📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 192 dokumenPERANCANGAN ULANG PROGRAM LOYALITAS HANDAI COFFEE
Industri kopi grab-and-go di Indonesia berkembang pesat seiring meningkatnya konsumsi kopi dan menjamurnya kedai kopi lokal. Di tengah pertumbuhan tersebut, Handai Coffee meluncurkan program Handai Loyalty Card berbasis kartu stamp fisik untuk mendorong pembelian berulang, namun program ini belum berjalan optimal, ditunjukkan oleh redemption rate yang hanya mencapai 13% (25 dari 190 kartu yang dibagikan). Penelitian ini bertujuan mengevaluasi efektivitas program loyalitas eksisting, merancang program loyalitas yang lebih sesuai preferensi pelanggan, serta menguji efektivitas rancangan yang diusulkan. Akar permasalahan diidentifikasi menggunakan metode 5 Whys, sedangkan perancangan program dilakukan melalui pendekatan Choice-Based Conjoint (CBC) untuk mengidentifikasi kombinasi atribut program loyalitas yang paling disukai pelanggan, dengan lima atribut dan tiga level pada masing-masing atribut. Model CBC divalidasi menggunakan root likelihood (RLH) dan holdout set. Rancangan yang dihasilkan kemudian dievaluasi melalui validasi kepada 15 pelanggan aktual dan A/B Testing within-subject terhadap 151 calon pelanggan, dianalisis menggunakan Wilcoxon Signed-Rank Test dan Binomial Test. Hasil penelitian menunjukkan akar permasalahan terletak pada desain program loyalitas yang belum mampu mendorong pelanggan menyelesaikan siklus pembelian dan menukarkan reward. Kombinasi atribut terbaik terdiri atas partisipasi melalui kode QR, frekuensi pembelian sepuluh kali, diskon 20%, hadiah produk 250 ml, dan voucher belanja Rp5.000, dengan atribut reward sebagai faktor paling diprioritaskan pelanggan. Model CBC menunjukkan performa prediktif baik (RLH = 0,537) dengan validasi holdout yang kuat. Hasil A/B Testing membuktikan program usulan meningkatkan minat beli secara signifikan, dengan Program B dipilih oleh 68% responden sebagai alternatif yang paling disukai. Estimasi probabilitas pembelian mengindikasikan potensi peningkatan jumlah pelanggan yang menyelesaikan siklus pembelian dari 25 menjadi sekitar 77 pelanggan, melampaui target redemption rate 10–15% yang ditetapkan manajemen. Dari sisi finansial, program usulan meningkatkan profit menjadi Rp71.000 per kartu dan menghasilkan expected profit Rp30.860–Rp33.090 per kartu, atau naik 11,0%–19,0% dibandingkan program eksisting. Dengan demikian, program loyalitas yang diusulkan terbukti valid secara metodologis, efektif dalam meningkatkan loyalitas pelanggan, serta layak diterapkan pada Handai Coffee.
PROYEKSI KONSENTRASI KLOROFIL-A PERMUKAAN LAUT BERDASARKAN MODEL IKLIM CMIP6 SSP1-2.6 DAN SSP5-8.5 TAHUN 2015-2050 DI PERAIRAN SELATAN JAWA
Perairan Selatan Jawa memiliki variabilitas klorofil-a tinggi akibat pengaruh sistem angin monsun dan interaksi laut dan atmosfer, sehingga perubahan iklim berpotensi memengaruhi produktivitas primer di masa depan. Kajian mengenai proyeksi klorofil-a di wilayah ini menggunakan model CMIP6 masih terbatas. Penelitian ini bertujuan menganalisis variasi spasial-temporal klorofil-a serta responsnya terhadap fenomena upwelling menggunakan tujuh model CMIP6 (SSP1-2.6 dan SSP5-8.5) pada periode 2015–2050, yang divalidasi dengan data ERA5, ESA OC- CCI, WOA23, CMEMS (2015–2024), dan CTD in situ (2018, 2019, 2022). Metode analisis data meliputi analisis bias, tren, TSS, dan EPV. Hasil menunjukkan GFDL- ESM4 memiliki kinerja terbaik dengan nilai TSS 0,686 pada SSP1-2.6 dan 0,767 pada SSP5-8.5, sedangkan CMCC-ESM2, CanESM5, CanESM5-1, dan KIOST- ESM terendah dengan TSS < 0,1. Proyeksi jangka panjang data MME menunjukkan adanya tren penurunan konsentrasi klorofil-a sebesar ?0,0002 mg/m3/tahun pada skenario SSP1-2.6 dan ?0,0003 mg/m3/tahun pada SSP5-8.5 selama periode 2015– 2050. Berbeda dengan hasil tren data MME periode 2015-2024 yang menunjukkan peningkatan konsentrasi klorofil-a permukaan laut pada kedua skenario. Hal ini mengindikasikan adanya potensi penurunan konsentrasi klorofil-a di masa depan pada kedua skenario emisi akibat perubahan iklim. Variabilitas klorofil-a akibat upwelling di Perairan Selatan Jawa belum direpresentasikan secara optimal oleh model CMIP6, yang ditunjukkan oleh kecenderungan underestimasi konsentrasi klorofil-a selama musim timur. Kondisi ini berkaitan dengan bias angin timur ekuatorial yang menyebabkan pemompaan ekman tersimulasi lebih kuat di wilayah lepas pantai dan lebih lemah di daerah pesisir.
PENERAPAN RETRIEVAL-AUGEMENTED GENERATION (RAG) UNTUK MENGURANGI HALUSINASI PADA SISTEM TANYA JAWAB SEJARAH INDONESIA
Large Language Model (LLM) memiliki kelemahan berupa halusinasi, yakni kecenderungan menghasilkan informasi yang tidak akurat atau tidak dapat diverifikasi. Pada domain sejarah Indonesia, kelemahan ini diperparah oleh dugaan bahwa sebagian topik sejarah nasional periode 1945–1998 minim representasi pada model bahasa global yang dilatih dominan pada teks berbahasa Inggris. Penelitian ini bertujuan merancang sistem tanya jawab berbasis Retrieval-Augmented Generation (RAG) yang sesuai dengan karakteristik domain sejarah Indonesia untuk mengurangi halusinasi, serta mengukur efektivitasnya dibandingkan LLM tanpa RAG dan mengidentifikasi karakter pertanyaan tempat efektivitasnya paling menonjol. Tiga arsitektur RAG diimplementasikan di atas komponen yang konsisten sebagai analisis pendukung trade off. Tiga arsitektur yang diimplementasikan adalah Naive RAG, Advanced RAG dengan reranking, dan Modular RAG dengan query rewriting, dengan komponen dasar berupa hybrid retrieval (BM25 dan dense embedding), generator Llama 3.1 8B Instruct kuantisasi 4-bit yang dijalankan secara lokal, dan korpus empat buku sejarah Indonesia. Evaluasi dilakukan dalam dua eksperimen berurutan pada 150 pertanyaan yang sama, dengan Eksperimen 2 menambahkan perbaikan struktur chat template baseline untuk menutup celah false refusal yang teridentifikasi pada Eksperimen 1. Metrik acuan utama adalah answer correctness dari framework RAGAS, yang mengukur kebenaran jawaban terhadap ground truth? faithfulness, answer relevancy, context precision, serta EM dan F1 token-overlap diperlakukan sebagai metrik pendukung. Hasil evaluasi menunjukkan efektivitas RAG bersifat kondisional terhadap karakter pertanyaan. Berdasarkan answer correctness, Advanced RAG mengungguli baseline pada pertanyaan faktual (0,386 versus 0,335) dan tokoh/peristiwa (0,550 versus 0,439), sedangkan pada pertanyaan kronologis baseline masih kompetitif akibat efek distractor retrieval. Advanced RAG juga memimpin faithfulness sebagai indikator keterikatan jawaban pada sumber. Advanced RAG direkomendasikan sebagai konfigurasi yang paling sesuai untuk domain sejarah Indonesia, dengan aturan pemakaian per kategori: efektif mengurangi halusinasi pada pertanyaan faktual dan tokoh/peristiwa, sementara pertanyaan kronologis memerlukan penanganan lanjutan.
PENGARUH SCAFFOLDING DAN NUDGING PADA UJI VISUO-SPATIAL PUZZLE “FALLING LEAVES” TERHADAP PERFORMA KOGNITIF PELAJAR RENTANG USIA 19 – 21 TAHUN
Hasil PISA 2022 menempatkan posisi Indonesia di peringkat 69 dari 80 negara dengan skor 1.108 yang menunjukkan kelemahan siswa Indonesia terkait kemampuan pemecahan masalah (problem solving). Hasil ini menjadi tantangan utama bagi siswa untuk bersaing di era global dan mewujudkan visi Indonesia Emas tahun 2045. Penelitian ini bertujuan menganalisis pengaruh (1) scaffolding, yaitu metoda pembelajaran dengan memberikan dukungan terstruktur dan sementara untuk membantu siswa memahami teks kompleks sehingga mampu menyelesaikan tugas secara mandiri, dan (2) Nudging yaitu perubahan kecil pada instruksi yang mendorong siswa dalam pengambilan keputusan yang lebih baik saat menyelesaikan tugas. Penelitian ini diujikan untuk melihat performa kognitif pelajar usia 19 – 21 tahun dalam menyelesaikan tugas visuo-spatial puzzle “falling leaves”. Desain penelitian ini menggunakan tiga kelompok perlakuan, yaitu G1 (baseline/no nudging), G2 (soft nudge), dan G3 (strong nudge); masing-masing terdiri dari 64 partisipan (N = 192) untuk menyelesaikan 10 Soal (S) pada tugas visuo-spatial puzzle “falling leaves”. Soal (S) terbagi menjadi tiga kriteria yakni soal S1 – S5 untuk menjawab urutan daun yang jatuh ke-n, soal S6 – S8 mengurutkan daun jatuh pertama hingga terakhir, dan soal S9 – S10 untuk menjawab urutan daun yang jatuh lebih dari satu. Uji Kolmogorov-Smirnov dilakukan untuk melihat normalitas data, dan jika data tidak terdistribusi normal, maka dilanjutkan dengan (1) uji Kruskal-Wallis untuk melihat perbedaan signifikansi dari tiga kelompok berbeda, (2) uji Two proportion Z-test untuk melihat perbedaan signifikansi dari dua kelompok near transfer, serta (3) uji Epsilon-Squared dan Rank-Biserial untuk melihat besarnya pengaruh antar kelompok. Hasil penelitian menunjukkan bahwa pemberian nudging secara signifikan meningkatkan performa kognitif. Kelompok G3 mencapai rata-rata skor tertinggi (6.91 ± 3.18), diikuti G2 (6.42 ± 3.38) dan G1 (4.5 ± 3.33). Pada soal S9 dan S10, skor nudging pada G2 dan G3 berhasil meningkatkan tingkat keberhasilan secara signifikan. Selain itu, soft dan strong nudge berhasil memfasilitasi near transfer dari S9 ke S10 dengan skor Z-test G2 (4.266457) dan G3 (9.7168). Terlihat bahwa perbedaan usia dan jenis kelamin tidak berbeda nyata terkait dengan performa kognitif. Penelitian ini memperlihatkan bahwa performa pada tugas complex problem solving sangat sensitif terhadap desain tugas dan nudging, bukan karena perbedaan usia dan jenis kelamin. Dapat disimpulkan bahwa strong nudge terbukti paling efektif dalam mengurangi beban kognitif dan meningkatkan kemampuan near transfer. Penelitian ini diharapkan dapat menjadi landasan empiris dalam menyusun kebijakan pendidikan yang mendukung peningkatan kemampuan problem solving pelajar di Indonesia.
ANALISIS KOMPARATIF PENDEKATAN THRESHOLD, MACHINE LEARNING DAN TRANSFER LEARNING UNTUK DETEKSI KEGAGALAN HOTSPOT PADA MODUL SURYA BERBASIS CITRA TERMAL INFRAMERAH
Inspeksi termal inframerah pada modul fotovoltaik masih bergantung pada interpretasi visual yang rentan inkonsistensi dan tidak mampu berskala. Oleh karena itu, penelitian ini merancang dan mengevaluasi sistem deteksi kegagalan hotspot otomatis sekaligus membandingkan tiga pendekatan yang berbeda secara sistematis (threshold sederhana, machine learning berbasis fitur statistic dan transfer learning berbasis piksel penuh menggunakan MobileNetV2) untuk menentukan pendekatan paling optimal dalam ruang trade-off antara akurasi deteksi dan efisiensi komputasi pada sistem monitoring PLTS berskala menengah. Dataset terdiri atas 1.146 citra termal inframerah modul surya dari repositori public dengan rasio ketidakseimbangan kelas 8,1:1 di mana setiap citra dikonversi ke grayscale dan diekstraksi menjadi lima fitur statistic termal. Dua model baseline threshold, dua algoritma ensemble learning (Random Forest dan XGBoost) yang dioptimasi melalui pencarian hyperparameter dengan validasi silang serta MobileNetV2 dengan fine-tuning dua tahap sebagai representasi pendekatan deep learning dievaluasi secara bersamaan terhadap metrik performa klasifikasi dan efisiensi komputasi. Pendekatan threshold tunggal terbukti tidak memadai karena kemampuannya mengenali kondisi normal runtuh hampir sepenuhnya meskipun sensitive terhadap hotspot. Random Forest dan XGBoost mencapai performa klasifikasi sangat tinggi pada seluruh metrik dengan ukuran model di bawah 0,4 MB dan latensi inferensi di bawah 7 milidetik per citra. MobileNetV2 mencapai klasifikasi sempurna pada data uji dan mampu mengenali pola spasial distribusi panas yang tidak tertangkap oleh fitur statistic global namun dengan ukuran model 68 kali lebih besar dan latensi 14 kali lebih lambat dibanding Random Forest. Fitur ?T terbukti sebagai representasi termal paling diskriminatif di antara seluruh fitur yang dievaluasi. Temuan ini menunjukkan bahwa operator dan pengembang sistem monitoring PLTS berskala menengah dapat mengadopsi model ensemble learning berbasis fitur statistic termal sebagai alternative yang akurat sekaligus ringan secara komputasi dibanding deep learning tanpa memerlukan infrastruktur GPU yang mahal.
APLIKASI FUZZY NEURAL NETWORK (FNN) DENGAN RULE ATTENTION PADA MASALAH KLASIFIKASI DATA
Pengukuran ketidakpastian merupakan aspek penting dalam berbagai bidang ilmu pengetahuan dan kehidupan sehari-hari, seperti pengukuran curah hujan dan suhu, penentuan keamanan serta dosis obat, identifikasi genetik, hingga karakterisasi objek astronomi seperti planet dan bintang. Penelitian ini bertujuan mengembangkan model pembelajaran untuk klasifikasi data tabular secara linguistik dengan mengintegrasikan mekanisme atensi pada arsitektur Fuzzy Neural Network (FNN) melalui pendekatan rule attention, serta menganalisis hasilnya melalui visualisasi klasifikasi. Model diuji pada dua skenario ukuran data, yaitu data sederhana dan data berskala besar, untuk mengevaluasi kinerja dan stabilitas model pada kondisi yang berbeda. Proses pemodelan meliputi pengaturan hyperparameter, penerapan teknik resampling, serta pemanfaatan fitur diskrit, disertai analisis fitur untuk mengidentifikasi faktor yang paling berpengaruh terhadap performa model. Selain itu, dilakukan perbandingan antara FNN dan metode K-Nearest Neighbours melalui plot hasil klasifikasi dan evaluasi metrik kinerja. Hasil penelitian menunjukkan bahwa FNN dengan mekanisme rule attention mampu melakukan klasifikasi linguistik secara efektif dengan pemisahan kelas yang lebih jelas dan stabil dibandingkan KNN, serta memberikan interpretabilitas yang lebih baik melalui representasi berbasis aturan dan analisis fitur dibandingkan dengan pembelajaran mesin.
PENGEMBANGAN SISTEM DETEKSI KANTUK PADA PEMBELAJARAN DARING MENGGUNAKAN MEDIAPIPE FACE MESH DENGAN TEMPORAL SMOOTHING
Transisi ke pembelajaran daring sinkronus menimbulkan tantangan bagi pengajar dalam memantau keterlibatan siswa secara real-time, terutama ketika penurunan atensi sulit diamati melalui layar video. Deteksi kantuk dapat digunakan sebagai proksi dari penurunan keterlibatan perilaku siswa, tetapi penerapan sistem deteksi berbasis computer vision pada lingkungan pembelajaran daring perlu mempertimbangkan keterbatasan perangkat klien dan bandwidth jaringan. Penelitian ini merancang sistem deteksi kantuk berbasis web menggunakan MediaPipe Face Mesh, komputasi geometris Eye Aspect Ratio (EAR) dan Mouth Aspect Ratio (MAR), serta Temporal Smoothing berbasis Exponential Moving Average (EMA). Sistem menerapkan arsitektur Server-Side Inference dengan pengambilan sampel 1 Frame Per Second (FPS) untuk mengurangi beban pemrosesan pada perangkat klien. Untuk menjaga keandalan masukan dan privasi siswa, sistem dilengkapi pra-pemrosesan citra sisi-klien (koreksi kecerahan otomatis dan penyaringan blur berbasis Variance of Laplacian), pencatatan bukti peringatan berbasis teks alih-alih citra, serta verifikasi manual opsional oleh guru (human-in-the-loop). Berdasarkan evaluasi menggunakan dataset YawDD, konfigurasi EMA 0,9 menghasilkan kinerja dengan akurasi 96,88% dan False Positive 2,19%. Dari sisi performa sistem, latensi pemrosesan internal tercatat sebesar 240 ms dan sistem mampu beroperasi stabil hingga 50 pengguna konkuren pada lingkungan evaluasi. Pengujian System Usability Scale (SUS) menghasilkan skor 76,75 yang termasuk kategori Acceptable. Hasil tersebut menunjukkan bahwa sistem berpotensi mendukung pemantauan indikasi penurunan keterlibatan perilaku siswa dalam pembelajaran daring.
PREDIKSI UTILISASI PERANGKAT OPTICAL LINE TERMINAL MENGGUNAKAN ALGORITMA LONG SHORT-TERM MEMORY UNTUK MENDUKUNG KEPUTUSAN PENINGKATAN PERANGKAT
Pengguna internet di Indonesia mengalami peningkatan pengguna seiring berjalannya waktu. Peningkatan pengguna cukup signifikan pernah terjadi pada saat pandemi COVID-19 dan terus mengalami peningkatan setelahnya. Peningkatan pengguna ini pun berpengaruh terhadap ketersedian kapasitas jaringan yang ditawarkan oleh perusahaan telekomunikasi. Sehingga perusahaan dituntut untuk selalu bersedia memberikan investasi terhadap perangkat telekomunikasi agar tetap memenuhi kebutuhan pengguna. Namun ada kalanya perusahaan masih menerapkan proses perhitungan modal/capital expenditure yang kurang efektif dengan metode perhitungan manual pada data yang sangat banyak. Pada tugas akhir ini, dilakukan perencanaan sebuah aplikasi berbasis web yang membantu proses perhitungan modal perangkat optical line terminal (OLT) pada jaringan telekomunikasi. Produk ini memiliki fitur prediksi utilisasi perangkat OLT menggunakan program bantu machine learning neural network serta proses otomasi pengolahan data dan perhitungan modal yang bertujuan untuk mempermudah proses perhitungan modal dan memberikan gambaran tren utilisasi perangkat OLT. Penggunaan machine learning dilakukan pada masing-masing port perangkat OLT untuk memahami tingkah laku tren utilisasi port tersebut, sehingga mampu memberikan prediksi tren utilisasi untuk satu tahun ke depan. Model machine learning yang digunakan pada tugas akhir ini adalah Long Short-Term Memory (LSTM). Model LSTM digunakan karena performanya yang baik untuk pengolahan data yang memiliki fokus terhadap waktu, sehingga nantinya hasil kedua model ini akan dibandingkan untuk memberikan gambaran umum kepada pengguna. Proyek ini memiliki beberapa tahap seperti pra-proses data, pelatihan model, prediksi tren utilisasi masing-masing port perangkat OLT, serta menampilkan seluruh hasil pada aplikasi web. Pada tahap pra-proses data, data mentah terlebih dahulu dibersihkan karena adanya kemungkinan duplikasi data, data tak wajar, dan masalah lainnya sehingga sebagian data diganti nilai-nya dengan menyesuaikan aturan yang diberikan, sebagian data dihapus, dan ada juga penambahan data untuk menyesuaikan kebutuhan data, setelahnya data dinormalisasi agar sesuai dengan kebutuhan masukan model LSTM. Pada tahap pelatihan model serta prediksi tren, data yang sudah diolah dijadikan sebagai masukan dan keluaran masing-masing model, sehingga model dapat memahami pola tren utilisasi dan mampu memberikan prediksi yang baik. Pengukuran performa model akan dievaluasi dari nilai metrik R2 (Determinasi Koefisien) serta grafik perbanding antara training loss dan validation loss. Setelahnya, keseluruhan hasil dan informasi dari proses sebelumnya akan ditampilkan pada aplikasi web agar pengguna dapat memahami setiap proses yang telah dilakukan beserta dapat melihat hasil akhir perhitungan modal. Harapannya keseluruhan tahap ini dapat diproses secara otomasi oleh aplikasi sehingga pengguna tidak perlu lagi mengatur keseluruhan proses masing-masing secara manual. Hasil dari proyek ini menunjukkan bahwa keseluruhan proses dapat membantu proses perhitungan modal, dimana keseluruhan proses dilakukan secara otomasi yang dapat dipantau pengguna hanya pada satu aplikasi web. Prediksi tren utilisasi yang diberikan oleh LSTM pun dapat membantu perusahaan dalam memahami port dan perangkat OLT mana yang perlu penambahan perangkat. Walaupun demikian, model LSTM masih memberikan pola prediksi yang cukup kurang merepresentasikan pola tren utilisasi aktual pada sebagian port OLT, hal ini dikarenakan kurangnya data aktual sehingga kedua model masih belum berhasil menangkap pola tren utilisasi perangkat tersebut. Sebagai kesimpulan, proyek ini menunjukkan potensi dari aplikasi web ini dalam mempermudah perhitungan modal oleh perusahaan dengan proses otomasinya dan kemampuan model LSTM dalam memprediksi tren utilisasi perangkat OLT. Walaupun hasil prediksi masih belum merepresentasikan tren utilisasi aktual dari sebagian perangkat OLT pada saat pembuatan proyek ini, harapannya dengan adanya proses otomasi, model tersebut akan terus belajar dan memberikan hasil yang lebih baik lagi.
CORRELATION BETWEEN AUDIENCE DEMOGRAPHY WITH TV WATCHING HABIT IN BANDUNG AND JAKARTA
Televisi yang merupakan salah satu media hiburan paling popular di rumah menyediakan informas?, termasuk iklan, yang luas dari waktu ke waktu. Tingkat penggunaan televisi sebagai media iklan oleh banyak perusahaan karena televisi dapat mengkombinasikan gambar, suara, gerakan, jangkauan, dan prestise iklan Oleh karena itu, banyak perusahaan banyak mengeluarkan anggaran untuk memasang iklan pada televise Bahkan, beberapa penelitian mengatakan bahwa belanja iklan di Indonesia telah meningkat dari tahun ke tahun. Permasalahan iklan di televisi menjadi hal penting karena daya jangkau yang luas dan biaya yang besar Biaya mahal ini menjadikan perusahaan harus bijaksana dan berhati-hati dalam mengalokasikan budget agar lebih effisien. Pada kenyataannya, iklan di televisi dapat terbuang sia-sia tanpa memberikan hasil yang memuaskan kepada perusahaan. Untuk mengatasi masalah ini, perusahaan harus lebih mengerti mengenai kebiasaan pemirsa dalam menonton televisi sebelum memasang iklan pada televisi. Tugas akhir ini mengidentifikasi perilaku penonton dalam melihat televisi dengan memetakan berdasarkan demografinya, yaitu berdasarkan profesi, jenis kelamin, dan usia. Perilaku diteliti mencakup frekuensi dan durasi menonoton, stasiun TV favorit, program acara favorit, dan perilaku terhadap iklan yang muncul di televisi. Batasan penelitian ini hanya mengidentifikasi 10 stasiun TV yang ada di Indonesia. Penelitian telah dilakukan pada tahun 2008 dengan menyebarkan kuesioner pada penonton TV di kota Jakarta dan Bandung. Hasil penelitian mengatakan bahwa tidak ada hubungan korelasi yang lemah antara demografi (jenis kelamin, umur, dan profesi) terhadap kebiasaan menonton TV (frekuensi, kerja ganda, dan menghindari iklan TV) Level konsentrasi yang terjadi pada periklanan TV Indonesia dapat dibandingkan dengan hasil di USA. Temuan lain yaitu Trans TV, SCTV, RCTI, Indosiar, dan Metro TV merupakan channel TV yang paling disukai temaja dan orang dewasa sedangkan Global TV disukai anak-anak Program TV yang paling di sukai adalah hiburan informasi dan berita. Berita memiliki level ekspos lebih tinggi dibandingkan serial TV Hampir semua target pasar channel-channel TV tidak sesuai dengan kenyataan. Hanya Metro TV yang mampu menarik target penontonnya Kata Kuner: Periklanan TV, Demografi, Konsentrasi, Frekuensi, Program TV
PERANCANGAN SISTEM PENDUKUNG KEPUTUSAN UNTUK PEMBERIAN INSENTIF BERBASIS KONTRIBUSI INDIVIDU DI PERUSAHAAN JASA KONSULTANSI PT X
PT X sebagai perusahaan jasa konsultansi menghadapi tantangan dalam pemberian insentif yang konsisten, objektif, dan dapat dipertanggungjawabkan, karena saat ini kontribusi individu belum tercatat serta terolah secara kuantitatif melalui mekanisme yang terintegrasi. Kondisi tersebut menimbulkan kesulitan evaluasi kinerja konsultan berbasis data aktual proyek, sehingga keputusan insentif masih dipengaruhi subjektivitas dan tidak dapat dilacak. Penelitian ini bertujuan merancang Sistem Pendukung Keputusan (SPK) untuk pemberian insentif berbasis kontribusi individu dengan memanfaatkan data timesheet sebagai sumber bukti aktivitas. Penelitian dilakukan melalui studi pendahuluan dan pemetaan kebutuhan, kemudian mengumpulkan serta mengevaluasi beberapa model insentif dari literatur dan menyeleksinya bersama problem owner untuk memperoleh model yang paling sesuai dengan konteks PT X. Setelah model terpilih, rancangan sistem disusun melalui perancangan struktur timesheet, logika perhitungan insentif yang menggabungkan aspek kontribusi kuantitatif dan kualitatif, serta perancangan antarmuka pengguna dalam bentuk prototipe. Prototipe kemudian diuji melalui simulasi perhitungan serta kegiatan verifikasi dan validasi untuk memastikan kesesuaian aturan, konsistensi alur input–proses–output, dan relevansi keluaran rekomendasi bagi pengambilan keputusan manajerial. Hasil penelitian diharapkan menjadi dasar pengembangan sistem insentif yang lebih adil, transparan, dan berbasis kontribusi aktual dalam lingkungan kerja proyek di PT X.
USULAN PERBAIKAN MANAJEMEN PERENCANAAN BAHAN BAKAR DIESEL DAN JET FUEL DI PT PERTAMINA MENGGUNAKAN SIX SIGMA DMAIC
PT Pertamina (Persero) menghadapi tantangan dalam menyeimbangkan pasokan dan permintaan bahan bakar diesel dan jet, yang mengakibatkan peningkatan biaya logistik, ketersediaan bahan bakar untuk memenuhi permintaan publik, ketidakpuasan publik, dan tantangan dalam mencapai kemandirian energi dan mengurangi defisit neraca perdagangan. Studi ini bertujuan untuk mengidentifikasi akar penyebab masalah ketidaksesuaian antara perkiraan permintaan dan perencanaan produksi bahan bakar diesel dan jet di Pertamina strategi untuk mengatasinya. Studi ini menggabungkan metode kuantitatif dan kualitatif, menggunakan data primer dan sekunder, dalam kerangka Six Sigma DMAIC. Secara keseluruhan, berdasarkan hasil analisis, perencanaan permintaan dan produksi masih suboptimal terlihat dari nilai MAPE perencanaan permintaan diesel 5,89% dan 11,26% untuk bahan bakar jet, keduanya di atas batas SLA 5%. Akar penyebab kondisi ini adalah mekanisme yang suboptimal untuk memprediksi permintaan secara akurat. Perencanaan produksi kilang juga suboptimal, dengan MAPE sebesar 2,88% untuk perencanaan produksi diesel dan 8,27% untuk bahan bakar jet. Diesel berada dalam kisaran yang diizinkan, tetapi bahan bakar jet berada di atas batas SLA 5%. Akar penyebab kondisi ini adalah prediksi permintaan yang tidak akurat, jadwal perbaikan yang tidak sesuai dengan kondisi permintaan, dan waktu henti operasional yang tidak terjadwal. Metode hibrida disimulasikan untuk meningkatkan akurasi perencanaan permintaan. Hasil simulasi menunjukkan bahwa untuk bahan bakar diesel, model hibrida ARIMA–XGBoost menghasilkan MAPE sebesar 4,21%, dan untuk bahan bakar jet, model SARIMA–LSTM menghasilkan MAPE sebesar 4,00%, keduanya berada dalam batas SLA yang ditentukan. Selain itu, strategi solusi yang diusulkan mencakup penyesuaian proses bisnis dan target kinerja, penyesuaian jadwal perbaikan berdasarkan permintaan musiman, dan pemeliharaan preventif digital, yang didukung oleh grafik kontrol, dasbor pemantauan, audit, dan standardisasi. Solusi ini diharapkan dapat diimplementasikan sebagai inisiatif strategis untuk mengatasi masalah yang muncul.
PENGEMBANGAN PERANGKUMAN PERTEMUAN OTOMATIS DENGAN PENDEKATAN ABSTRAKTIF MENGGUNAKAN SISTEM CASCADING
Dalam era komunikasi digital, kebutuhan akan efisiensi dalam pengelolaan informasi rapat semakin mendesak. Karyawan dalam proyek global rata-rata menghabiskan lebih dari 16 jam per minggu dalam rapat, sehingga rekaman dan transkrip menjadi sumber penting bagi pengambilan keputusan. Namun, analisis manual terhadap transkrip rapat sering kali tidak efisien. Penelitian ini mengusulkan pendekatan cascading system yang mengintegrasikan Automatic Speech Recognition (ASR) Whisper dengan Large Language Model (LLM) Deepseek untuk menghasilkan ringkasan abstraktif. Proses ini diperkuat dengan Voice Activity Detection (VAD) serta fine-tuning Sentence Transformer (MiniLM). Metodologi penelitian meliputi persiapan data, pembangunan sistem, dan evaluasi. Dataset yang digunakan berasal dari MeetingBank dan AMI Corpus dengan sebagai data uji pertemuan. Evaluasi dilakukan menggunakan metrik Word Error Rate (WER) untuk transkripsi dan ROUGE Score untuk ringkasan. Hasil eksperimen menunjukkan bahwa penerapan VAD mampu menurunkan WER dari 11,75% menjadi 6,07%. Fine-tuning MiniLM meningkatkan F1-score dari 0,72 menjadi 0,84 dengan akurasi 0,87. Pada tahap peringkasan, kombinasi VAD + MiniLM (fine-tuned) + Deepseek few-shot prompting menghasilkan skor ROUGE-1 sebesar 0,71, ROUGE-2 sebesar 0,53, dan ROUGE-L sebesar 0,57, mendekati ringkasan manual (0,65/0,49/0,55). Dengan demikian, sistem cascading terbukti meningkatkan akurasi transkripsi sekaligus kualitas ringkasan abstraktif.
PENGEMBANGAN SISTEM PENGUKURAN KAPASITIF BERBASIS OKSIDA GRAFENA (GO) UNTUK DETEKSI PB2+
Pencemaran air oleh logam berat seperti ion timbal (Pb²?) merupakan ancaman serius bagi kesehatan manusia dan lingkungan, terutama di kawasan industri dan perkotaan yang memiliki aktivitas manufaktur dan limbah berbahaya. Meski batas ambang konsentrasi Pb²? telah ditetapkan oleh WHO dan pemerintah Indonesia, beberapa wilayah masih menunjukkan kadar yang melampaui ambang batas tersebut. Hal ini memicu kekhawatiran akan dampaknya terhadap kualitas air minum, irigasi, dan kehidupan akuatik. Oleh karena itu, dibutuhkan sistem deteksi Pb²? yang tidak hanya sensitif dan selektif, tetapi juga efisien secara biaya, mudah digunakan, serta memungkinkan pengukuran di lokasi secara langsung tanpa memerlukan laboratorium khusus. Penelitian ini mengembangkan sensor kapasitif berbasis perubahan fase yang diimobilisasi dengan oksida grafena (graphene oxide, GO) untuk mendeteksi Pb²? dalam air dengan sensitivitas tinggi dan potensi aplikatif di lapangan. Penelitian dilakukan dalam dua tahap. Tahap pertama berfungsi sebagai tahap persiapan yang berfokus pada perancangan dan pengujian awal sistem sensor kapasitif, dan selanjutnya diujicobakan untuk mendeteksi kadar air dalam biodiesel sebagai model awal untuk menguji sensitivitas sistem terhadap variasi kapasitansi. Sensor menggunakan elektroda semi-silindris tanpa lapisan fungsional, yang dipasang secara non-intrusif pada dinding luar pipa aliran. Tahap ini melibatkan perancangan rangkaian elektronik pengkondisi sinyal, yang terdiri dari konversi kapasitansi ke pergeseran fase, konversi sinyal sinusoidal ke sinyal persegi, dan operasi logika gerbang XOR untuk menghasilkan sinyal pulsa berdurasi spesifik. Sensor diuji dalam mendeteksi kadar air pada biodiesel, menunjukkan hubungan linier antara konsentrasi air (1%–10%) dan output sensor, dengan sensitivitas yang bergantung pada frekuensi dan konfigurasi penguatan sinyal input. Simulasi berbasis fungsi transfer dan bode plot mengkonfirmasi kemampuan deteksi perubahan kapasitansi kecil dalam sistem tersebut. Hasil eksperimen menunjukkan bahwa kondisi optimal terjadi ketika nilai penguatan salah satu sinyal input setengah dari yang lainnya, yang kemudian dikonfirmasi oleh hasil pengukuran aktual. Tahap ini menjadi dasar penting untuk memahami pengaruh variasi kapasitansi terhadap pergeseran fase sebelum diterapkannya material fungsional dalam sistem deteksi spesifik dan selektif. Tahap kedua berfokus pada pengembangan sensor kapasitif untuk deteksi Pb²? dalam air dengan menggunakan elektroda interdigital (Interdigitated Electrode, IDE) yang dilapisi GO sebagai material aktif. Selain itu, dilakukan peningkatan kualitas sistem akuisisi data dan pengolahan sinyal dengan memanfaatkan perangkat Digilent Analog Discovery untuk mereduksi noise dan meningkatkan kestabilan output sensor. GO dipilih sebagai lapisan aktif karena memiliki luas permukaan besar, gugus fungsional reaktif (seperti hidroksil, epoksi, dan karboksil), serta kemampuan selektif terhadap Pb²? yang tinggi. Interaksi Pb²? dengan permukaan GO menyebabkan perubahan distribusi muatan dan nilai kapasitansi antara jari-jari elektroda IDE, yang kemudian diterjemahkan ke dalam bentuk pergeseran fase sinyal melalui sistem elektronik yang telah dirancang. Seluruh proses pengukuran dan visualisasi data dilakukan melalui perangkat lunak berbasis Python yang terintegrasi dengan antarmuka pengguna. Untuk memastikan keberhasilan proses imobilisasi GO, dilakukan analisis karakterisasi melalui metode SEM untuk mengamati morfologi permukaan, FTIR untuk mengidentifikasi gugus fungsi aktif, serta XRD untuk mengonfirmasi struktur kristalin GO yang terbentuk. Hasil pengujian menunjukkan bahwa sensor IDE-GO merespons secara linier terhadap peningkatan konsentrasi Pb²? dalam larutan uji, dengan sensitivitas sebesar 0,0556 °/ppm, waktu respons yang cepat, dan batas deteksi (LOD) mencapai 1,7 ppm. Korelasi linear yang kuat (R² > 0,946) ditunjukkan pada rentang konsentrasi 10–400 ppm, menandakan konsistensi dan reprodusibilitas performa sensor. Teknologi ini tidak hanya setara dengan metode konvensional seperti AAS dan ICP-MS dari segi sensitivitas, tetapi juga menawarkan sistem yang lebih sederhana, ringkas, portabel, serta tidak memerlukan kalibrasi kompleks maupun operator terlatih. Sistem sensor yang dikembangkan menunjukkan potensi besar sebagai perangkat presisi tinggi untuk deteksi ion logam berat seperti Pb²? dalam aplikasi monitoring kualitas air secara real-time dan jangka panjang.
A HISTORICAL DATA-DRIVEN APPROACH FOR PRELIMINARY WORKOVER ASSESSMENT IN MATURE OIL FIELDS USING AN INTEGRATED LSTM-BASED MODEL AND SUPERVISED CLASSIFICATION
X Field is a mature oil field that has been producing since 1972 and now requires extensive workover activities to maintain and improve production efficiency. Although a significant volume of hydrocarbons remains unrecovered, declining well performance makes it increasingly important to identify workover candidates in a timely and systematic manner. This study proposes a data-driven framework to support workover planning using limited historical production data. The proposed framework integrates production forecasting and supervised classification into a single workflow. Long Short-Term Memory (LSTM) models are employed to forecast future oil and water production. The forecasted outputs are then used as inputs for a supervised classification model to determine the required workover type. The study focuses on five representative wells (XX003, XX004, XX015, XX016, and XX017) which are selected based on data quality, data quantity, and monthly average production. Meanwhile, there are four types of workover job incorporated, including re-perforation, revised packer, water shut off, and open new zone which will divided into Water shut off (WSO) and Perforation job. These jobs are selected based on the effectiveness to increase oil production rate and its operational frequency. This paper is divided into three main parts. First, the data is prepared by cleaning and selecting the most relevant features. Second, an LSTM-based model is developed to predict future oil and water production. Finally, a classification model is built and combined with the forecasting model to support decision making. Data involved encompassing monthly production data, workover history, and reservoir properties which proceed to create a unified and standardized data set for further analysis. In addition, the feature selection results indicate that future oil production is predicted using the most recent oil rate from well tests together with porosity, while water production is predicted to be using only the latest water rate from well tests. For the classification task, the model uses the predicted oil and water rates, as well as the most recent oil and water gradients to classify the data into “WSO”, “Perforation” and “NO” labels. The forecasting models are evaluated using MAPE, MAE, and RMSE metrics. A detailed error analysis is also conducted to distinguish error patterns between high and low target values. The results show that the forecasting model provides reliable predictions for up to three months ahead. For wells with high production rates, the average prediction error ranges from 0.1% to 9% for oil and 0.1% to 7% for water. For moderate to low-rate wells, the deviations are approximately 20 STBD for oil and between 138 and 300 STBD for water. The classification model was developed using a wrapper approach, in which multiple algorithms were evaluated. Based on the performance metrics—accuracy, precision, recall, and F-score. The Extra Trees Classifier achieved the best results, with an overall accuracy of up to 80.3%. on both the training and validation datasets. It successfully predicts the required workover type for wells XX003, XX004, XX015, and XX016, while it shows limitations in identifying water shut-off requirements for well XX017 when using forecasted inputs because the data availability to train “WSO” class is much lower than the other class. This means with larger number of sample and training data, it can robust the model’s performance. Overall, the proposed framework demonstrates strong potential as a practical and efficient decision-support tool for optimizing workover planning in mature oil fields, while reducing human intervention and maintaining consistent decision quality.
KOREKSI DATA SUHU DAN PH LAUT MARINE COPERNICUS UNTUK PERAIRAN CIREBON
Perairan Cirebon di utara Pulau Jawa merupakan perairan dangkal yang dipengaruhi banyak muara sungai dan aktivitas manusia. Kondisi ini menyebabkan dinamika oseanografi yang kuat, terutama pada parameter suhu dan pH yang berperan penting dalam kualitas perairan. Pengukuran in situ memberikan data yang akurat, namun memerlukan biaya tinggi, sehingga data reanalisis CMEMS banyak digunakan sebagai alternatif. Namun, karena berskala global, data tersebut berpotensi tidak sepenuhnya merepresentasikan kondisi lokal pesisir sehingga perlu dievaluasi dan dikoreksi. Penelitian ini bertujuan menganalisis distribusi vertikal suhu dan pH di perairan Cirebon, mengevaluasi kesesuaian data CMEMS terhadap data in situ, serta menyusun model koreksi. Pengamatan in situ dilakukan pada lima stasiun dari dekat pantai hingga lepas pantai dan diperoleh menggunakan sensor MIDAS CTD+ Valeport, sedangkan data pembanding berasal dari produk CMEMS. Analisis dilakukan menggunakan distribusi vertikal, korelasi Pearson, serta pemodelan regresi dengan evaluasi kinerja berdasarkan nilai korelasi dan RMSE. Hasil penelitian menunjukkan bahwa distribusi vertikal suhu perairan Cirebon menunjukkan nilai minimum pada musim barat–timur (28,22–28,41°C) dan maksimum pada musim peralihan I–II (31,46–31,47°C), dengan kisaran pH 7,16–8,43. Data suhu CMEMS memiliki kesesuaian tinggi terhadap data in situ (R = 0,917), sedangkan data pH menunjukkan kesesuaian rendah (R = ?0,2089). Model koreksi terbaik untuk suhu diperoleh dari regresi polinomial orde dua dengan R = 0,921. Untuk pH, meskipun polinomial orde tiga memberikan R tertinggi (R = 0,222) dan regresi linier lebih praktis (R = 0,212), belum diperoleh model koreksi yang memadai.