Evaluasi eksperimental yang dilakukan pada prototipe skala 1:50 menunjukkan akurasi deteksi yang tinggi dan latensi yang rendah. Subsistem audio mencapai waktu respons di bawah 50 ms dengan deteksi yang konsisten dari berbagai arah. Modul visual menghasilkan skor kepercayaan rata-rata di atas 0,87 dan berhasil mengklasifikasikan semua kendaraan darurat maupun non-darurat dengan benar. Sistem ini juga menunjukkan kinerja komputasi yang stabil di bawah beban kerja berkelanjutan. Temuan ini membuktikan kelayakan penerapan mekanisme kontrol sinyal lalu lintas yang ringan, responsif, dan tidak bergantung pada infrastruktur, sejalan dengan tujuan kota cerdas dalam mengoptimalkan respons terhadap keadaan darurat. Kata Kunci—deteksi kendaraan darurat, kontrol lampu lalu lintas, komputasi edge, YOLOv5, sensor multimodal, Raspberry Pi, sistem waktu nyata, kota cerdas
Analisis Sentimen Menggunakan Algoritma Logistic Regression dan LDA(Latent Dirichlet Allocation) pada Ulasan Aplikasi PLN Mobile Di Play Store Bawazir , Ranya Fauzi; Purnamasari, Rita; Eliskar, Yulinda
eProceedings of Engineering Vol. 12 No. 6 (2025): Desember 2025
Publisher : eProceedings of Engineering

Show Abstract | Download Original | Original Source | Check in Google Scholar

Abstract

Pertumbuhan ekosistem digital mendorong peningkatan volume ulasan aplikasi di platform distribusi perangkat lunak, termasuk PLN Mobile milik PT PLN (Persero). Penelitian ini bertujuan menganalisis sentimen dan mengidentifikasi topik dominan pada ulasan PLN Mobile tahun 2022. Data sebanyak 134.325 ulasan diperoleh melalui web scraping dari Google Play Store, kemudian difilter menjadi 40.043 ulasan relevan. Tahapan meliputi pelabelan sentimen berdasarkan skor ulasan, pra-pemrosesan teks, pemisahan data, serta pembangunan model analisis sentimen menggunakan Logistic Regression. Model dilatih selama 15 epoch dengan representasi fitur TF-IDF dan menghasilkan akurasi 86%, Precision 98%, Recall 85%, dan F1-Score 91%. Selain itu, metode Latent Dirichlet Allocation (LDA) digunakan untuk pemodelan topik dan menghasilkan empat topik utama: Transaksi, Layanan, Aplikasi, dan Pengaduan. Hasil integrasi kedua model menunjukkan proporsi sentimen positif yang dominan pada semua topik, dengan kisaran 85,9%–86,3%. Temuan ini memberikan wawasan strategis bagi PT PLN (Persero) untuk meningkatkan kualitas layanan, kinerja aplikasi, dan respons terhadap pengaduan pelanggan. Kata kunci — Analisis sentimen, Logistic Regression, Latent Dirichlet Allocation, pln mobile