📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 192 dokumenPERBANDINGAN METODE DEKONVOLUSI WERNER DAN DEKONVOLUSI EULER YANG DIGUNAKAN PADA DATA GRAVITASI
Salah satu metode geofisika yang telah terbukti efektif untuk menggali informasi mengenai struktur bawah permukaan adalah metode gravitasi. Pada dasarnya, dekonvolusi bertujuan untuk mengestimasi kedalaman anomali gravitasi. Salah satu pendekatan dekonvolusi yang banyak digunakan adalah metode Euler dan Werner. Dekonvolusi Werner adalah metode inversi pada data magnetik atau gravitasi dengan jarak teratur untuk memperkirakan kedalaman dan lokasi tubuh sumber. Penerapan metode dekonvolusi Werner menggunakan konsep jendela bergerak memerlukan perhatian terhadap beberapa parameter penting. Parameter-parameter tersebut meliputi Window Length, Window Shift Increment, Window Expansion Increment, dan Detrend Order. Penelitian ini bertujuan untuk menganalisis efek dari parameter-parameter tersebut serta hasil solusi yang diperoleh, sehingga dapat dijadikan pedoman untuk secara efektif menerapkan dekonvolusi Werner. Dekonvolusi Werner dan Dekonvolusi Euler diterapkan pada data sintetik untuk penelitian ini yang didapat dari pemodelan kedepan. Hasil dari analisis parameter-parameter efektif dapat digunakan dan berhasil mendeteksi anomali yang telah dibuat. Untuk Dekonvolusi Werner, pemilihan window length yang disarankan adalah yang panjangnya sama dengan body sumber anomali. Nilai yang disarankan untuk Detrend Order adalah 2. Untuk parameter Window Shift & Expansion Increment, nilai yang semakin kecil akan membuat solusi yang dihasilkan semakin banyak. Solusi dekonvolusi Euler data sintetik dengan berbagai indeks struktural dan lebar jendela, di mana penggunaan indeks struktural yang tinggi akan menghasilkan estimasi kedalaman yang dalam, sedangkan lebar jendela berpengaruh terhadap sebaran solusi. Perbedaan signifikan yang terlihat pada kedua metode tersebut adalah jumlah parameter yang perlu ditentukan dan fleksibilitas dalam mendeteksi berbagai struktur berbeda. Dengan menggunakan Dekonvolusi Werner, tidak diperlukan untuk menggunakan indeks struktural seperti Dekonvolusi Euler.
SISTEM REKOMENDASI MULTIKRITERIA DENGAN PENJELASAN LEVEL KRITERIA
Sistem rekomendasi penting untuk membantu pengguna dalam memilih produk (item) yang sesuai dengan preferensinya. Dalam hal ini, sistem rekomendasi memberikan rekomendasi item secara otomatis berdasarkan riwayat perilaku dan preferensi pengguna. Perilaku dan preferensi pengguna dapat diperoleh dari penilaian (rating) yang diberikan oleh pengguna terhadap item. Pada sistem rekomendasi multikriteria, rating tersebut diberikan baik untuk item maupun kriteria item. Terdapat dua pendekatan umum untuk menyelesaikan sistem rekomendasi multikriteria, yaitu pendekatan heuristik dan berbasis pemodelan. Pendekatan berbasis fungsi agregasi yang merupakan bagian dari pendekatan berbasis pemodelan merupakan pendekatan yang banyak dikembangkan saat ini. Kerangka kerja dari pendekatan ini terdiri dari prediksi rating kriteria, pembelajaran fungsi agregasi, dan prediksi rating untuk satu item secara keseluruhan (rating overall). Akurasi masih menjadi permasalahan utama pada penelitian sistem rekomendasi. Akurasi dipengaruhi oleh ketersediaan data, sedangkan saat ini sparsity masih menjadi isu. Pada sistem rekomendasi multikriteria, tingkat sparsity menjadi semakin meningkat akibat dari ketidaklengkapan rating kriteria yang diberikan oleh pengguna. Hal inilah yang disebut sebagai partial preferences problem. Sejumlah penelitian mengusulkan penanganan partial preferences problem untuk meningkatkan kinerja sistem, diantaranya pendekatan berbasis aturan dan pemrosesan teks untuk memprediksi rating yang tidak lengkap. Namun pendekatan-pendekatan tersebut hanya memanfaatkan satu atribut, rating overall saja atau ulasan saja. Isu berikutnya adalah bagaimana membangun fungsi agregasi yang efektif untuk memodelkan relasi antara rating kriteria dengan rating overall. Sejumlah metode diusulkan untuk menyelesaikan masalah ini, seperti metode berbasis statistik ataupun machine learning, namun lingkup fungsi yang dihasilkan masih berlaku umum sehingga belum bisa menangkap preferensi personal dari pengguna. Terakhir, yang tidak kalah penting adalah penjelasan rekomendasi. Penjelasan pada level kriteria dapat disajikan secara langsung dalam bentuk kuantitatif ataupun secara tidak langsung dalam bentuk kalimat. Penjelasan dalam bentuk kalimat lebih mudah dipahami oleh pengguna. Namun pengembangan masih diperlukan terutama dari sisi kelengkapan dalam menjelaskan detail setiap kriteria. Oleh karena itu, permasalahan yang diajukan pada penelitian disertasi ini ii adalah (1) bagaimana meningkatkan kualitas rekomendasi pada sistem rekomendasi multikriteria melalui personalisasi fungsi agregasi dan penanganan partial preference problem dengan pelengkapan rating kriteria menggunakan pendekatan berbasis pemrosesan teks - multiatribut (yaitu ulasan dan rating overall) dan (2) bagaimana memetakan rating kriteria menjadi penjelasan rekomendasi level kriteria dalam bentuk kalimat dan meningkatkan kelengkapan dalam menjelaskan detail setiap kriteria. Permasalahan pertama berfokus pada peningkatan akurasi rekomendasi. Berdasarkan permasalahan tersebut, penelitian ini mengusulkan pelengkapan rating kriteria untuk known items menggunakan metode berbasis BERT dengan memanfaatkan ulasan dan rating overall (multiatribut) yang disebut MA-BERT- RA. Kinerja MA-BERT-RA mengungguli SA-BERT (Single-Attribute BERT) dengan peningkatan akurasi mencapai 2,21%. Selain itu, penelitian ini juga mengusulkan personalisasi fungsi agregasi berbasis NN (neural network) pada MCCF (multi-criteria collaborative filtering) yang disebut sebagai P-FFNN-MCCF dan P-DNN-MCCF untuk memprediksi rating overall dan rekomendasi dari unknown items. Kinerja P-FFNN-MCCF dan P-DNN-MCCF lebih unggul dibandingkan dengan metode baseline tanpa personalisasi, dengan rata-rata peningkatan ROC AUC sebesar 12%. Sedangkan untuk macro F1-score, terjadi peningkatan hingga 6% untuk rekomendasi item dengan likelihood sedang dan 12% untuk rekomendasi item dengan likelihood tinggi. Integrasi kedua metode (MA- BERT-RA x P-FFNN-MCCF) pada kondisi sistem rekomendasi yang sebenarnya, di mana terdapat ketidaklengkapan pada rating kriteria, menunjukkan peningkatan akurasi dalam memprediksi rating kriteria dan rekomendasi item. Permasalahan kedua berkenaan dengan penjelasan rekomendasi. Berdasarkan permasalahan tersebut, penelitian ini mengusulkan penjelasan rekomendasi berbasis aspek dalam lingkup kriteria menggunakan pendekatan template dengan perluasan aspek yang disebut TEMP-EXT. Berdasarkan hasil pengujian terbukti bahwa kinerja TEMP- EXT mengungguli metode baseline, baik dari sisi coverage maupun kualitas. Peningkatan kinerja coverage fitur, coverage kriteria, dan kualitas penjelasan rekomendasi secara berurutan mencapai 40%, 12%, dan 6%. Hasil-hasil ini menunjukkan bahwa usulan-usulan penelitian berpengaruh positif dan berpotensi untuk memperbaiki kinerja sistem rekomendasi multikriteria.
TEKNIK MACHINE LEARNING UNTUK PREDIKSI CHURN PELANGGAN DI SEKTOR TEKNOLOGI AKUAKULTUR: ANALISIS INDUSTRI
Penelitian ini menyelidiki penerapan teknik pembelajaran mesin untuk memprediksi churn pelanggan di sektor teknologi akuakultur. Seiring dengan pertumbuhan industri dan meningkatnya persaingan, mempertahankan pelanggan menjadi sangat penting untuk pertumbuhan bisnis yang berkelanjutan. Kami menggunakan dataset sintetis yang merepresentasikan industri teknologi akuakultur untuk menerapkan dan mengevaluasi beberapa model pembelajaran mesin, termasuk Jaringan Syaraf Tiruan, Pohon Keputusan, Mesin Vektor Pendukung, Random Forest, Regresi Logistik, dan teknik gradient boosting (XGBoost, LightGBM, dan CatBoost). Untuk mengatasi tantangan umum dataset yang tidak seimbang dalam prediksi churn, kami menggunakan berbagai strategi sampling data: SMOTE, SMOTE dikombinasikan dengan Tomek Links, dan SMOTE dikombinasikan dengan Edited Nearest Neighbors. Selain itu, kami menerapkan penyetelan hyperparameter untuk meningkatkan kinerja model. Evaluasi model dilakukan menggunakan metrik standar seperti Presisi, Recall, F1-score, dan Area Di Bawah Kurva Karakteristik Operasi Penerima (ROC AUC). Hasil penelitian menunjukkan potensi teknik pembelajaran mesin dalam memprediksi churn pelanggan di sektor teknologi akuakultur, dengan model gradient boosting menunjukkan kinerja yang unggul. Studi ini berkontribusi pada pemahaman perilaku pelanggan di sektor teknologi akuakultur dan memberikan wawasan untuk mengembangkan strategi retensi yang ditargetkan dalam industri.
KLASIFIKASI KEGAGALAN NAUNGAN SEBAGIAN SISTEM PLTS DENGAN VARIASI JARAK MENGGUNAKAN ALGORITMA XGBOOST
Salah satu faktor yang dapat mempengaruhi produksi daya Pembangkit Listrik Tenaga Surya (PLTS) adalah adanya naungan sebagian, yaitu tertutupnya sebagian modul PV oleh objek yang berada diatasnya. Terdapat berbagai jenis naungan sebagian yang memerlukan penanganan berbeda-beda. Oleh karena itu, diperlukan suatu metode klasifikasi jenis naungan sebagian yang terjadi agar dapat membantu proses perawatan PLTS. Salah satu tantangan merupakan belum adanya struktur penopang benda penutup untuk melakukan percobaan naungan sebagian berjarak, yang artinya benda menutupi modul PV memiliki jarak terhadap modul. Sebagai upaya untuk mengembangkan metode klasifikasi, dilakukan penelitian terhadap sistem PLTS yang terdapat pada Gedung Center for Advanced Sciences ITB. Untuk penelitian ini dipilih menggunakan algoritma pembelajaran mesin XGBoost (Extreme Gradient Boosting) dan algoritma Random Forest sebagai pembanding dikarenakan keduanya menggunakan metode pohon klasifikasi beruntun, dan hasil perbandingan akan menunjukkan algoritma mana yang memiliki potensi terbaik untuk digunakan sebagai metode klasifikasi kedepannya. Untuk pengembangan metode, diambil data menggunakan alat Solmetric PV Analyzer 1000S untuk kondisi normal dan 6 jenis penutupan. Dari hasil penelitian yang dilakukan ini, didapatkan desain struktur menggunakan batang siku lubang yang dapat digunakan untuk menopang penutup sehingga dapat diambilnya data penutupan berjarak. Hasil klasifikasi pembelajaran mesin juga menunjukkan bahwa pada algoritma baik XGBoost maupun Random Forest menggunakan variabel Vmpp secara dominan dengan nilai importance > 0.3 atau 30% untuk melakukan klasifikasi. Tingkat akurasi klasifikasi XGBoost mencapai 92% untuk data uji dan 66,8% untuk data validasi, sedangkan Random Forest mencapai 96% untuk data uji dan 52% untuk data validasi, yang menunjukkan tingkat overfitting Random Forest yang lebih tinggi, meskipun kedua algoritma masih kesulitan membedakan data penutupan menempel dengan data penutupan berjarak. Kesulitan membedakan data menempel dengan berjarak ini menjadi faktor ketidakakuratan terbesar untuk kedua algoritma.
PERANCANGAN STRATEGI PENGELOLAAN PELANGGAN DI REVOLT SPACE
Revolt Space merupakan sebuah klub kebugaran yang telah berdiri sejak tahun 2022 dan menawarkan beragam program kelas olahraga, salah satunya program kelas gym. Berdasarkan data omzet bulanan pada periode Agustus 2023 hingga April 2024, kenaikan omzetnya bersifat fluktuatif dan masih mengalami penurunan omzet yang telah melewati batas toleransi capaian target. Fluktuatifnya besar omzet tersebut disebabkan oleh penurunan jumlah pelanggan aktif yang melakukan perpanjangan subscription, ditandai dengan besarnya churn rate per bulan yang masih jauh di atas rata-rata tolok ukur yang baik, yaitu sebesar 4% untuk perusahaan yang berbasis subscription. Permasalahan tersebut terjadi akibat strategi retensi yang diterapkan belum efektif karena kurangnya pemanfaatan data analitik untuk memahami perilaku dan kebutuhan pelanggan. Permasalahan ini membuat Revolt Space perlu menerapkan strategi pengelolaan pelanggan yang sesuai dengan kondisi atau kemampuan berdasarkan kondisi perusahaan saat ini. Penelitian ini menggunakan metode studi kasus dengan pendekatan kualitatif. Pengambilan data dilakukan melalui observasi, wawancara, dan kuesioner. Data-data yang telah dikumpulkan tersebut akan diidentifikasi untuk mengetahui arah pengembangan strategi pengelolaan pelanggannya. Langkah-langkahnya meliputi identifikasi tahap pertumbuhan organisasi menggunakan ASTRO ITB, fokus strategi pemasaran, dan mengevaluasi sistem pengelolaan pelanggannya menggunakan kerangka audit SPP. Berdasarkan hasil identifikasi, saat ini Revolt Space berada pada tahap 3 (expansion) dan fokus strategi pemasarannya masih dominan pada strategi akuisisi. Berdasarkan hasil audit yang telah dilakukan, saat ini Revolt Space perlu memfokuskan pada proses manajemen informasi. Maka dari itu, perancangan strategi pengelolaan pelanggan Revolt Space diarahkan untuk berfokus pada aspek manajemen informasi yang dapat mendukung strategi pemasaran retensi perusahaan sesuai dengan model konseptual strategi pemasaran pada tiap tahap pertumbuhan organisasi. Penelitian ini menghasilkan rancangan sistem manajemen data dengan basis platform Google Spreadsheet yang terintegrasi dari rekaman jawaban Google Forms. Rancangan ini mampu merekap data transaksi pelanggan dan dapat menentukan klaster pelanggan menggunakan model RFM perusahaan dapat memberikan strategi pemasaran retensi yang bersifat tertarget dan terpersonalisasi.
INTEGRASI FIRST-ORDER LOGIC UNTUK MODEL READING COMPREHENSION PADA KUMPULAN DATA RECLOR
ReClor adalah sebuah dataset Machine Reading Comprehension yang memerlukan penalaran logis. Sebuah studi menunjukkan bahwa model bahasa pra-latih masih lemah terhadap soal penalaran. Beberapa penelitian telah dilakukan untuk mengatasi kekurangan tersebut. Namun, dari pendekatan-pendekatan yang ada, terdapat kecenderungan meningkatkan kemampuan model bahasa melalui fitur statistik daripada melakukan penalaran yang sesungguhnya. Sistem penalaran logis umumnya melibatkan simbol-simbol logis dan aturan inferensi yang ketat. Beberapa penelitian yang mencoba menggabungkan kekuatan pembelajaran statistik dan penalaran logis menggunakan pendekatan hybrid antara model bahasa pra-latih dan sistem pemrograman logika. Berdasarkan kompleksitas kalimat dan keberagaman tipe soal pada data ReClor, pendekatan hybrid tersebut kurang memadai. Studi ini mengusulkan pendekatan menggunakan Graph Neural Network yang mempunyai kemampuan mempelajari data terstruktur untuk melakukan penalaran menggunakan First-Order Logic yang lebih ekspresif dalam merepresentasikan relasi antar objek. Model Graph Neural Network tersebut dikombinasikan dengan model bahasa menggunakan pelatihan gabungan nilai loss untuk meningkatkan kinerja model bahasa pada tugas Machine Reading Comprehension. Hasil penelitian menunjukkan bahwa model Graph Neural Network yang dilatih dengan data First-Order Logic dapat memproses simbol logika dan mempelajari pola resolution path, tapi kinerjanya sangat bergantung pada akurasi semantic parser yang mengubah data teks ReClor menjadi First-Order Logic. Selain itu, penggabungan nilai loss dari model graf dan model bahasa efektif dalam meningkatkan kinerja RoBERTa namun tidak secara signifikan meningkatkan kinerja BERT. Hasil ini disebabkan oleh tugas next-sentence prediction selama pre- training pada BERT yang dapat membatasi kinerja downstream task. Sebaliknya, RoBERTa yang menghilangkan tugas tersebut selama pre-training mampu memanfaatkan metode yang diusulkan untuk mencapai peningkatan akurasi yang lebih signifikan.
PERANCANGAN SISTEM BACK END PADA SISTEM CERDAS UNTUK CANDIDATE MATCHING DAN ASESMEN TALENTA IT
Industri teknologi informasi (IT) yang terus berkembang pesat meningkatkan permintaan akan talenta IT yang berkualitas. Perusahaan-perusahaan, baik yang besar maupun yang sedang berkembang, terus mencari cara untuk mempekerjakan talenta IT yang berkualitas. Namun, proses rekrutmen dan seleksi talenta IT seringkali rumit, memakan waktu, dan memerlukan sumber daya yang signifikan. Dalam menghadapi hal tersebut, sebuah sistem cerdas yang dapat melakukan candidate matching dan asesmen terhadap talenta IT dibangun. Sistem yang dibangun merupakan sebuah platform yang dapat menghubungkan penyedia lowongan pekerjaan dan pelamar dalam proses pelamaran dan wawancara secara otomatis. Tugas akhir ini berfokus pada rancangan dan pengembangan back end dari sistem cerdas untuk candidate matching dan asesmen talenta IT. Hasil akhir dari pengembangan adalah rancangan, API, dan message queue yang dibutuhkan untuk memproses data pada sistem. Implementasi API berupa 7 kelompok endpoint, yaitu job, job application, curriculum vitae, interview, anti-cheat detection, matching, dan auth, sedangkan implementasi message queue terdiri atas 3 topik, yaitu interview-evaluation, ai-detector, dan matching. Rancangan yang sudah dibangun kemudian diuji dengan integration testing dan load testing untuk melihat kinerja dari back end. Pengujian dengan load testing menunjukkan bahwa error rate tertinggi sebesar 0.0084% dan max response time sebesar 1886ms.
PENGEMBANGAN LANJUTAN KERANGKA KERJA APLIKASI AUCMEDI UNTUK KLASIFIKASI MASALAH MEDIS DARI CITRA MEDIS
Tugas akhir ini membahas pengembangan lanjutan framework AUCMEDI untuk klasifikasi masalah medis dari citra medis. Permasalahan utama yang dihadapi adalah keterbatasan dalam variasi metode praproses citra, metode augmentasi data, dan metrik evaluasi yang tersedia pada framework AUCMEDI. Untuk mengatasi hal ini, pengembangan dilakukan dengan menambahkan metode praproses citra seperti contrast enhancement menggunakan Contrast Limited Adaptive Histogram Equalization (CLAHE) dan pengurangan noise menggunakan filter Box, Median, dan Gaussian. Selain itu, augmentasi data menggunakan Generative Adversarial Networks (GAN) ditambahkan untuk memperkaya variasi data pelatihan. Metrik evaluasi baru seperti Positive Likelihood Ratio (LR+) dan Brier Score juga diimplementasikan untuk memberikan evaluasi yang lebih komprehensif terhadap performa model. Metodologi yang digunakan dalam pengembangan ini melibatkan rekayasa domain untuk mengidentifikasi kebutuhan spesifik dalam domain klasifikasi citra medis dan pendekatan hot spot driven framework development untuk meningkatkan fleksibilitas framework. Hasil pengujian menunjukkan bahwa pengembangan lanjutan ini berhasil meningkatkan fleksibilitas dan fungsionalitas AUCMEDI dalam membangun pipeline klasifikasi citra medis dengan berbagai karakteristik dataset.
PEMBANGUNAN MODUL CURRICULUM VITAE MATCHING MENGGUNAKAN SEMANTIC TEXTUAL SIMILARITY DALAM APLIKASI CURRICULUM VITAE SCREENING
Proses CV screening pada tahapan rekrutmen pegawai sangat memakan waktu sehingga dibutuhkan teknologi untuk meningkatkan efisiensi proses ini. Penelitian terdahulu telah mengembangkan modul CV matching menggunakan teknik TF- IDF dan Bag of Words berbasis kamus kompetensi. Penelitian ini bertujuan untuk mengembangkan modul CV matching menggunakan semantic textual similarity berbasis embedding untuk meningkatkan akurasi modul sebelumnya. Penelitian ini menggunakan representasi embedding untuk mencocokkan CV terhadap deskripsi pekerjaan. Dengan representasi embedding, sistem dapat memahami konteks dan makna dari teks secara lebih mendalam sehingga menghasilkan pencocokan yang lebih akurat. Model embedding yang digunakan adalah contextual embedding untuk pemahaman konteks yang lebih baik dan pada tingkat granularitas kalimat untuk efisiensi. Berdasarkan hasil pengujian, modul yang dikembangkan berhasil melampaui akurasi modul sebelumnya. Model all-MiniLM-L12-v2 memberikan kinerja yang lebih baik dibandingkan model mxbai-embed-large-v1. Teknik scoring metode max menunjukkan kinerja terbaik, sementara metode average memiliki akurasi yang terburuk karena over saturasi kalimat yang tidak relevan. Penggunaan FAISS juga terlihat mempercepat proses pencocokan sebanyak 10.7%, sehingga proses perekrutan menjadi lebih efisien. Kesimpulannya, modul CV matching berbasis embedding menghasilkan kualitas CV matching yang lebih akurat dibandingkan dengan TF-IDF dan Bag of Words. Penggunaan metode max untuk menilai CV memberikan akurasi tertinggi. Selain itu, implementasi vector store mampu meningkatkan efisiensi program. Kombinasi model all-MiniLM-L12-v2 dan teknik scoring metode max menghasilkan kinerja terbaik untuk CV matching. Metode ini menunjukkan peningkatan akurasi sebesar 50% dibandingkan dengan metode TF-IDF dan Bag of Words.
PENGEMBANGAN KOMPONEN TEXT BASED ANTI-CHEAT MENGGUNAKAN ALBERT UNTUK MENGIDENTIFIKASI TINDAKAN KECURANGAN PADA PROSES AUTOMATED INTERVIEW
Proses rekrutmen daring semakin menantang untuk menjaga integritas dan kejujuran kandidat, terutama dengan penggunaan alat AI seperti ChatGPT untuk menjawab pertanyaan wawancara. Penelitian ini mengembangkan komponen anti-cheat berbasis teks menggunakan model ALBERT (A Lite BERT) untuk mengidentifikasi kecurangan selama wawancara otomatis. ALBERT dipilih karena efisiensinya dalam penggunaan memori dan kemampuannya memahami konteks dan struktur bahasa. Untuk memastikan keandalan dan efektivitas deteksi, penelitian ini mengeksplorasi teknik- teknik mendeteksi probabilitas respons tekstual seorang pengguna dihasilkan oleh AI, serta menguji kinerja ALBERT dalam melakukan klasifikasi sumber respons pengguna. Selain itu, penelitian ini juga mencakup cara integrasi sistem anti-cheat dengan perangkat lunak rekrutmen talenta. Beberapa indikator eksternal yang digunakan meliputi fitur POS tags, emosi dan sentimen kalimat, keterbacaan, perplexity, jumlah penggunaan backspace, jumlah salah ketik, dan cosine similarity untuk jawaban gpt-4o. Fitur yang ditemukan kurang berpengaruh pada hasil inferensi model adalah rasio kata unik, burstiness, cosine similarity untuk jawaban gpt-3.5-turbo dan gemini-1-pro, serta durasi pengetikan. Implementasi sistem ini menggunakan teknik fine-tuning pada model ALBERT dan Logistic Regression untuk klasifikasi, serta integrasi dengan sistem rekrutmen cerdas secara asynchronous menggunakan message queue. Hasil model terbaik yang berhasil dilatih merupakan ALBERT dengan classification head 2 jalur, jalur pertama untuk hasil ALBERT sendiri dan jalur kedua untuk indikator eksternal. Model ALBERT memberikan accuracy 0.81, precision 0.867, recall 0.788, dan F1-Score 0.82 serta model Logistic Regression memberikan accuracy 0.783, precision 0.73, recall 0.73, dan F1-Score 0.72.
PENGEMBANGAN MODUL: EKSTRAKSI INFORMASI DAN KLASIFIKASI DOKUMEN CURRICULUM VITAE UNTUK CANDIDATE MATCHING DENGAN MODEL PEMBELAJARAN MESIN
Proses pelamaran pekerjaan merupakan proses yang kompleks baik bagi pelamar maupun perusahaan. Terlebih, pelamar dari suatu lowongan dapat mencapai ribuan. Bagi perusahaan dibutuhkan sumber daya yang tidak sedikit untuk menyeleksi dokumen serta melakukan wawancara kepada pelamar. Oleh karena itu, dibutuhkan sebuah sistem cerdas yang dapat mengoptimalkan proses lamaran pekerjaan sehingga lebih efisien. Salah satu terobosan untuk menyelesaikan masalah ini adalah pengembangan Sistem Cerdas untuk Candidate Matching dan Asesmen Talenta IT. Sistem ini akan menjadi sistem yang menangani proses seleksi lamaran pekerjaan dari pendaftaran, seleksi dokumen hingga asesmen atau wawancara. Tugas akhir ini bertujuan untuk mengembangkan salah satu modul dari Sistem Cerdas untuk Candidate Matching dan Asesmen Talenta IT, yakni modul Ekstraksi Informasi dan Klasifikasi Dokumen Lamaran Kerja dengan Model Pembelajaran Mesin. Modul ini bertujuan untuk membantu tugas tim sumber daya manusia dalam menyeleksi dokumen lamaran pekerjaan. Modul ekstraksi informasi dikembangkan dengan pendekatan pembelajaran mesin. Model berbasis transformer terlatih dengan metode transfer learning terbukti menghasilkan kinerja terbaik dengan nilai recall 0,81. Sedangkan, model klasifikasi dokumen lamaran dengan kebutuhan perusahaan mendapatkan kinerja terbaik pada model SVM. Model ini menunjukkan nilai kinerja AUC pada angka 0,85 dan precision pada angka 0,70. Meskipun terklasifikasi sebagai model yang dapat diandalkan menurut nilai AUC-nya, model ini masih perlu ditingkatkan kinerjanya, terutama berdasarkan metrik recall.
PEMODELAN PERANGKAT LUNAK SISTEM WORKFORCE DEMAND FORECAST PADA PERUSAHAAN TEKNOLOGI
Perusahaan teknologi di Indonesia menghadapi tantangan dalam memprediksi dan memenuhi kebutuhan tenaga kerja di masa depan akibat perubahan cepat dalam inovasi dan adopsi teknologi baru. Oleh karena itu, penelitian ini berfokus pada pengembangan model perangkat lunak Sistem Workforce Demand Forecast menggunakan waterfall model untuk membantu perusahaan merencanakan kebutuhan sumber daya manusia secara efektif. Sistem ini memproyeksikan jumlah tenaga kerja yang dibutuhkan berdasarkan analisis data proyek, divisi, dan kondisi keuangan perusahaan. Evaluasi melalui metode expert judgement dan consistency check menunjukkan bahwa sistem ini berhasil memenuhi kebutuhan pengguna, mendukung pengambilan keputusan strategis perusahaan, dan model sistem koheren dan tidak saling bertentangan. Hasilnya, sistem ini mampu mengotomatisasi proses perencanaan tenaga kerja dengan lebih efisien dan akurat, memberikan kontribusi penting bagi pertumbuhan dan inovasi perusahaan.
PERBANDINGAN KEMAMPUAN CHATGPT-4O DENGAN KOMBINASI ASR DAN LLM OPEN-SOURCE SERTA CLOSED-SOURCE DALAM MEMAHAMI TUTUR KATA BAHASA INGGRIS DARI PENUTUR NON- NATIVE BERKEBANGSAAN INDONESIA
Globalisasi memengaruhi bahasa Inggris menjadi salah satu bahasa yang terus berkembang menjadi bahasa komunikasi internasional. Namun, pembelajaran bahasa pada keterampilan aktif seperti bercakap masih sulit dilakukan secara mandiri. Perkembangan AI dapat membantu mengatasi permasalahan tersebut dengan penyediaan teknologi voice chat yang dapat memahami tutur kata penutur non-native dari berbagai latar belakang. Penelitian ini bertujuan untuk membandingkan kemampuan model multimodal dengan kombinasi ASR dan LLM open-source maupun closed-source dalam memahami tutur kata bahasa Inggris dari penutur non-native berkebangsaan Indonesia. Evaluasi ini dilakukan dengan mengikuti framework CRISP-DM yang terdiri dari business understanding, data understanding, data preparation, modeling, dan evaluation. Dikumpulkan dataset yang terdiri dari 26 orang subjek evaluasi terhadap 20 pertanyaan dengan topik pengetahuan umum dan matematika dalam 2 versi, yaitu dengan rangkaian kata masing-masing subjek evaluasi dan sesuai naskah. Evaluasi dilakukan dengan menghitung WER, akurasi, dan cosine similarity dari hasil jawaban model LLM berdasarkan transkripsi model ASR. Hasil evaluasi menunjukkan bahwa model multimodal seperti GPT-4o memiliki kemampuan mentranskripsi dan menjawab pertanyaan yang lebih unggul dibandingkan dengan kombinasi model ASR dan model LLM open-source maupun closed-source dengan hasil WER 0.0967, akurasi 0.8269, dan cosine similarity 0.8964. Hasil ini disusul oleh kombinasi model ASR dan LLM closed-source terbaik yaitu Claude 3.5 Sonnet dan Amazon Transcribe dengan nilai WER 0.1045, akurasi 0.7856, dan cosine similarity 0.9194. Terakhir, kombinasi model ASR dan LLM dengan model performa terbaik pada model open- source, yaitu DeepSeek-V2 dan Canary-1B dengan nilai WER 0.1665, akurasi 0.7471, dan cosine similarity 0.9093.
REKOMENDASI PENEMPATAN PETUGAS LALU LINTAS BERDASARKAN PENGELOMPOKAN TINGKAT KEMACETAN JALAN DI KOTA BANDUNG
Kemacetan dan kecelakaan lalu lintas merupakan masalah signifikan di Kota Bandung, yang merupakan daerah dengan kepadatan penduduk tertinggi di Provinsi Jawa Barat. Kepadatan penduduk yang tinggi memicu peningkatan jumlah kendaraan, yang berdampak pada kemacetan parah di berbagai ruas jalan terutama di persimpangan jalan. Salah satu upaya untuk mengurangi kemacetan ini adalah dengan melakukan pengawasan. Dalam membantu upaya pengawasan disediakan pos-pos polisi di setiap persimpangan. Namun, banyaknya persimpangan di Kota Bandung tidak dapat di alokasi oleh semua petugas keamanan. Akibatnya beberapa pos polisi menjadi tidak terisi dan tidak dapat membantu pengaturan jalan ketika terjadi kemacetan. Penelitian ini bertujuan untuk mengatasi masalah tersebut dengan mendesain rekomendasi penempatan petugas keamanan lalu lintas menggunakan pendekatan clustering dan data mining. Penelitian ini mengidentifikasi dan memetakan kelompok jalan berdasarkan karakteristik kemacetan, merancang rekomendasi penempatan petugas di titik pos polisi yang tepat, dan menentukan distribusi petugas ke jalan yang akan atau sedang mengalami kemacetan. Metode yang digunakan dalam penelitian ini merupakan metode CRISP-DM. Penelitian ini menghasilkan 3 kelompok jalan yaitu macet ringan, macet sedang, dan macet tinggi. Hasil evaluasi cluster menggunakan Davies- Bouldin Index, Calinski Harabasz Index, dan Silhouette Coefficient menunjukkan hasil yang cukup akurat dengan nilai masing-masing 0.9727, 156.9300, dan 0.4339. Selain itu, penelitian ini menghasilkan 18 rekomendasi titik pos polisi yang baru di jalan yang memiliki label macet tinggi. Dengan demikian, total terdapat 53 titik pos polisi yang dapat dimanfaatkan untuk distribusi ke jalan dengan label macet ringan dan macet sedang. Distribusi ini berdasarkan pengukuran yang dilakukan dengan menelusuri setiap jalan yang terhubung hingga menemukan titik pos polisi yang terdekat.
STUDI ARUS PERMUKAAN MENGGUNAKAN METODE LARGE SCALE PARTICLE IMAGE VELOCIMETRY DENGAN VARIASI RESOLUSI VIDEO
Metode Large-Scale Particle Image Velocimetry (LSPIV) adalah metode berbasis citra yang digunakan untuk mengidentifikasi suatu fluida atau aliran. Tujuan dari penelitian ini adalah mengidentifikasi arus permukaan di Estuari Bondet dengan fokus uji resolusi video drone yang selanjutnya akan dilakukan verifikasi menggunakan instrumen current meter serta dilakukan analisis lanjutan. Hasil pengukuran current meter menunjukkan kecepatan arus maksimum di muara (Stasiun 1) saat pasang mencapai 0,45 m/s dan 0,04 m/s saat slack water. Kecepatan arus berkurang secara signifikan menuju hulu Sungai (Stasiun 11) dengan kisaran 0,07-0,17 m/s saat pasang dan meningkat menjadi 0,24 m/s saat surut. Analisis LSPIV menunjukkan rata-rata magnitudo kecepatan arus saat pasang untuk resolusi video 4k, 1080p, dan 720p masing-masing adalah 0,303 m/s, 0,275 m/s, 0,199 m/s dengan arah menuju hulu, sedangkan saat surut adalah 0,15 m/s, 0,13 m/s, 0,097 m/s dengan arah menuju hilir. Validasi antara pengukuran current meter dan estimasi LSPIV menunjukkan nilai MAPE untuk resolusi 4k, 1080p, dan 720p masing-masing sebesar 3,28%, 9,03%, dan 33,3%. Korelasi antar piksel pada resolusi 4k berada di kisaran 0,7-0,8, sedangkan untuk resolusi 1080p dan 720p kurang dari 0,6. Berdasarkan hasil validasi MAPE dan korelasi antar piksel, LSPIV dengan resolusi video 4k memberikan hasil yang paling optimal untuk identifikasi arus permukaan.