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 | Rancang Bangun Middleware Laravel Berbasis Redis Stream Dengan Arsitektur Load-Balancing |
| Deskripsi | Menyebarkan data dari satu aplikasi ke beberapa database merupakan hal yang memakan banyak sumber daya dan rentan terhadap kegagalan. Ketika database target menjadi offline, pendekatan konvensional akan menghentikan atau menunda transaksi tanpa batas waktu, sehingga membahayakan konsistensi. Oleh karena itu, penelitian ini mengusulkan lapisan middleware yang secara asinkron merutekan data ke setiap tujuan sambil menjaga integritas transaksi selama periode tidak tersedianya database. Teknologi yang digunakan untuk penelitian ini adalah Redis, Google Cloud, Laravel, PHP, dan Visual Studio Code. Hasil dari penelitian ini yaitu berhasil mendistribusikan data ke database tujuan serta mengimplementasi load-balancing dengan menyelesaikan 1000 permintaan dalam 29,119 detik, throughput server tercatat sebesar 34,34 permintaan per detik dan konsumsi ram untuk redis server dalam uji skenario normal sebesar 5,9% dan uji partial-failure sebesar 7%. |
| Kategori | Skripsi - TMJ |
| Diunggah oleh | yusuf rafif karback |
| Diunggah pada | Fri, 25 Jul 2025 |
2.
| Judul | Pembuatan Aset Game 3D Sebagai Media Edukasi Kedisiplinan Untuk Santri Kelas 7 Di Pesantren Umar Bin Khotob Plus |
| Deskripsi | Pondok pesantren memiliki peran penting dalam membentuk karakter santri yang beriman dan disiplin. Namun, pengenalan nilai kedisiplinan kepada santri baru, khususnya kelas 7, masih menghadapi kendala. Penyampaian aturan pesantren secara lisan dan metode ceramah dianggap kurang efektif karena cenderung membosankan, tidak interaktif, dan tidak sesuai dengan gaya belajar siswa yang lebih cocok dengan gaya visual. Berdasarkan data pelanggaran di Pesantren Umar Bin Khotob Plus, diketahui bahwa pelanggaran disiplin seperti ketidakhadiran salat berjamaah, pelanggaran bahasa, dan kebersihan merupakan sangat banyak terjadi. Oleh karena itu, dibutuhkan metode alternatif yang mampu menyampaikan pesan kedisiplinan secara lebih menarik dan menyenangkan. Game edukasi menjadi salah satu solusi potensial, terutama karena banyak santri kelas 7 yang gemar bermain video game. Penelitian ini bertujuan untuk mengembangkan aset visual 3D yang akan digunakan dalam game edukasi bertema kedisiplinan di lingkungan pesantren. Fokus pengembangan meliputi aset karakter, lingkungan, cutscene, serta antarmuka pengguna yang mendukung penyampaian nilai-nilai kedisiplinan secara visual dan interaktif. Game ini akan mengangkat tiga aspek utama dari peraturan pesantren: kegiatan harian, tata tertib di asrama, dan kebersihan. Melalui pendekatan ini, diharapkan game dapat menjadi media pembelajaran yang sesuai dengan kebutuhan generasi digital, membantu santri memahami dan menerapkan aturan pesantren dengan cara yang lebih menyenangkan dan efektif. |
| Kategori | Skripsi - TMD |
| Diunggah oleh | Muhammad Rakha Syahda |
| Diunggah pada | Fri, 25 Jul 2025 |
3.
| 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 |
4.
| 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 |
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 | Fri, 25 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
296
September
134
Oktober
52
November
12
Desember
143