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 Feature Engineering pada Sistem Klasifikasi Penyakit Tanaman Cabai Menggunakan XGBoost |
| Deskripsi | Tanaman cabai sebagai komoditas hortikultura utama di Indonesia rentan penyakit daun <br /> seperti geminivirus (Geminivirus), cercospora leaf spot, leaf curl virus, dan kondisi sehat, <br /> yang sulit dideteksi manual karena gejala visual mirip dan variasi lapangan. Penelitian ini <br /> bertujuan mengimplementasikan feature engineering melalui ekstraksi fitur HSV <br /> (mean/std/skewness), GLCM (contrast/homogeneity/energy 4 orientasi), edge (Canny <br /> density), diikuti reduksi dimensi PCA (n_components tetap dan explained_variance kumulatif <br /> 90-95%), untuk klasifikasi menggunakan XGBoost pada sistem deteksi mobile petani. Metode <br /> mengadopsi kerangka hibrida Waterfall untuk SDLC dan CRISP-DM untuk ML, dengan <br /> dataset publik Kaggle/Roboflow (pra-pemrosesan OpenCV: resize 256x256, CLAHE, <br /> augmentasi), train-test split 80:20, evaluasi 5-fold CV via akurasi, presisi, recall, F1-score, <br /> serta feature importance. Diharapkan menghasilkan model efisien komputasi (inferensi <2 <br /> detik), akurasi >90%, standar optimal PCA untuk citra tanaman tropis, dan prototipe aplikasi <br /> Flutter multiplatform guna deteksi dini, percepatan pengobatan, serta pengurangan kerugian <br /> ekonomi petani cabai.<br /> <br /> Penelitian ini telah berhasil mengembangkan sistem klasifikasi penyakit tanaman <br /> cabai dengan menerapkan kombinasi metode ekstraksi fitur dan model pembelajaran <br /> mesin (machine learning). Berdasarkan hasil penelitian, pengujian fungsional, serta <br /> evaluasi pengguna yang telah dilakukan, dapat ditarik beberapa kesimpulan sebagai <br /> berikut: <br /> 1. Penerapan metode feature engineering yang mengombinasikan fitur warna (Hue <br /> Saturation Value / HSV), tekstur (Gray-Level Co-occurrence Matrix / GLCM), dan <br /> bentuk (Canny Edge Detection) terbukti sangat efektif dalam mengenali <br /> karakteristik visual penyakit daun cabai (infeksi Geminivirus, Cercospora, Leaf <br /> Curl, dan kondisi Sehat). Penggunaan Principal Component Analysis (PCA) <br /> dengan konfigurasi explained variance 0,95 berhasil memberikan standar <br /> optimalisasi terbaik karena mampu mereduksi penggunaan memori biner model <br /> hingga 40% (dari 421 KB menjadi 253 KB) dengan penurunan akurasi yang sangat <br /> minimal (hanya ∼1,5%), sehingga menghasilkan model yang ringan namun tetap <br /> akurat untuk diaplikasikan pada citra penyakit tanaman. <br /> 2. Pengembangan prototipe aplikasi mobile berbasis Flutter yang terintegrasi dengan <br /> backend FastAPI dan basis data MongoDB telah berhasil memberikan <br /> kemudahan akses yang optimal bagi petani cabai di lapangan. Keberhasilan <br /> interaksi antarmuka ini dibuktikan melalui pengujian System Usability Scale (SUS) <br /> dengan skor rata-rata 78,23 yang masuk ke dalam kategori Acceptable (Grade B, <br /> Excellent), serta didukung oleh hasil pengujian Black-box yang menunjukkan <br /> seluruh fungsi utama aplikasi berjalan dengan valid dan bebas dari galat (error). <br /> 3. Sistem terbukti mampu mempercepat proses identifikasi penyakit tanaman <br /> secara instan melalui pencapaian sub-second latency dengan total waktu respons <br /> (Total Response Time) sebesar 0,5393 detik (proses inferensi server XGBoost <br /> 0,2893 detik dan latensi jaringan 0,2500 detik). Kecepatan deteksi di bawah 1 detik <br /> ini memberikan keunggulan bagi petani untuk mengetahui jenis infeksi secara real<br /> 88 <br /> JURUSAN TEKNIK INFORMATIKA DAN KOMPUTER - POLITEKNIK NEGERI JAKARTA <br /> 89 <br /> time sehingga tindakan pengobatan tanaman dapat dilakukan secara cepat dan tepat <br /> sasaran. <br /> 4. Melalui performa akurasi model yang tinggi (mencapai 98,75% untuk model <br /> XGBoost tanpa PCA dan 98,00% dengan konfigurasi PCA 0,95), sistem ini mampu <br /> mengurangi risiko kerugian ekonomi petani akibat keterlambatan deteksi <br /> manual. Kemampuan deteksi yang akurat dan instan melalui gawai ini secara <br /> langsung berkontribusi dalam menekan laju penyebaran wabah di lahan terbuka <br /> sebelum meluas dan menyebabkan gagal panen. <br /> 5. Meskipun model menunjukkan performa generalisasi yang sangat tinggi pada test <br /> set internal (99%), sistem masih mengalami penurunan performa pada data <br /> eksternal dari internet akibat tumpang tindih (overlapping) fitur visual pada <br /> analisis Dot Plot. Hal ini mengindikasikan adanya ketergantungan model terhadap <br /> karakteristik latar belakang (background) dan pencahayaan dari dataset pelatihan, <br /> yang menuntut adanya tindakan pra-pemrosesan khusus berupa pemotongan <br /> (cropping) citra secara terfokus pada objek daun. <br /> <br /> Untuk pengembangan penelitian selanjutnya, disarankan beberapa hal sebagai berikut: <br /> 1. Menambahkan variasi data citra dengan latar belakang (background) yang lebih <br /> kompleks (langsung di lahan terbuka) untuk menguji ketangguhan model terhadap <br /> noise lingkungan <br /> 2. Mengembangkan fitur pemetaan sebaran penyakit berbasis GPS yang teintegrasi <br /> dengan data di MongoDB untuk memberikan peringatan dini(early warning <br /> system) bagi petani di wilayah sekitar <br /> 3. Memperluas keberagaman dataset asli (sebelum augmentasi) terutama pada kelas <br /> yang memiliki sampel sedikit seperti Cerospora, guna meningkatkan daya tahan <br /> (robustness) model terhadap data luar <br /> 4. Mengintegrasikan algoritma segmentasi citra atau Object Detection sebelum <br /> klasifikasi, agar model dapat secara otomatis memfokuskan ekstraksi fitur hanya <br /> pada area daun, tanpa terpengaruh oleh latar belakang citra yang kompleks. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Okta Gabriel Sinsaku Sinaga |
| Diunggah pada | Tue, 21 Jul 2026 |
2.
| Judul | Rancang Bangun Sistem Informasi Manajemen Maintenance Gedung dan Aset Berbasis Web dengan Workflow Multi-Role dan Otomasi Surat Perintah Kerja |
| Deskripsi | Pemeliharaan gedung dan aset di Nusantara Group masih dilakukan secara <br /> manual, sehingga pengajuan perbaikan tidak terdokumentasi resmi, tidak ada <br /> rekam jejak pekerjaan, penerbitan Surat Perintah Kerja (SPK) dilakukan secara <br /> lisan, dan peminjaman alat antar cabang tidak tercatat sehingga berpotensi <br /> menimbulkan kehilangan aset. Penelitian ini bertujuan merancang dan <br /> membangun sistem informasi manajemen maintenance gedung dan aset <br /> berbasis web dengan alur kerja multi-role, otomatisasi penerbitan SPK, serta <br /> fitur monitoring dan pencatatan histori pekerjaan. Penelitian menggunakan <br /> pendekatan Research and Development dengan model pengembangan Waterfall, <br /> data dikumpulkan melalui wawancara, observasi, dan studi dokumentasi. Sistem <br /> diimplementasikan menggunakan framework Laravel dan basis data MySQL. <br /> Hasil pengujian Black Box Testing menunjukkan seluruh 30 skenario uji <br /> berjalan valid. Hasil User Acceptance Test menunjukkan skor 83,43% (Sangat <br /> Baik) dan 79,26% (Baik), sementara System Usability Scale menunjukkan skor <br /> rata-rata 77,25 (Grade B, Acceptable). Sistem yang dikembangkan berhasil <br /> mendukung transparansi, akuntabilitas, dan efisiensi proses pemeliharaan <br /> gedung dan aset perusahaan multi-cabang. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Asiwidia Simanjuntak |
| Diunggah pada | Tue, 21 Jul 2026 |
3.
| Judul | ANALISIS IMPLEMENTASI K-DINAMIS DAN REVALUASI IP PADA DETEKSI SERANGAN DDOS BERBASIS ENTROPY PADA WEB SERVER UBUNTU |
| Deskripsi | Serangan Distributed Denial of Service (DDoS) berbasis HTTP Flood menjadi ancaman serius bagi ketersediaan layanan web server karena karakteristiknya yang menyerupai trafik pengguna sah. Penelitian ini mengimplementasikan sistem deteksi serangan DDoS secara real-time pada web server Ubuntu menggunakan metode entropy Shannon dengan parameter K-dinamis dan mekanisme revaluasi IP. Sistem bekerja melalui mekanisme sliding window untuk menganalisis distribusi trafik, menghitung normalized entropy, menentukan threshold adaptif menggunakan K-dinamis, serta melakukan revaluasi terhadap alamat IP mencurigakan. Pengujian dilakukan dalam tiga skenario, yaitu kondisi normal, flash crowd, dan serangan HTTP Flood menggunakan GoldenEye dan Locust pada lingkungan jaringan lokal berbasis VirtualBox. Hasil pengujian menunjukkan bahwa pada kondisi serangan, sistem berhasil mencapai nilai Akurasi sebesar 90,36%, Presisi 100%, dan Recall sebesar 66,67%. Implementasi metode ini mampu menjaga stabilitas penggunaan memori (RAM) server pada rata-rata 48%, namun beban komputasi deteksi real-time dan tingginya volume request menyebabkan lonjakan penggunaan CPU hingga mencapai maksimum 100,00% pada puncak serangan. |
| Kategori | Skripsi - TMJ |
| Diunggah oleh | Safina Ayu Rasya |
| Diunggah pada | Tue, 21 Jul 2026 |
4.
| 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 |
5.
| 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 |
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
404
Agustus
296
September
134
Oktober
52
November
12
Desember
368