📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 6,268 dokumenPENGEMBANGAN SISTEM DETEKSI ARITMIA PADA DATA EKG UPT LAYANAN KESEHATAN ITB DENGAN ARSITEKTUR CNN-LSTM DAN VISUALISASI POLA ARITMIA
Aritmia merupakan gangguan irama jantung yang dapat dideteksi melalui analisis sinyal elektrokardiogram (EKG). Interpretasi sinyal EKG secara manual membutuhkan keahlian khusus dan waktu yang cukup lama sehingga diperlukan sistem yang mampu melakukan deteksi secara otomatis dan akurat. Metodologi pengembangan sistem mengikuti kerangka kerja CRISP-DM (Cross Industry Standard Process for Data Mining) yang mencakup beberapa tahapan yaitu pemahaman masalah bisnis, pemahaman data, persiapan data, pemodelan, dan evaluasi. Data yang digunakan berasal dari MIT-BIH Arrhythmia Dataset serta data nyata dari UPT Layanan Kesehatan ITB yang telah melalui proses digitalisasi dan pelabelan. Tahapan praproses mencakup pemilihan sinyal dari lead II, normalisasi, deteksi puncak R, rekayasa fitur, segmentasi sinyal, dan ekstraksi label detak. Evaluasi dilakukan dengan menggunakan metrik presisi, recall, akurasi, F1-score, confusion matrix, kurva ROC, dan AUC. Hasil pengujian menunjukkan bahwa model mampu mencapai akurasi keseluruhan sebesar 99% dengan nilai F1-score 0,99 pada kelas normal, 0,97 pada kelas ventrikular, dan 0,89 pada kelas atrial. Dalam rangka meningkatkan interpretabilitas, metode SHAP (SHapley Additive exPlanations) digunakan guna menjelaskan dasar keputusan model. Analisis SHAP memperlihatkan bahwa ketidakteraturan morfologi sinyal berperan dominan dalam klasifikasi ventrikular, ketidakteraturan bentuk sinyal dan interval puncak R sebelumnya berpengaruh pada klasifikasi atrial, sedangkan detak normal dikenali berdasarkan ketiadaan penyimpangan morfologi. Sistem yang dihasilkan tidak hanya memiliki tingkat akurasi yang tinggi, tetapi juga menyediakan justifikasi yang transparan serta telah berhasil diimplementasikan dalam aplikasi web yang memungkinkan pengguna mengunggah citra EKG dan memperoleh hasil digitalisasi, klasifikasi, serta visualisasi detak abnormal.
PENANGANAN DATA IMBALANCE PADA DATASET DAISEE UNTUK ENGAGEMENT RECOGNITION MENGGUNAKAN METODE GENERATIVE ADVERSARIAL NETWORK
Dalam pembelajaran daring, interaksi antara pengajar dan pelajar memegang peranan penting dalam menentukan kualitas pembelajaran. Oleh karena itu, penelitian ini berupaya untuk membantu pengajar dalam mengidentifikasi tingkat emotional engagement pelajar selama pembelajaran daring melalui pengembangan model engagement recognition. Model tersebut telah dikembangkan pada berbagai penelitian sebelumnya, namun peningkatan kinerjanya terbatasi oleh kondisi ketidakseimbangan data yang ekstrem. Untuk itu, penelitian ini berfokus dalam menangani ketidakseimbangan data pada dataset DAiSEE melalui metode oversampling menggunakan Generative Adversarial Network (GAN). Teknologi ini akan menghasilkan sampel gambar sintetis dari kelas minoritas. Metode oversampling umum yaitu SMOTE juga diterapkan sebagai perbandingan untuk metode GAN. Dalam pemodelan, penelitian ini menggunakan dua model yaitu stack-LSTM dan CNN-BiLSTM. Hasil evaluasi dan pengujian menunjukkan kinerja model stack-LSTM lebih meningkat melalui metode oversampling GAN dengan f1-score kelas minoritas 0,1391, akurasi keseluruhan 54,99%, dan AUC 0,5961. Sementara itu, kinerja model CNN-BiLSTM lebih meningkat melalui metode oversampling SMOTE dengan f1-score kelas minoritas 0,1515, akurasi keseluruhan 52,18%, dan AUC 0,6073. Berdasarkan perbandingan antara keduanya, CNN-BiLSTM dengan SMOTE memiliki kinerja yang lebih baik akibat sampel sintetis SMOTE yang langsung memperkaya representasi di ruang fitur. Sementara itu, meskipun teknologi GAN juga dapat meningkatkan kinerja kelas minoritas, peningkatannya masih lebih rendah. Hal ini diakibatkan oleh sampel sintetis yang bersifat kompleks dan non-linier sehingga fitur-fitur halusnya memiliki kemungkinan dikenali model sebagai noise.
PERBANDINGAN METODE SAMPLING UNIFORM, EVENT-BASED, DAN RANDOM SEEK UNTUK MENGATASI DATA IMBALANCE PADA DATASET SOCCERNET MENGGUNAKAN LSTM (STUDI KASUS: DETEKSI AKSI DALAM KONTEKS SMART FOOTBALL)
Video pertandingan sepak bola mengandung beragam aksi yang bersifat penting seperti gol, pelanggaran, dan tendangan bebas. Namun, aksi-aksi tersebut cenderung jarang terjadi dibandingkan latar belakang non-aksi sehingga menyebabkan ketidakseimbangan kelas (class imbalance) yang signifikan pada data. Ketidakseimbangan ini berdampak negatif terhadap performa model action recognition yang dilatih menggunakan arsitektur LSTM. Oleh karena itu, penelitian ini bertujuan untuk mengevaluasi efektivitas berbagai metode sampling dalam menangani masalah tersebut. Beberapa metode yang diujikan mencakup uniform sampling, event-based sampling, dan random seek yang diusulkan dalam penelitian ini. Dataset yang digunakan adalah hasil ekstraksi fitur video pertandingan sepak bola yang telah dilabeli berdasarkan jenis aksi yang kemudian dilakukan sampling berdasarkan ketiga metode yang diujikan. Kemudian data dilatih menggunakan LSTM dan dievaluasi berdasarkan metrik mean average precision (mAP) dan F1-score per kelas aksi. Hasil eksperimen menunjukkan bahwa metode random seek secara konsisten meningkatkan performa model pada kelas-kelas minoritas tanpa menurunkan performa secara keseluruhan. Kesimpulannya, pemilihan strategi sampling yang tepat berperan krusial dalam meningkatkan kemampuan model dalam mendeteksi aksi-aksi penting pada video sepak bola, terutama pada skenario dengan distribusi kelas yang tidak merata.
PEMBUATAN RATING PADA VIDEO GAME BERBASIS ANALISIS SENTIMEN PADA ULASAN PERMAINAN DI STEAM MENGGUNAKAN MODEL DEEP LEARNING
Steam merupakan salah satu platform distribusi permainan terbesar saat ini yan memiliki lebih dari 100.000 permainan yang dijual maupun diberikan secara gratis. Steam saat ini hanya memiliki sistem ulasan biner yang berpotensi belum memberikan kemudahan kepada pengguna dalam mengeksplorasi permainan dan membuat keputusan pembelian. Untuk mengatasi permasalahan tersebut, penelitian ini merancang dan mengimplementasikan sebuah sistem analisis sentimen berbasis aspek untuk menghasilkan rating per aspek (gameplay, story, visual, audio) secara otomatis dari ulasan pengguna. Hal ini dapat memudahkan pengguna dalam mengeksplorasi permainan, memberikan informasi yang lebih mendalam kepada pengembang permainan terkait umpan balik permainannya, dan mengoptimalkan sistem rekomendasi Steam. Metode yang digunakan terdiri dari dua model BERT yang terspesialisasi untuk tugas deteksi aspek dan klasifikasi sentimen aspek. Tantangan utama kelangkaan data latih berlabel diatasi dengan pendekatan supervisi lemah menggunakan kerangka kerja Snorkel untuk membuat data latih secara terprogram. Hasil evaluasi sistem menunjukkan performa yang baik. Model deteksi aspek berhasil mencapai f1-score hingga 0,829 sementara model klasifikasi sentimen mencapai f1-score hingga 0,735. Pembuatan rating dilakukan dengan menghitung rasio jumlah sentimen positif dengan jumlah total sentimen. Penelitian ini menyimpulkan bahwa kombinasi supervisi lemah dengan arsitektur pipeline berbasis BERT merupakan solusi yang efektif dan valid untuk mengekstraksi informasi dari data ulasan tekstual.
APLIKASI MOBILE PEMANTAUAN JEJAK KARBON TRANSPORTASI DI INSTITUT TEKNOLOGI BANDUNG
Isu perubahan iklim mendorong pentingnya pemantauan jejak karbon yang dihasilkan dari aktivitas transportasi sehari-hari. Di lingkungan Institut Teknologi Bandung (ITB), belum tersedia sistem yang memungkinkan warga ITB untuk melacak dan memahami kontribusi emisi karbon personal dari perjalanan mereka, maupun kolektif emisi karbon transportasi di lingkungan kampus. Untuk menjawab permasalahan tersebut, penelitian ini menghasilkan sebuah aplikasi mobile bernama Greenzy yang dikembangkan menggunakan pendekatan iterative and incremental. Pendekatan ini digunakan karena kelebihannya dalam kemudahan penyesuaian dengan masukan pengguna. Aplikasi ini juga memiliki fitur gamifikasi untuk mendorong motivasi penggunaan aplikasi dan perubahan perilaku yang lebih ramah lingkungan. Sisi frontend aplikasi dikembangkan menggunakan React Native dan Expo. Pada sisi backend, aplikasi ini menggunakan Firebase yang terkoneksi dengan Google Cloud Platform sebagai layanan fungsionalitas aplikasi. Pengujian aplikasi dilakukan dalam tiga tahap: unit testing untuk memastikan fungsionalitas logika utama, system testing untuk mengevaluasi integrasi komponen dan keberhasilan tiap fitur, dan user acceptance testing (UAT) untuk mengukur penerimaan pengguna terhadap aplikasi. Hasil pengujian menunjukkan bahwa aplikasi telah memenuhi kebutuhan fungsional dan non-fungsional, dengan skenario pada unit testing dan system testing dinyatakan lulus 100%. Evaluasi melalui UAT menunjukkan tingkat keberhasilan tugas yang tinggi serta peningkatan skor System Usability Scale (SUS) dari 73 menjadi 88. Peningkatan ini menandakan aplikasi dapat digunakan dengan baik oleh pengguna. Penilaian kontribusi aplikasi juga menunjukkan efektivitas aplikasi dalam meningkatkan kesadaran pengguna terhadap jejak karbon transportasi di lingkungan kampus.
PENANGANAN BIAS BUDAYA PADA DATASET DAISEE DAN DIPSEER UNTUK ENGAGEMENT RECOGNITION MENGGUNAKAN ARSITEKTUR MULTIMODEL
Engagement recognition berbasis visual menjadi bidang penting dalam pengembangan sistem pembelajaran adaptif maupun pengamatan perilaku pengguna. Namun, sebagian besar dataset yang tersedia bersifat tertutup atau tidak merepresentasikan variasi budaya, sehingga memunculkan bias pada model yang dikembangkan. Penelitian ini bertujuan untuk menangani bias budaya pada sistem engagement recognition dengan menggunakan dua dataset terbuka yang memiliki konteks budaya berbeda, yaitu DaiSEE dan DIPSEER. Dua arsitektur model dasar yang digunakan adalah MLP-Mixer dan Convolutional Bi-LSTM. Hasil evaluasi silang menunjukkan bahwa model yang dilatih pada DIPSEER hanya mampu mencapai akurasi rata-rata 35.5% ketika diuji pada DaiSEE. Sebaliknya, model yang dilatih pada DaiSEE mencapai akurasi rata-rata 33.5% ketika diuji pada DIPSEER. Untuk mengatasi bias budaya, diterapkan pendekatan ensemble learning. Metode stacked ensemble menghasilkan akurasi tertinggi sebesar 75,40% pada pengujian dengan data test DIPSEER dan 58.79% pada pengujian dengan data test DaiSEE. Penelitian ini menyimpulkan bahwa metode ensemble dapat menjadi strategi yang lebih baik untuk sistem engagement recognition yang lebih inklusif terhadap variasi budaya. Penelitian ini juga merekomendasikan pemilihan frame yang lebih selektif, penyeimbangan dataset sejak tahap awal, serta eksplorasi hyperparameter untuk peningkatan kinerja model di masa mendatang.
DESAIN INTERAKSI APLIKASI KUIS ANATOMI 3D DENGAN ELEMEN GAMIFIKASI MENGGUNAKAN PENDEKATAN PLAYER-CENTERED DESIGN
Pembelajaran anatomi seringkali dianggap sulit karena membutuhkan visualisasi detail dan motivasi belajar yang tinggi, di mana platform digital yang ada saat ini terkadang memiliki desain yang rumit dan kurang menarik. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan menghasilkan prototipe high fidelity dari desain interaksi aplikasi kuis anatomi 3D yang menerapkan elemen gamifikasi. Metode yang digunakan adalah pendekatan Player-Centered Design yang berfokus pada pemahaman pemain (persona), penetapan misi pembelajaran, analisis motivasi, dan perancangan komponen gamifikasi seperti poin, level, badge, dan leaderboard untuk menciptakan pengalaman yang memotivasi. Prototipe dievaluasi melalui dua iterasi usability testing dengan lima partisipan menggunakan metrik kuantitatif dan kualitatif. Hasil evaluasi iterasi kedua menunjukkan pencapaian tujuan secara signifikan. Completion Rate mencapai 100% yang menunjukkan desain sangat efektif. Rata-rata skor System Usability Scale (SUS) meningkat menjadi 97,5, Intrinsic Motivation Inventory (IMI) untuk minat/kesenangan naik menjadi 6,7, dan User Retention Analysis mencapai 4,8. Kesimpulan dari penelitian ini adalah bahwa penerapan elemen gamifikasi melalui pendekatan Player-Centered Design terbukti berhasil menciptakan desain interaksi aplikasi pembelajaran anatomi yang tidak hanya memenuhi tujuan kebergunaan (usability goals) seperti efektif dan mudah dipelajari, tetapi juga tujuan pengalaman pengguna (user experience goals) yaitu memuaskan dan sangat memotivasi.
AQUASTATS: DASHBOARD INTERAKTIF UNTUK VISUALISASI DINAMIS DAN ANALISIS KOMPREHENSIF KUALITAS AIR BERBASIS DATA
masyarakat, namun kompleksitas data hasil pengukuran sering menyulitkan proses analisis, terutama ketika disajikan hanya dalam bentuk tabel atau laporan statis. Penelitian ini mengembangkan Aquastats, sebuah dashboard interaktif berbasis Python dan Streamlit yang dirancang menggunakan pendekatan Nested Model for Visualization Design untuk menyajikan data kualitas air tanah secara dinamis, visual, dan informatif. Dataset yang digunakan mencakup parameter pH, TDS, DO, suhu, kekeruhan, nitrat, fosfat, dan klorida dari titik pengamatan di Sungai Cikapundung, Bandung Raya. Sistem menyediakan berbagai fitur analisis seperti Data Explorer, statistik deskriptif, visualisasi distribusi, korelasi antarparameter, peta spasial, regresi linier, analisis komponen utama (PCA), dan klasterisasi. Evaluasi dilakukan melalui pengujian internal dan User Acceptance Test (UAT) yang melibatkan tujuh responden dari kalangan akademisi dan praktisi. Hasil pengujian menunjukkan seluruh fitur berjalan optimal, tingkat keberhasilan penggunaan fitur mencapai 100%, rata-rata kemudahan penggunaan 4,6 dari 5, serta skor System Usability Scale (SUS) sebesar 83 yang termasuk kategori excellent usability. Dibandingkan dengan sistem existing berbasis R Shiny, Aquastats dinilai lebih mudah dipahami, lebih efektif dalam mendukung eksplorasi multivariat, dan lebih praktis diakses melalui cloud. Kesimpulan penelitian ini menunjukkan bahwa Aquastats berhasil meningkatkan kemudahan pemahaman dan efektivitas analisis data kualitas air tanah, serta memiliki potensi besar untuk dimanfaatkan dalam konteks edukasi, penelitian, maupun pengambilan keputusan berbasis data.
FRONTEND WEBSITE DASHBOARD EMISI JEJAK KARBON PERALATAN ELEKTRONIK (STUDI KASUS: INSTITUT TEKNOLOGI BANDUNG)
Perubahan iklim menjadi tantangan global yang menuntut peran aktif dari berbagai institusi, termasuk perguruan tinggi seperti Institut Teknologi Bandung (ITB). Salah satu kontribusi signifikan terhadap emisi karbon berasal dari penggunaan peralatan elektronik di lingkungan kampus. Namun, kesadaran sivitas akademika mengenai besaran dan dampak emisi ini masih rendah karena tidak adanya penyajian data yang terpusat dan mudah diakses. Penelitian ini bertujuan untuk merancang dan mengembangkan sebuah frontend website dashboard yang mampu memvisualisasikan data emisi jejak karbon dari peralatan elektronik di ITB. Dengan menggunakan pendekatan problem-driven dan metodologi pengembangan perangkat lunak, penelitian ini menghasilkan sebuah solusi antarmuka pengguna yang interaktif. Proses pemilihan platform pengembangan dilakukan secara sistematis dengan menggunakan metode TOPSIS yang menghasilkan keputusan untuk membangun aplikasi web. Hasil dari penelitian ini adalah sebuah prototype dashboard fungsional yang dikembangkan menggunakan React dan Next.js. Berdasarkan hasil pengujian fungsionalitas dan User Acceptance Testing, sistem terbukti mampu menyajikan data abstrak menjadi wawasan yang konkret dan relevan secara personal bagi pengguna serta berhasil meningkatkan pemahaman dan kesadaran mengenai emisi jejak karbon. Dengan demikian, dashboard ini menjadi alat bantu yang fungsional untuk menunjang upaya peningkatan kesadaran dan menjadi langkah awal yang konkret dalam mendukung upaya keberlanjutan ITB sebagai kampus yang ramah lingkungan.
PENINGKATAN AKURASI DAN INTERPRETABILITAS PADA KLASIFIKASI CITRA ENDOSKOPI MULTIKELAS MELALUI PENGEMBANGAN MODEL HIBRIDA CNN-VIT DENGAN EXPLAINABLE AI
Deteksi dini penyakit gastrointestinal melalui citra endoskopi memiliki peran penting dalam meningkatkan efisiensi diagnosis dan efektivitas pengobatan. Namun, proses endoskopi yang masih bergantung pada observasi manual sering kali menghadapi tantangan dari segi konsistensi, kecepatan, dan akurasi diagnosis. Mayoritas dari sistem basis pembelajaran dalam yang sudah ada masih terbatas dalam aspek interpretabilitas, sehingga menyulitkan adopsi dalam praktik klinis karena kurangnya transparansi dalam pengambilan keputusan. Selain itu, pendekatan berbasis model tunggal seperti Convolutional Neural Network (CNN) dan Vision Transformer (ViT) juga memiliki keterbatasan masing-masing. CNN baik dalam mengekstraksi fitur lokal tetapi lemah dalam memahami konteks global, sementara ViT sebaliknya. Oleh karena itu, penelitian ini mengusulkan model hibrida CNN-ViT yang diusulkan terdiri dari tiga pendekatan integrasi, yaitu integrasi arsitektural seri, atensi silang, dan ensemble berbasis weighted averaging. Di antara ketiganya, pendekatan ensemble dengan pembobotan 50:50 antara DenseNet121 dan Swin Transformer paling unggul dan mencapai akurasi pengujian sebesar 94.80%, yang merupakan peningkatan sekitar 2.29% dibandingkan rata-rata model tunggal yang diuji. Sistem juga dilengkapi dengan modul XAI menggunakan GradCAM++ dengan nilai AUC kurva penghapusan 0.33.
PERANCANGAN DAN IMPLEMENTASI SISTEM PELATIHAN MODEL KLASIFIKASI TIPOLOGI BANGUNAN UNTUK ESTIMASI KERUSAKAN DALAM ASESMEN RISIKO SEISMIK
Indonesia berada pada pertemuan tiga lempeng tektonik utama sehingga memiliki risiko seismik tinggi, diperparah oleh banyaknya rumah non-engineered yang rentan terhadap gempa. Penilaian risiko seismik memerlukan klasifikasi tipologi bangunan untuk menentukan kerentanannya. Namun, metode survei lapangan manual tidak efisien dan sulit diskalakan. Penelitian ini merumuskan masalah: bagaimana merancang dan mengimplementasikan sistem terintegrasi untuk pembuatan, pelatihan, dan perbaikan model klasifikasi tipologi bangunan guna mendukung asesmen risiko seismik. Tujuannya adalah mengotomatisasi alur kerja yang sebelumnya terfragmentasi, termasuk anotasi berbantuan model, konfigurasi pelatihan, dan deployment. Metodologi yang digunakan adalah Design Thinking melalui tahapan empathize, define, ideate, prototype, dan test. Sistem berbasis web dikembangkan dengan arsitektur deteksi objek satu tahap (YOLO) yang terintegrasi dengan modul manajemen tipologi, anotasi, pelatihan, dan pengujian. Hasil pengujian menunjukkan seluruh kebutuhan fungsional dan non-fungsional terpenuhi, dengan efisiensi waktu interaksi pengguna meningkat 51,67% dibanding metode manual. Penelitian ini memberikan kontribusi berupa platform MLOps terintegrasi khusus untuk domain risiko seismik di Indonesia, yang memudahkan pembaruan model klasifikasi tipologi bangunan secara cepat dan konsisten, sehingga dapat mempercepat proses asesmen risiko dan mendukung pengambilan keputusan mitigasi bencana.
IDENTIFIKASI DAN VALIDASI BANGUNAN UNTUK SEISMIC VULNERABILITY ASSESMENT MENGGUNAKAN YOLOV8
Asesmen Kerentanan Seismik memerlukan data lokasi bangunan yang akurat, namun alur kerja yang ada saat ini menghadapi permasalahan inefisiensi fundamental. Masalah tersebut terletak pada metode input berbasis koordinat acak yang memiliki tingkat keberhasilan sangat rendah, terbukti hanya sekitar 4-18% dalam studi kasus. Penelitian ini mengusulkan sebuah metode baru untuk mengatasi masalah tersebut dengan membangun sebuah sistem identifikasi bangunan yang cerdas. Metode ini memanfaatkan model deep learning YOLOv8 yang telah difine- tuning secara khusus untuk secara otomatis mendeteksi poligon bangunan dari citra peta vektor OpenStreetMap, menghasilkan daftar koordinat yang tertarget. Hasil evaluasi kuantitatif menunjukkan bahwa sistem yang diusulkan mampu mencapai tingkat akurasi deteksi yang tinggi dengan error rate rata-rata hanya 0.25% terhadap ground truth. Lebih signifikan lagi, penerapan sistem ini berhasil meningkatkan efektivitas alur kerja akuisisi data secara drastis, terbukti lebih dari 10 kali lipat lebih efektif pada salah satu studi kasus dengan meningkatkan tingkat keberhasilan dari 4.32% menjadi 46.95%. Kesimpulan dari penelitian ini adalah bahwa pendekatan identifikasi bangunan yang tertarget menggunakan YOLOv8 merupakan solusi yang superior dan efisien untuk mendukung proses asesmen kerentanan seismik.
PENGEMBANGAN CHATBOT KESEHATAN MENTAL BERBASIS WEBSITE DENGAN METODE RETRIEVAL AUGMENTED GENERATION UNTUK MAHASISWA INSTITUT TEKNOLOGI BANDUNG
Masalah kesehatan mental menjadi perhatian mendesak, khususnya di kalangan mahasiswa. Survei I-NAMHS menunjukkan sekitar 34,9% remaja di Indonesia mengalami setidaknya satu masalah kesehatan mental. Di lingkungan perguruan tinggi seperti Institut Teknologi Bandung (ITB), layanan konseling telah tersedia, namun masih terkendala jumlah slot konseling yang terbatas, waktu tunggu lama, serta minimnya dukungan awal yang cepat dan mudah diakses. Untuk menjawab tantangan tersebut, dikembangkan chatbot kesehatan mental berbasis web dengan pendekatan Retrieval-Augmented Generation (RAG). Sistem ini memanfaatkan kemampuan Large Language Models (LLMs) dan retrieval dokumen relevan secara real-time. Dalam implementasinya, ditambahkan Hypothetical Document Embeddings (HyDE) sebagai lapisan tambahan untuk menghasilkan jawaban hipotesis. Selain itu, prompt engineering juga diimplementasikan dengan menambahkan instruksi tambahan kepada LLM untuk meningkatkan kualitas respons. Hasil evaluasi berbasis LLM menunjukkan bahwa HyDE umumnya meningkatkan kinerja retrieval, meskipun berpotensi menurun bila jawaban hipotesis tidak relevan. Hasil evaluasi berbasis LLM yang paling tinggi didapatkan oleh konfigurasi M-02 (gpt-4.1-mini dengan penerapan HyDE) dengan rata-rata keseluruhan 0,9182. Evaluasi berbasis ahli domain mengonfirmasi bahwa chatbot mampu menghasilkan jawaban faktual, koheren, komprehensif, dan aman. Sementara itu, User Acceptance Testing (UAT) menunjukkan hasil yang positif dengan success rate 100% pada setiap use case, System Usability Scaling (SUS) 89.17 dari 100, Single Ease Question (SEQ) 6.76 dari 7, dan Net Promoter Score (NPS) +33.33.
KNOWLEDGE MANAGEMENT SYSTEM UNTUK MANAJEMEN PROYEK TI (STUDI KASUS: PT XYZ)
PT XYZ, startup solusi perangkat lunak dan digital, menghadapi tantangan signifikan dalam pengelolaan dokumentasi proyek TI. Masalah utamanya meliputi dokumentasi yang tidak terstruktur, tersebar, inkonsisten, serta kesulitan dalam menangkap dan mentransfer pengetahuan explicit dan tacit. Meskipun SharePoint telah digunakan, duplikasi dan penyimpanan pribadi menunjukkan solusi yang ada belum optimal. Untuk mengatasi tantangan tersebut, penelitian mengusulkan perancangan dan pembangunan prototipe Knowledge Management System (KMS). Metodologi perancangan dilakukan secara sistematis, meliputi analisis infrastruktur eksisting, penyelarasan dengan strategi bisnis, audit aset pengetahuan, hingga perancangan blueprint sistem. Pemilihan solusi KMS berbasis web secara internal ditentukan melalui analisis menggunakan metode TOPSIS, yang mengidentifikasi alternatif ini sebagai yang paling sesuai dengan kebutuhan PT XYZ. Rancangan diwujudkan dalam prototipe interaktif yang dievaluasi pengguna akhir melalui Single Ease Question (SEQ) dan Net Promoter Score (NPS) yang dimodifikasi. Hasil evaluasi menunjukkan validasi kuantitatif dengan tingkat keberhasilan penyelesaian tugas (success rate) mencapai 99,01%, rata-rata skor kemudahan penggunaan (SEQ) sebesar 6,58 dari 7, dan skor persepsi dampak (NPS) sebesar 8,28 dari 10. Penelitian ini menyimpulkan bahwa prototipe KMS yang dirancang berhasil menyediakan solusi yang efektif dan terpusat, mampu mengatasi masalah dokumentasi, dan terbukti memiliki potensi tinggi untuk diadopsi serta meningkatkan kapabilitas manajemen pengetahuan di PT XYZ.
PEMANFAATAN PREDIKSI QUERY ARRIVAL RATE UNTUK PENENTUAN KOLOM YANG DIINDEKS
Penelitian yang dilakukan oleh Ma, dkk. (2018) menghasilkan sebuah metode berbasis machine learning untuk memprediksi workload pada sistem basis data. Workload yang diprediksi berupa query arrival rate, yaitu frekuensi kedatangan tiap query pada suatu periode waktu tertentu. Hasil penelitian ini memberikan dampak signifikan dalam mengatasi permasalahan workload yang dinamis, serta membuka peluang besar dalam meningkatkan kinerja sistem basis data secara adaptif. Tugas Akhir ini bertujuan untuk memanfaatkan hasil dari penelitian prediksi workload tersebut sebagai dasar untuk mengoptimasi basis data secara otomatis, dengan fokus pada menentukan kolom yang akan diberi indeks sebagai metode optimasi. Penentuan indeks yang dilakukan pada tugas akhir ini menggunakan algoritma yang dikembangkan oleh Chaudhuri & Narasayya (1997) yang diterapkan pada Microsoft SQL Server. Algoritma ini bekerja dengan mencari kolom dengan pengurangan biaya eksekusi query tertinggi untuk diberikan indeks. Selain itu, Tugas Akhir ini melibatkan eksperimen untuk mengukur efektivitas penentuan indeks berbasis prediksi query arrival rate terhadap kinerja sistem basis data. Eksperimen dilakukan dengan menggunakan workload dari aplikasi dunia nyata. Hasil eksperimen ini kemudian dibandingkan dengan kinerja basis data yang menjalankan workload yang sama tanpa penerapan indeks, untuk mengukur sejauh mana indeks yang dipilih secara otomatis dapat meningkatkan performa sistem. Hasil eksperimen menunjukkan adanya peningkatan yang signifikan pada throughput basis data serta pengurangan response time dalam eksekusi query. Peningkatan ini menunjukkan bahwa penerapan penentuan indeks berbasis prediksi query arrival rate dapat diterapkan dalam mengelola workload yang dinamis.