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 | ANALISIS PENGARUH IMAGE ENHANCEMENT PADA MODEL MOBILENETV2 UNTUK KLASIFIKASI PENYAKIT TANAMAN PADI |
| Deskripsi | Penyakit tanaman padi merupakan salah satu faktor utama yang menyebabkan penurunan produktivitas dan kualitas hasil panen. Di sisi lain, proses identifikasi penyakit secara manual masih bergantung pada pengamatan visual yang memerlukan keahlian khusus sehingga berpotensi menimbulkan kesalahan diagnosis. Penelitian ini bertujuan untuk menganalisis pengaruh berbagai teknik image enhancement terhadap kinerja model MobileNetV2 berbasis transfer learning dalam mengklasifikasikan penyakit tanaman padi. Delapan skenario preprocessing tunggal yang terdiri atas Gamma Correction, Histogram Equalization (HE), Contrast Limited Adaptive Histogram Equalization (CLAHE), Median Blurring, Bilateral Filtering, Non-Local Means Denoising (NL-Means), Excess Green Index (ExG), serta lima kombinasi hybrid image enhancement diuji menggunakan metode Stratified 10-Fold Cross Validation. Evaluasi model dilakukan menggunakan metrik accuracy, precision, recall, dan F1-score. Hasil penelitian menunjukkan bahwa penerapan image enhancement memberikan pengaruh yang berbeda terhadap performa MobileNetV2. Metode Excess Green Index (ExG) sebagai preprocessing tunggal menghasilkan performa terbaik dengan nilai accuracy sebesar 91,25%, precision sebesar 91,28%, recall sebesar 91,25%, dan F1-score sebesar 91,25%, meningkat dibandingkan model baseline yang memperoleh accuracy sebesar 89,06%. Sementara itu, seluruh metode hybrid image enhancement yang diuji belum mampu melampaui performa ExG sebagai metode tunggal, meskipun beberapa kombinasi seperti ExG→NL-Means menghasilkan peningkatan dibandingkan baseline. Temuan penelitian ini menunjukkan bahwa efektivitas image enhancement tidak ditentukan oleh banyaknya tahapan preprocessing, melainkan oleh kesesuaiannya dalam meningkatkan kualitas fitur visual yang diekstraksi oleh MobileNetV2. Dengan demikian, Excess Green Index merupakan metode preprocessing yang paling efektif untuk meningkatkan performa klasifikasi penyakit tanaman padi pada dataset yang digunakan dalam penelitian ini. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Muhammad Alfi Luthfan Thufail |
| Diunggah pada | Thu, 16 Jul 2026 |
2.
| Judul | PENGEMBANGAN APLIKASI MOBILE UNTUK EVALUASI KUALITAS GERAKAN SQUAT BERBASIS DEEP LEARNING |
| Deskripsi | Gerakan squat sangat efektif untuk melatih otot bawah, namun berisiko cedera seperti lumbar hyperlordosis dan knee valgus jika dilakukan dengan teknik yang salah. Keterbatasan pengamatan visual karena tingginya biaya sewa pelatih profesional membuat evaluasi latihan mandiri menjadi sulit dijangkau oleh masyarakat umum. Penelitian ini bertujuan untuk mengembangkan aplikasi mobile Android yang terintegrasi dengan model deep learning untuk mengevaluasi kualitas gerakan squat secara objektif melalui input video. Penelitian ini memanfaatkan teknologi MediaPipe Pose untuk mengekstraksi titik koordinat persendian bahu, pinggul, lutut, tumit, dan pergelangan kaki menjadi sinyal time-series. Data diproses menggunakan teknik sliding window sebesar 30 frame dan diklasifikasikan menggunakan arsitektur 1D-Convolutional Neural Network (1D-CNN) yang kinerjanya dibandingkan dengan model Bi-CGRU. Model tersebut diimplementasikan secara on-device menggunakan TensorFlow Lite, dan aplikasi dikembangkan secara native menggunakan Kotlin. Hasil pengujian menunjukkan bahwa model 1D-CNN dengan optimizer RMSprop mencapai performa tertinggi dengan akurasi 97.6%, presisi 97.7%, recall 97.6%, dan F1-score 97.6%, mengungguli model Bi-CGRU yang memiliki akurasi 96%. Analisis Explainable AI (XAI) menggunakan metode SHAP dan Grad CAM mengungkap bahwa stabilitas dan posisi pergelangan kaki (ankle dan heel) merupakan fitur paling dominan dalam mendeteksi postur squat yang salah. Pengujian fungsionalitas aplikasi melalui Black Box Testing meraih tingkat keberhasilan 100%. Evaluasi oleh pengguna akhir masyarakat umum sebanyak 24 responden menghasilkan skor System Usability Scale (SUS) sebesar 79,3 (kategori Good/Grade B) dan Net Promoter Score (NPS) sebesar 62,4% (kategori NPS Leader). Aplikasi ini terbukti layak, fungsional, dan efektif untuk membantu masyarakat umum memantau serta mengevaluasi gerakan squat secara mandiri tanpa memerlukan perangkat keras tambahan |
| Kategori | Skripsi - TI |
| Diunggah oleh | Muhammad Reza Harsono |
| Diunggah pada | Thu, 16 Jul 2026 |
3.
| Judul | Analisis Teks Dokumen Administratif untuk Peringkasan Menggunakan NER-NLP |
| Deskripsi | Dokumen administratif merupakan salah satu sumber informasi penting yang digunakan dalam berbagai aktivitas organisasi dan institusi. Namun, proses identifikasi informasi penting pada dokumen administratif masih banyak dilakukan secara manual sehingga membutuhkan waktu yang cukup lama dan berpotensi menimbulkan kesalahan. Penelitian ini bertujuan mengembangkan sistem analisis dokumen administratif yang mampu melakukan ekstraksi informasi penting dan menghasilkan ringkasan dokumen secara otomatis. Sistem yang dikembangkan memanfaatkan PaddleOCR untuk mengekstraksi teks dari dokumen PDF digital, PDF hasil pemindaian, dan DOCX, serta model IndoBERT yang telah melalui proses fine-tuning untuk melakukan Named Entity Recognition (NER) terhadap entitas administratif seperti nomor surat, jenis dokumen, tanggal, pengirim, penerima, perihal, lokasi, waktu, dan isi dokumen. Selain itu, sistem mengimplementasikan LayoutLMv3 untuk mendukung ekstraksi informasi pada dokumen yang mengandung tabel dan menghasilkan ringkasan dokumen berdasarkan hasil identifikasi entitas. Model NER dilatih melalui 13 skenario eksperimen dengan berbagai strategi optimasi, dan konfigurasi terbaik diperoleh pada Run ID #13 dengan nilai F1-score sebesar 88,56%. Sistem kemudian diimplementasikan dalam bentuk REST API menggunakan FastAPI dan di-deploy pada AWS EC2. Hasil pengujian menunjukkan bahwa sistem mampu mengidentifikasi informasi penting secara otomatis dan menghasilkan ringkasan dokumen yang relevan, sehingga dapat membantu meningkatkan efisiensi pengelolaan dan analisis dokumen administratif |
| Kategori | Skripsi - TI |
| Diunggah oleh | Muhammad Nathan Sunarto |
| Diunggah pada | Thu, 16 Jul 2026 |
4.
| Judul | APLIKASI MOBILE UNTUK PREDIKSI HARGA CRYPTOCURRENCY ETHEREUM BERBASIS MODEL GATED RECURRENT UNIT (GRU) DENGAN CONTINOUS FINE-TUNING PADA ROLLING WINDOW DATA |
| Deskripsi | Volatilitas ekstrem pada pergerakan harga cryptocurrency Ethereum memberikan tantangan besar bagi investor dalam manajemen risiko finansial. Meskipun metode deep learning terbukti andal dalam analisis deret waktu finansial, penggunaan model statis rentan mengalami degradasi performa akibat perubahan kondisi pasar yang cepat. Penelitian ini bertujuan mengembangkan sistem prediksi harga pasangan aset ETH/IDR berfrekuensi tinggi dengan timeframe 5 menit menggunakan arsitektur Gated Recurrent Unit (GRU) yang diintegrasikan dengan mekanisme continuous fine-tuning, serta diimplementasikan ke dalam aplikasi mobile hibrida berbasis CapacitorJS dan backend FastAPI. Pelatihan algoritma dibatasi pada ekstraksi fitur OHLCV dengan lookback window 48 timestep guna memproyeksikan harga 15 menit ke depan, di mana pembaruan bobot model dieksekusi secara asinkron setiap 24 jam menggunakan data 5 hari terakhir dan improvement threshold sebesar 1%. Hasil eksperimen menunjukkan arsitektur GRU mengungguli LSTM dengan mencatatkan tingkat kesalahan Mean Absolute Error (MAE) yang lebih rendah, yakni 43,995 berbanding 44,447 pada pengujian data harian. Simulasi historis continuous fine-tuning selama 128 hari merekam rasio penolakan pembaruan sebesar 92,19%, membuktikan bahwa algoritma secara presisi mampu menyaring noise acak untuk mencegah fenomena catastrophic forgetting. Pada 7,81% siklus pembaruan yang disetujui, mekanisme ini menyumbangkan rata-rata peningkatan akurasi MAE sebesar 9,10%. Pengujian fungsional black box juga memvalidasi tingkat keberhasilan sistem 100%. Dapat disimpulkan bahwa integrasi continuous fine-tuning sukses bertindak sebagai jaring pengaman adaptif yang menjaga relevansi operasional model, menjadikan aplikasi ini sebagai instrumen pendukung keputusan investasi yang presisi dan responsif. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Ghavio Rizky Ananda Budiawan |
| Diunggah pada | Thu, 16 Jul 2026 |
5.
| Judul | Analisis Sentimen Pasar Saham dengan Hybrid Quantum-Classical Machine Learning Berbasis Simulasi PennyLane pada Aplikasi Web |
| Deskripsi | Penelitian ini bertujuan untuk mengatasi kendala kelebihan informasi akibat banyaknya berita finansial yang menyulitkan investor, khususnya pemula, dalam menganalisis sentiment saham. Sebagai solusi dikembangkan model klasifikasi hibrida kuantum klasik, yaitu FinBERT yang dibekukan dengan VQC sebagai classifier head, berbasis simulasi PennyLane, yang dianalisis secara komparatif terhadap model klasik, yaitu FinBERT yang dibekukan dengan MLP sebagai classifier head. Menggunakan dataset Financial PhraseBank, hasil evaluasi menunjukkan model hibrida lebih unggul dengan mencetak skor f1 makro minimum dan maksimum yang lebih tinggi, standar deviasi yang lebih rendah, serta nilai ECE yang lebih rendah. Model hibrida juga terbukti lebih efisien jika dilihat dari jumlah parameter dan ukuran model. Model terpilih kemudian diimplementasikan kedalam sistem aplikasi web berbasis Gradio, yang diintegrasikan dengan modul ekstraksi data web dan LLM Google Gemini, untuk peringkasan serta translasi teks secara otomatis. Validasi akhir menunjukkan tingkat kepuasa pengguna berada pada skor rata-rata 7.97 dari 10, sementara pengujian pakar membuktikan tingkat validitas ringkasan berita dari LLM sebesar 30/30 dengan akurasi prediksi sentiment mencapai 28/30. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Muhammad Nabiel Rayhan Falaah |
| Diunggah pada | Thu, 16 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
407
Agustus
296
September
134
Oktober
52
November
12
Desember
368