Evaluasi Kinerja Model Machine Learning yang Ditingkatkan dengan data hasil Variational Autoencoder untuk Deteksi Kepadatan Ruangan Berbasis IoT [AJG]

Abstract

Pada era yang serba digital ini berbagai aspek kehidupan mulai bertransformasi signifikan salah saatu aspek yang penting adalah keamanan, dan kenyamanan. Sistem deteksi kepadatan ruangan berbasis IoT dan Machine Learning menawarkan Solusi pada aspek tersebut. Namun dalam penerapannya keterbatasan dataset asli membuat model machine learning pada sistem deteksi kepadatan ruangan ini terkadang sulit melakukan generalisasi dan menurunkan kemampuan nya dalam memprediksi sesuatu. Penelitian ini bertujuan untuk mengevaluasi pengaruh penggunaan sintetis data dengan metode Variational Auto-Encoder (VAE) dan Random Forest terhadap kinerja model Machine Learning pada sistem kepadatan ruangan ini. Sebelum melakukan sintetis data data asli dikumpulkan menggunakan sensor PIR, dan Ultrasonik yang kemudian digunakan untuk sintetis data baru. Selanjutnya, data yang sudah di sintetis akan dilabeli dengan menggunakan model Random Forest yang sudah dilatih dengan data asli sebelumnya. Evaluasi dilakukan dengan membadingkan performa beberapa model Machine Learning seperti SVM, dan Random Forest sebelum dan sesudah dilakukannya penambahan atau sintetis data.