Projects
Travens AI
Travens AI adalah sistem cerdas yang membantu wisatawan dalam menemukan informasi tentang destinasi wisata yang ingin dikunjungi. Kami menggunakan teknologi data science, computer vision, dan natural language processing untuk memberikan pengalaman wisata yang lebih baik. Kami telah mengumpulkan data dari 25 landmark ikon destinasi di Indonesia, termasuk corpus dataset yang kaya akan informasi tentang destinasi tersebut. Dengan Travens AI, Anda akan selalu mendapatkan informasi terbaru dan akurat tentang destinasi wisata di Indonesia. Jadikan liburan Anda lebih menyenangkan dengan bantuan dari Travens AI.
Spam Email Detection
Aplikasi ini dibuat untuk membantu pengguna dalam mengklasifikasikan email yang mereka terima menjadi dua kategori yaitu email penting dan spam. Dengan menggunakan metode Machine Learning dan algoritma naive Bayes, kami dapat mengetahui tingkat keakuratan dari klasifikasi tersebut sebesar 98%. Aplikasi ini dibuat dengan menggunakan streamlit sehingga mudah digunakan oleh pengguna. Dengan aplikasi ini, pengguna dapat dengan mudah memisahkan email penting dan spam, sehingga mempermudah mereka dalam mengelola email yang mereka terima.
Emotion Recognition Using DeepFace
Emotion recognition adalah teknologi atau proses yang digunakan untuk mengidentifikasi emosi seseorang melalui ekspresi suara, wajah, atau gerak tubuh. Emosi dapat dikenali melalui tanda-tanda fisik di wajah, seperti senyaman, mata terbuka lebar, atau bibir terkatup. Emotion recognition dapat digunakan dalam berbagai bidang, seperti pengembangan produk, psikologi, atau interaksi manusia. Pada project ini, deepface digunakan sebagai teknik emotion recognition. DeepFace menggunakan jaringan saraf tiruan untuk melakukan taks ini dengan akurasi yang tinggi.
PERBANDINGAN KLASIFIKASI INDEKS PEMBANGUNAN MANUSIA (IPM )
Pembangunan merupakan suatu usaha yang dilakukan oleh pemerintah untuk meningkatkan kualitas hidup masyarakat. Indikator yang dapat digunakan untuk mengukur keberhasilan pembangunan adalah Indeks Pembangunan Manusia (IPM), yang menjelaskan bagaimana penduduk dapat mengakses hasil pembangunan dalam hal pendapatan, kesehatan, pendidikan, dan lain-lain. Indonesia sendiri memiliki kualitas sumber daya manusia yang bervariasi, karena tidak meratanya pembangunan. Oleh karena itu, proyek ini menggunakan metode Random Forest, Adaboost, dan Decision Tree untuk membandingkan akurasi klasifikasi IPM di Indonesia. Hasilnya menunjukkan bahwa metode Random Forest dengan parameter n_estimators=10 dan criterion="gini" memiliki akurasi sebesar 97% yang lebih tinggi dibandingkan dengan Decision Tree yang hanya mencapai 95%. Meskipun AdaBoost memiliki akurasi 100%, namun jika dilihat lebih detail ternyata model ini memiliki nilai precission, recall, dan f1 score yang rendah. Oleh karena itu, dari ketiga model tersebut, model Random Forest adalah model yang paling cocok untuk digunakan untuk mengklasifikasikan IPM.
Klasifikasi Hewan Menggunakan MobileNet
jumlah hewan di dunia sangat banyak dan beragam, sehingga membuat manusia kesulitan untuk membedakan satu hewan dengan yang lain. Untuk mempermudah hal ini, ilmu klasifikasi hewan dikembangkan. Ilmu klasifikasi hewan membantu dalam membedakan hewan. Dalam kasus ini, penggunaan mobilenet sebagai model , model yang telah ditraining menggunakan mobilenet berhasil mengklasifikasikan beberapa hewan mendapatkan akurasi tertinggi sekitar 96%.
Setiment Analysis Terhadap Tayangan Televisi Menggunakan BERT
semakin banyak stasiun media televisi yang ada, semakin banyak pula acara yang ditayangkan dengan kualitas yang berbeda-beda. Oleh karena itu, diperlukan suatu pengetahuan mengenai kualitas tayangan suatu acara yang ada, salah satunya melalui klasifikasi sentimen atau opini masyarakat menggunakan BERT. BERT adalah model pembelajaran mesin yang digunakan dalam proses Natural Language Processing (NLP) yang mengkodekan teks menjadi representasi vektor yang dapat diproses oleh mesin. BERT bersifat bidirectional, yaitu dapat mengambil informasi dari kata-kata yang ada sebelum dan sesudah kata yang sedang diproses, sehingga memberikan representasi yang lebih baik dari konteks teks. model yang telah ditraining menggunakan BERT menunjukkan hasil yang sangat baik dengan mendapatkan akurasi sebesar 97%.
Sentiment Analisis Komentar mengenai Aplikasi Netflix Menggunakan BERT
berdasarkan hasil sentiment yang telah dilakukan dapat disimpulkan bahwa film-film yang tersedia di Netflix umumnya memiliki kualitas yang bagus, namun aplikasi Netflix sendiri masih mengalami keluhan dari beberapa pengguna terutama mengenai promosi dan masalah login ke akun.
Prediksi Saham GOTO Menggunakan Metode ARIMA
Saham GOTO adalah suatu saham milik PT GoTo Gojek Tokopedia Tbk merupakan salah satu saham yang menyita banyak perhatian masyarakat . Untuk mengetahui prediksi perkembangan harga saham GOTO salah satunya adalah dengan Model ARIMA. Model ARIMA ini dapat menduga harga saham dengan baik pada jangka waktu yang pendek.Hasil penelitian ini adalah model ARIMA(0,1,0). Untuk peramalan harga saham ini dalam beberapa periode berikutnya di prediksi melemah .
Diperoleh hasil prediksi untuk Close nilai saham GOTO pada periode tanggal :
-
23 Desember 2022 = 86.290698
-
26 Desember 2022 = 82.872093
-
27 Desember 2022 = 77.744186
-
28 Desember 2022 = 70.906977
-
29 Desember 2022 = 62.360465
-
30 Desember 2022 = 52.104651
-
01 Januari 2023 = 40.139535
RAHAYOO : Employee mental health wellness AI powered
monitoring platform
Industri yang bergerak cepat menimbulkan risiko kesehatan mental, yang mengakibatkan hilangnya 12 miliar hari kerja secara global dan hilangnya produktivitas sebesar $1 triliun per tahun. Rahayoo mengatasi tantangan ini dengan menawarkan aplikasi bagi HR untuk memantau metrik kesehatan mental dan memberdayakan karyawan untuk mengelola kesejahteraan mereka. Tim kami mengimplementasikan arsitektur Monolitik dan Flask API untuk layanan backend, melayani berbagai fungsi data dan pembelajaran mesin untuk aplikasi seluler. Selain itu, kami memanfaatkan Instans Mesin Virtual Compute Engine untuk menerapkan layanan database kami, yang bertujuan untuk efisiensi biaya dan skalabilitas.
_edited.png)