Aprilian Gevindo (liando18)

2025: Proyek ini mengembangkan sistem penambangan data hibrida yang menggabungkan pembelajaran tanpa pengawasan dan dengan pengawasan untuk secara objektif mengidentifikasi siswa berprestasi tinggi. Dengan memanfaatkan K-Means Clustering, sistem secara otomatis mengelompokkan profil siswa berdasarkan data akademik dan non-akademik untuk menghasilkan label kinerja alami, menghilangkan bias manusia. Label-label ini kemudian diproses menggunakan algoritma Pohon Keputusan C4.5 untuk mengekstrak logika berbasis aturan yang jelas (aturan IF-THEN) yang membantu administrator sekolah memahami kriteria pasti di balik prestasi siswa dan memprediksi calon siswa di masa depan dengan mudah.

2025: Proyek ini mengembangkan sistem analisis sentimen otomatis untuk mengukur tingkat kepuasan pelanggan berdasarkan ulasan digital berbasis teks. Pendekatan hibrida diimplementasikan dengan menggabungkan pemodelan berbasis leksikon untuk penilaian teks dan pelabelan awal objektif, yang kemudian diintegrasikan dengan algoritma Naive Bayes untuk melatih model klasifikasi yang kuat. Sistem akhir secara efisien mengkategorikan umpan balik pelanggan ke dalam sentimen positif atau negatif dengan akurasi tinggi, memberikan wawasan dan tren yang jelas untuk membantu bisnis mengevaluasi dan meningkatkan kualitas layanan mereka.

2025: Proyek ini melakukan analisis komparatif antara algoritma pembelajaran mesin Decision Tree dan Random Forest untuk memprediksi produktivitas kelapa sawit setelah fase penanaman ulang (pasca peremajaan). Dengan menganalisis fitur-fitur pertanian utama�seperti kualitas tanah, pola cuaca, dan jadwal pemupukan�studi ini mengevaluasi model mana yang memberikan akurasi dan stabilitas lebih tinggi dalam memprediksi hasil panen. Hasil akhirnya memberikan wawasan berbasis data yang membantu pengelola perkebunan mengoptimalkan jadwal panen, alokasi sumber daya, dan perencanaan prediktif untuk perkebunan yang baru ditanami ulang.

2026: Proyek ini mengembangkan model pembelajaran mesin hibrida menggunakan K-Means Clustering dan K-Nearest Neighbors (KNN) untuk menganalisis dan mengklasifikasikan kesiapan siswa setelah program pendampingan atau bimbingan karir kepolisian (Bimbingan Polisi). Sistem ini pertama-tama menerapkan K-Means untuk secara otomatis mengelompokkan siswa ke dalam tingkat kesiapan yang berbeda (misalnya, Siap, Setengah Siap, Tidak Siap) berdasarkan metrik evaluasi fisik, psikologis, dan akademik. Klaster yang dihasilkan kemudian berfungsi sebagai data berlabel untuk melatih pengklasifikasi KNN.

2026: Proyek ini mengimplementasikan sistem visi komputer untuk deteksi merokok secara real-time dengan menggabungkan arsitektur YOLO dan CNN. Sistem ini memanfaatkan kerangka kerja YOLO untuk kemampuan deteksi objek berkecepatan tinggi guna menemukan individu dan objek yang relevan (seperti rokok atau pipa) dalam aliran video secara instan. Setelah terlokalisasi, model CNN pembelajaran mendalam khusus menganalisis wilayah kotak pembatas untuk mengklasifikasikan secara akurat apakah seseorang sedang merokok atau tidak, memberikan solusi yang kuat untuk penegakan kebijakan keselamatan dan kesehatan otomatis.

2026: Proyek ini mengembangkan sistem visi komputer untuk deteksi masker wajah secara real-time dengan menggabungkan arsitektur YOLO dan CNN. Sistem ini menggunakan kerangka kerja YOLO untuk secara instan melokalisasi wajah manusia dalam gambar atau aliran video, menggambar kotak pembatas yang tepat. Setelah wajah terdeteksi, model CNN pembelajaran mendalam khusus mengklasifikasikan wilayah wajah untuk menentukan apakah masker dikenakan dengan benar, salah, atau tidak sama sekali, menawarkan solusi efisien untuk kepatuhan protokol kesehatan otomatis di ruang publik.