Claim Missing Document
Check
Articles

Found 2 Documents
Search

Deteksi dan tracking objek secara real time berbasis computer vision menggunakan metode YOLO V3 Virgiawan, Iwan; Maulana, Fadel; Putra, Muhammad Abimanyu; Kurnia, Diffa Dwi; Sinduningrum, Estu
Humantech : Jurnal Ilmiah Multidisiplin Indonesia Vol. 3 No. 3 (2024): Humantech : Jurnal Ilmiah Multidisiplin Indonesia
Publisher : Program Studi Akuntansi IKOPIN

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.32670/ht.v3i3.4348

Abstract

Tujuan dari penelitian ini bermaksud untuk mengimplementasikan pendekatan YOLOv3 dalam sistem deteksi objek real-time. Metode yang digunakan dalam penelitian ini adalah YOLO V3 (You Only Look Once). Metode ini dikombinasikan dengan algoritma tracking, untuk melacak objek secara berkelanjutan. Hasil dari penelitian ini menunjukkan bahwa metode YOLO V3 mampu melakukan deteksi objek secara cepat dan akurat dalam berbagai kondisi lingkungan. Kecepatan deteksi dan tracking objek yang dihasilkan memenuhi persyaratan  real-time, sehingga dapat digunakan dalam aplikasi yang membutuhkan respons cepat, seperti pengawasan keamanan, pengenalan wajah, dan mobil otonom. Hasil dari penelitian ini adalah Sistem ini memiliki jangkauan deteksi hingga 100 cm saat objek dekat dengan kamera, dan hingga 150 cd/m2 saat objek berada dalam cahaya paling terang. Sistem memiliki waktu deteksi kurang dari 3 detik dan akurasi deteksi 100% untuk banyak item dalam satu gambar. Sistem dapat mendeteksi gambar secara akurat dan mendeteksi hewan secara akurat. Sistem dapat mendeteksi objek dalam keadaan gelap yang sudah ditentukan  ketika objek tersebut memiliki kontur yang sama dengan object yang ada di dataset  meski mangalami penurunan akurasi yang cukup signifikan dan waktu deteksi.
Analisis Perbandingan Algoritma Naïve Bayes dan Random Forest Dalam Klasifikasi Penyakit Stroke Pada Puskesmas Virgiawan, Iwan; Erizal, Erizal
Building of Informatics, Technology and Science (BITS) Vol 6 No 4 (2025): March 2025
Publisher : Forum Kerjasama Pendidikan Tinggi

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.47065/bits.v6i4.6771

Abstract

One of the main reasons people become disabled or die is because of a stroke. The key to swift and effective therapy is an early diagnosis. This research examines the relative performance of the Naïve Bayes and Random Forest algorithms in identifying stroke cases using data collected from patients at the Cipayung Health Center. Age, gender, BMI, smoking status, hypertension, and other physical and mental health issues are some of the characteristics represented in the 644 samples used in the study. Collecting data, cleaning it up, and then evaluating the model using metrics like recall, precision, and accuracy are all part of the research process. With a 92% accuracy rate, the Random Forest algorithm outperformed Naïve Bayes (87% accuracy rate), according to the data. Medical professionals may use these results as a guide to improve stroke detection, which in turn accelerates treatment and lessens the likelihood of consequences. The findings of this study also pave the way for future research into machine learning algorithms.