Pengumuman
PENTING, Siapkan sebelumnya:
1. Format penamaan folder dan file .pdf adalah : NIM_Nama_Lengkap
2. Laporan Skripsi dalam bentuk kompilasi satu file utuh termasuk lembar pengesahan yang telah ditandatangani dan telah diberi watermark dalam bentuk file .pdf (panduan watermark dapat dilihat di : https://tinyurl.com/y46j793x ) di public
3. Folder .zip/.rar (ukuran max. 100 MB) yang berisi : diprivate
a. Laporan Skripsi dalam bentuk kompilasi satu file utuh termasuk lembar pengesahan yang telah ditandatangani dan telah diberi watermark dalam bentuk file dan .doc/.docx
b. Jurnal Skripsi, maksimal 8 halaman sesuai template contoh yang telah ditentukan.
c. Aplikasi yang dibuat berikut software pendukungnya jika ada
d. Readme aplikasi, Penjelasan bagaimana instalasi dan pemakaian aplikasi yang dibuat (bentuk file format .pdf dan .doc/.docx)
e. Poster Skripsi(bentuk file .jpg).
Koleksi Pustaka
Riwayat Unggah Dokumen
1.
| Judul | Laporan Skripsi - PENERAPAN LORA FINE-TUNING TERHADAP STABLE DIFFUSION UNTUK GENERASI KARAKTER PIXEL ART |
| Deskripsi | Penelitian ini mengimplementasikan fine-tuning pada model Stable Diffusion menggunakan metode Low-Rank Adaptation (LoRA) untuk menghasilkan karakter pixel art dari deskripsi teks. Model yang telah disesuaikan ini kemudian diintegrasikan ke dalam sebuah website untuk mempermudah akses dan pengujian oleh pengguna. Data yang digunakan dalam pelatihan adalah dataset karakter pixel art yang telah dianotasi secara manual untuk memastikan konsistensi dan relevansi atribut visual. Efektivitas model dievaluasi melalui pendekatan kuantitatif menggunakan metrik Learned Perceptual Image Patch Similarity (LPIPS) dan pendekatan kualitatif melalui umpan balik pengguna. Hasil evaluasi kuantitatif menunjukkan bahwa model fine-tuned mencapai skor LPIPS rata-rata 0.2471, jauh lebih rendah dibandingkan base model Stable Diffusion 1.5 yang memiliki skor 0.8638, mengindikasikan peningkatan signifikan dalam kesesuaian visual antara prompt dan gambar yang dihasilkan. Dari sisi kualitatif, model ini mendapatkan rata-rata skor 4.48/5 untuk kualitas style dan 4.24/5 untuk kesesuaian warna, meskipun ditemukan tantangan pada representasi headgear dengan tingkat kesesuaian 0.00%. Dengan demikian, penelitian ini membuktikan efektivitas LoRA dalam mengadaptasi model generatif untuk seni digital dengan sumber daya komputasi yang efisien, menawarkan solusi inovatif bagi pengembang game indie dan desainer digital dalam memproduksi aset visual berkualitas tinggi. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Haidar Azmi Rohman |
| Diunggah pada | Fri, 25 Jul 2025 |
2.
| Judul | PENERAPAN LORA FINE-TUNING TERHADAP STABLE DIFFUSION UNTUK GENERASI KARAKTER PIXEL ART |
| Deskripsi | Penelitian ini mengimplementasikan fine-tuning pada model Stable Diffusion menggunakan metode Low-Rank Adaptation (LoRA) untuk menghasilkan karakter pixel art dari deskripsi teks. Model yang telah disesuaikan ini kemudian diintegrasikan ke dalam sebuah website untuk mempermudah akses dan pengujian oleh pengguna. Data yang digunakan dalam pelatihan adalah dataset karakter pixel art yang telah dianotasi secara manual untuk memastikan konsistensi dan relevansi atribut visual. Efektivitas model dievaluasi melalui pendekatan kuantitatif menggunakan metrik Learned Perceptual Image Patch Similarity (LPIPS) dan pendekatan kualitatif melalui umpan balik pengguna. Hasil evaluasi kuantitatif menunjukkan bahwa model fine-tuned mencapai skor LPIPS rata-rata 0.2471, jauh lebih rendah dibandingkan base model Stable Diffusion 1.5 yang memiliki skor 0.8638, mengindikasikan peningkatan signifikan dalam kesesuaian visual antara prompt dan gambar yang dihasilkan. Dari sisi kualitatif, model ini mendapatkan rata-rata skor 4.48/5 untuk kualitas style dan 4.24/5 untuk kesesuaian warna, meskipun ditemukan tantangan pada representasi headgear dengan tingkat kesesuaian 0.00%. Dengan demikian, penelitian ini membuktikan efektivitas LoRA dalam mengadaptasi model generatif untuk seni digital dengan sumber daya komputasi yang efisien, menawarkan solusi inovatif bagi pengembang game indie dan desainer digital dalam memproduksi aset visual berkualitas tinggi. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Haidar Azmi Rohman |
| Diunggah pada | Fri, 25 Jul 2025 |
3.
| Judul | Aplikasi Web Untuk Deteksi Skizofrenia Menggunakan Sinyal Electroencephalography (EEG) Dengan Deep Learning |
| Deskripsi | Electroencephalogram (EEG) merupakan alat non-invasif yang digunakan untuk memantau aktivitas otak dan mendiagnosis berbagai gangguan neurologis dan psikologis, termasuk skizofrenia. Skizofrenia adalah gangguan mental kronis yang memengaruhi jutaan orang di seluruh dunia. Analisis sinyal EEG secara manual membutuhkan waktu yang lama dan melelahkan, sehingga diperlukan pendekatan otomatis berbasis teknologi. Penelitian ini bertujuan mengembangkan sistem deteksi skizofrenia berbasis deep learning menggunakan data sinyal EEG. Data yang digunakan bersifat non-publik dan berbentuk raw signal data yang melalui tahap prapemrosesan dan data yang diekstraksi fitur menggunakan metode Real Fast Fourier Transform (RFFT). Dua arsitektur model yang diuji dalam penelitian ini adalah 1D Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Hasil pengujian menunjukkan bahwa model 1D CNN dengan bantuan feature extraction menggunakan RFFT memberikan hasil klasifikasi terbaik dengan akurasi sebesar 99%. Model terbaik ini kemudian diintegrasikan ke dalam aplikasi web sebagai alat bantu diagnosis skizofrenia berbasis EEG dan dilakukan User Acceptance Test (UAT) oleh peneliti dengan skor sebesar 82.0% untuk model dan 91.45% untuk aplikasi web. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Dea Luthfina Azzahra |
| Diunggah pada | Fri, 25 Jul 2025 |
4.
| Judul | Rancang Bangun Sistem Pengenalan Aktivitas Manusia Berbasis Web Dengan Algoritma SSD MOBILENETv2 |
| Deskripsi | Human Activity Recognition (HAR) atau Pengenalan Aktivitas Manusia adalah salah satu topik dalam kecerdasan buatan cabang Computer Vision yang memiliki tujuan untuk menentukan atau memprediksi aksi yang dilakukan oleh subjek di dalam video. Penerapan HAR terdapat di berbagai bidang seperti keamanan, kesehatan, pendidikan, transportasi, dan manufaktur. Penggunaan dalam bidang keamanan cukup penting, melihat kasus kejahatan di Indonesia meningkat tiap tahun. Penelitian ini berfokus pada pengembangan model deteksi objek untuk menyelesaikan topik HAR dan mengimplementasikannya dalam bentuk web. Model deteksi objek yang digunakan adalah model SSD Mobilenet v2 yang dapat memproses gambar dan mendeteksi objek, memberikan label, serta memberikan kotak pembatas. Dataset yang digunakan untuk melatih model berisi gambar dengan kotak pembatas beserta label enam aksi, yaitu berdiri, berjalan, berlari, duduk, berkelah, dan mencuri. Dataset diperoleh dari berbagai sumber yang kemudian dibersihkan dan dilakukan feature engineering sebelum dijadikan data latih untuk model. Model kemudian diimplementasikan ke dalam aplikasi web yang dibuat menggunakan framework Flask. Hasil pengujian model menghasilkan nilai mAP@IoU=0.5 dan skor F1 sebesar 84,5% dan 88%. Hasil pengujian web memperoleh nilai System Usability Scale (SUS) sebesar 77. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Muhammad Asaduddin |
| Diunggah pada | Fri, 25 Jul 2025 |
5.
| Judul | Aplikasi Web Untuk Deteksi Skizofrenia Menggunakan Sinyal Electroencephalography (EEG) Dengan Deep Learning |
| Deskripsi | Electroencephalogram (EEG) merupakan alat non-invasif yang digunakan untuk memantau aktivitas otak dan mendiagnosis berbagai gangguan neurologis dan psikologis, termasuk skizofrenia. Skizofrenia adalah gangguan mental kronis yang memengaruhi jutaan orang di seluruh dunia. Analisis sinyal EEG secara manual membutuhkan waktu yang lama dan melelahkan, sehingga diperlukan pendekatan otomatis berbasis teknologi. Penelitian ini bertujuan mengembangkan sistem deteksi skizofrenia berbasis deep learning menggunakan data sinyal EEG. Data yang digunakan bersifat non-publik dan berbentuk raw signal data yang melalui tahap prapemrosesan dan data yang diekstraksi fitur menggunakan metode Real Fast Fourier Transform (RFFT). Dua arsitektur model yang diuji dalam penelitian ini adalah 1D Convolutional Neural Network (CNN) dan Long Short-Term Memory (LSTM). Hasil pengujian menunjukkan bahwa model 1D CNN dengan bantuan feature extraction menggunakan RFFT memberikan hasil klasifikasi terbaik dengan akurasi sebesar 99%. Model terbaik ini kemudian diintegrasikan ke dalam aplikasi web sebagai alat bantu diagnosis skizofrenia berbasis EEG dan dilakukan User Acceptance Test (UAT) oleh peneliti dengan skor sebesar 82.0% untuk model dan 91.45% untuk aplikasi web. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Dea Luthfina Azzahra |
| Diunggah pada | Thu, 24 Jul 2025 |
Dokumen Statistik
Total Dokumen Terupload
5 dokumen
Upload Dokumen Perbulan 2025
Januari
64
Februari
69
Maret
16
April
2
Mei
Tidak ada dokumen
Juni
Tidak ada dokumen
Juli
222
Agustus
292
September
133
Oktober
50
November
12
Desember
143