Katalog Program Studi: Teknik Informatika (S1)
Penelusuran metadata karya ilmiah dan dokumen institusi Universitas Bina Insani.
Filter Otomatis
ResetKatalog Program Studi: Teknik Informatika (S1)
Menampilkan 28 karya ilmiah repository terverifikasi (Skripsi & Artikel Jurnal OJS)
| Detail Karya Ilmiah & Metadata | Tipe & Program Studi | Aksi Metadata |
|---|---|---|
PENERAPAN CHATBOT BERBASIS NATURAL LANGUAGE PROCESSING (NLP) UNTUK LAYANAN INFORMASI SPMB DI SMPS PLUS FAJAR SENTOSA
Penulis: Ahmad Gusnaedi, NADYA SAFITRI, S.T., M.Kom. |
2026
Sistem Penerimaan Murid Baru (SPMB) di SMPS Plus Fajar Sentosa masih menghadapi keterlambatan respons karena layanan informasi bergantung pada panitia yang juga bertugas sebagai guru, serta belum adanya standar jawaban yang menyebabkan informasi kurang konsisten. Penelitian ini bertujuan merancang dan mengembangkan chatbot berbasis Natural Language Processing (NLP) dengan metode Naive Bayes untuk memberikan informasi SPMB secara cepat, tepat, dan seragam melalui website dan WhatsApp. Metode pengembangan sistem yang digunakan adalah Rapid Application Development (RAD) yang meliputi requirements planning, user design, construction, dan cutover, sedangkan pengumpulan data dilakukan melalui observasi, wawancara, dan studi pustaka. Pertanyaan pengguna diproses melalui tahapan preprocessing teks dan diklasifikasikan menggunakan Naive Bayes untuk menentukan jawaban sesuai kategori informasi. Hasil pengujian fungsional menunjukkan bahwa fitur-fitur sistem berjalan sesuai dengan skenario yang dirancang. Pengujian User Acceptance Testing (UAT) terhadap 28 responden yang terdiri atas 26 pengguna dan 2 admin memperoleh nilai keseluruhan sebesar 87,24% dari pengguna dan 95,00% dari admin, yang keduanya berada pada kategori sangat setuju. Hasil tersebut menunjukkan bahwa chatbot mampu membantu mempercepat layanan informasi, meningkatkan konsistensi jawaban, serta memudahkan admin dalam mengelola informasi SPMB. Dengan demikian, sistem yang dikembangkan layak digunakan sebagai media layanan informasi SPMB di SMPS Plus Fajar Sentosa.
#Chatbot
#Natural Language Processing
#Naive Bayes
#SPMB
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
Prediksi Kebutuhan Spare part Pada Lini ULI PT Cedefindo Menggunakan Algoritma Random Forest
Penulis: Salsabil Amatin Fauzia, ARI NURUL ALFIAN, S.Pd., M.Kom. |
2026
PT Cedefindo khususnya pada lini ULI masih melakukan pengadaan spare part berdasarkan kondisi stok dan pengalaman pegawai sehingga belum memanfaatkan data historis penggunaan spare part secara optimal, yang berpotensi menyebabkan terjadinya stockout. Penelitian ini bertujuan untuk menghasilkan estimasi kebutuhan spare part dan menerapkan algoritma Random Forest untuk memprediksi kebutuhan spare part periode berikutnya berdasarkan data historis penggunaan spare part, preventive maintenance report, dan Trend. Penelitian menggunakan metodologi CRISP-DM yang meliputi tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment dengan memanfaatkan data historis penggunaan spare part lini ULI periode Januari 2025 hingga April 2026. Hasil evaluasi model menunjukkan nilai MAE sebesar 2,69, RMSE sebesar 4,97, dan R² sebesar 0,34, sehingga model memiliki tingkat kesalahan prediksi yang relatif rendah meskipun belum mampu menjelaskan seluruh variasi data kebutuhan spare part. Penelitian ini menghasilkan sistem prediksi berbasis web yang dapat membantu admin teknik dalam mendukung pengambilan keputusan pengadaan spare part secara lebih terukur dan berbasis data historis untuk mengurangi risiko stockout.
#CRISP-DM
#Machine Learning
#Prediksi
#Random Forest
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
Perancangan Sistem Monitoring Ketersediaan Meja Coffee Shop Berbasis Computer Vision Menggunakan YOLOv8
Penulis: Muhammad Ilham Syawal Sanusi, Jafar Shadiq, S.Kom. M.Kom |
2026
Perkembangan sektor Food and Beverages di Indonesia mendorong Coffee shop untuk memberikan pelayanan yang cepat dan efisien. Namun, di Naluri Kopi Bojong Gede, proses pemantauan ketersediaan meja masih dilakukan secara manual oleh petugas, sehingga membutuhkan waktu dan berpotensi menimbulkan keterlambatan dalam memberikan informasi kepada pelanggan, terutama pada jam sibuk. Penelitian ini bertujuan merancang sistem monitoring okupansi meja yang mampu memberikan informasi ketersediaan meja secara real-time, serta mengimplementasikan teknologi Deep Learning dan Computer Vision menggunakan algoritma YOLOv8n untuk mendeteksi status meja kosong dan terisi secara otomatis. Penelitian ini menggunakan model pengembangan Rapid Application Development (RAD) yang terdiri atas tahap Requirements Planning, User Design, Construction, dan Cutover. Model YOLOv8n pretrained berbasis dataset MS COCO digunakan untuk mendeteksi objek person pada area meja yang telah dikalibrasi (Region of Interest), kemudian dipadukan dengan mekanisme Temporal Filtering untuk menentukan status meja available atau occupied yang ditampilkan pada dashboard monitoring berbasis web. Kontribusi penelitian ini adalah tersedianya solusi otomatisasi pemantauan meja tanpa memerlukan pelatihan model tambahan. Hasil pengujian fungsional menggunakan Black Box Testing menunjukkan seluruh 12 skenario pengujian berjalan valid. Pengujian akurasi terhadap 300 data menghasilkan nilai Accuracy sebesar 89,00%, Precision sebesar 88,67%, Recall sebesar 90,38%, dan F1-Score sebesar 89,52%. Berdasarkan hasil tersebut, dapat disimpulkan bahwa sistem monitoring okupansi meja berbasis YOLOv8n mampu mendeteksi status ketersediaan meja secara real-time dengan tingkat ketepatan yang baik, sehingga dapat membantu petugas mengurangi pengecekan manual dan meningkatkan efisiensi pelayanan pada Coffee shop.
#Computer Vision
#Deep Learning
#YOLOv8n
#Monitoring Okupansi Meja
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
KLASIFIKASI EMOSI MANUSIA BERDASARKAN EKSPRESI WAJAH PADA VIDEO MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK (CNN) DAN TRANSFER LEARNING
Penulis: Jengkar Ayogya Widji Lestari, JAFAR SHADIQ, S.Kom., M.Kom. |
2026
Pengenalan emosi berdasarkan ekspresi wajah merupakan salah satu penerapan Artificial Intelligence (AI) dan Computer Vision. Penelitian ini bertujuan mengembangkan prototype sistem pengenalan emosi secara real-time menggunakan metode Convolutional Neural Network (CNN) dengan pendekatan Transfer Learning. Sistem dirancang untuk mendeteksi wajah dan mengklasifikasikan tiga kategori emosi, yaitu serius, ngobrol, dan ngantuk, melalui video dari webcam. Proses penelitian meliputi deteksi wajah menggunakan YOLO, prapemrosesan citra, ekstraksi fitur dengan CNN, dan klasifikasi emosi. Hasil deteksi ditampilkan pada antarmuka dalam bentuk bounding box, label emosi, dan nilai confidence. Pengujian menunjukkan bahwa prototype mampu melakukan deteksi wajah dan klasifikasi emosi secara otomatis dengan performa real-time, sehingga berpotensi mendukung penerapan sistem pengenalan emosi pada bidang pendidikan, kesehatan, dan interaksi manusia dengan komputer.
#Artificial Intelligence (AI)
#Computer Vision
#Convolutional Neural Network (CNN)
#Ekspresi Wajah
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI LARGE LANGUAGE MODEL (LLM) UNTUK PEMBANGUNAN AI PERSONA SEBAGAI PENDAMPING KONSELING MAHASISWA
Penulis: Vina Zahrotun Nazah, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Universitas Bina Insani telah menyediakan chatbot konseling mahasiswa melalui layanan Suara BiU. Namun, chatbot sebelumnya masih memiliki keterbatasan karena respons yang diberikan cenderung umum, kurang kontekstual, dan belum cukup empatik dalam menanggapi kondisi pengguna. Penelitian ini bertujuan untuk mengembangkan chatbot konseling mahasiswa berbasis AI Persona yang mampu memberikan respons lebih spesifik, kontekstual, dan empatik sebagai pendamping awal layanan konseling mahasiswa. Metode pengembangan sistem yang digunakan adalah CRISP-DM, meliputi tahapan business understanding, data understanding, data preparation, modeling, evaluation, dan deployment. Sistem dikembangkan dengan mengintegrasikan Large Language Model (LLM), Retrieval-Augmented Generation (RAG), dan prompt engineering. Model LLM yang digunakan adalah Gemini 3.1 Flash Lite, sedangkan proses embedding menggunakan intfloat/multilingual-e5-small dengan penyimpanan embedding pada PostgreSQL dan pgvector. RAG digunakan untuk mengambil konteks dari dokumen akademik dan data layanan kampus, sedangkan prompt engineering digunakan untuk mengarahkan persona chatbot agar menghasilkan respons yang suportif, tidak menghakimi, dan sesuai dengan ruang lingkup konseling mahasiswa. Evaluasi dilakukan melalui pengujian fungsional, LLM-as-a-Judge, validasi konselor, dan User Acceptance Testing (UAT). Hasil LLM-as-a-Judge memperoleh rata-rata skor 4,48 dari skala 5,00. Hasil UAT terhadap 20 responden memperoleh rata-rata persentase 93% dengan kategori sangat baik, meliputi spesifikasi jawaban 90%, kontekstualitas respons 93%, dan empati respons 96%. Berdasarkan hasil tersebut, chatbot yang dikembangkan dinilai mampu memberikan respons yang lebih spesifik, kontekstual, dan empatik dibandingkan chatbot sebelumnya, serta dapat digunakan sebagai pendamping awal layanan konseling mahasiswa tanpa menggantikan peran konselor profesional.
#AI Persona
#Chatbot Konseling
#Large Language Model
#Prompt Engineering
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI TRANSFORMER-BASED LLM CHATBOT BERBASIS AI PADA WEBSITE REKRUTMENT PT PATRA DRILLING CONTRACTOR
Penulis: Ridar Setiawan Effendi, RITA WAHYUNI ARIFIN, S.Kom., M.Kom. |
2026
Pada proses rekrutment sebelumnya di PT Patra Drilling Contractor masih dilakukan secara manual menggunakan pretty form dan Google Form sehingga menimbulkan beberapa kendala dan masalah, diantaranya tingginya jumlah kandidat yang mengajukan pertanyaan seputar proses rekrutmen sehingga menambah beban kerja dari Tim Human Capital (HC), pertanyaan pelamar yang menumpuk melalui email sehingga Tim HC harus membuat media komunikasi tambahan melalui grup WhatsApp untuk menyampaikan informasi, serta Tim HC yang harus membalas satu per satu pertanyaan dari pelamar secara manual akibat belum tersedianya sistem yang dapat menjawab pertanyaan pelamar secara otomatis dan real-time. Penelitian kali ini bertujuan untuk merancang dan membangun sebuah website karir PT Patra Drilling Contractor yang dilengkapi oleh implementasi dari Transformer-Based Large Language Model (LLM) Chatbot yang berbasis Artificial Intelligence (AI) sebagai solusi dari permasalahan tersebut. Metode pengembangan sistem yang digunakan adalah metode Agile dengan melakukan pendekatan iteratif melalui tiga sprint, untuk sprint pertama difokuskan kepada perancangan dan pengembangan website rekrutmen dan database, sprint kedua pada pengembangan chatbot umum, serta sprint ketiga untuk melakukan pengembangan chatbot personal. Model AI yang diimplementasikan adalah Natural Language Processing berbasis Transformer-Based LLM dengan mekanisme Retrieval-Augmented Generation (RAG) yang diintegrasikan melalui sebuah API yakni Groq API dan Rule-Based Keyword Matching untuk klasifikasi intent pertanyaan pengguna. Sistem chatbot yang dibangun terdiri dari dua jenis yakni chatbot umum yang dapat diakses tanpa memerlukan login ke dalam aplikasi untuk menjawab pertanyaan seputar informasi lowongan dan tata cara melamar dan chatbot personal yang dapat diakses setelah login ke dalam aplikasi untuk memberikan rekomendasi posisi berdasarkan profil pelamar dan menyampaikan informasi status lamaran secara personal. Berdasarkan hasil pengujian fungsional menggunakan metode Blackbox Testing dan Whitebox Testing, seluruh jalur pemrosesan utama pada komponen chatbot AI berhasil berjalan sesuai spesifikasi yang dirancang.
#Transformer-Based LLM
#Chatbot AI
#Natural Language Processing
#Retrieval-Augmented Generation
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI SISTEM KEAMANAN CLOSED CIRCUIT TELEVISION DI JALAN ACACIA TAMAN CILEUNGSI
Penulis: Rafly Ammar Gata, JAFAR SHADIQ, S.Kom., M.Kom. |
2026
Kekosongan pengawasan fisik di lingkungan perumahan Jalan Acacia, Taman Cileungsi RT 01/RW 09 akibat berhentinya aktivitas operasional petugas keamanan memicu potensi kerawanan tindak kriminalitas dan keresahan warga. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem pengawasan keamanan berbasis Closed Circuit Television (CCTV) mandiri terintegrasi yang dapat diakses secara real-time dari jarak jauh. Pengembangan sistem menerapkan metode Prototype yang berfokus pada iterasi pengembangan berbasis kebutuhan pengguna. Infrastruktur jaringan dibangun memanfaatkan transmisi nirkabel dengan menghubungkan empat unit kamera wireless ke Access Point yang dilengkapi antena omnidirectional untuk memperluas jangkauan cakupan sinyal ke peladen pusat berarsitektur Network Video Recorder (NVR) berbasis perangkat lunak Shinobi. Sistem diintegrasikan dengan kecerdasan buatan berbasis TensorFlow Object Detection untuk analisis visual dan deteksi objek otomatis, notifikasi email via SMTP, serta layanan IP Tunneling berbasis Zrok agar antarmuka pemantauan web localhost dapat diakses publik secara aman. Selain itu, diterapkan mekanisme Role-Based Access Control (RBAC) untuk memisahkan hak akses administratif pengurus dan akses view-only bagi warga. Hasil pengujian menunjukkan infrastruktur jaringan nirkabel beroperasi dengan sangat stabil, menghasilkan rata-rata latensi sebesar 94 ms dengan akses website dengan kecepatan 0.64s dengan koneksi lokal dan 4.97s untuk koneksi online, sehingga mampu mentransmisikan stream video dan playback secara lancar. Implementasi sistem CCTV ini terbukti efektif memberikan pengawasan visual 24/7, memulihkan rasa aman warga, serta siap menyediakan barang bukti rekaman digital yang valid apabila terjadi insiden keamanan.
#CCTV
#Keamanan
#NVR
#Object Detection
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM PAKAR PENENTUAN JURUSAN MENGGUNAKAN FORWARD CHAINING DAN CERTAINTY FACTOR DI SMK BINA INDUSTRI
Penulis: ELSA KUSUMA, Dr. Ir. SALUDIN MUIS, M.Kom. |
2026
Elsa Kusuma (2022310025) Sistem Pakar Penentuan Jurusan Menggunakan Forward Chaining dan Certainty Factor di SMK Bina Industri Proses penentuan jurusan siswa baru di SMK Bina Industri Cikarang masih dilaksanakan secara manual melalui wawancara singkat dan pengisian angket minat yang dinilai secara subjektif oleh guru bimbingan dan konseling. Kondisi ini menyebabkan proses penentuan jurusan berlangsung lama, tidak konsisten antarsiswa, dan berpotensi menghasilkan rekomendasi yang kurang tepat karena tidak mempertimbangkan profil kemampuan akademik, minat, serta bakat siswa secara komprehensif dan terpadu. Penelitian ini bertujuan untuk merancang dan mengembangkan sistem pakar berbasis web yang mampu memberikan rekomendasi jurusan secara otomatis, objektif, dan terukur terhadap empat program keahlian yang tersedia di SMK Bina Industri Cikarang, yaitu Teknik dan Bisnis Sepeda Motor, Teknik Elektronika Industri, Manajemen Perkantoran dan Layanan Bisnis serta Manajemen Logistik. Metode inferensi yang digunakan adalah Forward Chaining, yang bekerja dengan menelusuri fakta masukan data siswa secara maju untuk menghasilkan rekomendasi jurusan. Penanganan ketidakpastian penilaian dilakukan menggunakan metode Certainty Factor berdasarkan standar nilai CF dengan rentang 0,0 hingga 1,0, sehingga setiap rekomendasi yang dihasilkan disertai derajat keyakinan yang dapat diukur secara kuantitatif. Basis pengetahuan sistem disusun berdasarkan hasil wawancara dengan guru bimbingan dan konseling selaku pakar domain di SMK Bina Industri Cikarang. Sistem dikembangkan menggunakan model Rapid Application Development (RAD) dengan teknologi Next.js dan PostgreSQL, serta diuji menggunakan metode black box testing. Hasil penelitian menunjukkan bahwa sistem pakar yang dikembangkan mampu memberikan rekomendasi jurusan secara otomatis, konsisten, dan disertai nilai keyakinan terukur, sehingga dapat membantu guru bimbingan dan konseling dalam mengambil keputusan penentuan jurusan yang lebih objektif dan terstandarisasi.
#Certainty Factor
#Forward Chaining
#Penentuan Jurusan
#SMK Bina Industri
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM PAKAR IDENTIFIKASI TINGKAT STRES AKADEMIK SISWA KELAS XII SMK BINA INDUSTRI MENGGUNAKAN CERTAINTY FACTOR
Penulis: Rivan Dwi Ferdiansyah, SUMARDIONO,S.KOM.,M.KOM |
2026
Stres akademik merupakan kondisi yang sering dialami siswa akibat tuntutan akademik yang tinggi. Siswa kelas XII SMK memiliki risiko mengalami stres akademik karena harus menghadapi ujian akhir, tugas sekolah, praktik kerja lapangan, serta persiapan memasuki dunia kerja maupun pendidikan tinggi. Di SMK Bina Industri, proses identifikasi tingkat stres akademik masih dilakukan secara manual melalui observasi dan konseling oleh guru Bimbingan dan Konseling (BK), sehingga memerlukan waktu yang cukup lama dan bersifat subjektif. Penelitian ini bertujuan untuk merancang dan membangun sistem pakar berbasis web yang dapat membantu mengidentifikasi tingkat stres akademik siswa secara lebih cepat, sistematis, dan objektif menggunakan metode Certainty Factor (CF). Metode pengembangan sistem yang digunakan adalah Prototype dengan tahapan communication, quick plan, modeling quick design, construction of prototype, serta deployment delivery and feedback. Basis pengetahuan sistem diperoleh melalui observasi, wawancara dengan guru BK dan pakar psikologi, serta studi pustaka. Sistem menggunakan 22 gejala stres akademik yang dikelompokkan ke dalam tiga kategori tingkat stres, yaitu rendah, sedang, dan tinggi. Metode Certainty Factor digunakan untuk menghitung tingkat keyakinan hasil identifikasi berdasarkan kombinasi nilai keyakinan pengguna dan nilai keyakinan pakar. Hasil penelitian menunjukkan bahwa sistem berhasil mengidentifikasi tingkat stres akademik siswa dan berjalan sesuai kebutuhan berdasarkan pengujian Black Box. Pengujian beta yang melibatkan 67 siswa memperoleh nilai indeks pada rentang 87,16%–89,40% dengan kategori sangat baik. Dengan demikian, sistem yang dikembangkan dapat membantu guru BK dalam melakukan identifikasi awal dan monitoring tingkat stres akademik siswa secara lebih efektif.
#Certainty Factor
#Identifikasi
#Sistem Pakar
#Stres Akademik
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
PENGEMBANGAN SISTEM CHATBOT LAYANAN DI LAUNDRY ONDEL-ONDEL MENGGUNAKAN WHATSAPP DENGAN PENDEKATAN HYBRID ARTIFICIAL INTELLIGENCE
Penulis: Bimo Aria Putra Pratama, Dr. Ir. SALUDIN MUIS, M.Kom. |
2026
Pelayanan pelanggan pada Laundry Ondel-Ondel masih dilakukan secara manual melalui WhatsApp sehingga admin harus menjawab pertanyaan yang berulang mengenai harga layanan, jam operasional, status cucian, layanan antar-jemput, dan estimasi pengerjaan. Kondisi tersebut menyebabkan waktu respons menjadi lebih lama dan mengurangi efisiensi operasional. Penelitian ini bertujuan mengembangkan sistem chatbot layanan pelanggan berbasis WhatsApp dengan pendekatan Hybrid Artificial Intelligence untuk meningkatkan kualitas pelayanan dan efisiensi kerja. Metode pengembangan sistem yang digunakan adalah Evolutionary Prototype, sedangkan metode kecerdasan buatan yang diterapkan menggabungkan Rule-Based, Natural Language Processing (NLP), dan Generative AI (DeepSeek). Sistem dikembangkan menggunakan Node.js, WPPConnect, Supabase, serta dashboard berbasis web untuk mengelola data pelanggan dan pesanan laundry. Hasil penelitian menunjukkan bahwa sistem mampu memberikan informasi layanan secara otomatis, meliputi harga, jenis layanan, status pesanan, estimasi pengerjaan, dan layanan antar-jemput melalui WhatsApp. Berdasarkan pengujian Black Box Testing, seluruh fungsi utama sistem berjalan sesuai dengan kebutuhan. Uji coba terhadap 11 responden menunjukkan bahwa 8 responden menyatakan sangat setuju, 2 responden setuju, dan 1 responden cukup setuju bahwa sistem layak digunakan. Dengan demikian, sistem chatbot yang dikembangkan mampu meningkatkan kecepatan penyampaian informasi, mempermudah pelanggan memperoleh layanan, serta meningkatkan efisiensi operasional pada Laundry Ondel-Ondel.
#Chatbot
#Generative AI
#Hybrid Artificial Intelligence
#Laundry
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM SCREENING CURRICULUM VITAE BERBASIS SIMILARITY MATCHING MENGGUNAKAN MPNET EMBEDDING DAN COSINE SIMILARITY
Penulis: Fitri Shafirawati, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Proses screening Curriculum Vitae (CV) pada PT Bahagia Sukses Lestari masih dilakukan secara manual, sehingga memerlukan waktu lama, meningkatkan beban kerja HR, serta berpotensi menimbulkan bias subjektif. Berdasarkan hasil observasi, setiap pembukaan satu lowongan pekerjaan di PT Bahagia Sukses Lestari rata-rata menerima sekitar 60 CV, sedangkan proses rekrutmen hanya ditangani oleh dua staf HR. Dari total lamaran tersebut, hanya sekitar 20 lamaran yang benar-benar sesuai dengan kriteria awal pada tahap screening. Penelitian ini bertujuan untuk mengembangkan sistem screening CV berbasis web menggunakan pendekatan semantic similarity. Pengembangan sistem dilakukan menggunakan metode CRISP-DM, sedangkan proses pencocokan CV dengan lowongan pekerjaan menerapkan Natural Language Processing (NLP) menggunakan model MPNet untuk menghasilkan embedding dan cosine similarity untuk menghitung tingkat kesesuaian. Nilai similarity yang diperoleh kemudian diklasifikasikan menggunakan threshold 0.6 dengan kategori recommended untuk nilai ≥ 0.6 dan not recommended untuk nilai < 0.6. Hasil pengujian dilakukan menggunakan 35 dokumen CV yang masing-masing diuji terhadap dua lowongan pekerjaan berbeda sehingga menghasilkan total 70 proses screening yang menunjukkan nilai kemiripan berkisar antara 0.26 hingga 0.81, dengan 22 CV termasuk kategori recommended dan 48 not recommended. Sistem mampu melakukan proses screening CV secara otomatis dengan waktu rata-rata kurang dari 1 menit untuk setiap proses seleksi. Evaluasi model menghasilkan accuracy sebesar 97%, precision 91%, recall 100%, dan F1-score 95%, yang menunjukkan kemampuan sistem dalam mengidentifikasi kandidat yang relevan. Kesimpulannya, sistem berbasis embedding MPNet dan cosine similarity terbukti mampu meningkatkan efisiensi serta objektivitas proses screening CV dan menghasilkan rekomendasi kandidat secara konsisten.
#Curriculum Vitae Screening
#Cosine Similarity
#Natural Language Processing
#Semantic Similarity
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI METODE RAG DALAM PENGEMBANGAN CHATBOT PADA LAYANAN INFORMASI PENGADUAN DENGAN INTERGRASI GPT 4.o PADA INSTANSI BEA CUKAI PUSAT
Penulis: Dedy Wijaya, NADYA SAFITRI, S.T., M.Kom. |
2026
Layanan pengaduan masyarakat pada Direktorat Jenderal Bea dan Cukai masih menghadapi beberapa kendala, seperti tingginya jumlah laporan, keterlambatan respons petugas, serta belum tersedianya layanan informasi yang dapat menjawab pertanyaan pengguna secara otomatis. Kondisi tersebut menyebabkan proses pelayanan menjadi kurang efektif dan memengaruhi kepuasan pengguna. Penelitian ini bertujuan mengembangkan sistem layanan pengaduan berbasis chatbot dengan mengimplementasikan metode Retrieval-Augmented Generation (RAG) dan mengintegrasikan API GPT-4o untuk meningkatkan kualitas layanan informasi pada Direktorat Jenderal Bea dan Cukai. Penelitian menggunakan metode pengembangan sistem Rapid Application Development (RAD) dengan teknik pengumpulan data berupa observasi, wawancara, dan studi pustaka. Metode RAG diterapkan untuk mengambil informasi dari dokumen dan basis pengetahuan internal sebelum diproses oleh GPT-4o, sehingga chatbot mampu menghasilkan jawaban yang lebih akurat, relevan, dan sesuai dengan informasi resmi instansi. Hasil penelitian menunjukkan bahwa chatbot yang dikembangkan mampu memberikan informasi layanan pengaduan secara otomatis, membantu pengguna memahami prosedur pelaporan, serta mengurangi beban petugas dalam menjawab pertanyaan yang berulang. Berdasarkan hasil pengujian menggunakan skala Likert terhadap 35 responden, sistem memperoleh tingkat kelayakan sebesar 86,86% dengan kategori sangat layak. Dengan demikian, implementasi metode RAG dan integrasi GPT-4o dapat mendukung peningkatan efektivitas layanan informasi pengaduan pada Direktorat Jenderal Bea dan Cukai.
#Bea dan Cukai
#GPT-4o
#Chatbot
#layanan pengaduan
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM PAKAR ANALISIS RISIKO KESELAMATAN KERJA BERBASIS WEB MENGGUNAKAN METODE FORWARD CHAINING DAN CERTAINTY FACTOR
Penulis: Khansa Danish Aqeela, RIKA APRIANI, S.Kom., M.Kom. |
2026
Keselamatan kerja merupakan aspek penting dalam kegiatan fabrikasi karena berbagai aktivitas kerja memiliki potensi bahaya yang dapat menyebabkan kecelakaan kerja. Proses identifikasi dan analisis risiko yang ada di PT Binder Indonesia masih dilakukan secara manual, sering kali memerlukan waktu yang cukup lama serta bergantung pada ketersediaan pakar K3. Kondisi tersebut dapat menyebabkan keterlambatan dalam pengambilan tindakan pengendalian risiko. Penelitian ini bertujuan untuk membangun sistem pakar berbasis web yang dapat membantu proses analisis risiko keselamatan kerja pada area fabrikasi PT Binder Indonesia. Metode Forward Chaining digunakan untuk mengidentifikasi risiko berdasarkan aktivitas kerja dan kondisi bahaya yang dipilih pengguna, sedangkan metode Certainty Factor digunakan untuk menghitung tingkat keyakinan terhadap risiko yang teridentifikasi. Hasil penelitian menunjukkan bahwa sistem mampu mengidentifikasi risiko keselamatan kerja dan memberikan tingkat keyakinan, kategori risiko, serta rekomendasi pengendalian sesuai kondisi yang dipilih pengguna. Berdasarkan hasil uji pengguna, sistem memperoleh nilai sebesar 85,5% yang termasuk dalam kategori sangat baik. Dengan demikian, sistem yang dikembangkan dapat digunakan sebagai alat bantu dalam proses analisis risiko keselamatan kerja secara lebih terstruktur dan membantu pengguna dalam memperoleh informasi risiko berdasarkan pengetahuan pakar yang telah diimplementasikan ke dalam sistem.
#Analisis Risiko
#Certainty Factor
#Forward Chaining
#Keselamatan Kerja
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI INTERNET OF THINGS PADA LAYANAN CUSTOMER SERVICE DIGITAL MENGGUNAKAN BARCODE DALAM MEMVALIDASI DATA NASABAH PADA PT BANK CENTRAL ASIA TBK
Penulis: Ilham Mulia Aqsa, MARDI YUDHI PUTRA, S.T., M.Kom. |
2026
Proses validasi pengguna dalam penggantian kartu ATM di Customer Service Digital (CS Digital) membutuhkan beberapa langkah verifikasi yang menyebabkan waktu pelayanan menjadi lebih lama dan dapat menimbulkan human error. Situasi ini menunjukkan pentingnya mengembangkan sistem yang memfasilitasi perbaikan kecepatan, akurasi, dan efisiensi proses validasi identitas nasabah. Penelitian ini bertujuan untuk merancang sistem validasi identitas nasabah berbasis Internet of Things (IoT) yang terintegrasi dengan barcode dan mengimplementasikan prototype sistem yang telah dirancang pada layanan Customer Service Digital. Metode sistem pengembangan yang dipakai adalah Rapid Application Development (RAD), termasuk Requirements Planning, User Design, Construction, dan Cutover. Prototype sistem dibuat menggunakan barcode scanner, ESP32, server berbasis Flask, database, dan servo motor, sebagai komponen pendukung. Server tersebut diuji menggunakan metode uji coba black box untuk memastikan semua sistem berjalan sesuai dengan kebutuhan. Hasil penelitian ini menunjukkan bahwa prototype ini berhasil dalam memindai barcode, validasi data, dan pencarian data nasabah, serta komunikasi antarperangkat sesuai dengan desain sistem. Selain itu, hasil test menunjukkan bahwa semua sistem berfungsi dengan baik dan proses validasi identitas menjadi lebih cepat daripada verifikasi manual. Dengan demikian, pengembangan prototype sistem memiliki potensi untuk memberikan solusi alternatif untuk meningkatkan kualitas Digital Customer Service (CS Digital) dari penggunaan Internet of Things (IoT) dan teknologi barcode.
#Barcode
#Customer Service Digital
#ESP32
#Internet of Things
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
Rancang Bangun Sistem Monitoring Keamanan Ruang Aset Berbasis Computer Vision Menggunakan YOLOv8
Penulis: Muhammad Nur Ilyas, JAFAR SHADIQ, S.Kom., M.Kom. |
2026
Keamanan ruang aset merupakan aspek penting dalam menjaga dan melindungi aset perusahaan dari risiko kehilangan atau penyalahgunaan. Namun, ruang aset IT di PT MNC Tourism Indonesia saat ini belum dilengkapi dengan sistem pengamanan yang memadai sehingga masih bergantung pada kunci pintu konvensional. Kondisi tersebut menimbulkan potensi terjadinya akses oleh pihak yang tidak berwenang tanpa dapat terdeteksi secara langsung. Oleh karena itu, penelitian ini bertujuan untuk merancang dan membangun sistem monitoring keamanan ruang aset berbasis Computer Vision menggunakan algoritma YOLOv8. Sistem yang dikembangkan memanfaatkan IP Camera TP-Link Tapo C202 berbasis protokol RTSP untuk mendeteksi keberadaan manusia secara Real-time, melakukan identifikasi pengakses berdasarkan wajah, melakukan pelacakan objek menggunakan algoritma BoT-SORT, mencatat riwayat keberadaan pengakses ke dalam basis data SQLite, serta mengirimkan notifikasi peringatan dini secara otomatis melalui Telegram Bot. Metode pengembangan sistem yang digunakan adalah Artificial Intelligence Lifecycle. Pengujian dilakukan menggunakan metode Black Box Testing untuk menguji fungsionalitas sistem, evaluasi performa model menggunakan metrik Precision, Recall, mAP, dan F1-Score, serta pengujian lapangan (Field Deployment Testing) pada kondisi operasional sesungguhnya. Hasil evaluasi model menunjukkan nilai Precision sebesar 97,38%, Recall sebesar 99,51%, mAP@50 sebesar 99,36%, dan F1-Score sebesar 98,44%. Seluruh fungsi utama sistem berhasil berjalan sesuai dengan kebutuhan fungsional yang telah ditetapkan. Berdasarkan hasil tersebut, sistem yang dirancang mampu meningkatkan efektivitas pengamanan ruang aset IT di PT MNC Tourism Indonesia melalui proses monitoring yang otomatis dan Real-time.
#BoT-SORT
#Computer Vision
#Keamanan Ruang Aset
#Telegram Bot
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI MACHINE LEARNING PADA PREDIKSI HARGA SEMBAKO DI PASAR GANDOANG MENGGUNAKAN REGRESI LINEAR BERGANDA
Penulis: Daffa Aulia Rahman, RITA WAHYUNI ARIFIN, S.Kom., M.Kom. |
2026
Implentasi Machine Learning pada Predeksi Harga Sembako di Pasar Gandoang Menggunakan Regresi Linear Berganda. Penelitian ini bertujuan untuk menerapkan Machine Learning menggunakan algoritma Regresi Linear Berganda (Multiple Linear Regression) dalam memprediksi harga sembilan bahan pokok (sembako) di Pasar Gandoang. Fluktuasi harga sembako di pasar tersebut cenderung tidak stabil, sementara proses pengelolaannya masih dilakukan secara manual dan bergantung pada perkiraan atau intuisi pedagang. Oleh sebab itu, diperlukan sebuah sistem prediksi berbasis data yang mampu mendukung pengambilan keputusan secara lebih akurat dan proaktif. Penelitian ini dikembangkan dengan menggunakan metodologi CRISP-DM serta memanfaatkan data historis harga selama lima tahun, mulai Januari 2019 hingga Desember 2024. Adapun sembilan komoditas yang menjadi objek prediksi meliputi beras, minyak goreng, gula pasir, telur ayam, daging ayam, daging sapi, tepung terigu, kedelai, dan garam beriodium. Kinerja model dievaluasi menggunakan metrik R², MSE, RMSE, dan MAE. Hasil pengujian menunjukkan bahwa algoritma Regresi Linear Berganda memiliki tingkat akurasi yang sangat baik, di mana seluruh komoditas berhasil memenuhi target akurasi minimum dengan nilai R² ≥ 0,80. Nilai akurasi tertinggi diperoleh pada model prediksi komoditas beras dengan nilai R² sebesar 0,88. Sementara itu, berdasarkan evaluasi Root Mean Squared Error (RMSE), nilai tertinggi terdapat pada komoditas daging sapi sebesar Rp2.340/kg dan nilai terendah pada komoditas garam beriodium sebesar Rp210/kg. Secara keseluruhan, sistem prediksi berbasis machine learning ini berhasil diterapkan untuk mengatasi kelemahan metode konvensional serta membantu pengelola pasar dan pedagang dalam mengantisipasi kenaikan harga sembako.
#CRISP-DM
#Machine Learning
#Prediksi Harga
#Regresi Linear Berganda
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI MACHINE LEARNING PADA PREDIKSI HARGA SEMBAKO DI PASAR GANDOANG MENGGUNAKAN REGRESI LINEAR BERGANDA
Penulis: Daffa Aulia Rahman, RITA WAHYUNI ARIFIN, S.Kom., M.Kom. |
2026
Implentasi Machine Learning pada Predeksi Harga Sembako di Pasar Gandoang Menggunakan Regresi Linear Berganda. Penelitian ini bertujuan untuk menerapkan Machine Learning menggunakan algoritma Regresi Linear Berganda (Multiple Linear Regression) dalam memprediksi harga sembilan bahan pokok (sembako) di Pasar Gandoang. Fluktuasi harga sembako di pasar tersebut cenderung tidak stabil, sementara proses pengelolaannya masih dilakukan secara manual dan bergantung pada perkiraan atau intuisi pedagang. Oleh sebab itu, diperlukan sebuah sistem prediksi berbasis data yang mampu mendukung pengambilan keputusan secara lebih akurat dan proaktif. Penelitian ini dikembangkan dengan menggunakan metodologi CRISP-DM serta memanfaatkan data historis harga selama lima tahun, mulai Januari 2019 hingga Desember 2024. Adapun sembilan komoditas yang menjadi objek prediksi meliputi beras, minyak goreng, gula pasir, telur ayam, daging ayam, daging sapi, tepung terigu, kedelai, dan garam beriodium. Kinerja model dievaluasi menggunakan metrik R², MSE, RMSE, dan MAE. Hasil pengujian menunjukkan bahwa algoritma Regresi Linear Berganda memiliki tingkat akurasi yang sangat baik, di mana seluruh komoditas berhasil memenuhi target akurasi minimum dengan nilai R² ≥ 0,80. Nilai akurasi tertinggi diperoleh pada model prediksi komoditas beras dengan nilai R² sebesar 0,88. Sementara itu, berdasarkan evaluasi Root Mean Squared Error (RMSE), nilai tertinggi terdapat pada komoditas daging sapi sebesar Rp2.340/kg dan nilai terendah pada komoditas garam beriodium sebesar Rp210/kg. Secara keseluruhan, sistem prediksi berbasis machine learning ini berhasil diterapkan untuk mengatasi kelemahan metode konvensional serta membantu pengelola pasar dan pedagang dalam mengantisipasi kenaikan harga sembako.
#CRISP-DM
#Machine Learning
#Prediksi Harga
#Regresi Linear Berganda
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
PENGEMBANGAN CHATBOT INFORMASI PPDB KB & TK AS SALAM MENGGUNAKAN TF-IDF DAN COSINE SIMILARITY
Penulis: Ikhwan Ningrattama, ARI NURUL ALFIAN, S.Pd., M.Kom. |
2026
Perkembangan teknologi informasi mendorong lembaga pendidikan menyediakan layanan informasi yang cepat, mudah diakses, dan interaktif. Chatbot pada website KB & TK As Salam sebelumnya masih menggunakan conditional statement dan pilihan menu, sehingga calon wali murid belum dapat mengajukan pertanyaan menggunakan kalimat sendiri. Selain itu, dataset pertanyaan dan jawaban tersimpan di dalam source code serta percakapan pengguna belum dicatat. Penelitian ini bertujuan mengembangkan chatbot informasi Penerimaan Peserta Didik Baru (PPDB) menggunakan Term Frequency-Inverse Document Frequency (TF-IDF) dan Cosine Similarity, dilengkapi halaman pengelolaan dataset dan log percakapan. Metode pengembangan sistem yang digunakan adalah Rapid Application Development (RAD), sedangkan pengumpulan data dilakukan melalui observasi, wawancara, dan studi pustaka. Pertanyaan pengguna diproses melalui case folding, tokenisasi, stopword removal, dan stemming, kemudian diberikan bobot TF-IDF dan dibandingkan dengan 77 pasangan pertanyaan dan jawaban pada basis pengetahuan menggunakan Cosine Similarity. Hasil hold-out testing terhadap 16 pertanyaan uji terpisah menghasilkan accuracy 93,75%, precision 92,86%, recall 100%, dan F1-Score 96,30%. Pengujian fungsional menggunakan Black-Box Testing menunjukkan seluruh 16 skenario memperoleh hasil sesuai. Uji coba pengguna terhadap 10 responden dengan 12 pernyataan menghasilkan nilai rata-rata 4,31 dan persentase penerimaan 86,17% dalam kategori Sangat Setuju. Dengan demikian, chatbot berhasil dikembangkan untuk memberikan informasi PPDB secara lebih fleksibel serta membantu administrator mengelola basis pengetahuan dan mengevaluasi percakapan pengguna.
#Kata Kunci: Chatbot
#Cosine Similarity
#PPDB
#TF-IDF
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
PENERAPAN ALGORITMA K-MEANS CLUSTERING UNTUK ANALISIS INVENTORY ATK PADA BANK RAYA INDONESIA
Penulis: Rifqi Yovila Candra, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Pengelolaan persediaan alat tulis kantor (ATK) pada Divisi Finance and Asset Management (FAM) Bank Raya Indonesia memerlukan analisis berbasis data untuk mengidentifikasi pola konsumsi divisi, pergerakan produk, dan prioritas kebutuhan ATK. Penelitian ini menerapkan algoritma K-Means Clustering dengan kerangka kerja CRISP-DM untuk menganalisis 4.271 data transaksi permintaan ATK periode 2017–2026 yang mencakup 27 jenis item ATK dari beberapa divisi internal. Tiga model segmentasi dibangun secara simultan dari satu dataset yang sama, yaitu Model 1 (segmentasi konsumsi divisi), Model 2 (segmentasi pergerakan produk), dan Model 3 (pemetaan prioritas hubungan divisi-item), yang dievaluasi menggunakan WCSS, Silhouette Score, dan Davies-Bouldin Index (DBI). Model 1 menghasilkan tiga cluster (K=3, Silhouette=0,6697, DBI=0,4776) terdiri dari 55 divisi konsumsi rendah, 27 sedang, dan 3 tinggi. Model 2 menghasilkan dua cluster (K=2, Silhouette=0,8718, DBI=0,0618) dengan Materai 10.000 sebagai satusatunya produk fast moving dari 27 produk. Model 3 menghasilkan dua cluster (K=2, Silhouette=0,8417, DBI=0,5477) dengan 20 pasangan divisi-item berprioritas tinggi dari 647 pasangan yang dianalisis. Hasil segmentasi diimplementasikan dalam dashboard analitik interaktif berbasis Streamlit yang dilengkapi fitur visualisasi, import dataset, dan export laporan dalam format Excel dan PDF. Pengujian melalui Alpha Testing dan User Acceptance Testing (UAT) menunjukkan seluruh fungsi sistem berjalan sesuai kebutuhan fungsional dengan nilai kepuasan UAT sebesar 85%, yang mengindikasikan sistem layak digunakan oleh Divisi FAM Bank Raya Indonesia.
#ATK
#CRISP-DM
#Dashboard Analitik
#K-Means Clustering
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
Pengembangan Intrusion Detection System (IDS) Berbasis Deep Learning CNN-LSTM Untuk Klasifikasi Serangan DDoS
Penulis: Achmad Sholehudin, JAFAR SHADIQ, S.Kom., M.Kom. |
2026
Server Open Journal Systems (OJS) Universitas Bina Insani merupakan infrastruktur kritis yang rentan terhadap serangan Distributed Denial of Service (DDoS). Proses pemantauan yang selama ini dilakukan secara manual menggunakan Wireshark terbukti bersifat lambat dan reaktif, serta tidak mampu menganalisis lalu lintas pada protokol terenkripsi (HTTPS) karena bergantung pada inspeksi isi paket (payload). Penelitian ini bertujuan mengembangkan Intrusion Detection System (IDS) berbasis Deep Learning yang mampu mengklasifikasikan serangan DDoS secara otomatis dan real-time tanpa bergantung pada proses dekripsi muatan paket. Sistem dibangun menggunakan arsitektur Hybrid Deep Learning yang menggabungkan lapisan Convolutional Neural Network (CNN) untuk ekstraksi fitur spasial dan Long Short-Term Memory (LSTM) untuk analisis ketergantungan temporal antar-paket jaringan. Pengembangan sistem mengadopsi kerangka kerja Knowledge Discovery in Databases (KDD) dengan memanfaatkan kombinasi dataset standar global CICDDoS2019 dan data simulasi lalu lintas jaringan dari virtual testbed lokal. Evaluasi kuantitatif model menggunakan Confusion Matrix terhadap 141.054 sampel aliran data menghasilkan akurasi global sebesar 87% dengan presisi kelas Normal mencapai 0,99. Pengujian fungsional secara real-time pada seluruh skenario (TCP SYN Flood, HTTP Flood, dan HTTPS) menunjukkan tingkat keyakinan prediksi sebesar 100%. Pengujian latensi inferensi pada server OJS membuktikan sistem beroperasi dengan rata-rata waktu respons 57,91 milidetik dan nilai Persentil ke-99 sebesar 114,22 milidetik, jauh di bawah ambang batas kritis 500 milidetik. Hasil penelitian membuktikan bahwa IDS berbasis CNN-LSTM yang menganalisis Network Flow mampu mengklasifikasikan serangan DDoS pada protokol terenkripsi secara akurat melalui sidik jari temporal Inter-Arrival Time (IAT), tanpa memerlukan dekripsi paket, serta layak dioperasikan pada lingkungan server produksi secara real-time.
#CNN-LSTM
#DDoS
#Deep Learning
#Intrusion Detection System
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI CHATBOT LAYANAN INFORMASI PPDB MENGGUNAKAN ALGORITMA NAÏVE BAYES PADA MTS ATTAQWA 04 BEKASI
Penulis: Ade Yusuf Ardiyansyah, NADYA SAFITRI, S.T., M.Kom. |
2026
Layanan informasi Penerimaan Peserta Didik Baru (PPDB) di MTs Attaqwa 04 Kabupaten Bekasi saat ini dilayani melalui Group WhatsApp oleh sepuluh panitia yang merangkap mengajar, balasan respons sangat bergantung pada ketersediaan waktu petugas. Kondisi ini menyebabkan keterlambatan respons dan ketidaktersediaan layanan 24 jam serta komunikasi manual melalui pesan teks berpotensi menimbulkan kesalahan informasi yang dapat menyebabkan ketidaksesuaian informasi antara petugas PPDB dan calon pendaftar. Penelitian ini bertujuan merancang dan mengimplementasikan chatbot WhatsApp berbasis Natural Language Processing (NLP) dengan algoritma Multinomial Naïve Bayes untuk klasifikasi intent pertanyaan calon pendaftar. Sistem dikembangkan menggunakan metode Extreme Programming (XP) dengan integrasi WhatsApp HTTP API (WAHA), backend Python-Flask, ekstraksi fitur Term Frequency–Inverse Document Frequency (TF-IDF), dan pipeline praproses yang mencakup case folding, cleaning, normalisasi berbasis aturan, serta symspell correction. Model dilatih menggunakan 1116 data intent dan diuji pada 224 data uji holdout. Hasil pengujian menunjukkan akurasi klasifikasi sebesar 87%, sedangkan Pengujian User Acceptance Testing (UAT) terhadap 28 responden memperoleh persentase penerimaan sebesar 85,21% dengan nilai rata-rata keseluruhan 4,26 (kategori "Sangat Setuju"). Hasil tersebut menunjukkan bahwa sistem chatbot WhatsApp mampu memberikan layanan informasi PPDB secara otomatis, cepat, mudah digunakan, dan tersedia selama 24 jam.
#Chatbot
#Naïve Bayes
#Natural Language Processing
#PPDB
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
PERANCANGAN CHATBOT INFORMASI PPDB MENGGUNAKAN ALGORITMA MULTINOMIAL NAIVE BAYES DI TK DELIMA
Penulis: Ismail Hasan, ARI NURUL ALFIAN, S.Pd., M.Kom. |
2026
TK Delima belum memiliki website resmi sebagai media informasi Penerimaan Peserta Didik Baru (PPDB), sehingga penyampaian informasi dan penanganan pertanyaan dari wali calon peserta didik masih bergantung pada staf administrasi melalui komunikasi tatap muka, brosur, dan pesan WhatsApp. Penelitian ini bertujuan merancang dan membangun website informasi PPDB yang dilengkapi chatbot untuk membantu penyampaian informasi dan menangani pertanyaan berulang. Pembangunan sistem menerapkan metode Rapid Application Development (RAD). Untuk mengenali maksud pertanyaan pengguna dalam bahasa Indonesia tidak baku, chatbot menerapkan pendekatan Natural Language Processing (NLP) melalui tahapan text preprocessing dan algoritma Multinomial Naive Bayes sebagai metode klasifikasi intent. Algoritma tersebut dikombinasikan dengan teknik Laplace Smoothing untuk mengatasi permasalahan zero probability serta mekanisme confidence check untuk menangani masukan di luar domain chatbot. Sistem diimplementasikan secara native menggunakan bahasa pemrograman PHP, framework CodeIgniter 3, dan basis data MySQL tanpa menggunakan library machine learning eksternal. Pengujian menggunakan Confusion Matrix terhadap 40 kalimat uji menghasilkan nilai accuracy sebesar 92,50%, precision sebesar 93,24%, recall sebesar 92,50%, dan F1-Score sebesar 92,36%. Uji coba pengguna melalui kuesioner menghasilkan tingkat persetujuan sebesar 80,1% yang termasuk dalam kategori Setuju. Hasil penelitian menunjukkan bahwa algoritma Multinomial Naive Bayes berhasil mengklasifikasikan intent pertanyaan pengguna dengan tingkat akurasi 92,50% dan chatbot dapat membantu menyediakan informasi PPDB secara terprogram kepada wali calon peserta didik di luar jam operasional sekolah.
#Chatbot
#Klasifikasi Intent
#Multinomial Naive Bayes
#NLP
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
PERANCANGAN PROTOKOL KOMUNIKASI PROPERTI COSPLAY SECARA REAL TIME MENGGUNAKAN ESP-NOW
Penulis: Neirfin Arie Prasasti, SUMARDIONO, S.Kom., M.Kom. |
2026
Perkembangan teknologi Internet of Things (IoT) pada wearable device menuntut performa komunikasi data yang cepat dan stabil. Pada ekosistem properti cosplay di Awan Merah Studio, penggunaan protokol Wi-Fi standar sering mengalami kegagalan akibat wireless congestion dan interferensi sinyal 2.4 GHz di area konvensi yang padat. Hal inimengakibatkan high latency dan packet loss padagerakan animatronik dan efek visual kostum. Penelitian ini bertujuan untuk mengimplementasikan protokol ESP NOW sebagai solusi komunikasi Connectionless Peer-to-Peer guna meningkatkan responsivitas dan reliabilitas sistem tanpa ketergantungan pada infrastruktur router eksternal. Metode penelitian yang digunakan adalah eksperimen dengan model Prototyping yang mencakup tahap analisis kebutuhan, perancangan arsitektur jaringan, hingga pengujian iteratif. Hasil penelitian menunjukkan bahwa penggunaan ESP NOW mampu mereduksi latency hingga di bawah 10ms dan menjaga stabilitas koneksi pada kondisi trafik data tinggi. Implementasi ini memberikan solusi teknis bagi industri kreatif, khususnya Awan Merah Studio, dalam menciptakan properti panggung yang interaktif, profesional, dan tahan terhadap gangguan sinyal di lapangan.
#Cosplay
#ESP-NOW
#ESP32
#IoT (Internet of Things)
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI TF-IDF DAN COSINE SIMILARITY PADA CHATBOT WEBSITE INFORMASI PPDB DI SMP SEJAHTERA 2
Penulis: Raditya Mayesha Beldyq, RIKA APRIANI, S.Kom., M.Kom. |
2026
Pelayanan informasi Penerimaan Peserta Didik Baru (PPDB) di SMP Sejahtera 2 Cileungsi masih dilakukan secara manual sehingga menyebabkan keterlambatan respon informasi dan penumpukan pertanyaan dari calon pendaftar. Selain itu, sekolah belum memiliki Website resmi sebagai media penyampaian informasi secara terpusat. Penelitian ini bertujuan untuk merancang dan membangun website informasi PPDB yang terintegrasi dengan chatbot berbasis kecerdasan buatan guna membantu penyampaian informasi secara otomatis, cepat, dan dapat diakses kapan saja. Metode pengembangan sistem yang digunakan adalah Rapid Application Development (RAD). Adapun metode Natural Language Processing (NLP) yang diterapkan yaitu Term Frequency–Inverse Document Frequency (TF-IDF) untuk pembobotan kata dan Cosine Similarity untuk mengukur kemiripan pertanyaan pengguna dengan basis pengetahuan chatbot. Sistem yang dibangun dilengkapi dengan dashboard admin untuk pengelolaan dataset serta fitur Evaluasi Log guna mencatat seluruh riwayat pertanyaan pengguna baik yang berhasil dijawab maupun yang tidak terjawab oleh chatbot. Hasil pengujian fungsionalitas menggunakan Black Box Testing menunjukkan bahwa seluruh fitur pada sistem berjalan valid. Hasil pengujian User Acceptance Test (UAT) terhadap 25 responden memperoleh tingkat kepuasan pengguna sebesar 87,4% dengan kategori Sangat Baik/Sangat Layak. Selain itu, hasil evaluasi model menunjukkan tingkat akurasi sebesar 82,9% dalam proses pencocokan intent pertanyaan pengguna dengan rata-rata waktu respons sebesar 1,05 detik. Berdasarkan hasil penelitian, dapat disimpulkan bahwa implementasi chatbot berbasis TF-IDF dan Cosine Similarity mampu membantu layanan informasi PPDB SMP Sejahtera 2 secara lebih cepat, otomatis, dan mudah digunakan.
#Chatbot
#Cosine similarity
#Firebase
#PPDB
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
Sistem Pakar Diagnosa Tingkat Minat Baca Siswa Menggunakan Metode Certainty Factor
Penulis: Ananda Bagus Saputra, MARDI YUDHI PUTRA, S.T., M.Kom. |
2026
Ananda Bagus Saputra (2022310045) Sistem Pakar Pengaruh Media Sosial Terhadap Minat Baca Siswa SMK Bina Industri Menggunakan Metode Certainty Factor Tingginya intensitas penggunaan media sosial di kalangan siswa SMK Bina Industri Cikarang berdampak pada menurunnya minat baca, namun belum tersedia sistem yang dapat mengukur pengaruh tersebut secara terstruktur dan terukur. Penelitian ini bertujuan merancang dan membangun sistem pakar berbasis web yang mampu mengidentifikasi tingkat pengaruh penggunaan media sosial terhadap minat baca siswa menggunakan metode Certainty Factor (CF). Basis pengetahuan sistem diperoleh melalui wawancara dengan guru Bimbingan dan Konseling serta guru Bahasa Indonesia SMK Bina Industri sebagai pakar domain. Sistem dibangun menggunakan framework Next.js dengan TypeScript dan database PostgreSQL, serta mengimplementasikan 22 indikator dan 10 aturan produksi (production rules). Setiap gejala diberi bobot CF pakar, kemudian dikombinasikan dengan nilai CF user menggunakan rumus kombinasi CF secara iteratif. Hasil nilai CF akhir diinterpretasikan ke dalam lima kategori pengaruh: Tidak Berpengaruh, Berpengaruh Rendah, Berpengaruh Sedang, Berpengaruh Tinggi, dan Berpengaruh Sangat Tinggi. Validasi model menunjukkan tingkat kesesuaian 90% terhadap penilaian pakar pada 30 skenario uji. Pengujian alpha menunjukkan seluruh fungsi berjalan sesuai kebutuhan, dan pengujian beta memperoleh persentase kelayakan sebesar 89,78% dengan kategori Sangat Baik.
#Sistem Pakar
#Certainty Factor
#Media Sosial
#Minat Baca
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM PAKAR DIAGNOSA KERUSAKAN DAN MAINTENANCE SCHEDULING ALAT BERAT BERBASIS CASE-BASED REASONING
Penulis: Mayli Ayutiya Wulandari, Dr. Ir. SALUDIN MUIS, M.Kom. |
2026
Proses diagnosis kerusakan alat berat pada PT. Sarinah Cahaya Sejahtera masih dilakukan secara manual dan bergantung pada pengalaman teknisi, sehingga berpotensi menimbulkan ketidakkonsistenan dalam menentukan jenis kerusakan dan solusi perbaikan. Selain itu, proses maintenance scheduling belum terintegrasi dengan proses diagnosis sehingga kegiatan perawatan alat berat masih dilakukan secara terpisah dan kurang optimal. Penelitian ini bertujuan untuk merancang dan membangun sistem pakar berbasis web yang mampu melakukan diagnosis kerusakan alat berat serta memberikan rekomendasi maintenance scheduling menggunakan metode Case-Based Reasoning (CBR). Metode yang digunakan dalam penelitian ini adalah metode Case-Based Reasoning dengan pendekatan similarity menggunakan metode Nearest Neighbor. Pengembangan sistem menggunakan model Prototype yang terdiri dari tahapan communication, quick design, build prototype, evaluation, dan refinement. Data penelitian diperoleh melalui observasi, wawancara, dan studi pustaka, kemudian diimplementasikan ke dalam basis pengetahuan yang terdiri dari data gejala, kerusakan, solusi, dan maintenance. Hasil penelitian menunjukkan bahwa sistem mampu melakukan diagnosis kerusakan alat berat berdasarkan gejala yang diinputkan pengguna serta menghasilkan rekomendasi maintenance scheduling sesuai hasil diagnosis. Berdasarkan pengujian akurasi menggunakan 10 data uji, sistem memperoleh tingkat akurasi sebesar 90%. Pengujian usability menggunakan metode System Usability Scale (SUS) memperoleh skor rata-rata sebesar 81,5 dengan kategori Excellent, sedangkan pengujian Black Box Testing menunjukkan seluruh fitur sistem berjalan sesuai dengan fungsi yang dirancang. Dengan demikian, sistem yang dibangun mampu membantu teknisi dalam proses diagnosis dan maintenance alat berat secara lebih cepat, terstruktur, dan efektif.
#Alat Berat
#Case-Based Reasoning
#Diagnosis Kerusakan
#Maintenance Scheduling
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
IMPLEMENTASI AGENTIC AI PADA SISTEM LAYANAN INFORMASI PELANGGAN DI PT ABUYA BERKAH INDONESIA
Penulis: Ferrel Hermawan Putra, NADYA SAFITRI, S.T., M.Kom. |
2026
Dalam industri kuliner, kecepatan dan konsistensi penyampaian informasi kepada pelanggan merupakan faktor penting dalam menjaga kualitas layanan. PT Abuya Berkah Indonesia saat ini masih mengandalkan crew outlet yang juga merangkap menangani operasional harian untuk merespons pertanyaan pelanggan secara manual melalui WhatsApp, sehingga menyebabkan keterlambatan respons, ketidakkonsistenan informasi, serta meningkatnya beban kerja terutama ketika volume pertanyaan pelanggan meningkat di tengah kesibukan operasional outlet. Kondisi ini berpotensi menurunkan kepuasan pelanggan dan menghambat efisiensi operasional perusahaan. Untuk menjawab permasalahan tersebut, penelitian ini bertujuan merancang dan mengimplementasikan sistem layanan informasi pelanggan berbasis Agentic AI yang terintegrasi dengan platform WhatsApp. Metode pengembangan yang digunakan adalah metode Prototype, dengan pengumpulan data melalui observasi, wawancara, dan studi pustaka. Sistem dibangun menggunakan platform n8n sebagai automation engine, Large Language Model (LLM) sebagai komponen pemroses bahasa alami, Gateway API sebagai jembatan koneksi WhatsApp, Google Spreadsheet sebagai sumber data menu dan diskon, serta Supabase sebagai basis data penyimpanan log percakapan. Hasil penelitian menunjukkan bahwa sistem mampu memberikan respons otomatis secara akurat sesuai dengan jenis permintaan pelanggan, mencakup informasi menu, harga, lokasi outlet, promo, dan alur pemesanan, serta mampu melakukan eskalasi percakapan kepada admin apabila dibutuhkan. Pengujian fungsional menggunakan metode Black Box Testing terhadap delapan skenario layanan menunjukkan bahwa seluruh fungsi sistem berjalan sesuai dengan kebutuhan fungsional yang telah ditetapkan. Uji coba pengguna menggunakan metode User Acceptance Testing (UAT) yang melibatkan 24 responden pelanggan memperoleh skor rata-rata keseluruhan sebesar 3,94 dari skala 5, yang berada pada kategori "Setuju", sehingga sistem dinilai telah memenuhi ekspektasi pengguna. Dengan demikian, sistem Agentic AI berbasis n8n dan WhatsApp ini terbukti efektif sebagai solusi otomasi layanan informasi pelanggan dan memiliki potensi untuk dikembangkan lebih lanjut di masa mendatang.
#Agentic AI
#Chatbot
#Customer Service
#Large Language Model
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|
|
SISTEM PAKAR DIAGNOSIS KECANDUAN GAME ONLINE SISWA SMK BERBASIS FORWARD CHAINING DAN CERTAINLY FACTOR
Penulis: Antonio Yosie Setiawan, Dr. Ir. SALUDIN MUIS, M.Kom. |
2026
Kecanduan game online pada siswa Sekolah Menengah Kejuruan berdampak negatif terhadap prestasi akademik dan interaksi sosial. Di SMK Bina Industri Cikarang, proses identifikasi kecanduan masih mengandalkan penilaian manual oleh guru Bimbingan dan Konseling tanpa kriteria terstandarisasi, mengakibatkan diagnosis yang tidak konsisten. Penelitian ini mengembangkan sistem pakar berbasis web yang menggabungkan metode Forward Chaining dan Certainty Factor untuk mendiagnosis tingkat kecanduan game online secara otomatis dan terukur. Forward Chaining berfungsi sebagai mesin inferensi untuk menelusuri gejala menuju kesimpulan diagnostik, sedangkan Certainty Factor menghitung tingkat kepercayaan dengan menggabungkan nilai kepastian pakar dan pengguna. Pengumpulan data melibatkan observasi, wawancara dengan guru BK, dan studi literatur. Pengembangan sistem mengikuti model Rapid Application Development menggunakan framework Next.js TypeScript. Basis pengetahuan mencakup gejala kecanduan dan aturan diagnostik dari wawancara pakar dan literatur ilmiah. Pengujian menggunakan metode alpha dan beta. Hasil menunjukkan sistem mampu memberikan diagnosis kecanduan yang terstruktur dan konsisten dengan skor kepercayaan terukur, mendukung guru BK dalam deteksi dini dan intervensi. Kontribusi utama terletak pada integrasi Forward Chaining dan Certainty Factor khusus untuk diagnosis kecanduan game online pada siswa SMK, menawarkan akurasi diagnostik dan tingkat kepercayaan kuantitatif untuk mendukung pengambilan keputusan.
#Certainty Factor
#Forward Chaining
#Kecanduan Game Online
#Sistem Pakar
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|