Hasil Pencarian: "CRISP-DM" (Semua Bidang (Umum))
Penelusuran metadata karya ilmiah dan dokumen institusi Universitas Bina Insani.
Filter Otomatis
ResetHasil Pencarian: "CRISP-DM" (Semua Bidang (Umum))
Menampilkan 4 karya ilmiah repository terverifikasi (Skripsi & Artikel Jurnal OJS)
| Detail Karya Ilmiah & Metadata | Tipe & Program Studi | Aksi Metadata |
|---|---|---|
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
|
|
SISTEM DETEKSI PENYAKIT GIGI MENGGUNAKAN ALGORITMA YOLOv8 DAN RESNET-18 PADA KLINK GIGI HAI DENT
Penulis: Bagas Aditya, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Penyakit gigi dan mulut merupakan masalah kesehatan dengan prevalensi tinggi, di mana pasien seringkali mengirimkan foto rongga mulut dengan kualitas kurang baik saat konsultasi daring sehingga menyulitkan diagnosis dokter. Penelitian ini bertujuan untuk mengembangkan sistem skrining awal klinis berbasis web menggunakan pendekatan deep learning dengan arsitektur two-stage (YOLOv8 dan ResNet-18). YOLOv8 digunakan untuk melokalisasi dan memotong area gigi bermasalah (Region of Interest) guna menghilangkan gangguan visual latar belakang, yang kemudian diproses dan diklasifikasikan oleh ResNet-18 ke dalam 7 kelas (Karies, Calculus, Gingivitis, Mouth Ulcer, Tooth Discoloration, Hipodontia, dan Sehat). Sistem ini juga mengimplementasikan Grad-CAM sebagai Explainable AI (XAI) untuk memvisualisasikan area prediksi penyakit secara transparan. Menggunakan metodologi CRISP-DM, model dilatih dengan 11.957 data citra klinis. Hasil evaluasi menunjukkan bahwa YOLOv8 mencapai nilai mAP@50 sebesar 88,17%. Sementara itu, ResNet-18 mencetak tingkat akurasi sebesar 92,25% dan F1-Score 92,37%. Pengujian performa sistem dengan membandingkan prediksi AI dan diagnosis pakar (dokter gigi) pada data baru memperoleh tingkat kesesuaian sebesar 83,33%. Kesimpulannya, integrasi YOLOv8 dan ResNet-18 berhasil memberikan hasil skrining awal yang akurat, meringankan beban kerja administratif klinik, serta mempermudah pasien dalam melakukan deteksi gejala gigi secara mandiri.
#Deep Learning
#Deteksi Penyakit Gigi
#ResNet-18
#Web
|
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
|
|
SISTEM DETEKSI PENYAKIT GIGI MENGGUNAKAN ALGORITMA YOLOv8 DAN RESNET-18 PADA KLINK GIGI HAI DENT
Penulis: Bagas Aditya, RULLY PRAMUDITA, S.T., M.Kom. |
2026
Penyakit gigi dan mulut merupakan masalah kesehatan dengan prevalensi tinggi, di mana pasien seringkali mengirimkan foto rongga mulut dengan kualitas kurang baik saat konsultasi daring sehingga menyulitkan diagnosis dokter. Penelitian ini bertujuan untuk mengembangkan sistem skrining awal klinis berbasis web menggunakan pendekatan deep learning dengan arsitektur two-stage (YOLOv8 dan ResNet-18). YOLOv8 digunakan untuk melokalisasi dan memotong area gigi bermasalah (Region of Interest) guna menghilangkan gangguan visual latar belakang, yang kemudian diproses dan diklasifikasikan oleh ResNet-18 ke dalam 7 kelas (Karies, Calculus, Gingivitis, Mouth Ulcer, Tooth Discoloration, Hipodontia, dan Sehat). Sistem ini juga mengimplementasikan Grad-CAM sebagai Explainable AI (XAI) untuk memvisualisasikan area prediksi penyakit secara transparan. Menggunakan metodologi CRISP-DM, model dilatih dengan 11.957 data citra klinis. Hasil evaluasi menunjukkan bahwa YOLOv8 mencapai nilai mAP@50 sebesar 88,17%. Sementara itu, ResNet-18 mencetak tingkat akurasi sebesar 92,25% dan F1-Score 92,37%. Pengujian performa sistem dengan membandingkan prediksi AI dan diagnosis pakar (dokter gigi) pada data baru memperoleh tingkat kesesuaian sebesar 83,33%. Kesimpulannya, integrasi YOLOv8 dan ResNet-18 berhasil memberikan hasil skrining awal yang akurat, meringankan beban kerja administratif klinik, serta mempermudah pasien dalam melakukan deteksi gejala gigi secara mandiri.
#Deep Learning
#Deteksi Penyakit Gigi
#ResNet-18
#Web
|
Skripsi (S1)
Teknik Informatika (S1)
Restricted Fulltext PDF
|