Year: 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
Year: 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.
Year: 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.
Year: 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.
Year: Skripsi
NIM: 1197050101
Year: 2025
Mangga merupakan salah satu buah yang banyak dikonsumsi oleh masyarakat Indonesia. Salah satu masalah yang dapat merusak kualitas mangga adalah penyakit antraknosa. Penyakit yang disebabkan oleh jamur Colletotrichum gloeosporiodes ini memiliki ciri bintik-bintik hitam pada buah, sehingga menyebabkan buah tidak layak untuk dijual. Namun karena identifikasi penyakit ini biasa dilakukan langsung oleh petani yang kurang berpengetahuan, hal ini rentan akan kesalahan. Oleh karena itu dibuat model dengan algoritma SVM untuk mendeteksi penyakit antraknosa pada buah mangga. Parameter yang digunakan pada penelitian ini adalah kernel RBF (radial basis function), C, dan gamma. Untuk menentukan parameter terbaik, digunakan GridSearchCV sehingga dapat ditemukan hyperparameter optimal. Penelitian ini mengikuti alur dari CRISP-DM yang banyak digunakan dalam pengembangan model deteksi gambar. Penelitian ini menggunakan dataset “MangoFruitDDS” dari Kaggle. Pada penelitian, digunakan 3 kelas yaitu kelas Antraknosa, Berpenyakit tapi bukan Antraknosa dan sehat, dengan jumlah masing-masing kelas 200 gambar. Karena gambar dari dataset kurang dari 200 pada kelas Antraknosa dan Sehat maka dilakukan augmentasi gambar agar mencapai angka tersebut. Preprocessing gambar meliputi mengubah ukuran gambar menjadi 224x224 dan mengubah data gambar menjadi data angka dengan proses flatten. Hasil penelitian menunjukkan nilai akurasi model sebesar 84,44%.
