📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 6,268 dokumenEKSTRAKSI CAUSAL GRAPH UNTUK KNOWLEDGE GRAPH HETIONET PADA INFORMATION RETRIEVAL SYSTEM DOMAIN MEDIS
Hubungan kausalitas memegang peranan penting dalam domain medis karena memungkinkan pemahaman yang lebih mendalam mengenai interaksi antara penyakit, efek pengobatan, dan faktor biologis. Namun, penyusunan hubungan kausal secara manual memerlukan waktu dan sumber daya yang besar sehingga sulit mengikuti laju pertumbuhan publikasi medis. Large Language Models (LLM) menawarkan peluang otomasi ekstraksi causal graph dari teks medis tidak terstruktur, meskipun masih menghadapi tantangan berupa halusinasi. Tugas akhir ini mengusulkan kerangka kerja ekstraksi causal graph dari jurnal medis yang dilengkapi strategi mitigasi halusinasi melalui prompt engineering menggunakan teknik COSTAR dengan tambahan few-shot example dan ontologi dari knowledge graph Hetionet. Causal graph yang dihasilkan selanjutnya diintegrasikan ke dalam Hetionet untuk memperkaya basis pengetahuan medis. Pengujian dilakukan pada tiga topik medis (Covid-19, Cardiovascular Disease, dan Breast Cancer) menggunakan dua model LLM pre-trained, yaitu GPT-4.1 dan Gemini-2.0. Validasi pakar menunjukkan bahwa tingkat precision hasil ekstraksi berada pada kisaran 0,64–0,94, yang menandakan rendahnya tingkat halusinasi. Namun, nilai recall relatif rendah (0–0,76), yang mengindikasikan adanya sejumlah relasi kausal relevan yang tidak berhasil ditangkap oleh model. Proses integrasi causal graph ke dalam Hetionet menghasilkan insertion rate entitas sebesar 47– 68% dan insertion rate relasi sebesar 80–93%, yang menunjukkan kontribusi signifikan terhadap penambahan informasi kausal baru pada knowledge graph. Berdasarkan hasil tersebut, knowledge graph yang telah diperkaya dengan informasi kausal menjadi luaran utama dari tugas akhir ini sekaligus mendukung pengembangan aplikasi information retrieval system dalam domain medis (IRS- Medis) pada proyek capstone. Knowledge graph hasil integrasi ini berfungsi sebagai basis data untuk sistem pencarian informasi yang transparan dan explainable, sehingga mendukung akses informasi medis yang akurat dan dapat ditelusuri sumbernya.
PENGEMBANGAN MODEL PENALARAN HUKUM PADA DATASET PILIHAN GANDA TEKS PANJANG UNTUK HUKUM ACARA PERDATA
Penelitian ini berfokus pada pengembangan model penalaran hukum berbasis Natural Language Processing (NLP) dengan menggunakan dataset soal pilihan ganda berbasis teks panjang mengenai hukum acara perdata di Amerika Serikat dari SemEval24 Task 5. Latar belakang penelitian ini adalah adanya kebutuhan terhadap sistem yang mampu memahami teks hukum acara perdata yang kompleks serta mendukung proses pengambilan keputusan. Tujuan utama penelitian ini adalah membangun model penalaran hukum yang mampu memproses teks panjang, menangani ketidakseimbangan data, serta membandingkan performa berbagai pretrained models dengan random baseline dan majority baseline untuk memperoleh hasil yang lebih akurat. Tahapan penelitian meliputi text preprocessing untuk penanganan teks panjang, data balancing untuk mengatasi distribusi kelas yang tidak seimbang, serta pembangunan model binary classification dan multiclass classification dengan metode fine-tuning. Eksperimen dilakukan dengan melatih model pada dataset hukum yang terdiri atas bagian introduction, question, dan answer. Hasil penelitian menunjukkan bahwa penerapan text preprocessing, data balancing, hyperparameter tuning, serta pemilihan pretrained models khusus domain hukum mampu memberikan peningkatan kinerja dibandingkan baseline. Namun, pembangunan model multiclass classification dan penggunaan pretrained models khusus teks panjang seperti BigBird dan LongFormer belum memberikan hasil yang memuaskan. Model terbaik diperoleh dari Legal-BERT-base dengan metode SWC MaxPool yang menghasilkan nilai F1-score sebesar 0,7385. Ke depan, penelitian ini dapat dikembangkan lebih lanjut melalui penerapan teknik data augmentation yang lebih bervariasi serta pemanfaatan fitur analysis dalam dataset untuk memperkaya informasi yang dapat dipelajari model.
PENGEMBANGAN PROTOTIPE SISTEM SMART PARKING BERBASIS IOT UNTUK DETEKSI, NAVIGASI, DAN REKOMENDASI TEMPAT PARKIR
Permasalahan pencarian tempat parkir yang efisien di lingkungan perkotaan menjadi masalah di perkotaan, seperti kemacetan dan pemborosan bahan bakar. Pengembangan sistem smart parking dapat menjadi solusi masalah tersebut. Sistem ini mampu membantu pengguna dalam deteksi, navigasi, rekomendasi, dan pencarian alternatif slot parkir. Sistem smart parking dikembangkan dengan tiga komponen utama, yaitu komponen sensor untuk mendeteksi kendaraan, komponen backend untuk pemrosesan data dan memberikan rekomendasi, serta aplikasi frontend sebagai antarmuka pengguna. Komponen sensor dibangun menggunakan kombinasi sensor inframerah dan ultrasonik untuk deteksi slot parkir dan berkomunikasi menggunakan MQTT. Sistem backend dibangun menggunakan framework Fiber (Golang) yang menerapkan metode Simple Additive Weighting (SAW) untuk memberikan rekomendasi slot parkir sesuai preferensi pengguna. Aplikasi frontend dibuang pada platform Android menggunakan Flutter yang menggunakan Google Map API sebagai peta dan navigasi pengguna. Berdasarkan hasil pengujian komponen-komponen pada sistem, secara garis besar sistem berhasil memenuhi seluruh fungsionalitas utama dengan waktu respons backend rata-rata memiliki kisaran antara 23–50 ms dari kasus uji yang dilakukan dan mendapatkan jarak deteksi gabungan sensor adalah hingga 30 cm. Integrasi semua komponen sistem juga berjalan baik dengan hasil pengujian end-to-end berjalan dengan lancar dan waktu respons kebanyakan memenuhi batasan response time <1 detik dan juga <10 detik karena waktu respons terbesar adalah 4 detik. Akan tetapi, pengujian sensor inframerah menunjukkan adanya keterbatasan untuk deteksi objek berwarna gelap atau jika terkena cahaya matahari langsung. Salah satu solusi permasalahan tersebut adalah mengganti sensor yang inframerah yang lebih kuat atau menggunakan sensor ultrasonik sebagai sensor utama dan inframerah sebagai sensor tambahan. Walaupun demikian, solusi yang dibuat dapat memenuhi gap dari sistem smart parking, yaitu penggunaan preferensi untuk memberikan rekomendasi slot parkir sesuai dengan kriteria slotnya serta menunjukkan rute alternatif tempat parkir jika tempat parkir tujuan penuh pada saat permintaan awal.
ANALISIS PENGATURAN WAKTU SINYAL LALU LINTAS SIMPANG TERKOORDINASI(STUDI KASUS: SIMPANG JALAN ACEH – JALAN BANDA DAN SIMPANG JALAN ACEH – JALAN LOMBOK)
Keberadaan persimpangan serta signifikansinya tidak dapat dihindari pada sistem transportasi perkotaan. Hal ini dikarenakan persimpangan menjadi satu bagian yang berfungsi untuk menunjang keberlangsungan dan kelancaran arus lalu lintas yang ada. Signifikansi atas persimpangan berkaitan erat dengan manajemen lalu lintas dalam menghadapi beragam tantangan seperti halnya kemacetan tingginya volume kendaraan. Hal ini pula yang terjadi pada Kota Bandung dimana timbul permasalahan kemacetan yang berakibatkan terjadinya antrean di simpang. Salah satu cara mengoptimalkan kinerja simpang adalah dengan melakukan pengaturan waktu sinyal lalu lintas dan mengkoordinasikan antar simpang berdekatan. Pada penelitian ini, akan melakukan pembangunan model lalu lintas sesuai kondisi eksisting pada VISSIM terhadap salah satu lokasi studi kasus pada Simpang Jl. Aceh – Jl. Banda dan Simpang Jl. Aceh – Jl. Lombok, Kota Bandung. Dari hasil analisis awal didapat pergerakan dominan kendaraan berasal dari arah barat – timur dan timur – barat kedua simpang, sehingga terjadi panjang antrian maksimum tertinggi berada pada arah pergerakan tersebut. Maka arah pergerakan tersebut menjadi fokus utama dalam penanganan skenario perbaikan kinerja simpang. Skenario yang diambil dalam perbaikan kinerja simpang yaitu optimasi waktu antar hijau atau intergreen dengan nilai waktu 6 detik dan 4 detik, skenario koordinasi simpang menggunakan waktu hasil optimasi intergreen 4 detik dengan offset 22 detik, dan skenario simpang adaptif dengan maksimum waktu hijau sebesar 50 detik. Untuk skenario simpang adaptif, analisis dilakukan dengan memerintahkan script pada MATLAB yang dihubungkan dengan VISSIM-COM. Seluruh skenario mengalami penurunan panjang antrean pada pendekat barat dan timur, serta penurunan tertinggi pada Simpang Jl. Aceh – Jl. Banda sebesar 62,3%, lalu pada pendekat barat dan timur Simpang Jl. Aceh – Jl. Lombok mengalami penurunan sebesar 60,0% pada skenario simpang adaptif. Waktu termpuh yang dibutuhkan kendaraan pada jaringan jalan atau vehicle hours time (VHT) mengalami penurunan tertinggi hingga 74,2% pada skenario simpang adaptif. Berdasarkan penurunan panjang antrean maksimum dan waktu tempuh yang dibutuhkan kendaraan pada jaringan jalan, skenario simpang adaptif merupakan solusi yang terbaik dalam peningkatan kinerja pada simpang yang memiliki jarak yang berdekatan.
PENGEMBANGAN KOMBINASI LRFD PADA BANGUNAN PUSAT DATA MELALUI PENDEKATAN PENINGKATAN INDEKS RELIABILITAS DAN EVALUASI MENGGUNAKAN ANALISIS NONLINIER RIWAYAT WAKTU
Pertumbuhan pembangunan data center di Indonesia, khususnya di Jakarta, mengalami peningkatan yang pesat, dengan jumlah mencapai sekitar ±50 bangunan dan kemungkinan akan terus bertambah. Namun, hingga saat ini, Standar Nasional Indonesia (SNI) belum secara spesifik mengatur tingkat kepentingan bangunan data center. Berdasarkan konsensus di kalangan ahli struktur di Jakarta, nilai faktor kepentingan untuk bangunan data center umumnya diasumsikan sebesar 1,25. Faktor kepentingan ini berpengaruh langsung terhadap beban gempa, sedangkan untuk beban gravitasi tidak terdapat penambahan nilai khusus dan masih mengacu pada kombinasi beban LRFD sebagaimana diatur dalam SNI 1727:2019, yang sebenarnya ditujukan untuk bangunan umum. Dalam penelitian ini, pendekatan berbeda diterapkan dengan tidak menggunakan faktor kepentingan pada beban gempa, melainkan dengan menaikkan target indeks reliabilitas (?). Untuk beban gempa, target reliabilitas ditingkatkan dari ? = 2,25 (probabilitas kegagalan, ???????? = 10?2) menjadi ? = 2,5 (probabilitas kegagalan, ???????? = 5????10?3). Sementara itu, untuk beban gravitasi, target reliabilitas ditingkatkan dari ? = 3 (probabilitas kegagalan, ???????? = 10?3). menjadi ? = 3,25 (probabilitas kegagalan, ???????? = 5????10?4). Dua model bangunan 6 lantai dianalisis dalam penelitian ini: satu menggunakan kombinasi beban berdasarkan SNI dengan penambahan faktor kepentingan untuk beban gempa, dan satu lagi menggunakan kombinasi beban dengan peningkatan target reliabilitas sebagaimana dijelaskan. Hasil perbandingan menunjukkan bahwa pada model dengan peningkatan target reliabilitas, kebutuhan tulangan kolom di lantai dasar meningkat sebesar ±37%. Selain itu, analisis nonlinear time history dilakukan terhadap kedua model untuk mengevaluasi kinerja struktur, hasilnya mengindikasikan model struktur dengan LRFD rekomendasi lebih baik dengah kondisi yang sama yaitu life Safety.
PENILAIAN KAPABILITAS TATA KELOLA TEKNOLOGI INFORMASI PROSES MANAJEMEN PENERIMAAAN PERUBAHAN DAN TRANSISI TI DI PT X BERDASARKAN COBIT 2019
Transformasi digital menuntut organisasi, khususnya Badan Usaha Milik Negara (BUMN), memiliki tata kelola teknologi informasi (TI) yang efektif. Sesuai Peraturan Menteri BUMN Nomor PER-2/MBU/03/2023, setiap BUMN wajib melakukan pengukuran kapabilitas proses. PT X, sebagai induk holding di sektor strategis, tengah menjalani restrukturisasi yang menuntut integrasi sistem, proses, dan layanan bersama (shared service). Kondisi ini menimbulkan urgensi untuk memastikan penerimaan perubahan dan transisi TI dapat dikelola secara terarah agar integrasi berjalan efektif. Penelitian ini berfokus pada proses Managed IT Change Acceptance and Transitioning (BAI07) yang krusial untuk menjamin perubahan sistem dapat diterima, diuji, dan ditransisikan dengan aman. Penilaian kapabilitas dilakukan dengan kerangka kerja COBIT 2019 melalui kuesioner, wawancara, dan analisis dokumen. Metode pass and fail digunakan untuk Level 1, sedangkan skala NPLF (Not–Partially–Largely–Fully) digunakan pada Level 2 ke atas untuk mengukur tingkat ketercapaian aktivitas. Hasil menunjukkan kapabilitas BAI07 di PT X masih pada Level 1 (Initial). Aktivitas dasar telah dijalankan, namun dokumentasi tidak konsisten. Dari 29 dokumen yang dipersyaratkan, hanya 42,86% dokumen input dan 66,67% dokumen output tersedia. Pada Level 2, dari 25 aktivitas hanya 9 yang terpenuhi, dan pada Level 3 dari 22 aktivitas hanya 8 yang terlaksana. Hal ini menunjukkan kesenjangan signifikan terhadap target Level 4 (Quantitatively Managed). Analisis kesenjangan menyoroti lemahnya standar dokumentasi, minimnya pengendalian formal, dan belum adanya peran khusus seperti QA Engineer dan Software Tester. Rekomendasi yang disusun meliputi penyusunan dokumen wajib (quality plan, fallback plan, release log, post-implementation review), penguatan struktur organisasi, dan penerapan continuous improvement berbasis metrik kinerja. Evaluasi terhadap rekomendasi memperoleh skor rata-rata 4,1 dari 5, menunjukkan relevansi dan kesesuaiannya dengan kebutuhan PT X.
INFORMATION RETRIEVAL SYSTEM DENGAN RETRIEVAL- AUGMENTED GENERATION BERBASIS KNOWLEDGE GRAPH HETIONET UNTUK DOMAIN MEDIS
Retrieval-Augmented Generation (RAG) merupakan salah satu pengembangan sistem yang menggabungkan kemampuan information retrieval dengan generative language model. Namun, penerapan RAG pada domain medis masih menghadapi beberapa permasalahan, di antaranya kesulitan dalam memperoleh informasi yang akurat dan terstruktur, serta keterbatasan pemahaman model terhadap hubungan semantik antar entitas medis. Salah satu solusi untuk meningkatkan pemahaman tersebut adalah dengan memanfaatkan Knowledge Graph (KG) yang menyimpan informasi medis dalam bentuk struktur hubungan antar entitas, seperti penyakit, obat, gejala, dan efek samping. Sistem dirancang untuk mampu mengekstraksi informasi dari pertanyaan yang diajukan, melakukan penelusuran jalur yang relevan di dalam KG, serta menghasilkan jawaban yang sesuai dengan bantuan Large Language Model (LLM). Dalam tugas akhir ini, Hetionet digunakan sebagai sumber KG karena kaya akan informasi medis. Selanjutnya, metode Knowledge Graph Embedding (KGE) dengan algoritma RotatE digunakan untuk merepresentasikan KG ke dalam bentuk vektor. Selain itu, proses ekstraksi informasi dari pertanyaan dilakukan menggunakan LLM untuk menentukan strategi penelusuran pada KG. Tugas akhir ini merupakan bagian dari proyek capstone yang terdiri atas dua subtopik besar, yaitu: (1) pembangunan knowledge graph dari karya ilmiah, dan (2) v pemanfaatan KG pada RAG untuk meningkatkan relevansi hasil pencarian informasi. Tugas akhir ini berfokus pada subtopik kedua, yaitu integrasi KG dalam RAG. Hasil pengujian menunjukkan bahwa algoritma RotatE mampu merepresentasikan struktur dan hubungan dalam KG dengan baik, LLM dapat memberikan jalur penelusuran KG yang relevan terhadap pertanyaan, serta integrasi RAG + KG menghasilkan akurasi yang lebih tinggi dibandingkan RAG konvensional. Dengan demikian, dapat disimpulkan bahwa integrasi RAG dengan KG berbasis embedding mampu meningkatkan akurasi jawaban dalam domain medis.
KLASIFIKASI PUZZLE CATUR MENGGUNAKAN CONVOLUTIONAL NEURAL NETWORK
Sebuah penelitian membuktikan bahwa puzzle catur dapat diciptakan dengan algoritma genetik, tetapi masih memiliki kualitas rendah. Untuk meningkatkan kualitas puzzle tersebut, dapat ditambahkan skor realisme pada fungsi objektif. Skor tersebut diberikan oleh suatu model AI yang memprediksi seberapa realistis suatu posisi dalam permainan catur. Model dilatih menggunakan banyak data posisi realistis pada lichess.org. Penelitian lain mengatakan bahwa model AI dengan masukan posisi catur, cocok dikembangkan dengan arsitektur CNN. Berdasarkan hal tersebut, dilakukan penelitian berupa pengembangan model klasifikasi yang memprediksi puzzle catur menjadi realistis atau tidak menggunakan CNN. Tahapan eksperimen dimulai dengan pembuatan data posisi catur tidak realistis yang tidak terdapat pada lichess.org. Data tersebut dibuat menggunakan Counterfactual Data Augmentation (CDA) berbasis aturan. Setelah dataset berhasil diciptakan, dilakukan pengembangan model CNN dan model pembanding. Pada tahap akhir, performa tiap model dievaluasi menggunakan data testing dan data tambahan. Pada penelitian ini, ditemukan 7 buah aturan augmentasi yang dapat menciptakan posisi catur tidak realistis. Aturan tersebut dapat menghasilkan posisi catur yang tidak valid atau tidak umum. Selanjutnya dikembangkan 4 buah model, yaitu CNN baseline, CNN modifikasi, Vision Transformer (ViT), dan Hybrid (CNN + ViT). Keempat model memiliki hasil evaluasi yang tinggi pada data testing dengan akurasi mencapai 99%. Akan tetapi, hasil evaluasi pada data tambahan menurun hingga 81%. Di antara keempat model, arsitektur CNN, terutama versi modifikasi, menunjukkan performa generalisasi paling baik. Hal ini terjadi karena fitur pada papan catur terletak pada peletakan bidak yang lebih cocok ditangkap secara lokal ketimbang global.
DETEKSI UNKNOWN ATTACK PADA NETWORK TRAFFIC BERDASARKAN KERANGKA KERJA MITRE ATT&CK DENGAN ZERO-SHOT LEARNING
Deteksi serangan pada network traffic menghadapi dua kendala: signature-based gagal mengenali unknown attack karena bergantung pada pola dikenal, sementara machine learning konvensional sering memicu false positive tinggi. Upaya zero-shot learning (ZSL) sebelumnya menggunakan semantik yang terlalu spesifik sehingga kurang mampu menggeneralisasi lintas teknik. Tesis ini mengusulkan pipeline ZSL yang menyelaraskan network traffic dengan deskripsi teknik MITRE ATT&CK. Rekaman traffic di-embed menggunakan netFound; deskripsi teknik dan deteksi di-embed dengan E5. Model pemetaan dilatih dengan contrastive loss (NT-Xent) untuk memetakan embedding traffic ke ruang semantik, lalu diklasifikasi berdasarkan hierarki TTP. Penggunaan deskripsi teknik serangan meningkatkan pemisahan serangan dari traffic normal serta menaikkan recall dari hampir seluruh jenis serangan atau teknik unknown. Selain itu, pemilihan jenis serangan untuk pelatihan model juga mempengaruhi kemampuan generalisasi yang dibutuhkan model. Jenis serangan yang umum dan kompleks sebagai data latih menghasilkan kemampuan deteksi known dan unknown yang lebih seimbang.
PEMODELAN DAN PEMETAAN KESALAHAN VOLUMETRIK MESIN CNC MILLING VERTIKAL TIGA SUMBU MENGGUNAKAN LASER INTERFEROMETER
Kesalahan geometrik pada mesin CNC dapat menurunkan kualitas produk yang dihasilkan dalam proses manufaktur presisi. Penelitian ini dilatarbelakangi oleh pentingnya memahami karakteristik kesalahan geometrik sebagai upaya meningkatkan akurasi mesin perkakas. Tujuan penelitian ini adalah memodelkan kesalahan pemosisian satu dimensi (1D) dan menyusunnya menjadi peta kesalahan volumetrik tiga dimensi (3D) dari mesin CNC Doosan Mynx 6500/50 II. Data diperoleh melalui pengukuran kesalahan pemosisian pada tiap sumbu dengan total tujuh lintasan pengukuran menggunakan laser interferometer. Hasil pengolahan menunjukkan bahwa regresi polinomial-trigonometri orde 3 memberikan performa paling optimal dalam merepresentasikan tren kesalahan pemosisian satu dimensi (1D) dengan nilai RMSE sebesar 0,4807 ?m dan R² mencapai 0,9990 yang lebih baik dibandingkan regresi polinomial maupun Fourier pada orde yang sebanding. Model 1D dari tiap lintasan pengukuran kemudian diintegrasikan dengan metode interpolasi kuadratik untuk membentuk peta kesalahan volumetrik. Analisis peta kesalahan menunjukkan bahwa distribusi error membentuk gradasi yang tidak seragam, dengan error minimum sebesar 0,0 ?m cenderung berada di sekitar titik referensi mesin (X=0, Y=0, Z=0), sedangkan error maksimum mencapai 76,3 ?m muncul pada kombinasi posisi sumbu tertentu, khususnya di area batas ruang kerja mesin dengan pengaruh dominan oleh sumbu Y. Temuan ini sekaligus dapat dijadikan informasi penting dalam pengembangan dan penerapan strategi kompensasi error yang efektif untuk mesin ini.
PENGEMBANGAN METODE EVALUASI JAWABAN PENALARAN FISIKA DENGAN KONSEP FISIKA PADA VISUAL LANGUAGE MODEL
Penalaran multimodal saintifik pada fisika memerlukan integrasi teks, gambar, dan pengetahuan konsep, namun benchmark sering hanya menilai jawaban akhir tanpa menelusuri proses penalaran atau kemampuan retrieval. Tesis ini memperkenalkan CoPBench, benchmark yang mengukur penggunaan konsep fisika pada jawaban penalaran dan retrieval teorema relevan dalam soal. CoPBench mencakup 478 soal fisika akademik dan olimpiade, yang didapatkan dari sumber terbuka di internet. Benchmark CoPBench mengevaluasi kemampuan model menjawab permasalahan fisika dengan tiga situasi yaitu, tanpa konsep, dengan konsep, dan dengan bantuan hasil retrieval oleh model encoder. Evaluasi dilakukan melalui penyocokan jawaban, penilaian penggunaan konsep otomatis, serta dense passage retrieval dengan metrik recall@k. Eksperimen pada tujuh model (lima open-source, dua closed-source) menunjukkan GPT-4.1 mini dan o4 mini unggul dengan akurasi pilihan ganda 62-66% (10-14 poin lebih tinggi dari open-source terbaik), dan konteks konsep menambah akurasi ~3%. Pada retrieval, Qwen3-Embedding-8B meraih recall@5 tertinggi 70,5%. CoPBench merupakan benchmark yang dapat digunakan untuk memetakan kelebihan dan kekurangan LLM dalam penalaran multimodal saintifik.
PERANCANGAN ARSITEKTUR SISTEM MANAJEMEN IDE INOVASI TERINTEGRASI (STUDI KASUS: PT. TELKOM INDONESIA)
Belum terintegrasinya sistem manajemen ide inovasi yang digunakan di PT Telkom Indonesia menyebabkan fragmentasi data, pengalaman pengguna yang tidak konsisten, serta keterbatasan dalam pemantauan proses secara menyeluruh. Untuk menjawab permasalahan tersebut, penelitian ini menggunakan metode design thinking yang menekankan pendekatan berpusat pada pengguna. Tujuan tugas akhir ini adalah merancang sistem manajemen ide inovasi yang terintegrasi. Hasil dari penelitian ini adalah rancangan arsitektur sistem manajemen ide inovasi yang mencakup empat lapisan, yaitu lapisan bisnis, data, aplikasi, dan teknologi. Selain itu, penelitian ini menghasilkan prototipe antarmuka sistem yang memvisualisasikan alur manajemen ide secara terintegrasi. Pengujian desain dilakukan melalui dua pendekatan, yaitu verifikasi dan validasi. Verifikasi dilakukan dengan ketertelusuran kebutuhan fungsional serta pengujian berbasis skenario untuk menilai aspek nonfungsional, khususnya kemudahan penggunaan sistem. Validasi dilakukan melalui kuesioner yang menilai aspek kegunaan, kemudahan, dan penerimaan sistem oleh pengguna. Hasil verifikasi menunjukkan bahwa rancangan sistem telah memenuhi kebutuhan fungsional maupun nonfungsional yang disusun. Sementara itu, hasil validasi membuktikan bahwa sistem yang dikembangkan mampu menyelesaikan permasalahan integrasi, meningkatkan konsistensi alur kerja, serta mendukung ketercapaian tujuan pembuatan sistem. Dengan demikian, rancangan arsitektur dan prototipe sistem manajemen ide inovasi ini dapat menjadi solusi yang efektif untuk meningkatkan efisiensi dan pengalaman pengguna dalam proses pengelolaan ide di perusahaan.
PREDIKSI HARGA SAHAM BERBASIS LAPORAN KEUANGAN DAN ANALISIS SENTIMEN PASAR DENGAN ENSEMBLE LEARNING
Investasi saham yang menjadi semakin populer mendorong keinginan untuk pembentukan model prediksi harga saham yang akurat. Namun, harga saham sendiri sangat fluktuatif dan sulit untuk diprediksi. Harga saham sendiri dipengaruhi oleh tiga faktor utama, yaitu faktor fundamental, faktor teknikal, dan faktor sentimen pasar. Penelitian yang ada saat ini kebanyakan hanya memanfaatkan salah satu dari ketiga faktor tersebut. Penelitian ini mengatasi tantangan prediksi harga saham yang fluktuatif dengan mengintegrasikan dua faktor kunci, yaitu faktor fundamental menggunakan data dari laporan keuangan dan faktor sentimen pasar dari berita saham. Metodologi yang digunakan adalah membentuk dataset baru dan membangun model ensemble learning dengan pendekatan stacking, yang menggabungkan tiga arsitektur deep learning (LSTM, GRU, dan Transformer) untuk menghasilkan prediksi yang lebih akurat. Hasil utama menunjukkan model gabungan ini berhasil mencapai Mean Absolute Percentage Error (MAPE) sebesar 2.33% pada data uji saham BBRI. Kinerja ini secara signifikan melampaui model baseline yang hanya menggunakan data laporan keuangan (MAPE 5.03%) atau data sentimen saja (MAPE 4.86%). Validasi pada saham BBCA dan BMRI juga menunjukkan hasil yang konsisten, membuktikan efektivitas pendekatan ini dalam meningkatkan akurasi prediksi harga saham.
DINAMIKA PENYELENGGARAAN PENDIDIKAN OLEH INSTITUSI PENDIDIKAN BERBASIS YAYASAN (STUDI KASUS : SMA UNGGULAN CT ARSA FOUNDATION)
Pendidikan merupakan faktor penting dalam peningkatan kualitas sumber daya manusia. Di Indonesia, selain diselenggarakan negara, pendidikan juga dijalankan oleh yayasan melalui model sekolah filantropi. Salah satunya adalah SMA Unggulan CT ARSA Foundation, sekolah gratis berasrama yang didirikan oleh Chairul Tanjung. Penelitian ini bertujuan menganalisis tata kelola penyelenggaraan pendidikan di SMA Unggulan CT ARSA Foundation serta mengidentifikasi bagaimana ideologi dan nilai-nilai direpresentasikan melalui praktik dan wacana pendidikan. Metode penelitian yang digunakan adalah kualitatif dengan desain studi kasus, melalui wawancara mendalam, observasi, dan analisis dokumen. Analisis dilakukan dengan kerangka governance dan Critical Discourse Analysis (CDA). Hasil penelitian menunjukkan bahwa tata kelola sekolah dibangun melalui mekanisme terstruktur dengan pembagian peran antara kepala sekolah, guru, konselor, dan pengasuh asrama, serta dilengkapi sistem evaluasi mikro dan makro. Prinsip akuntabilitas dijalankan melalui laporan berkala kepada yayasan dan publikasi capaian siswa. Analisis wacana memperlihatkan bahwa sekolah ini membangun citra sebagai lembaga sosial, religius, dan modern dengan narasi dominan “pendidikan gratis untuk memutus rantai kemiskinan.” Identitas sekolah juga direfleksikan melalui penekanan kedisiplinan, nilai keimanan, dan entrepreneurship, yang sejalan dengan orientasi nilai yayasan. SMA Unggulan CT ARSA Foundation memiliki dua dimensi, yakni sebagai institusi pendidikan dengan tata kelola jelas dan akses bagi kelompok miskin, serta sebagai instrumen representasi nilai dan citra korporasi.
EKSPLORASI METODE PENGEMBANGAN MODEL PREDIKSI RISIKO KANKER PAYUDARA BERBASIS PEMBELAJARAN MESIN
Tingginya tingkat mortalitas kanker payudara di Indonesia disebabkan oleh keterlambatan diagnosis yang diperburuk oleh rendahnya motivasi masyarakat untuk melaksanakan skrining. Penelitian sebelumnya menunjukkan bahwa pengetahuan tentang risiko individu dapat meningkatkan motivasi untuk skrining. Namun, model prediksi risiko konvensional seperti Gail Model dan Breast Cancer Screening Consortium, yang dikembangkan berdasarkan populasi Kaukasia, menunjukkan penurunan akurasi ketika diterapkan pada populasi Asia, termasuk Indonesia. Penelitian ini bertujuan untuk mengidentifikasi metode pengembangan model prediksi risiko kanker payudara berbasis pembelajaran mesin yang memiliki performa klinis terbaik, serta mengevaluasi kelayakan implementasinya secara ekonomi dalam sistem kesehatan Indonesia. Menggunakan dataset PLCO dengan subset populasi Asia, penelitian ini mengeksplorasi berbagai kombinasi strategi seleksi fitur, penanganan ketidakseimbangan kelas, algoritma pembelajaran mesin, teknik rekayasa fitur, dan pembelajaran berbasis biaya. Evaluasi dilakukan dengan kerangka QALY-focused Clinical-Economic Decision Framework. Model terbaik diidentifikasi menggunakan algoritma XGBoost dengan seleksi fitur Statistical_40, transformasi statistik, dan case-control matching, yang mencapai AUC 0,638, sensitivitas 82,1%, dan spesifisitas 44,4%. Dibandingkan dengan penelitian Stark dkk., model ini menunjukkan peningkatan AUC +0,025 dan sensitivitas +0,133. Dibandingkan dengan Gail Model, terdapat peningkatan AUC +0,075 dan sensitivitas +0,174. Namun, spesifisitas mengalami penurunan sebesar -0.023 dibandingkan penelitian Stark dkk. dan -0.017 dibandingkan dengan Gail Model. Model ini menunjukkan cost-effectiveness yang sangat baik dengan $627 USD per QALY, yang menunjukkan bahwa model prediksi risiko kanker payudara superior telah berhasil dikembangkan, dengan kemampuan deteksi kanker yang jauh lebih baik dan tetap memenuhi kriteria kelayakan klinis serta cost-effectiveness untuk implementasi di Indonesia.