- Pandemic COVID-19 has so far not subsided. This outbreak has spread to almost all countries in the world. As a result of this pandemic community activity and economy has decreased. The COVID-19 pandemic itself appeared in Indonesia precisely on March 2, 2020. 2 people tested positive for being infected with COVID-19 so that it was referred to as case 1 and case 2. After being detected a pandemic COVID-19 in Indonesia, Indonesia experienced an increase in cases every day positive COVID-19. The purpose of this research is to be able to obtain models in predicting the addition of COVID-19 cases in Indonesia based on time series data. In this research, the development of the Fuzzy Tsukamoto method is carried out to produce learning rate momentum which is then used in building network architecture in the Backpropagation method and produces a prediction model for adding COVID-19 cases in Indonesia. The model produced by conducting a network architecture experiment is the R-value (correlation coefficient) of 0.84278 and the prediction simulation produces an MSE of 1.632337 on the normalization data 16y=-0,7474+1,880411+e-0,5004+(1,6779)(xt)"> .Keywords - Case COVID-19, Backpropagation Method, Tsukamoto Fuzzy Method, Prediction of COVID-19 cases. Abstrak – Pandemic COVID-19 sampai saat ini belum mereda. Wabah ini telah meluas dihampir seluruh negara didunia. Akibat dari pandemic ini aktivitas dan perekonomian masyarakat mengalami penurunan. Pandemic COVID-19 ini sendiri muncul di Indonesia tepatnya pada 2 Maret 2020. Terdapat 2 orang yang dinyatakan positif terinfeksi COVID-19 sehingga disebut sebagai kasus 1 dan kasus 2. Setelah terdeteksi adanya pandemic COVID-19 di Indonesia, setiap harinya Indonesia mengalami penambahan kasus positif COVID-19. Tujuan dilakukannya penelitian ini adalah untuk dapat memperoleh model dalam memprediksi penambahan kasus COVID-19 di Indonesia berdasarkan pada data time series. Pada penelitian ini dilakukan pengembangan terhadap metode Fuzzy Tsukamoto untuk menghasilkan learning rate momentum yang kemudian digunakan dalam membangun arsitektur jaringan pada metode Backpropagation dan menghasilkan sebuah model prediksi penambahan kasus COVID-19 di Indonesia. Model yang dihasilkan dengan melakukan 1 kali percobaan arsitektur jaringan adalah 16y=-0,7474+1,880411+e-0,5004+(1,6779)(xt)"> dengan nilai R (koefisien korelasi) sebesar 0,84278 dan simulasi prediksi menghasilkan MSE sebesar 1,632337 pada data normalisasi.Kata Kunci – Kasus COVID-19, Metode Backpropagation, Metode Fuzzy Tsukamoto, Prediksi kasus COVID-19.
- Ornamental fish is a fish that lived in the aquarium and for lovers of fish have ornamental fish is the most favored. One of the ornamental fish is pretty much in demand and has a fairly high selling price is super red Arowana fish. Super red Arowana fish also called dragon fish because it has scales resembling a dragon. In general, the selling price of super red Arowana fish is influenced by the size of the fish, such as the length and width of the fish. The high prices caused the farmers are very careful in treating the fish, so it is necessary there is a system that if it can measure the length and width of super red Arowana fish. The research groove generally consists of two phases. The initial phase of that region contributes to the best image segmentation and the second stage is to produce a long and wide super red Arowana fish. The current study focuses on the early stages, the best image segmentation. At this early stage, the detection process is carried out using the algorithm Canny edge of the fish so as to produce the best image segmentation. In this study, using three scenarios, the first scenario uses the Canny course, the second scenario using the canny and the median blur, the third scenario using the median blur and canny. Based on all these three scenarios obtained image segmentation fish with the best scenario, the scenario-2 using the canny and the median blur with MSE value of 26494.56, PNSR value of 41.89 dB, and MAPE value of 99.28%.Keywords - Canny Edge Detection, Super Red Arowana Fish, Image Segmentation, Ornamental fish Abstrak - Ikan hias merupakan ikan yang dihidupi didalam aquarium dan bagi para pecinta ikan memiliki ikan hias adalah hal yang paling disenangi. Salah satu ikan hias yang cukup banyak diminati dan memiliki harga jual yang cukup tinggi adalah ikan arwana super red. Ikan arwana jenis super red biasa juga disebut dengan ikan naga karena memiliki sisik yang menyerupai naga. Pada umumnya harga jual ikan arwana super red ini dipengaruhi oleh ukuran ikan, seperti panjang dan lebar ikan. Harga jual yang tinggi tersebut menyebabkan para pembudidaya sangat berhati-hati dalam memperlakukan ikan tersebut, sehingga dirasa perlu terdapat sebuah sistem yang sekiranya dapat mengukur panjang dan lebar ikan arwana super red. Alur penelitian secara umum terdiri dari dua tahap. Tahap awal yaitu meghasilkan segmentasi citra terbaik dan tahap kedua adalah menghasilkan panjang dan lebar ikan arwana super red. Penelitian yang dilakukan saat ini berfokus pada tahap awal, yaitu segmentasi citra terbaik. Pada tahap awal ini dilakukan proses deteksi tepi ikan menggunakan algoritma canny sehingga menghasilkan segmentasi citra terbaik. Pada penelitian ini menggunakan 3 skenario, skenario pertama menggunakan canny saja, skenario kedua menggunakan canny dan median blur, skenario ketiga menggunakan median blur dan canny. Berdasarkan ke-3 skenario tersebut diperoleh segmentasi citra ikan dengan skenario terbaik, yaitu skenario ke-2 menggunakan canny dan median blur dengan nilai MSE sebesar 26494.56, nilai PNSR sebesar 41.89 dB, dan nilai MAPE sebesar 99.28%. Kata kunci - Deteksi Tepi Algoritma Canny, Ikan Arwana Super Red, Segmentasi Citra, Ikan Hias
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.
hi@scite.ai
10624 S. Eastern Ave., Ste. A-614
Henderson, NV 89052, USA
Copyright © 2024 scite LLC. All rights reserved.
Made with 💙 for researchers
Part of the Research Solutions Family.