Garuda - Garba Rujukan Digital

Analisis Data Penjualan Menggunakan Teknik Pembersihan Data dan Visualisasi Dengan Python Pada Dataset CSV Jannah, Miftahul; Nurliana, Nurliana; Selase, Septinur
JurTI (Jurnal Teknologi Informasi) Vol 8, No 2 (2024): DESEMBER 2024
Publisher : Universitas Asahan

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.36294/jurti.v8i2.4689

Data yang tidak terstruktur atau sulit dianalisis berpotensi menimbulkan risiko bagi bisnis. Oleh karena itu, visualisasi data memiliki peran yang penting untuk menyajikan informasi dari data dengan cara yang lebih mudah dipahami dan komunikatif. Penelitian ini bertujuan untuk menghasilkan informasi strategis yang valid melalui analisis dan visualisasi data penjualan, mengidentifikasi tren signifikan seperti pola pembelian berdasarkan waktu, wilayah, dan kategori produk, serta menyediakan grafik dan tabel yang mudah dipahami untuk mendukung pengambilan keputusan yang efektif oleh pemangku kepentingan. Tahapan kerja penelitian ada tahap pengumpulan data, pengolahan data, pengembangan sistem analisis data, implementasi sistem analisis data, dan terakhir menguji sistem. Hasil dan pembersihan data berupa file csv yang telah dibersihkan dan hasil dari visualisasi berupa grafik serta tabel dimana hal ini dapat dimanfaatkan sebagai informasi strategis dalam mendukung pengambilan keputusan bisnis.

REAL - TIME FACE DETECTION USING MATLAB HAAR CASCADE ALGORITHM Jannah, Miftahul; Wanayumini, Wanayumini; Ardana, Abdul Aziz; Selase, Septinur; Nurliana, Nurliana
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.v11i3.3692

Abstract: Face detection remains a challenging task in computer vision due to real-world factors such as uneven lighting, varying viewpoints, distance, and occlusion. This study aims to develop and evaluate a real-time facial feature detection application (detecting face, eyes, nose, and mouth) using MATLAB and a webcam. Detection is performed using the Viola-Jones Cascade Classifier method through the vision.CascadeObjectDetector function. Key parameters that were adjusted include the MergeThreshold (ranging from 4 to 50 depending on the feature) and MinSize (based on estimated feature size within the frame). However, this study does not include tuning of other parameters such as FalseAlarmRate, which constitutes a limitation of the employed method. The adjustment of these parameters proved significant in improving detection accuracy and robustness under varying lighting conditions. Nevertheless, the system still encounters difficulties in detecting facial features in the presence of occlusion. This study also has the potential to serve as a foundation for further developments in face recognition, emotion detection, or biometric authentication. Keywords: computer vision; haar cascade; MATLAB Abstrak: Deteksi wajah merupakan tantangan dalam visi komputer karena dipengaruhi oleh kondisi nyata seperti pencahayaan tidak merata, sudut pandang, jarak, dan obstruksi. Penelitian ini bertujuan untuk mengembangkan dan menguji aplikasi deteksi fitur wajah secara real-time (wajah, mata, hidung, dan mulut) menggunakan MATLAB dan kamera webcam. Deteksi dilakukan dengan metode Viola-Jones Cascade Classifier melalui fungsi vision.CascadeObjectDetector. Parameter penting yang disesuaikan adalah MergeThreshold (antara 4 hingga 50 tergantung fitur), MinSize (mengikuti estimasi ukuran fitur dalam frame). Namun, penelitian ini tidak mencakup penyesuaian parameter lain seperti FalseAlarmRate, yang menjadi salah satu keterbatasan metode yang digunakan. Penyesuaian parameter ini terbukti signifikan dalam meningkatkan akurasi deteksi dan ketahanan terhadap variasi kondisi pencahayaan. Namun, sistem masih mengalami kesulitan mendeteksi fitur wajah jika terjadi obstruksi. Penelitian ini juga berpotensi menjadi dasar untuk pengembangan lebih lanjut dalam face recognition, emotion detection, atau biometric authentication. Kata kunci: visi computer; haar cascade; MATLAB

REAL - TIME FACE DETECTION USING MATLAB HAAR CASCADE ALGORITHM Jannah, Miftahul; Wanayumini, Wanayumini; Ardana, Abdul Aziz; Selase, Septinur; Nurliana, Nurliana
JURTEKSI (jurnal Teknologi dan Sistem Informasi) Vol. 11 No. 3 (2025): Juni 2025
Publisher : Lembaga Penelitian dan Pengabdian Kepada Masyarakat (LPPM) STMIK Royal Kisaran

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.33330/jurteksi.v11i3.3692

Abstract: Face detection remains a challenging task in computer vision due to real-world factors such as uneven lighting, varying viewpoints, distance, and occlusion. This study aims to develop and evaluate a real-time facial feature detection application (detecting face, eyes, nose, and mouth) using MATLAB and a webcam. Detection is performed using the Viola-Jones Cascade Classifier method through the vision.CascadeObjectDetector function. Key parameters that were adjusted include the MergeThreshold (ranging from 4 to 50 depending on the feature) and MinSize (based on estimated feature size within the frame). However, this study does not include tuning of other parameters such as FalseAlarmRate, which constitutes a limitation of the employed method. The adjustment of these parameters proved significant in improving detection accuracy and robustness under varying lighting conditions. Nevertheless, the system still encounters difficulties in detecting facial features in the presence of occlusion. This study also has the potential to serve as a foundation for further developments in face recognition, emotion detection, or biometric authentication. Keywords: computer vision; haar cascade; MATLAB Abstrak: Deteksi wajah merupakan tantangan dalam visi komputer karena dipengaruhi oleh kondisi nyata seperti pencahayaan tidak merata, sudut pandang, jarak, dan obstruksi. Penelitian ini bertujuan untuk mengembangkan dan menguji aplikasi deteksi fitur wajah secara real-time (wajah, mata, hidung, dan mulut) menggunakan MATLAB dan kamera webcam. Deteksi dilakukan dengan metode Viola-Jones Cascade Classifier melalui fungsi vision.CascadeObjectDetector. Parameter penting yang disesuaikan adalah MergeThreshold (antara 4 hingga 50 tergantung fitur), MinSize (mengikuti estimasi ukuran fitur dalam frame). Namun, penelitian ini tidak mencakup penyesuaian parameter lain seperti FalseAlarmRate, yang menjadi salah satu keterbatasan metode yang digunakan. Penyesuaian parameter ini terbukti signifikan dalam meningkatkan akurasi deteksi dan ketahanan terhadap variasi kondisi pencahayaan. Namun, sistem masih mengalami kesulitan mendeteksi fitur wajah jika terjadi obstruksi. Penelitian ini juga berpotensi menjadi dasar untuk pengembangan lebih lanjut dalam face recognition, emotion detection, atau biometric authentication. Kata kunci: visi computer; haar cascade; MATLAB

KLASIFIKASI IRIS SPECIES MENGGUNAKAN METODE K-NEAREST NEIGHBOR (KNN) Sitorus, Zunaida; Nurliana, Nurliana; Selase, Septinur; Patmala, Desi; Nuraini, Sulhani; Aritia, Yusria; Margolang, Izwal Jamil
JOURNAL OF SCIENCE AND SOCIAL RESEARCH Vol 9, No 1 (2026): February 2026
Publisher : Smart Education

Show Abstract | Download Original | Original Source | Check in Google Scholar | DOI: 10.54314/jssr.v9i1.5751

Abstract : Iris species classification is an important topic in the field of data mining and machine learning because it is commonly used as a benchmark dataset for classification methods. This study aims to design and implement an information system that can classify Iris flower species using the K-Nearest Neighbor (KNN) method. The dataset used in this research is the Iris dataset, which consists of 150 data records with four attributes: sepal length, sepal width, petal length, and petal width, and three classes, namely Iris Setosa, Iris Versicolor, and Iris Virginica. The KNN method works by calculating the distance between test data and training data using the Euclidean distance formula and determining the class based on the majority of the nearest neighbors. The results of the study show that the KNN method is able to classify Iris species accurately with a good level of performance. Based on the testing results, the developed system can assist users in identifying Iris species effectively and efficiently. In conclusion, the K-Nearest Neighbor method can be successfully applied in an information system for Iris species classification. Keywords: Classification, Iris Dataset, K-Nearest Neighbor, Data Mining, Machine Learning Abstrak : Klasifikasi spesies Iris merupakan topik penting dalam bidang data mining dan machine learning karena sering digunakan sebagai dataset standar dalam pengujian metode klasifikasi. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem informasi yang dapat mengklasifikasikan spesies bunga Iris menggunakan metode K-Nearest Neighbor (KNN). Dataset yang digunakan adalah dataset Iris yang terdiri dari 150 data dengan empat atribut, yaitu panjang sepal, lebar sepal, panjang petal, dan lebar petal, serta tiga kelas yaitu Iris Setosa, Iris Versicolor, dan Iris Virginica. Metode KNN bekerja dengan menghitung jarak antara data uji dan data latih menggunakan rumus Euclidean Distance, kemudian menentukan kelas berdasarkan mayoritas tetangga terdekat. Hasil penelitian menunjukkan bahwa metode KNN mampu mengklasifikasikan spesies Iris dengan tingkat akurasi yang baik. Berdasarkan hasil pengujian, sistem yang dikembangkan dapat membantu pengguna dalam mengidentifikasi spesies Iris secara efektif dan efisien. Dengan demikian, metode K-Nearest Neighbor dapat diterapkan dengan baik dalam sistem informasi klasifikasi Iris Species. Kata Kunci : Klasifikasi, Dataset Iris, K-Nearest Neighbor, Data Mining, Machine Learning

Title

Found 4 Documents
Search

Abstract

Abstract

Abstract

Abstract

Title Search

Found 4 Documents Search

Abstract

Abstract

Abstract

Abstract

Title

Found 4 Documents
Search