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 | PENGEMBANGAN PROTOTYPE SISTEM PEMANTAUAN LALU LINTAS BERBASIS CCTV DENGAN MODEL YOLOv8 UNTUK DETEKSI DAN KLASIFIKASI KENDARAAN |
| Deskripsi | Perkembangan teknologi Artificial Intelligence (AI) dan computer vision <br /> telah mendorong pemanfaatan sistem cerdas dalam berbagai bidang, salah <br /> satunya pada sektor transportasi. Computer vision memungkinkan <br /> komputer untuk mengekstraksi informasi dari citra atau video digital guna <br /> mengenali, mengklasifikasikan, dan menganalisis objek secara otomatis. <br /> Penerapan teknologi ini menjadi semakin relevan seiring meningkatnya <br /> kebutuhan akan sistem pemantauan lalu lintas yang cepat, akurat, dan <br /> berkelanjutan, terutama di wilayah perkotaan dengan tingkat mobilitas <br /> kendaraan yang tinggi (Imanuel et al., 2024).<br /> Peningkatan jumlah kendaraan bermotor di jalan raya menimbulkan <br /> berbagai permasalahan, seperti kemacetan, kecelakaan lalu lintas, serta <br /> keterbatasan dalam proses pengawasan kendaraan. Sistem pemantauan lalu <br /> lintas konvensional yang masih mengandalkan observasi manual memiliki <br /> keterbatasan dalam hal konsistensi, akurasi pencatatan, serta efisiensi <br /> waktu. Selain itu, ketergantungan pada tenaga manusia menyebabkan <br /> potensi kesalahan pengamatan dan keterlambatan dalam pengambilan <br /> keputusan. Oleh karena itu, dibutuhkan sistem Smart Detection Kendaraan <br /> yang mampu melakukan proses deteksi dan klasifikasi kendaraan secara <br /> otomatis dan real-time.<br /> Salah satu pendekatan yang banyak digunakan dalam sistem deteksi objek <br /> adalah metode Deep Learning, khususnya algoritma You Only Look Once <br /> (YOLO). YOLO merupakan algoritma deteksi objek yang mampu <br /> melakukan proses deteksi dan klasifikasi dalam satu tahap (single-stage <br /> detector), sehingga memiliki keunggulan dalam kecepatan pemrosesan <br /> tanpa mengorbankan tingkat akurasi. Berbagai penelitian menunjukkan <br /> bahwa YOLO efektif digunakan untuk mendeteksi dan mengklasifikasikan <br /> kendaraan seperti sepeda motor dan mobil pada citra maupun video, baik<br /> 1<br /> yang bersumber dari CCTV, dashcam, maupun kamera statis lainnya <br /> (Ramadhani et al., 2023; Aulia et al., 2024).<br /> Penerapan algoritma YOLO dalam sistem pemantauan lalu lintas <br /> memungkinkan identifikasi jenis kendaraan secara otomatis, sehingga data <br /> yang dihasilkan dapat dimanfaatkan untuk berbagai keperluan, seperti <br /> analisis kepadatan lalu lintas, evaluasi pelanggaran, serta perencanaan <br /> transportasi. Penelitian terbaru juga menunjukkan bahwa penggunaan <br /> YOLO versi terkini mampu meningkatkan performa deteksi kendaraan <br /> dalam kondisi lingkungan yang kompleks, seperti pencahayaan rendah dan <br /> kepadatan lalu lintas tinggi (Hidayat dan Whardana, 2024; Mageswari et <br /> al., 2023).<br /> Seiring meningkatnya kebutuhan akan sistem pemantauan lalu lintas yang <br /> terintegrasi dan berbasis digital, penggunaan kamera CCTV sebagai <br /> sumber data visual menjadi solusi yang semakin relevan. CCTV telah <br /> banyak terpasang di ruas jalan dan persimpangan, sehingga dapat <br /> dimanfaatkan secara optimal dengan mengintegrasikannya ke dalam <br /> sistem smart detection berbasis AI. Dengan pengolahan citra dan video <br /> secara otomatis, sistem ini mampu menghasilkan informasi yang lebih <br /> objektif, terstruktur, dan dapat diakses secara real-time (Imanuel et al., <br /> 2024).<br /> Berdasarkan kondisi tersebut, kegiatan magang ini berfokus pada <br /> pengembangan sistem Smart Detection Kendaraan berbasis CCTV yang <br /> mampu mendeteksi dan mengklasifikasikan kendaraan, khususnya sepeda <br /> motor dan mobil, secara otomatis menggunakan algoritma YOLO. Sistem <br /> yang dikembangkan diharapkan dapat menjadi solusi pendukung dalam <br /> proses pemantauan lalu lintas dengan meningkatkan efisiensi pengawasan, <br /> akurasi pencatatan data kendaraan, serta mendukung pengambilan <br /> keputusan berbasis data pada sistem transportasi jalan raya.<br /> 2<br /> Melihat adanya kebutuhan tersebut di lingkungan praktis, khususnya pada <br /> institusi yang bergerak di bidang pengembangan teknologi informasi dan <br /> sistem cerdas, diperlukan pengembangan sistem pemantauan yang mampu <br /> menjawab tantangan pengawasan lalu lintas secara efektif dan efisien. <br /> Dalam konteks inilah PT. Zona Kreatif Indonesia melaksanakan <br /> pengembangan sistem Smart Detection Kendaraan berbasis CCTV sebagai <br /> bagian dari kegiatan magang. Zona Kreatif Indonesia merupakan institusi <br /> yang bergerak dalam pengembangan solusi digital dan teknologi kreatif, <br /> termasuk penerapan kecerdasan buatan dan pengolahan citra untuk <br /> mendukung kebutuhan sistem informasi berbasis data visual. Salah satu <br /> fokus pengembangan sistem yang dilakukan adalah pemanfaatan kamera <br /> CCTV untuk mendeteksi dan mengklasifikasikan jenis kendaraan di jalan <br /> raya, khususnya sepeda motor dan mobil, sebagai upaya mendukung <br /> sistem pemantauan lalu lintas yang lebih terintegrasi.<br /> Selama ini, proses pemantauan kendaraan pada ruas jalan umumnya masih <br /> dilakukan secara manual melalui observasi langsung atau pemantauan <br /> visual pasif dari rekaman CCTV, tanpa dukungan sistem analisis otomatis. <br /> Kondisi tersebut menyebabkan keterbatasan dalam pengolahan data <br /> kendaraan, baik dari segi kecepatan, akurasi, maupun konsistensi <br /> pencatatan informasi. Selain itu, data hasil pemantauan belum terstruktur <br /> dengan baik sehingga kurang optimal untuk dimanfaatkan sebagai dasar <br /> analisis maupun pengambilan keputusan. Oleh karena itu, diperlukan <br /> sistem berbasis kecerdasan buatan yang mampu mengolah data video <br /> CCTV secara otomatis dan real-time.<br /> Proyek ini bertujuan untuk mengembangkan sistem Smart Detection <br /> Kendaraan yang mampu melakukan deteksi dan klasifikasi kendaraan <br /> secara otomatis menggunakan algoritma deep learning berbasis You Only <br /> Look Once (YOLO). Sistem yang dikembangkan tidak hanya berfungsi <br /> untuk menampilkan hasil deteksi kendaraan secara visual, tetapi juga <br /> dirancang agar dapat dikembangkan lebih lanjut untuk kebutuhan analisis <br /> lalu lintas, seperti pencatatan jumlah kendaraan dan pemantauan <br /> kepadatan jalan. Dengan memanfaatkan teknologi computer vision, sistem<br /> 3<br /> ini diharapkan mampu meningkatkan efisiensi proses pemantauan serta <br /> menghasilkan data yang lebih objektif dan terstruktur.<br /> Mengingat sistem ini mengolah data visual dari kamera CCTV yang <br /> berpotensi mengandung informasi sensitif, aspek keamanan dan keandalan <br /> sistem menjadi perhatian utama dalam proses pengembangannya. Oleh <br /> karena itu, sistem dirancang dengan mekanisme pengelolaan akses dan <br /> pengolahan data yang terkontrol guna memastikan integritas serta <br /> keandalan hasil deteksi. Implementasi sistem Smart Detection Kendaraan <br /> berbasis CCTV ini diharapkan dapat menjadi solusi pendukung dalam <br /> pengawasan lalu lintas serta menjadi dasar pengembangan sistem cerdas <br /> lainnya di bidang transportasi berbasis teknologi digital |
| Kategori | PKL - TMJ |
| Diunggah oleh | Theo Dhiya Pratama |
| Diunggah pada | Tue, 3 Feb 2026 |
2.
| Judul | Pengembangan Platform Adaptive Gateway IoT: Arsitektur, Middleware, dan Keamanan Akses |
| Deskripsi | Seiring dengan pesatnya perkembangan industri dan kemajuan teknologi<br /> informasi, efisiensi serta efektivitas dalam menjalankan operasional<br /> perusahaan menjadi faktor utama untuk mencapai keunggulan kompetitif. PT.<br /> Indo Trans Teknologi, sebagai salah satu perusahaan yang bergerak di bidang<br /> layanan teknologi dan solusi transportasi, menghadapi tantangan untuk terus<br /> berinovasi serta meningkatkan produktivitas di tengah dinamika pasar yang<br /> semakin kompetitif. Dalam konteks ini, kegiatan magang di PT. Indo Trans<br /> Teknologi menjadi kesempatan berharga untuk memahami secara langsung<br /> bagaimana penerapan manajemen operasional dan teknologi dalam<br /> mendukung kinerja perusahaan.<br /> Melalui program magang di PT. Indo Trans Teknologi, mahasiswa memiliki<br /> peluang untuk menerapkan pengetahuan teoritis yang telah diperoleh di<br /> bangku kuliah ke dalam praktik kerja nyata. Selama kegiatan berlangsung,<br /> mahasiswa dapat terlibat dalam berbagai aspek operasional perusahaan, seperti<br /> pengelolaan sistem informasi, manajemen proyek teknologi, optimalisasi<br /> proses bisnis, hingga pengembangan solusi digital. Pengalaman ini tidak<br /> hanya memperkuat kemampuan teknis, tetapi juga membantu mahasiswa<br /> memahami peran penting teknologi dalam menciptakan efisiensi dan nilai<br /> tambah di dunia industri modern.<br /> Selain itu, kegiatan magang ini memberikan kesempatan bagi mahasiswa<br /> untuk memperoleh wawasan tentang tantangan dan strategi yang dihadapi<br /> perusahaan dalam mengintegrasikan teknologi dengan kebutuhan bisnis.<br /> Interaksi langsung dengan para profesional di PT. Indo Trans Teknologi juga<br /> menjadi sarana yang efektif untuk membangun jaringan, meningkatkan<br /> kemampuan komunikasi, serta mengembangkan keterampilan kolaboratif<br /> dalam lingkungan kerja profesional.<br /> Oleh karena itu, tujuan dari laporan magang ini adalah untuk<br /> mendokumentasikan pengalaman, pembelajaran, serta analisis terhadap sistem<br /> dan proses yang diterapkan di PT. Indo Trans Teknologi. Diharapkan laporan<br /> ini tidak hanya menjadi refleksi atas kegiatan magang yang telah dilakukan,<br /> tetapi juga memberikan kontribusi nyata dalam upaya peningkatan efisiensi<br /> operasional perusahaan, sekaligus menjadi referensi bermanfaat bagi<br /> mahasiswa dan pihak-pihak yang berminat pada bidang teknologi dan<br /> manajemen operasional. |
| Kategori | PKL - TI |
| Diunggah oleh | Jonathan Victorian Wijaya |
| Diunggah pada | Tue, 3 Feb 2026 |
3.
| Judul | PENERAPAN PIPELINE UNTUK INTELIJEN BISNIS BERBASIS KECERDASAN BUATAN GENERATIF AGENTIK DI PT TELEKOMUNIKASI SELULAR |
| Deskripsi | Dalam industri telekomunikasi, data merupakan aset yang paling penting dari suatu organisasi. (Keshavarz, 2021) PT Telekomunikasi Selular, sebagai penyedia layanan<br /> telekomunikasi terkemuka di Indonesia, beroperasi dalam lingkungan yang sangat kompetitif yang ditandai dengan aliran data yang masif dan berkecepatan tinggi dari lalu lintas jaringan, interaksi pelanggan, dan sistem operasional. (Deloitte, 2025) Memanfaatkan data ini secara efektif melalui Kecerdasan Bisnis atau Business Intelligence (BI) sangat penting untuk pengambilan keputusan yang strategis, mengoptimalkan kinerja jaringan, serta membuat pengalaman pelanggan lebih personal. Namun, sistem BI tradisional seringkali menghadirkan hambatan yang signifikan, sistem ini biasanya bergantung pada dashboard statis dan mengharuskan pengguna memiliki keahlian teknis khusus, seperti pemahaman mengenai SQL atau keahlian data science, untuk melakukan analisis ad-hoc atau analisis data yang dilakukan secara spontan untuk menjawab pertanyaan spesifik dan mendadak. (Oliveira, 2020) Ketergantungan ini menciptakan jeda waktu antara pertanyaan bisnis dan jawabannya, sehingga membatasi kelincahan pengambilan keputusan yang strategis. Munculnya Kecerdasan Buatan Generatif atau Generative Artificial Intelligence (GenAI), khususnya Large Language Models (LLM), menawarkan pergeseran paradigma, yang memungkinkan pengembangan sistem BI yang intuitif dan komunikatif yang dapat mendemokratisasi akses data bagi semua pemangku kepentingan. (Kurat, 2024) Laporan magang ini membahas mengenai perancangan dan implementasi pipeline Pembelajaran Mesin atau Machine Learning (ML) baru yang dirancang khusus untuk mendukung sistem BI berbasis AI Generatif bagi PT Telekomunikasi Selular. Latar belakang proyek ini berawal dari kebutuhan untuk melampaui batasan BI tradisional dengan menciptakan alur kerja analisis data yang lebih terotomatisasi dan cerdas. Aktivitas inti meliputi riset, perancangan, dan pengembangan arsitektur berbasis agen secara iteratif yang mampu menginterpretasi query pengguna dalam bahasa alami. Hal ini memerlukan reverse-engineering pada fase awal dan analisis komparatif terhadap framework open source yang ada, seperti DataGPT (dari digai.co) dan Auto-Analyst, untuk menetapkan baseline dan mengidentifikasi best-practices dari arsitektur, keunggulannya, serta keterbatasannya. (FireBird-Technologies, 2025) Pipeline yang dihasilkan dirancang untuk mengelola proses menyeluruh: mulai dari menerima perintah pengguna hingga mengorkestrasi berbagai agen AI khusus, memproses data secara efisien menggunakan dataframe modern seperti Polars, menghasilkan visualisasi dinamis dengan alat seperti Plotly, dan menyusun respons analitis akhir yang dapat dibaca manusia dengan lebih mudah. Proses pengembangannya sangat iteratif, berfokus pada peningkatan berkelanjutan dan integrasi. Sebagian besar aktivitas melibatkan rekayasa cepat dan modifikasi konten sistem untuk meningkatkan keandalan atau reliability, konsistensi, dan akurasi agen LLM. Hal ini mencakup penerapan pembatas atau guard-rails, penerapan seed untuk keluaran deterministik, dan penyempurnaan peran agen, seperti Manipulator Data, Visualizer Data, dan Analyzer Data. Performa dan fleksibilitas menjadi pertimbangan utama, yang mengarah pada pengujian dan perbandingan berbagai model dasar, termasuk GPT-5, dan Gemini-2.5-pro, serta implementasi pengatur waktu pelacakan performa sebagai alat benchmarking. Selanjutnya, pipeline ini disempurnakan dengan fitur-fitur penting seperti memori sesi, caching konteks, dan Router Agen otomatis untuk memastikan kesadaran kontekstual atau context aware dan pendelegasian tugas yang lebih efisien. Tahap akhir magang difokuskan pada pengintegrasian pipeline ML ini dengan sistem front-end dan back-end berbasis web, memastikan dapat mendukung berbagai sumber data termasuk CSV, Excel, dan basis data PostgreSQL, serta mendokumentasikan seluruh arsitektur secara menyeluruh. |
| Kategori | PKL - TI |
| Diunggah oleh | Muhammad Nabiel Rayhan Falaah |
| Diunggah pada | Mon, 2 Feb 2026 |
4.
| Judul | PENGEMBANGAN SISTEM INFORMASI REKRUTMEN KARYAWAN BERBASIS WEB MENGGUNAKAN FRAMEWORK LARAVEL 10 DAN METODE WATERFALL |
| Deskripsi | Kebutuhan akan sistem informasi rekrutmen berbasis web menjadi sangat penting bagi Yayasan Matsushita Gobel untuk dapat mengelola layanan jasa rekrutmen secara profesional. Program ini dirancang sebagai solusi yang menghubungkan tiga pihak utama: perusahaan yang memerlukan karyawan, tim MGF (Matsushita Gobel Foundation) sebagai pengelola jasa rekrutmen, dan kandidat pencari kerja. Dengan sistem terintegrasi, Yayasan Matsushita Gobel dapat menangani beberapa perusahaan secara bersamaan, serta mempercepat proses seleksi kandidat sesuai dengan kebutuhan perusahaan |
| Kategori | PKL - TI |
| Diunggah oleh | Syafrizal Choir |
| Diunggah pada | Thu, 1 Jan 2026 |
5.
| Judul | Pengembangan Aplikasi Review CV Berbasis Artificial Intelligence Terintegrasi Model LLM Gemini dan OCR Pada TalentHero.id |
| Deskripsi | Perkembangan teknologi Artificial Intelligence (AI) dan Optical Character Recognition (OCR) membuka peluang untuk memberikan solusi self-service yang dapat membantu kandidat meningkatkan kualitas CV sebelum melamar pekerjaan. Teknologi AI berbasis Natural Language Processing (NLP) telah terbukti mampu menganalisis CV dengan tingkat akurasi tinggi dan mempercepat proses screening yang sebelumnya memakan waktu lebih dari satu jam menjadi hitungan detik (Neighbor et al., 2025). Large Language Model (LLM) seperti Google Gemini menawarkan kemampuan pemrosesan bahasa alami yang canggih dengan arsitektur kompleks dan kemampuan multimodal untuk menganalisis konten CV secara mendalam, mengevaluasi kelengkapan informasi, kesesuaian dengan standar profesional, dan memberikan feedback konstruktif yang personal (Baskara, 2025; Fidelis et al., 2025)Sementara itu, teknologi OCR memungkinkan ekstraksi data otomatis dari dokumen CV dalam berbagai format (PDF, gambar, atau scan) dengan dukungan multi-bahasa termasuk bahasa Indonesia, yang mengubah informasi tidak terstruktur menjadi data yang dapat dianalisis secara sistematis (Sari et al., 2025). |
| Kategori | PKL - TI |
| Diunggah oleh | Syafrizal Choir |
| Diunggah pada | Sat, 3 Jan 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
Tidak ada dokumen
Juli
222
Agustus
296
September
134
Oktober
52
November
12
Desember
368