Bangkit Academy 2024 Batch 2

MBKM

NIM: 1217050059

Year: 2024

Aplikasi Deteksi Kanker Kulit Melanoma Menggunakan Convolutional Neural Network Aplikasi ini berbasis AI yang dimana mampu menganalisis gambar kulit untuk mendeteksi kemungkinan adanya kanker kulit melanoma. Dengan memanfaatkan model CNN yang telah dilatih, aplikasi ini dapat memberikan hasil prediksi secara cepat dan akurat. Aplikasi ini dirancang untuk membantu tenaga medis dan pengguna umum dalam mendeteksi dini melanoma, sehingga memungkinkan penanganan lebih awal dan efektif.

WEBSITE KONVERSI MATA KULIAH PROGRAM MBKM

Kerja Praktek

NIM: 1217050060

Year: 2024

Membuat website konversi SKS MBKM di jurusan Teknik Informatika

PENGEMBANGAN WEBSITE IKATAN ALUMNI TEKNIK INFORMATIKA UNIVERSITAS ISLAM NEGERI SUNAN GUNUNG DJATI BANDUNG

Kerja Praktek

NIM: 1207050002

Year: 2025

Pada kerja praktik ini saya mengembangkan webiste Ikatan Alumni Teknik Informatika UIN SGD.

PENGGUNAAN TEKNIK WEB SCRAPING DAN ANALISIS DATA PRODUK BUKALAPAK DI BADAN PUSAT STATISTIK PROVINSI JAWA BARAT

Kerja Praktek

NIM: 1217050109

Year: 2025

Dokumen Seminar Kerja Praktik

PEMBUATAN WEBSITE BOOKING UNTUK PENGINAPAN UMKM MENGGUNAKAN LARAVEL DAN JETSTREAM

Kerja Praktek

NIM: 1217050090

Year: 2025

Website booking ini dirancang untuk mempermudah pengelolaan reservasi penginapan UMKM secara digital. Dibangun menggunakan Laravel dan Jetstream, sistem ini menyediakan fitur autentikasi, manajemen kamar, serta pemesanan yang efisien dan user-friendly. Dengan teknologi ini, pengelola dapat mengoptimalkan layanan pemesanan dan meningkatkan pengalaman pelanggan.

PENGEMBANGAN WEBSITE PROFIL PT YASAKAYARA GROUP PERKASA DENGAN FITUR CEK RESI DAN SISTEM ADMIN BERBASIS PHP DAN MYSQL

Kerja Praktek

NIM: 1217050043

Year: 2025

Website ini dikembangkan untuk menampilkan profil PT Yasakayara Group Perkasa serta memudahkan pelanggan dalam melacak status pesanan jasa mereka melalui fitur cek resi. Pelanggan dapat mengetahui apakah pesanan mereka disetujui, ditolak, atau memerlukan perbaikan dengan memasukkan nomor resi. Sistem admin berbasis PHP dan MySQL memungkinkan pengelolaan data pesanan dan pelanggan secara efisien, memastikan layanan lebih terorganisir dan transparan.

IMPLEMENTASI ALGORITMA CONVOLUTIONAL NEURAL NETWORK PADA KLASIFIKASI PENYAKIT DAUN STROBERI

NIM: 1217050079

Year: 2025

Penelitian ini bertujuan membangun model deteksi penyakit daun stroberi secara otomatis menggunakan algoritma Convolutional Neural Network (CNN) dengan arsitektur ResNet50. Model ini dikembangkan untuk membantu petani mengidentifikasi penyakit lebih dini melalui citra daun, sehingga dapat mencegah kerugian hasil panen.

Perbandingan Algoritma Random Forest, Gradient Boosting, dan Support Vector Machine dengan Optimasi SMBO dalam Prediksi Valuasi Mobil Bekas di Indonesia berdasarkan Akurasi dan Waktu Eksekusi

NIM: 1217050116

Year: 2025

Perbandingan Algoritma Random Forest, Gradient Boosting, dan Support Vector Machine dengan Optimasi SMBO dalam Prediksi Valuasi Mobil Bekas di Indonesia berdasarkan Akurasi dan Waktu Eksekusi

IMPLEMENTASI ARSITEKTUR CONVOLUTIONAL NEURAL NETWORK UNTUK DETEKSI DAN KLASIFIKASI CITRA AKSARA SUNDA

NIM: 1217050005

Year: 2025

Membuat model deep learning klasifikasi aksara sunda menggunkaan algoritma Convolutional Neural Network

Pembangunan Chatbot Identifikasi Kesehatan Mental menggunakan Bidirectional Encoder Representations from Transformers (BERT)

NIM: 1217050093

Year: 2025

Penelitian Bersama

IMPLEMENTASI ALGORITAMA CONVOLUTIONAL NEURAL NETWORK (CNN) UNTUK PEMBACAAN KODE SANDI MORSE DALAM KEPRAMUKAAN

NIM: 1217050032

Year: 2025

Proposal

PENGEMBANGAN CHATBOT EDUKASI DAN MANAJEMEN SAMPAH DENGAN ALGORITMA BIDIRECTIONAL ENCODER REPRESENTATIONS FROM TRANSFORMERS

NIM: 1207050061

Year: 2025

Pembuatan Chatbot Edukasi dan Manajemen Sampah menggunakan Aplikasi Telegram

Aplikasi pengenalan kata serapan bahasa asing dan daerah berbasis hasil percakapan

Skripsi

NIM: 1207050146

Year: 2025

Rendahnya tingkat literasi masyarakat Indonesia berdasarkan survei PISA dan terbatasnya akses literasi berbasis digital terkait kata serapan mendorong pengembangan solusi teknologi pembelajaran yang inovatif. Penelitian ini bertujuan mengembangkan aplikasi Android yang dapat mengenali dan mengklasifikasikan kata serapan dari input percakapan pengguna menggunakan algoritma Support Vector Machine (SVM). Metodologi CRISP-DM digunakan sebagai kerangka kerja penelitian, dengan dataset teks yang terdiri dari 3.433 kata serapan dan 3.433 kata murni yang dikumpulkan dari Buku Kamus Kata Serapan karya Js. Badudu, KBBI, dan Buku Senarai Kata Serapan. Dataset audio dihasilkan menggunakan platform text-to-speech LuvVoice dengan total 27.456 file audio dari empat varian suara. Ekstraksi fitur dilakukan menggunakan TF-IDF berbasis karakter untuk data teks dan Mel-Frequency Cepstral Coefficients (MFCC) untuk data audio. Hasil evaluasi menunjukkan model berbasis teks mencapai akurasi 88% dengan precision 90% dan recall 86% untuk kata serapan, sementara model berbasis audio mencapai akurasi 73% dengan precision 78% dan recall 66%. Pengujian pada data baru menunjukkan performa yang bervariasi: model teks mencapai akurasi 96% untuk kata serapan dan 55% untuk kata murni, sementara model audio mencapai 62% untuk kata serapan dan 15% untuk kata murni. Aplikasi yang dikembangkan mengintegrasikan model SVM dengan arsitektur terdistribusi, dilengkapi fitur autentikasi pengguna, monitoring percakapan, dan pembuatan laporan. Meski masih memerlukan pengembangan untuk meningkatkan akurasi prediksi, terutama pada model audio dan klasifikasi kata murni, aplikasi ini diharapkan menjadi solusi inovatif untuk pembelajaran kata serapan bahasa Indonesia

Analisis Sentimen Isu Childfeee di Indonesia dan Amerika Serikat Menggunakan Bidirectional Encoder Representations from Transformers (BERT)

Skripsi

NIM: 1217050143

Year: 2025

Fenomena childfree menjadi topik perbincangan yang luas diberbagai negara seiring dengan menurunnya tingkat kelahiran secara signifikan, yang berdampak pada struktur demografi dan nilai-nilai sosial di berbagai negara. Media sosial menjadi ruang utama bagi masyarakat untuk mengekspresikan pandangannya terkait isu ini, namun perbedaan variasi bahasa dan budaya menciptakan variasi sentimen yang beragam untuk dianalisis karena volume data yang besar. Penelitian ini bertujuan untuk mengeksplorasi perbandingan persepsi masyarakat di Indonesia dan Amerika Serikat terhadap childfree di platform X dengan menerapkan analisis sentimen berbasis BERT-base Multilingual. Metode yang digunakan mencakup pengumpulan data, klasifikasi ke dalam tiga kategori sentimen (positif, negatif, netral), dan pengujian dengan pembagian data 80:10:10. Hasil menunjukkan model berhasil diterapkan dengan performa akurasi 85,50%, Precision 81,67%, Recall 77,44%, dan F1-score 79,52% dalam menganalisis konteks dwibahasa. Dari 9.202 tweet yang dianalisis, terdapat perbedaan signifikan dalam distribusi sentimen: Indonesia didominasi sentimen negatif (90,68%), sedangkan Amerika Serikat memiliki distribusi lebih seimbang (negatif 41,97%, positif 28,25%, netral 29,78%), sehingga mencerminkan kontras pandangan kultural terhadap keputusan childfree. Kata Kunci: Analisis Sentimen, BERT-base Multilingual, Childfree, Media Sosial X, NLP

Penerapan Model YOLOv10-S dalam Sistem Presensi berbasis Face Recognition secara Real-Time

Skripsi

NIM: 1207050098

Year: 2025

Fenomena titip absen menjadi permasalahan yang mengganggu keadilan dalam penilaian kehadiran mahasiswa di kelas. Penelitian ini bertujuan mengembangkan sistem presensi berbasis pengenalan wajah secara real-time menggunakan model YOLOv10-S dengan pendekatan kombinasi metode Agile dan CRISP-DM. Dataset yang digunakan terdiri dari 3.600 foto wajah mahasiswa UIN Sunan Gunung Djati Bandung jurusan Teknik Informatika angkatan 2022, yang dibagi menjadi 78% data pelatihan dan 22% data validasi. Model yang telah dilatih kemudian diuji menggunakan data uji berbentuk video simulasi presensi offline untuk merepresentasikan kondisi nyata. Hasil evaluasi menunjukkan bahwa model mencapai nilai F1-Score sebesar 0,83 atau 83%, sehingga sistem ini diharapkan dapat menjadi solusi inovatif untuk meningkatkan akurasi dan keadilan dalam presensi mahasiswa berbasis pengenalan wajah.

Text Generation untuk Profil Mata Kuliah pada Penilaian Outcome-Based Education Menggunakan Text-to-Text Transfer Transformers

Artikel

NIM: 1207050095

Year: 2025

Abstrak Evaluasi capaian pembelajaran mata kuliah (CPMK) dalam Outcome-Based Education (OBE) masih dilakukan secara manual, memakan waktu, dan rentan terhadap kesalahan. Selain itu, profil pencapaian CPMK sering diabaikan. Penelitian ini bertujuan mengotomasi pembuatan profil mata kuliah berbasis CPMK menggunakan teknologi Text Generation. Metode yang digunakan adalah Transformers dengan algoritma T5 (Text-to-Text Transfer Transformers). Eksperimen dilakukan dengan tiga varian model T5: T5 Base, T5 Base dengan fine-tuning, dan T5 XL, dievaluasi menggunakan metrik Bilingual Evaluation Understudy (BLEU) dan Recall-Oriented Understudy for Gisting Evaluation (ROUGE). Hasil menunjukkan T5 XL memiliki performa terbaik dengan BLEU rata-rata 0,592 dan ROUGE-L 0,721. T5 Base dengan fine-tuning mencatat BLEU 0,417 dan ROUGE-L 0,468, sedangkan T5 Base tanpa fine-tuning memiliki BLEU 0,327 dan ROUGE-L 0,246. Selain itu, prompt yang lebih terstruktur menghasilkan evaluasi lebih baik. Penelitian ini membuktikan bahwa T5 XL meningkatkan efisiensi dan akurasi evaluasi CPMK dalam OBE. Abstract The evaluation of Course Learning Outcomes (CPMK) in Outcome-Based Education (OBE) is still conducted manually, making it time-consuming and prone to errors. Additionally, the achievement profile of CPMK is often overlooked. This study aims to automate the generation of course profiles based on CPMK using Text Generation technology. The method employed is Transformers with the T5 (Text-to-Text Transfer Transformer) algorithm. Experiments were conducted using three variants of the T5 model: T5 Base, T5 Base with fine-tuning, and T5 XL, evaluated using the Bilingual Evaluation Understudy (BLEU) and Recall-Oriented Understudy for Gisting Evaluation (ROUGE) metrics. The results show that T5 XL achieved the best performance, with an average BLEU score of 0.592 and a ROUGE-L score of 0.721. T5 Base with fine-tuning recorded a BLEU score of 0.417 and a ROUGE-L score of 0.468, while T5 Base without fine-tuning had a BLEU score of 0.327 and a ROUGE-L score of 0.246. Additionally, more structured prompts yielded better evaluation results. This study demonstrates that T5 XL enhances the efficiency and accuracy of CPMK evaluation in OBE.

Implementasi sistem presensi otomatis berbasis RFID dan algoritma YOLO untuk monitoring kehadiran mahasiswa di kelas

Skripsi

NIM: 1217050097

Year: 2025

Penelitian ini bertujuan untuk mengimplementasikan sistem presensi otomatis berbasis teknologi Radio Frequency Identification (RFID) dan algoritma YOLOv5s (You Only Look Once versi 5 small) untuk memantau kehadiran mahasiswa secara otomatis dan akurat. Sistem dirancang untuk mengatasi kelemahan presensi manual yang lambat, rawan kesalahan, dan manipulasi. RFID digunakan untuk identifikasi otomatis mahasiswa, sedangkan YOLOv5s digunakan sebagai validasi visual melalui deteksi objek secara real-time. Metodologi pengembangan menggunakan pendekatan CRISP-DM, mencakup tahapan business understanding, data preparation, modelling, evaluation, dan deployment. Hasil implementasi menunjukkan bahwa sistem dapat mencatat kehadiran secara otomatis dengan tingkat akurasi yang baik. Evaluasi melalui Blackbox Testing menunjukkan seluruh fungsi berjalan sesuai harapan. Model YOLOv5s mencatat precision sebesar 0.754 dan recall 0.382, sementara model YOLO-CROWD mencapai [email protected] sebesar 43,6%, lebih tinggi dari YOLOv5s yang memperoleh 39,4%. Sistem ini terbukti dapat meningkatkan efisiensi dan akurasi pencatatan kehadiran, serta mengurangi potensi manipulasi data. Dengan potensi integrasi ke dalam Learning Management System (LMS), sistem ini menjadi solusi inovatif untuk manajemen kehadiran mahasiswa di institusi pendidikan.

Queue FCFS (First Come First Served) dan Rate Limiting Request untuk Optimasi Proses Pendaftaran KKN: Studi Kasus Website KKN UIN Sunan Gunung Djati Bandung

Skripsi

NIM: 1207050064

Year: 2025

Kuliah Kerja Nyata (KKN) merupakan manifestasi dari pendidikan karakter bagi mahasiswa untuk dapat mengetahui realitas kehidupan masyarakat dan permasalahan yang dihadapi. Akan tetapi dalam pelaksanaannya, proses pendaftaran KKN sering kali dihadapkan dengan berbagai kendala teknis, terutama ketika terjadi lonjakan pengguna secara bersamaan yang mengakibatkan penumpukan serta permintaan berlebih pada server. Penelitian ini bertujuan untuk mengoptimalkan proses pendafataran KKN dengan menerapkan algoritma First Come First Served (FCFS) untuk mengelola antrian dan Rate Limiting Request untuk membatasi jumlah permintaan per pengguna dalam satuan waktu tertentu. Implementasi dilakukan di lingkungan lokal menggunakan Next.js, Node.js, dan MySQL. Penelitian ini menunjukan bahwa algoritma FCFS mampu berjalan sangat baik dan memberikan keadilan dalam pengelolaan antrian dengan memproses permintaan berdasarkan waktu datang bagi setiap pendaftar. Sementara itu, penerapan Rate Limiting berhasil menjaga stabilitas dengan membatasi jumlah permintaan yang dapat diproses secara bersamaan, sehingga menghindari overload pada server. Analisis performa menunjukkan bahwa pada kenaikan jumlah pengguna hingga 500 user secara bersamaan, CPU hanya mengalami peningkatan rata-rata 0,96% dan penggunaan memori meningkat hanya 0,5%, yang masih dalam batas stabil. Kombinasi dari kedua metode ini menghasilkan sistem yang lebih stabil dan cukup responsif terhadap aksi pengguna walapun dalam kondisi permintaan yang melonjak. Penelitian ini memberikan konstribusi pada pengembangan sistem pendaftaran berbasis antrian dengan algortima yang sederhana namun efektif mengatasi masalah teknis pada sistem.