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 | 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 |
2.
| 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 |
3.
| Judul | Rancang Bangun Asisten Cerdas Pengendalian Hama Dan Penyakit Tanaman Padi Berbasis Retrieval-Augmented Generation Menggunakan Metode Hybrid Retrieval Dan Model Gemma-3 4B |
| Deskripsi | Serangan Organisme Pengganggu Tumbuhan (OPT) pada tanaman padi dan terbatasnya tenaga Penyuluh Pertanian Lapangan (PPL) menyebabkan kesenjangan akses informasi pengendalian hama bagi petani. Penelitian ini merancang bangun asisten cerdas berbasis Retrieval-Augmented Generation (RAG) menggunakan metode Hybrid Retrieval yang menggabungkan BM25 dan Dense Vector Retrieval (FAISS) dengan Reciprocal Rank Fusion (RRF), didukung model Gemma-3 4B yang diadaptasi melalui Quantized Low-Rank Adaptation (QLoRA) dalam konfigurasi 4-bit (NF4) dan 8-bit (INT8). Basis pengetahuan dibangun dari dokumen BPTPH mencakup 32 entitas OPT melalui pipeline NLP lima tahap, dengan 128 pasang Q&A untuk fine-tuning dan 50 pasang Q&A untuk evaluasi menggunakan BERTScore, RAGAS, dan UniEval. Dari sembilan skenario eksperimen, konfigurasi Hybrid Retrieval dengan Base Model menjadi yang paling unggul secara keseluruhan, dengan F1-Score BERTScore tertinggi (0,7798), Faithfulness RAGAS tertinggi (0,8590), dan Answer Relevancy tertinggi (0,7576). Metode Hybrid mencatat Context Recall tertinggi (0,8450) dan Hit Rate 92% yang mendekati Semantik murni (94%) serta jauh di atas Leksikal (84%). Pengujian adaptasi QLoRA (4-bit dan 8-bit) tidak menghasilkan peningkatan kinerja dibanding Base Model, bahkan cenderung menurunkan skor Faithfulness, sehingga untuk domain dan ukuran data ini konfigurasi Base Model terbukti paling optimal. Kombinasi Hybrid Retrieval dan Base Gemma-3 4B menghasilkan asisten pertanian yang akurat secara faktual, relevan, dan minim halusinasi. |
| Kategori | Skripsi - TI |
| Diunggah oleh | Raden Gheryl Ivan Mahardika |
| Diunggah pada | Thu, 16 Jul 2026 |
4.
| Judul | RANCANG BANGUN SISTEM IOT DETEKSI DINI KEBAKARAN BERBASIS RATE OF RISE (ROR) DENGAN THRESHOLD ADAPTIF MULTISENSOR DI PT. DELTA INDONESIA LABORATORY |
| Deskripsi | Lingkungan laboratorium pengujian kimia memiliki risiko kebakaran yang tinggi karena<br /> adanya potensi reaksi bahan kimia, peningkatan suhu, gas/asap, dan nyala api. Sistem<br /> deteksi kebakaran konvensional yang masih bergantung pada ambang batas statis<br /> berpotensi menimbulkan keterlambatan deteksi maupun false alarm. Penelitian ini<br /> bertujuan merancang dan membangun sistem deteksi dini kebakaran berbasis Internet of<br /> Things (IoT) menggunakan metode Rate of Rise (RoR) dan threshold adaptif multisensor<br /> di PT. Delta Indonesia Laboratory. Sistem dirancang menggunakan mikrokontroler ESP32<br /> yang terintegrasi dengan sensor suhu DS18B20, sensor gas/asap MQ-2, flame sensor, serta<br /> relay sebagai aktuator alarm. Data sensor diproses pada perangkat menggunakan moving<br /> average dan perhitungan RoR, kemudian dikirimkan ke server melalui protokol HTTP<br /> POST untuk memperoleh status klasifikasi AMAN, WASPADA, atau BAHAYA. Pengujian<br /> dilakukan melalui pengujian fungsional, kinerja deteksi, false alarm, dan Quality of Service<br /> (QoS). Hasil pengujian menunjukkan bahwa sistem mampu membaca data sensor,<br /> mengirimkan data ke server, menerima respons API, dan mengaktifkan relay ketika status<br /> BAHAYA diterima. Sistem membutuhkan waktu 10 detik untuk menghasilkan status<br /> WASPADA dan 23 detik untuk menghasilkan status BAHAYA sejak kondisi awal pengujian.<br /> Pengujian false alarm menunjukkan bahwa sistem tidak langsung mengaktifkan relay pada<br /> kondisi anomali tunggal seperti paparan panas atau gas/asap, sehingga validasi<br /> multisensor dapat membantu mengurangi potensi alarm palsu. |
| Kategori | Skripsi - TMJ |
| Diunggah oleh | Muhammad Abdan Syakuron |
| Diunggah pada | Thu, 16 Jul 2026 |
5.
| Judul | RANCANG BANGUN MEKANIK OPERASIONAL PADA GAME MANAJEMEN JALAN TOL |
| Deskripsi | Toll Tycoon menggunakan metode Game Development Life Cycle (GDLC). Game dikembangkan dengan Unity dan dipublikasikan pada platform WebGL untuk mensimulasikan aktivitas operasional jalan tol, seperti pengelolaan gerbang tol, sistem antrean kendaraan, peningkatan teknologi pembayaran, pemeliharaan fasilitas, penyelamatan kendaraan, serta manajemen ekonomi permainan. Hasil pengujian menunjukkan seluruh fitur berfungsi sesuai kebutuhan dan memperoleh tingkat penerimaan pengguna sebesar 89,46% dengan kategori Sangat Setuju, sehingga game dinilai mampu memberikan pengalaman simulasi yang menarik sekaligus merepresentasikan proses operasional jalan tol secara realistis. |
| Kategori | Skripsi - TMD |
| Diunggah oleh | Angga Yusma Prasetia |
| 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
409
Agustus
296
September
134
Oktober
52
November
12
Desember
368