Pengumuman
Syarat Upload
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
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 | IMPLEMENTASI ZERO TRUST ACCESS CONTROL DAN ENKRIPSI AES-GCM PADA PLATFORM MONITORING BERBASIS PROGRESSIVE WEB APP (PWA) |
| Deskripsi | Posyandu memiliki peran penting dalam memantau pertumbuhan balita dan mencegah stunting. Namun, digitalisasi pencatatan kesehatan masih menghadapi masalah keamanan data dan keterbatasan koneksi internet. Penelitian ini bertujuan mengembangkan platform pemantauan gizi untuk Posyandu Orchid yang aman dan tetap dapat digunakan saat jaringan tidak stabil. Sistem dikembangkan menggunakan Progressive Web App (PWA) dengan pendekatan Offline-First. Keamanan data diterapkan melalui Zero Trust Access Control, Role-Based Access Control (RBAC), JSON Web Token (JWT), dan enkripsi AES-256-GCM menggunakan Web Crypto API. Kemampuan bekerja secara luring didukung oleh IndexedDB, Service Worker, dan Background Sync. Hasil pengujian menunjukkan bahwa seluruh skenario fungsional dan keamanan berhasil dijalankan dengan tingkat keberhasilan 100%. Sistem mampu mendeteksi perubahan data yang tidak sah, memiliki latensi enkripsi di bawah 1 milidetik, serta mencapai tingkat keberhasilan sinkronisasi data 100% tanpa kehilangan data. Pengujian beban dengan 30 pengguna virtual juga menunjukkan sistem tetap stabil tanpa kegagalan layanan. Berdasarkan hasil tersebut, sistem yang dikembangkan berhasil meningkatkan keamanan data kesehatan dan menjaga ketersediaan layanan pada kondisi jaringan yang tidak stabil. |
| Kategori | Skripsi - TMJ |
| Diunggah oleh | Salsabilla Aulia |
| Diunggah pada | Tue, 21 Jul 2026 |
2.
| Judul | RANCANG BANGUN SISTEM COMPUTER VISION UNTUK ANALISIS PERILAKU MULTIMODAL MENGGUNAKAN ARSITEKTUR HYBRID YOLO DAN FACE-API.JS DENGAN TRACKING MANHATTAN DISTANCE |
| Deskripsi | Analisis perilaku manusia secara manual rentan terhadap bias subjektivitas dan kelelahan. <br /> Penelitian ini bertujuan mengembangkan sistem Computer Vision berbasis web untuk <br /> memantau perilaku multimodal (aksi, atensi, dan emosi) secara real-time. Sistem ini <br /> menerapkan arsitektur hybrid yang membagi beban komputasi secara efisien: model YOLOv11 <br /> dieksekusi pada server untuk deteksi aksi fisik, sedangkan Face-API.js dijalankan pada sisi <br /> klien untuk ekstraksi fitur wajah. Selain itu, algoritma Manhattan Distance diimplementasikan <br /> untuk pelacakan objek (object tracking) antar-frame dengan beban komputasi yang ringan. <br /> Berdasarkan hasil evaluasi, model YOLOv11 mencapai akurasi mAP@50 sebesar 0,607 dan <br /> Face-API.js memperoleh Macro Average F1-score 58,93%. Distribusi beban komputasi <br /> terbukti optimal dengan rata-rata kecepatan pemrosesan mencapai 18 FPS. Kualitas transmisi <br /> jaringan (QoS) melalui WebSocket berjalan sangat stabil dengan packet loss 0%, Round-Trip <br /> Time (RTT) 679 ms, dan jitter 12,45 ms. Pengujian User Acceptance Test (UAT) menghasilkan <br /> tingkat efektivitas 88,9%, efisiensi 97,8%, dan kepuasan 100%. Kesimpulannya, sistem <br /> arsitektur hibrida ini berhasil beroperasi secara stabil, responsif, dan sangat layak digunakan <br /> sebagai solusi pemantauan perilaku multimodal yang efisien. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Rico Mesias Tamba |
| Diunggah pada | Mon, 20 Jul 2026 |
3.
| Judul | PENGEMBANGAN SISTEM PENILAIAN KINERJA ENVIRONMENTAL, SOCIAL, AND GOVERNANCE (ESG) BERBASIS K-MEANS CLUSTERING DENGAN PENDEKATAN BEST-IN-CLASS |
| Deskripsi | Evaluasi kinerja Environmental, Social, and Governance (ESG) lintas sektor menghadapi tantangan bias sektoral akibat perbedaan karakteristik operasional antar industri. Penelitian ini mengembangkan sistem penilaian ESG berbasis web bernama UNBEESG yang mengintegrasikan pembobotan Katadata ESG Index (KESGI) 2025 dengan K-Means Intra-Sector Clustering untuk menghasilkan klasifikasi best-in-class yang bebas dari bias sektoral. K-Means dipilih sebagai algoritma utama karena menempatkan setiap perusahaan tepat ke satu klaster tanpa tumpang tindih, menghasilkan hasil yang konsisten, dan mudah dijelaskan melalui centroid yang merepresentasikan rata-rata skor anggotanya. Nilai k=3 ditetapkan dengan mengambil referensi kelas dari pemeringkatan ESG internasional, yaitu MSCI ESG Ratings yang mengkategorikan perusahaan menjadi Leaders, Average, dan Laggards. Sistem dibangun menggunakan arsitektur Flask REST API dan Vue.js 3 dengan pipeline penskoran meliputi konversi kategorik, revenue normalization, normalisasi Min-Max, agregasi sub-aspek, dan pembobotan KESGI diferensial. Klasterisasi dilakukan secara terpisah per sektor dalam mode 1D per pilar dan 3D gabungan, dengan tiga algoritma pembanding (Agglomerative, DBSCAN, GMM) sebagai validasi. Interpretabilitas model dijamin melalui integrasi SHAP (SHapley Additive exPlanations). Pengujian validasi konsistensi penskoran menggunakan studi kasus PT Vale Indonesia Tbk 2024 menunjukkan kecocokan 100% dengan perhitungan manual Excel (skor KESGI 85,13 selisih 0,00). Evaluasi kualitas klaster menghasilkan Silhouette Score 0,47–0,74 yang mengindikasikan pemisahan klaster bermakna. Sistem berhasil mengklasifikasikan perusahaan ke dalam tiga klaster dengan persona korporat ESG dan dashboard interaktif. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Haidar Aditya Baran |
| Diunggah pada | Mon, 20 Jul 2026 |
4.
| Judul | PENGEMBANGAN SISTEM PENILAIAN KINERJA ENVIRONMENTAL, SOCIAL, AND GOVERNANCE (ESG) BERBASIS K-MEANS CLUSTERING DENGAN PENDEKATAN BEST-IN-CLASS |
| Deskripsi | Evaluasi kinerja Environmental, Social, and Governance (ESG) lintas sektor menghadapi tantangan bias sektoral akibat perbedaan karakteristik operasional antar industri. Penelitian ini mengembangkan sistem penilaian ESG berbasis web bernama UNBEESG yang mengintegrasikan pembobotan Katadata ESG Index (KESGI) 2025 dengan K-Means Intra-Sector Clustering untuk menghasilkan klasifikasi best-in-class yang bebas dari bias sektoral. K-Means dipilih sebagai algoritma utama karena menempatkan setiap perusahaan tepat ke satu klaster tanpa tumpang tindih, menghasilkan hasil yang konsisten, dan mudah dijelaskan melalui centroid yang merepresentasikan rata-rata skor anggotanya. Nilai k=3 ditetapkan dengan mengambil referensi kelas dari pemeringkatan ESG internasional, yaitu MSCI ESG Ratings yang mengkategorikan perusahaan menjadi Leaders, Average, dan Laggards. Sistem dibangun menggunakan arsitektur Flask REST API dan Vue.js 3 dengan pipeline penskoran meliputi konversi kategorik, revenue normalization, normalisasi Min-Max, agregasi sub-aspek, dan pembobotan KESGI diferensial. Klasterisasi dilakukan secara terpisah per sektor dalam mode 1D per pilar dan 3D gabungan, dengan tiga algoritma pembanding (Agglomerative, DBSCAN, GMM) sebagai validasi. Interpretabilitas model dijamin melalui integrasi SHAP (SHapley Additive exPlanations). Pengujian validasi konsistensi penskoran menggunakan studi kasus PT Vale Indonesia Tbk 2024 menunjukkan kecocokan 100% dengan perhitungan manual Excel (skor KESGI 85,13 selisih 0,00). Evaluasi kualitas klaster menghasilkan Silhouette Score 0,47–0,74 yang mengindikasikan pemisahan klaster bermakna. Sistem berhasil mengklasifikasikan perusahaan ke dalam tiga klaster dengan persona korporat ESG dan dashboard interaktif. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Haidar Aditya Baran |
| Diunggah pada | Mon, 20 Jul 2026 |
5.
| Judul | PENGEMBANGAN SISTEM PENILAIAN KINERJA ENVIRONMENTAL, SOCIAL, AND GOVERNANCE (ESG) BERBASIS K-MEANS CLUSTERING DENGAN PENDEKATAN BEST-IN-CLASS |
| Deskripsi | Evaluasi kinerja Environmental, Social, and Governance (ESG) lintas sektor menghadapi tantangan bias sektoral akibat perbedaan karakteristik operasional antar industri. Penelitian ini mengembangkan sistem penilaian ESG berbasis web bernama UNBEESG yang mengintegrasikan pembobotan Katadata ESG Index (KESGI) 2025 dengan K-Means Intra-Sector Clustering untuk menghasilkan klasifikasi best-in-class yang bebas dari bias sektoral. K-Means dipilih sebagai algoritma utama karena menempatkan setiap perusahaan tepat ke satu klaster tanpa tumpang tindih, menghasilkan hasil yang konsisten, dan mudah dijelaskan melalui centroid yang merepresentasikan rata-rata skor anggotanya. Nilai k=3 ditetapkan dengan mengambil referensi kelas dari pemeringkatan ESG internasional, yaitu MSCI ESG Ratings yang mengkategorikan perusahaan menjadi Leaders, Average, dan Laggards. Sistem dibangun menggunakan arsitektur Flask REST API dan Vue.js 3 dengan pipeline penskoran meliputi konversi kategorik, revenue normalization, normalisasi Min-Max, agregasi sub-aspek, dan pembobotan KESGI diferensial. Klasterisasi dilakukan secara terpisah per sektor dalam mode 1D per pilar dan 3D gabungan, dengan tiga algoritma pembanding (Agglomerative, DBSCAN, GMM) sebagai validasi. Interpretabilitas model dijamin melalui integrasi SHAP (SHapley Additive exPlanations). Pengujian validasi konsistensi penskoran menggunakan studi kasus PT Vale Indonesia Tbk 2024 menunjukkan kecocokan 100% dengan perhitungan manual Excel (skor KESGI 85,13 selisih 0,00). Evaluasi kualitas klaster menghasilkan Silhouette Score 0,47–0,74 yang mengindikasikan pemisahan klaster bermakna. Sistem berhasil mengklasifikasikan perusahaan ke dalam tiga klaster dengan persona korporat ESG dan dashboard interaktif. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Haidar Aditya Baran |
| Diunggah pada | Mon, 20 Jul 2026 |
Dokumen Statistik
Total Dokumen Terupload
5 dokumen
Upload Dokumen Perbulan 2026
Januari
75
Februari
85
Maret
16
April
2
Mei
Tidak ada dokumen
Juni
2
Juli
508
Agustus
313
September
134
Oktober
52
November
12
Desember
368