📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 67 dokumenPERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PERENCANAAN PRODUKSI BERBASIS MACHINE LEARNING PADA PT CIPTA MORTAR UTAMA
PT Cipta Mortar Utama (CMU) menghadapi tantangan operasional berupa biaya inventori yang berlebih akibat overproduction. Masalah ini bermuara dari proses peramalan permintaan yang masih menggunakan pendekatan judgemental forecast (target penjualan) yang subjektif dan rentan mengalami error, serta sistem pengambilan keputusan produksi yang memakan waktu karena data masih terisolasi antar divisi. Penelitian ini bertujuan untuk merancang prototipe Sistem Pendukung Keputusan (SPK) dengan mengintegrasikan model peramalan permintaan kuantitatif berbasis machine learning untuk menghasilkan rekomendasi penentuan shift produksi secara lebih akurat dan adaptif. Metodologi perancangan yang digunakan memadukan System Development Life Cycle (SDLC) untuk merancang arsitektur SPK dan Cross-Industry Standard Process for Data Mining (CRISPDM) untuk membangun model peramalan data deret waktu. Melalui proses evaluasi menggunakan metrik Mean Absolute Percentage Error (MAPE) dengan metode expanding window validation, penelitian ini menyimpulkan bahwa setiap Stock Keeping Unit (SKU) membutuhkan model peramalan yang spesifik: Model Random Forest direkomendasikan untuk produk MU-250-40KG. Model ARIMAX direkomendasikan untuk produk MU-302- 50KG. Model XGBoost direkomendasikan untuk produk MU-380-40KG dan MU-480- 25KG. Prototipe SPK ini dibangun menggunakan bahasa pemrograman Python dengan library Streamlit untuk menghasilkan antarmuka (dashboard) interaktif. SPK yang diusulkan mampu mengolah data historis menjadi peramalan permintaan, memvisualisasikan tren penjualan, dan menghitung jumlah kebutuhan shift produksi berdasarkan kapasitas dan safety stock. Berdasarkan analisis kelayakan ekonomi, rancangan solusi ini dinyatakan layak untuk diimplementasikan dengan nilai Benefit-Cost Ratio (BCR) sebesar 1,51, Internal Rate of Return (IRR) sebesar 17%, dan Payback Period selama 3,5 bulan. Implementasi sistem ini diharapkan dapat mengotomatisasi pengolahan data lintas divisi, mempercepat siklus pengambilan keputusan tingkat taktis, serta mereduksi biaya inventori perusahaan secara signifikan
INTEGRASI MACHINE LEARNING PADA IMPUTASI LOG SONIC DAN DENSITAS UNTUK PEMODELAN IMPEDANSI AKUSTIK
Karakterisasi reservoir melalui inversi seismik membutuhkan kelengkapan data log densitas (RHOB) dan sonik (DT). Namun, kendala biaya dan kondisi lubang bor buruk sering menyebabkan kekosongan data. Penelitian ini menerapkan algoritma Machine Learning (ML), yaitu Random Forest (RF) dan XGBoost, untuk mengimputasi nilai hilang log DT dan RHOB menggunakan skema cross-feature. Model dilatih dengan data 8 sumur KGS di Kabupaten Cheyenne dan divalidasi menggunakan skema Leave-One-Well-Out Cross-Validation (LOWO-CV) untuk menguji generalisasi pada sumur baru. Sebagai pembanding, digunakan Persamaan Wyllie dan Gardner terkalibrasi lokal serta Regresi Linear (LR) sebagai baseline statistik multi-variat. Hasil LOWO-CV menunjukkan pendekatan ML jauh lebih superior. Pada prediksi DT, RF mencapai rata-rata R 2 = 0,806 dan XGBoost mencapai R 2 = 0,796. Pada prediksi RHOB, XGBoost mencapai R 2 = 0,693 dan RF mencapai R 2 = 0,690. Dekomposisi nilai ?R 2 membuktikan peningkatan akurasi model ensemble bersumber utama dari kemampuan menangkap hubungan petrofisika non-linear. Profil Impedansi Akustik (AI) sintetik dari RF memberikan akurasi tertinggi (R 2 = 0,9452; RMSE = 2.626,6 g/cc·ft/s), mengungguli metode tradisional (R 2 = 0,8973) dan mencegah akumulasi galat multiplikatif ekstrem dari LR (R 2 = 0,7234). Rekonstruksi berbasis ML ini terbukti andal untuk menyediakan profil properti batuan sintetik bagi studi geofisika lanjutan.
SISTEM PERINGATAN DINI TERHADAP RISIKO LIKUIDITAS UMKM BERBASIS MACHINE LEARNING DENGAN EVALUASI FITUR TEMPORAL DAN MAKROEKONOMI
Likuiditas merupakan faktor vital bagi keberlangsungan Usaha Mikro, Kecil, dan Menengah (UMKM), namun pemantauan manual sering kali menyebabkan krisis terlambat disadari. Penelitian ini mengembangkan sebuah sistem peringatan dini risiko likuiditas berbasis machine learning yang memanfaatkan data transaksi Point-of-Sale (POS) dengan granularitas mingguan. Data historis dari 256 UMKM diintegrasikan dengan indikator makroekonomi nasional untuk memperkaya konteks prediktif pada tiga horizon waktu (4, 12, dan 24 minggu) melalui dua pendekatan klasifikasi: Track A (tiga kelas: High Risk, Moderate, Safe) dan Track B (biner: High Risk vs Not High Risk). Hasil evaluasi menunjukkan bahwa performa terbaik bervariasi tergantung pada horizon prediksi. Pada Track A, model XGBoost dengan Focal Loss unggul pada horizon H=4 (Macro F1=0,7115) dan H=24 (Macro F1=0,7052), sedangkan Extra Trees memberikan hasil terbaik pada H=12. Pada Track B, XGBoost mencapai Macro F1 tertinggi pada H=4 (0,8590) dan H=24 (0,7946). Analisis ablasi mengungkap bahwa fitur statistik historis (rolling statistics) menjadi pendorong utama akurasi model. Sebaliknya, indikator makroekonomi tidak memberikan kontribusi signifikan terhadap peningkatan akurasi akibat ketidaksesuaian antara granularitas data mingguan dengan transmission lag kebijakan makroekonomi yang cenderung panjang. Sistem ini diimplementasikan sebagai Proof-of-Concept (PoC) berupa dashboard web interaktif. Hasil validasi pengguna menunjukkan bahwa sistem mampu menyajikan peringatan dini yang dapat ditindaklanjuti dan mudah dipahami oleh pemilik UMKM. Meskipun belum merupakan produk komersial final, hasil validasi ini membuktikan kelayakan teknis sistem dan potensi tingginya untuk diadopsi sebagai alat bantu keputusan strategis, dengan catatan memerlukan pengembangan infrastruktur integrasi data secara lebih lanjut.
ESTIMASI RASIO PEMBEBANAN TERHADAP KAPASITAS ULTIMATE BERBASIS MACHINE LEARNING MENGGUNAKAN ANALISIS FRAKTAL DAN REPRESENTASI GRAF POLA KERETAKAN PADA BALOK BETON BERTULANG
Inspeksi visual secara tradisional untuk menilai kondisi struktur beton bertulang sering kali bersifat subjektif dan rentan terhadap kesalahan manusia. Oleh karena itu, diperlukan pendekatan kuantitatif yang lebih objektif dalam penilaian kesehatan struktur. Penelitian ini menggunakan machine learning untuk mengestimasi rasio pembebanan terhadap kapasitas ultimate (????/????????????????????????????????) melalui analisis pola keretakan permukaan. Metodologi melibatkan kuantifikasi pola retak dengan analisis multifraktal dan teori graf, serta pelatihan model menggunakan algoritma SVR, ENR, RFR, dan XGBoost. Selain fitur retak, parameter geometri seperti rasio bentang geser terhadap kedalaman (a/d) dan kedalaman balok (d) juga diintegrasikan. Hasil penelitian menunjukkan bahwa penambahan fitur geometri secara signifikan meningkatkan akurasi prediksi, yang ditandai dengan kenaikan nilai dan penurunan RMSE. Analisis Shapley Additive Explanation (SHAP) digunakan untuk menginterpretasikan kontribusi fitur. Didapatkan kesimpulan bahwa integrasi analisis pola retak dan machine learning menyediakan metode yang objektif dan akurat untuk estimasi tingkat pembebanan struktur beton bertulang.
APLIKASI MACHINE LEARNING UNTUK PREDIKSI LOG VP/VS DAN PENGGUNAAN CPEI DAN PEIL UNTUK MENGETAHUI KAPASITAS PENYIMPANGAN CO2 PADA LAPANGAN CCS GUNDIH, JAWA TIMUR
Prediksi log Vp/Vs merupakan langkah krusial dalam analisis potensi penyimpanan karbon dioksida (Carbon Capture and Storage/CCS), khususnya dalam mengevaluasi karakteristik mekanik reservoir bawah permukaan. Penelitian ini bertujuan untuk mengembangkan model prediktif log Vp/Vs berdasarkan data log sumur sekitarnya, seperti log densitas, log resistivitas, dan log kecepatan gelombang kompresi (Vp). Data log ini digunakan sebagai parameter input untuk memodelkan hubungan non-linear antara sifat fisik batuan dan kecepatan gelombang geser. Dalam penelitian ini, metode machine learning diterapkan untuk membangun model prediksi yang andal dan akurat. Dengan memanfaatkan optimizer adam dan Activation ReLU, diharapkan model machine learning ini mampu mengintegrasikan data log multi-dimensional untuk menghasilkan estimasi log Vp/Vs yang sesuai dengan karakteristik geologi lokal. Studi kasus dilakukan pada area dengan data log yang lengkap, dan hasil validasi menunjukkan bahwa model yang dikembangkan mampu menghasilkan prediksi log Vp/Vs dengan tingkat akurasi tinggi. Dalam penelitian ini juga akan digunakan Machine Learning untuk membantu dalam melakukan prediksi Log tersebut. Didapatkan korelasi sebesar 0.8024 pada log Vs saat dibandingkan dengan data log asli pada sumur KTB-2. Hasil penelitian ini diharapkan dapat memberikan kontribusi signifikan dalam mendukung analisis reservoir untuk CCS, termasuk evaluasi kapasitas injeksi dan kestabilan mekanik formasi batuan. Pendekatan ini juga berpotensi untuk diterapkan pada wilayah lain dengan kondisi geologi yang serupa, sehingga mendukung pengembangan teknologi CCS yang berkelanjutan
PENGEMBANGAN SISTEM DETEKSI ANOMALI DAN PRIORITISASI ANCAMAN SIBER BERBASIS MACHINE LEARNING PADA SIEM WAZUH
Tugas akhir ini mengajukan artefak deteksi anomali berbasis machine learning untuk mereduksi alert fatigue dan meningkatkan efektivitas triase pada lingkungan SIEM Wazuh. Alih-alih klasifikasi biner, masalah dirumuskan sebagai pemeringkatan (Top-K/Top-p) sehingga atensi analis terfokus pada irisan kejadian bernilai tinggi dan berukuran sesuai kapasitas harian. Solusi memanfaatkan feature spine ber-coverage tinggi dengan pembersihan dan kanonisasi skema yang deterministik. Evaluasi dirancang temporal (latih-validasi-uji prospektif), dengan injeksi kejadian sintetis terkurasi pada fase validasi untuk menyediakan ground truth yang relevan secara operasional. Hasil menunjukkan pendekatan bertetangga (k-NN untuk anomaly scoring) paling konsisten pada budgeted triage kecil. Pada titik operasi p=1%, sistem mencapai precision@1%? 0,68, recall@1% ? 0,23, lift@1% > 23× terhadap base rate, dan FPR@1%? 0,0033 mengindikasikan kepadatan true positive yang tinggi pada irisan kecil dan noise yang terkendali, dengan stabilitas antar-hari yang memadai. Lapisan explainability melalui reason codes (fitur kontributor, pembanding "tetangga normal", indikator konteks) mempercepat handoff investigasi dan meningkatkan akuntabilitas prioritisasi. Implementasi disiapkan deployment-friendly melalui transformer fitur yang dibekukan dan layanan headless berkontrak keluaran stabil, siap diintegrasikan dengan dasbor/orkestrasi. Kontribusi utama meliputi: (i) formulasi deteksi sebagai pemeringkatan yang relevan untuk triase; (ii) feature spine yang tahan kelangkaan atribut; (iii) pendekatan model yang sensitif konteks lokal dan dapat dijelaskan; serta (iv) desain implementasi siap integrasi. Batasan mencakup keterbatasan sinyal jaringan/geo/taksonomi dan ground truth sintetis; arah lanjut adalah perluasan sinyal pasca-pembersihan, pelabelan insiden nyata, dan aktivasi pipeline ujung-ke- ujung.
PREDIKSI COVERAGE JARINGAN SELULER BERBASIS STACKING MACHINE LEARNING
Meningkatnya konsumsi konten digital mendorong pengembangan jaringan seluler untuk memenuhi permintaan terhadap akses internet. Jaringan 4G LTE telah menjadi salah satu tulang punggung utama dalam menunjang kebutuhan digital ini. Perencanaan pembangunan infrastruktur jaringan seluler menggunakan perhitungan RSRP dari model empiris seperti COST-231. Namun akurasi prediksi coverage masih bisa ditingkatkan menggunakan machine learning seperti Linear Regression, Ridge Regression, Lasso Regression, Decision Tree, Random Forest, Support Vector Regression, K-Nearest Neighbors, AdaBoost, Gradient Boosting, XGBoost, LightGBM, CatBoost. Dengan mempelajari data drive test, model mampu memprediksi nilai RSRP berdasarkan parameter yang diberikan dengan akurasi yang tinggi. Penyesuaian parameter menggunakan metode GridSearch juga dilakukan untuk meningkatkan performa model secara signifikan. Setelah proses hyperparameter tuning, didapatkan model KNN, AdaBoost, dan Gradient Boosting sebagai model terbaik. Teknik stacking dengan tiga model terbaik sebagai base model dan meta model Ridge Regression mampu mengurangi error dari base model sebesar 6 persen.
PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN PEMILIHAN PELATIHAN KARYAWAN BERBASIS MACHINE LEARNING DI PT POS INDONESIA (PERSERO) KANTOR CILAKI
Perkembangan industri logistik global berdampak pada PT Pos Indonesia (Persero) yang saat ini menghadapi tantangan peningkatan efisiensi operasional dan kompetensi sumber daya manusia. Evaluasi kinerja menunjukkan performansi pegawai masih berada pada kategori “cukup”, sehingga diperlukan pelatihan yang tepat sasaran. Namun, proses penentuan pelatihan di Divisi Digital Learning Center (DLC) masih bersifat manual dan judgment- based, sehingga berpotensi kurang optimal. Penelitian ini bertujuan untuk merancang Sistem Pendukung Keputusan (SPK) berbasis machine learning yang mampu memberikan rekomendasi pelatihan secara lebih objektif dan terukur. Metode yang digunakan adalah text mining dengan TF-IDF dan cosine similarity. Hasil perhitungan tersebut digabungkan dengan kriteria lain seperti gap kompetensi dan biaya pelatihan melalui metode Simple Additive Weighting (SAW). Hasil evaluasi menunjukkan model mencapai nilai kepresisian rata-rata lebih besar sama dengan 86% dengan rata-rata presisi tertinggi sebesar 88,3% pada P@5 untuk rekomendasi berbasis arahan serta nilai sebesar 85,32% (P@15) untuk rekomendasi berbasis standar kompetensi. Selain itu, evaluasi dengan rating scale menunjukkan tingkat kesesuaian rekomendasi berdasarkan standar kompetensi yang dihasilkan adalah sebesar 71,8% serta kesesuaian model berbasis arahan sebesar 80% . SPK yang dirancang dapat membantu proses pengambilan keputusan pelatihan secara lebih terstruktur dan transparan.
EVALUASI PENDEKATAN MACHINE LEARNING UNTUK PREDIKSI TRAFIK DATA DAN THROUGHPUT PADA JARINGAN SELULER
Pertumbuhan pesat pengguna internet dan perangkat seluler menyebabkan peningkatan signifikan terhadap beban trafik data jaringan. Hal ini menimbulkan tantangan besar dalam hal perencanaan kapasitas dan pengelolaan sumber daya jaringan yang efisien. Salah satu solusi untuk mengantisipasi fluktuasi beban jaringan secara proaktif adalah melalui penerapan metode prediksi berbasis machine learning. Dalam penelitian ini, digunakan sembilan model prediksi yang diklasifikasikan ke dalam tiga kategori utama, yaitu model statistik tradisional, machine learning klasik, dan deep learning. Pada percobaan pertama yang berfokus pada prediksi trafik data jaringan, model extreme gradient boosting (XGBoost) berbasis regresi multivariat menunjukkan performa terbaik dengan nilai mean absolute error (MAE) = 0.1630, mean square error (MSE) = 0.0595, root mean square error (RMSE) = 0.2440, dan r-squared (R2) = 0.9938. Hasil ini mengindikasikan bahwa model mampu menangkap pola non-linear yang kompleks secara efektif dengan tingkat kesalahan yang sangat rendah. Pada percobaan kedua yang menitikberatkan pada prediksi throughput jaringan, model Stacked Ensemble Learning dengan Random Forest dan Gradient Boosting sebagai model dasar, serta Linear Regression sebagai meta model, memberikan hasil terbaik dengan MAE = 0.8738, RMSE = 1.4707, dan R2 = 0.9539. Model ini sedikit lebih unggul dibanding Transformer (R2 = 0.9531) dan XGBoost berbasis multivariat dan time series (R2 = 0.9387), serta secara signifikan mengungguli pendekatan deep learning seperti long short-term memory (LSTM) (R2 = 0.9328) dan Hybrid Attention-LSTM (R2 = 0.9142). Secara keseluruhan, XGBoost merupakan model paling andal untuk prediksi trafik data, sementara Stacked Ensemble Learning menjadi pilihan terbaik untuk prediksi throughput jaringan. Hasil ini diharapkan dapat membantu operator jaringan dalam melakukan perencanaan kapasitas, alokasi sumber daya, serta manajemen kualitas layanan secara lebih adaptif, efisien, dan proaktif. Penelitian ini juga memberikan kontribusi dalam mengintegrasikan teknik pemodelan modern dengan kebutuhan nyata dalam pengelolaan jaringan seluler.
STUDI IMPLEMENTASI LLM DAN XAI DALAM PENJELASAN CREDIT SCORING BERBASIS MACHINE LEARNING
Seiring perkembangan zaman, implementasi teknologi di kehidupan sehari-hari semakin bertambah. Salah satu industri yang terdampak dengan perkembangan ini adalah credit scoring. Implementasi model machine learning mampu meningkatkan objektivitas serta efektivitas dari proses credit scoring tradisional yang tidak sepenuhnya objektif. Akan tetapi proses klasifikasi yang dilakukan model machine learning memiliki kekurangan dalam memberikan penjelasan proses mendapatkan hasil klasifikasi credit scoring. Penelitian ini bertujuan untuk mengimplementaikan XAI / LLM dengan ML untuk meningkatkan penjelasan yang didapatkan. Hasil penelitian menunjukkan bahwa tuned bagging classifier mendapatkan performa terbaik dengan akurasi 0.8314, recall class-0 0.8553, dan AUC 0.9387. Bagging classifier tersebut diimplementasikan bersama dengan XAI, yaitu SHAP, LIME, dan DiCE. Melalui SHAP dan LIME, user mendapatkan feature importance dari setiap hasil klasifikasi yang dilakukan model. Selain itu, implementasi DiCE juga membantu mendapatkan counterfactual explanation yang membantu user mengubah credit score menjadi "Good". Terakhir, ketiga output XAI akan dijelaskan dengan LLM untuk mendapatkan penjelasan dalam bahasa manusia. Evaluasi memperlihatkan bahwa penggunaan LLM dan XAI dapat memberikan penjelasan yang mudah dipahami oleh user tanpa domain knowledge, tetapi masih membutuhkan optimisasi untuk counterfactual explanation yang kurang realistis.
PERANCANGAN SISTEM PEMANTAUAN CURAH HUJAN SEBAGAI PERINGATAN BANJIR BERBASISINTERNET OF THINGS (IOT)
Banjir merupakan bencana alam yang sering melanda masyarakat Indonesia. Salah satunya melanda Kecamatan Dayeukolot di Kabupaten Bandung yang disebabkan oleh hujan periodik yang menyebabkan meluapnya Sungai Citarum. Sehingga pengukuran curah hujan menjadi elemen yang penting dalam membangun sistem peringatan dini banjir. Penelitian ini mengajukan sistem berbasis IoT. Pengukuran curah hujan menggunakan sensor curah hujan RK400-07 dan pengukuran ketinggian permukaan sungai memanfaatkan computer vision dari BARDI IP Camera. Sebuah Mikrokontroller ESP32 digunakan untuk memproses hasil pengukuran-pengukuran tersebut dan mempersiapkan data tersebut untuk ditransmisikan ke sebuah monitoring station dengan modul LoRa SX1276. Hasil pengukuran tersebut lalu dimodelkan terhadap status kewaspadaan banjir di Kecamatan Dayeuhkolot dan Baleendah dengan menggunakan algoritma machine learning linear regression dan decision tree. Pengujian terhadap sensor curah hujan RK400-07 mendapati bahwa sensor dapat bekerja dengan baik. Pengujian modul LoRa SX1276 dilakukan pada kondisi lingkungan banyak gedung, banyak pohon, dan tanah lapang. Analisa keberpengaruhan juga dilakukan dengan memodelkan data yang serupa, dan ditemukan bahwa hujan di daerah Dago dan Lembang paling mempengaruhi potensi banjir di Kecamatan Dayeuhkolot.
SISTEM INFORMASI DETEKSI ALERGEN BERBASIS MACHINE LEARNING PADA PLATFORM SMART CANTEEN (STUDI KASUS: KANTIN KAMPUS GANESHA ITB)
Dalam kerangka Food Risk Analysis, informasi yang transparan merupakan komponen krusial sebagai bagian dari Risk Communication. Namun, kurangnya transparansi informasi alergen di kantin universitas menjadi risiko kesehatan bagi mahasiswa dan tenaga didik kampus. Studi kasus di kantin kampus ITB Ganesha menunjukkan 83.1% pengunjung tidak mengetahui kandungan makanan yang dikonsumsi. Penelitian ini bertujuan untuk menjembatani kesenjangan tersebut dengan mengembangkan modul komputasi sebagai tahapan Risk Assessment untuk identifikasi bahaya alergen makanan. Merujuk pada peraturan EU 1169/2011 yaitu kewajiban penerapan regulasi pencantuman label 14 kategori alergen pada makanan kemasan dan non-kemasan, penelitian ini merancang dan membangun sebuah sistem deteksi alergen berbasis machine learning untuk diintegrasikan ke platform Smart Canteen. Dengan mengadopsi metodologi DSRM dan CRISP-DM, sebuah model klasifikasi multi-label dikembangkan dengan algoritma Random Forest dan strategi One-vs-Rest untuk mengidentifikasi 14 alergen utama dengan kinerja solid pada data uji, direpresentasikan oleh F1-score Weighted sebesar 0,88 dan ROC AUC 0,98. Tantangan kesenjangan linguistik antara data latih diatasi dengan implementasi kamus pemetaan manual yang kontekstual dipadukan dengan layanan translasi otomatis. Studi kualitatif menunjukkan bahwa sistem memiliki akurasi yang kompetitif (F1-score 0,77) dan lebih efisien dengan kecepatan pemrosesan 20 kali lebih tinggi. Validasi dengan Guru Besar dari Sekolah Farmasi ITB lebih lanjut memperkaya analisis mengenai batasan dan fitur tambahan kontekstual. Kesimpulan dari penelitian tugas akhir ini memvalidasi bahwa sistem yang diusulkan merupakan solusi teknis yang layak dan praktis sebagai alat bantu pra-penyaringan yang efisien bagi pengelola kantin.
IMPLEMENTASI DAN EVALUASI KINERJA MODEL MACHINE LEARNING DALAM PREDIKSI PENJUALAN RETAIL
Tugas Akhir ini bertujuan untuk mengevaluasi dan menentukan algoritma forecasting yang paling optimal dalam memprediksi penjualan harian. Dalam hal ini, peramalan penjualan yang akurat merupakan kunci dalam mendukung manajemen inventori yang efisien guna menghindari kelebihan maupun kekurangan stok serta menekan biaya penyimpanan. Tiga algoritma pembelajaran mesin dan statistik yang dibandingkan dalam studi ini adalah Long Short-Term Memory, Seasonal AutoRegressive Integrated Moving Average, dan Extreme Gradient Boosting. Ketiganya dimodelkan dengan menggunakan data historis penjualan harian yang diperkaya dengan beragam fitur tambahan seperti promosi, kategori produk, dan variabel eksternal lainnya. Evaluasi kinerja dilakukan dengan menggunakan metrik mean absolute error, mean ebsolute percentage error, dan symmetric MAPE. Hasil evaluasi menunjukkan bahwa model LSTM memberikan kinerja terbaik dengan nilai kesalahan prediksi yang paling rendah dibandingkan dua algoritma lainnya. Temuan ini mengindikasikan bahwa LSTM lebih unggul dalam menangkap pola temporal dan dinamika data penjualan harian.
PENGEMBANGAN MODEL MACHINE LEARNING UNTUK ESTIMASI RISIKO DIABETES DI INDONESIA DENGAN PENERAPAN XAI
Diabetes melitus telah menjadi salah satu tantangan kesehatan utama di Indonesia, ditandai dengan prevalensi yang terus meningkat dan tingginya kasus yang tidak terdiagnosis. Pemanfaatan machine learning untuk pemodelan risiko sering kali menghadapi dua kendala utama: kurangnya transparansi atau sifat black box model, serta penggunaan data yang tidak sepenuhnya merepresentasikan karakteristik faktor risiko populasi lokal Indonesia. Oleh karena itu, tugas akhir ini bertujuan untuk menjawab tantangan tersebut dengan mengembangkan model estimasi risiko diabetes tipe 2 yang tidak hanya akurat dan relevan bagi masyarakat Indonesia, tetapi juga transparan dan dapat dipertanggungjawabkan secara medis Untuk mengatasi permasalahan tersebut, tugas akhir ini mengembangkan model estimasi risiko diabetes tipe 2 yang bersifat non-invasif menggunakan algoritma Extreme Gradient Boosting (XGBoost). Model ini dilatih menggunakan fitur-fitur non-laboratorium yang relevan dengan karakteristik populasi Indonesia, yang bersumber dari survei nasional Indonesia Family Life Survey 5 (IFLS5). Untuk memastikan transparansi dan rasionalitas model, diterapkan pendekatan Explainable Artificial Intelligence (XAI), khususnya menggunakan metode SHapley Additive exPlanations (SHAP). Metode ini memungkinkan analisis kontribusi setiap faktor risiko terhadap hasil estimasi sehingga keputusan yang dihasilkan model dapat dipahami dan divalidasi. Model XGBoost yang dikembangkan berhasil mencapai kinerja yang baik dengan nilai Receiver Operating Characteristic-Area Under Curve (ROC-AUC) sebesar 0,72 pada data uji. Analisis menggunakan SHAP lebih lanjut mengonfirmasi bahwa rasionalitas di balik keputusan model secara umum selaras dengan pengetahuan medis yang ada. Validasi yang dilakukan oleh domain expert juga menyatakan bahwa kontribusi faktor-faktor risiko yang diidentifikasi oleh model konsisten dengan pemahaman klinis. Hasil ini menunjukkan bahwa model yang dikembangkan tidak hanya memiliki kinerja yang memadai, tetapi juga dapat dipercaya karena penjelasannya yang logis dan relevan secara medis.
PENGEMBANGAN SISTEM SERVICE SELECTION DENGAN PENDEKATAN MACHINE LEARNING PADA SIDECAR SERVICE MESH
Arsitektur microservice telah diadopsi secara luas, namun menghadirkan tantangan dalam proses service selection yang dinamis untuk menjaga otonomi setiap service. Umumnya, service selection masih menggunakan metode konvensional seperti round-robin yang kurang adaptif terhadap perubahan beban dan kondisi non-fungsional seperti Quality of Service (QoS). Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem service selection dengan pendekatan machine learning yang diintegrasikan pada sidecar dalam arsitektur service mesh untuk meningkatkan nilai QoS. Metodologi yang digunakan mengadaptasi kerangka kerja CRISP-ML yang terdiri dari tahap pemahaman bisnis dan data, persiapan data, pemodelan, serta evaluasi. Sistem yang dikembangkan mengintegrasikan model prediksi time-series (LSTM dan GRU) untuk memprediksi metrik response time dan model Reinforcement Learning (Q-Learning) untuk memilih instance service secara dinamis. Modul ini diimplementasikan sebagai sidecar terpisah yang berkomunikasi dengan Istio Proxy melalui konfigurasi Envoy Filter. Pengujian dilakukan dalam dua skenario: pengujian beban linier dengan variasi sumber daya dan pengujian dengan variasi jenis request. Hasil pengujian menunjukkan bahwa pendekatan machine learning berhasil meningkatkan nilai QoS dibandingkan dengan metode round-robin. Secara spesifik, model dengan prediksi LSTM menunjukkan penurunan response time rata-rata hingga 47,8% dan kenaikan throughput sebesar 44% pada pengujian beban. Pada skenario dengan adanya request yang bervariasi, pendekatan ini mampu menurunkan response time rata-rata hingga 23% dibandingkan metode least request.