A293Abstrak-Saat ini, jalan raya merupakan komponen penting dalam lalu lintas. Dalam setiap kota, tidak semua jalan dapat dilalui oleh semua jenis kendaraan. Untuk membantu memantau kondisi jalan, diperlukan suatu program yang bisa mendeteksi jenis kendaraan yang melalui jalan tersebut. Sebelumnya, sudah ada program-program serupa yang mampu mendeteksi kendaraan di jalan raya. Namun, program-program tersebut hanya melakukan deteksi kendaraan saja. Program-program tersebut tidak mampu melakukan deteksi terhadap jenis kendaraan di jalan raya. Untuk itu, Studi ini adalah pengembangan lebih lanjut dari deteksi kendaraan yaitu melakukan deteksi jenis kendaraan serta menghitung kendaraan yang terdeteksi berdasarkan jenisnya. Tujuan Studi ini yaitu untuk membuat program yang mampu mengidentifikasi jenis kendaraan pada suatu input video dan menghitung jumlah kendaraan yang terdeteksi berdasarkan jenisnya. Pengguna cukup memasukkan video rekaman lalu lintas ke program CarDetection. Nantinya, program akan memproses video yang dimasukkan dan menghasilkan file .txt sebagai keluaran. File ini berisi jenis kendaraan yang terdeteksi beserta jumlah kendaraan yang terdeteksi berdasarkan jenisnya. Dari hasil pengujian, program memiliki akurasi rata-rata 77.8% untuk kondisi jalan sepi, 47.5% untuk kondisi jalan normal, dan 28.2% untuk kondisi jalan padat. Hal-hal yang mempengaruhi akurasi deteksi adalah sudut pandang kendaraan terhadap kamera, jarak antar kendaraan, serta waktu tempuh kendaraan dalam memasuki hingga keluar dari wilayah deteksi.Kata Kunci-Cascade, Classifier, Jenis kendaraan, Haar-like feature, OpenCV.
Diagnosis suatu penyakit akan menjadi tepat jika didukung dengan berbagai proses mulai pengecekan awal (amannesa) sampai pengecekan laboratorium. Hasil dari proses laboratorium mempunyai informasi berbagai penyakit, akan tetapi beberapa jenis penyakit memiliki prevalensi rendah. Penyakit bervalensi rendah memiliki pengaruh dalam penanganan pasien lebih lanjut. Dengan rasio yang tidak seimbang data laboratorium akan menyebabkan nilai akurasi menjadi rendah dalam pengklasifikasian dan penanganan penyakit. Majority Weighted Minority Oversampling Technique (MWMOTE) adalah saalah satu cara untuk menyelesaikan imbalanced. Penelitian ini bertujuan menangani permasalahan ketidakseimbangan data laboratorium kesehatan sehingga diperoleh hasil pengklasifikasian penyakit dengan tingkat akurasi lebih tinggi. Hasil pada penelitian ini menunjukkan bahwa MWMOTE dapat meningkatkan akurasi untuk permasalahan ketidakseimbangan data sebesar 3,13%. Diagnosis of a disease will be appropriate if supported by various processes ranging from initial checks (amannesa) to laboratory checks. Results from the laboratory process have information on various diseases, but some types of diseases have a low prevalence. Low-valvature disease has an effect in the treatment of the patient further. With an unbalanced ratio the laboratory data will cause the accuracy value to be low in the classification and handling of the disease. Majority Weighted Minority Oversampling Technique (MWMOTE) is one way to complete imbalanced. This study aims to address the problem of imbalance of health laboratory data to obtain the results of the classification of disease with a higher degree of accuracy. The results of this study indicate that MWMOTE can improve accuracy for data imbalance problems by 3.13%.
scite is a Brooklyn-based organization that helps researchers better discover and understand research articles through Smart Citations–citations that display the context of the citation and describe whether the article provides supporting or contrasting evidence. scite is used by students and researchers from around the world and is funded in part by the National Science Foundation and the National Institute on Drug Abuse of the National Institutes of Health.