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 | Model Deteksi Sleep Apnea Dari Sinyal Pernapasan Berbasis Deep Learning |
| Deskripsi | Sleep apnea merupakan gangguan pernapasan yang terjadi selama tidur dan dapat berdampak serius pada kesehatan apabila tidak terdeteksi sejak dini. Penelitian ini bertujuan untuk merancang, mengembangkan, dan menguji model deteksi Obstructive Sleep Apnea (OSA) dengan memanfaatkan sinyal fisiologis pernapasan menggunakan pendekatan deep learning. Dataset yang digunakan berasal dari PhysioNet dan IMERI UI, mencakup sinyal seperti saturasi oksigen darah (SpO₂), aliran udara (flow), gerakan dada (thorax), dan abdomen. Data diolah menjadi segmen berdurasi 30 detik, kemudian dinormalisasi dan diubah ke domain frekuensi menggunakan Fast Fourier Transform (FFT), serta digunakan sebagai input untuk model. Arsitektur model yang dikembangkan meliputi Convolutional Neural Network (CNN) 1D dan Long Short-Term Memory (LSTM). Berdasarkan hasil evaluasi, model CNN dengan preprocessing normalisasi memberikan performa terbaik dengan akurasi mencapai 98,7%, menunjukkan kemampuan luar biasa dalam mengekstraksi fitur spasial dari sinyal pernapasan mentah. Sementara itu, model LSTM dengan data normalisasi menunjukkan akurasi 91,1%, yang juga cukup tinggi, namun masih di bawah performa CNN. Ketika preprocessing FFT diterapkan, performa menurun pada kedua model: CNN-FFT mencatat akurasi 91,3%, sedangkan LSTM-FFT hanya mencapai akurasi 89,5%. Temuan ini menunjukkan bahwa CNN lebih unggul dalam mengekstraksi pola spasial langsung dari data sinyal mentah tanpa perlu transformasi ke domain frekuensi. Sebaliknya, LSTM yang dirancang untuk menangkap informasi temporal dari urutan data, cenderung kehilangan performa ketika data diubah ke domain frekuensi karena informasi waktu menjadi kurang eksplisit. Hasil pengujian menunjukkan model terbaik adalah CNN-FFT, model kemudian diintegrasikan ke dalam prototipe sistem berbasis web untuk mendeteksi OSA secara otomatis. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem deteksi apnea tidur yang non-invasif, cepat, akurat, dan mudah diakses, guna mendukung proses skrining dini oleh tenaga medis maupun masyarakat umum. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Praba Arya Elmahdi |
| Diunggah pada | Wed, 23 Jul 2025 |
2.
| Judul | PERANCANGAN WEBSITE SISTEM INFORMASI PENGELOLAAN MAGANG JURUSAN TIK UNTUK USER MAHASISWA, KPS, DOSEN PEMBIMBING |
| Deskripsi | Penelitian ini bertujuan untuk merancang dan mengembangkan sistem informasi pengelolaan magang berbasis website di Program Studi Teknik Informatika, Politeknik Negeri Jakarta. Sistem ini hadir sebagai solusi atas kendala proses manual, seperti keterlambatan pengumpulan dokumen, data yang tidak terorganisir, dan kurangnya komunikasi antar pihak terkait. Sistem dibangun menggunakan framework CodeIgniter dan basis data MySQL, dengan tiga peran utama pengguna: Admin, Panitia, dan Pembimbing Industri. Fitur utama mencakup pengelolaan data mahasiswa magang, monitoring aktivitas, verifikasi logbook, penilaian kinerja, serta pengelolaan dokumen. Proses pengembangan menggunakan metode Waterfall yang mendukung iterasi cepat. Pengujian sistem dilakukan melalui metode Blackbox Testing dan menunjukkan bahwa seluruh fitur berjalan sesuai kebutuhan. Sistem ini berhasil meningkatkan efisiensi, desain yang menarik dan memberikan kemudahan dalam pelaksanaan magang. Dengan sistem ini, proses magang menjadi lebih terstruktur, sehingga mendukung pencapaian tujuan akademik dan peningkatan kualitas lulusan. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Johan Kevin Kenneth Hutagalung |
| Diunggah pada | Wed, 23 Jul 2025 |
3.
| Judul | Model Deteksi Sleep Apnea Dari Sinyal Pernapasan Berbasis Deep Learning |
| Deskripsi | Sleep apnea merupakan gangguan pernapasan yang terjadi selama tidur dan dapat berdampak serius pada kesehatan apabila tidak terdeteksi sejak dini. Penelitian ini bertujuan untuk merancang, mengembangkan, dan menguji model deteksi Obstructive Sleep Apnea (OSA) dengan memanfaatkan sinyal fisiologis pernapasan menggunakan pendekatan deep learning. Dataset yang digunakan berasal dari PhysioNet dan IMERI UI, mencakup sinyal seperti saturasi oksigen darah (SpO₂), aliran udara (flow), gerakan dada (thorax), dan abdomen. Data diolah menjadi segmen berdurasi 30 detik, kemudian dinormalisasi dan diubah ke domain frekuensi menggunakan Fast Fourier Transform (FFT), serta digunakan sebagai input untuk model. Arsitektur model yang dikembangkan meliputi Convolutional Neural Network (CNN) 1D dan Long Short-Term Memory (LSTM). Berdasarkan hasil evaluasi, model CNN dengan preprocessing normalisasi memberikan performa terbaik dengan akurasi mencapai 98,7%, menunjukkan kemampuan luar biasa dalam mengekstraksi fitur spasial dari sinyal pernapasan mentah. Sementara itu, model LSTM dengan data normalisasi menunjukkan akurasi 91,1%, yang juga cukup tinggi, namun masih di bawah performa CNN. Ketika preprocessing FFT diterapkan, performa menurun pada kedua model: CNN-FFT mencatat akurasi 91,3%, sedangkan LSTM-FFT hanya mencapai akurasi 89,5%. Temuan ini menunjukkan bahwa CNN lebih unggul dalam mengekstraksi pola spasial langsung dari data sinyal mentah tanpa perlu transformasi ke domain frekuensi. Sebaliknya, LSTM yang dirancang untuk menangkap informasi temporal dari urutan data, cenderung kehilangan performa ketika data diubah ke domain frekuensi karena informasi waktu menjadi kurang eksplisit. Hasil pengujian menunjukkan model terbaik adalah CNN-FFT, model kemudian diintegrasikan ke dalam prototipe sistem berbasis web untuk mendeteksi OSA secara otomatis. Penelitian ini diharapkan dapat berkontribusi dalam pengembangan sistem deteksi apnea tidur yang non-invasif, cepat, akurat, dan mudah diakses, guna mendukung proses skrining dini oleh tenaga medis maupun masyarakat umum. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Praba Arya Elmahdi |
| Diunggah pada | Wed, 23 Jul 2025 |
4.
| Judul | Implementasi Arsitektur Monolithic Untuk Website Monitoring Pada IoT Pengawasan Tinggi Air Banjir |
| Deskripsi | Banjir merupakan bencana yang sering terjadi di wilayah perkotaan seperti Komplek Griya Asri, Depok. Kurangnya sistem pemantauan dan peringatan dini menjadi salah satu penyebab tingginya risiko banjir. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem monitoring tinggi air berbasis Internet of Things (IoT) menggunakan arsitektur monolithic pada framework Laravel. Sistem ini terdiri dari perangkat sensor HC-SR04 dan YF-S201 yang mengukur tinggi dan debit air, lalu mengirimkan data secara real-time melalui protokol MQTT ke server VPS. Data yang diterima ditampilkan dalam bentuk grafik dan tabel pada dashboard web, serta disimpan sebagai riwayat (log history). Sistem juga dilengkapi fitur notifikasi otomatis melalui WhatsApp menggunakan layanan CallMeBot jika ketinggian air melewati ambang batas tertentu. Pengujian dilakukan melalui metode black-box dan pengukuran parameter Quality of Service (QoS) seperti delay, throughput, jitter, dan packet loss. Hasil pengujian menunjukkan bahwa sistem mampu berjalan dengan baik, menampilkan data secara real time, dan memberikan notifikasi tepat waktu, sehingga dapat membantu masyarakat dalam melakukan deteksi dini terhadap potensi banjir. |
| Kategori | Skripsi - TMJ |
| Diunggah oleh | Yazmin Nur'Aini |
| Diunggah pada | Wed, 23 Jul 2025 |
5.
| Judul | Analisis Endpoint dalam Implementasi Wazuh sebagai Sistem Deteksi dan Respon Ancaman |
| Deskripsi | Banjir merupakan bencana yang sering terjadi di wilayah perkotaan seperti Komplek Griya Asri, Depok. Kurangnya sistem pemantauan dan peringatan dini menjadi salah satu penyebab tingginya risiko banjir. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem monitoring tinggi air berbasis Internet of Things (IoT) menggunakan arsitektur monolithic pada framework Laravel. Sistem ini terdiri dari perangkat sensor HC-SR04 dan YF-S201 yang mengukur tinggi dan debit air, lalu mengirimkan data secara real-time melalui protokol MQTT ke server VPS. Data yang diterima ditampilkan dalam bentuk grafik dan tabel pada dashboard web, serta disimpan sebagai riwayat (log history). Sistem juga dilengkapi fitur notifikasi otomatis melalui WhatsApp menggunakan layanan CallMeBot jika ketinggian air melewati ambang batas tertentu. Pengujian dilakukan melalui metode black-box dan pengukuran parameter Quality of Service (QoS) seperti delay, throughput, jitter, dan packet loss. Hasil pengujian menunjukkan bahwa sistem mampu berjalan dengan baik, menampilkan data secara real time, dan memberikan notifikasi tepat waktu, sehingga dapat membantu masyarakat dalam melakukan deteksi dini terhadap potensi banjir. |
| Kategori | Skripsi - TMJ |
| Diunggah oleh | Yazmin Nur'Aini |
| Diunggah pada | Wed, 23 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