📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 192 dokumenUSULAN METODE IDENTIFIKASI FURNITUR KAYU BERBASIS KARAKTERISTIK PRODUK PADA PROSES PENYUSUNAN SHOP DRAWING DI PT X
PT X merupakan perusahaan yang bergerak di industri manufaktur produk furnitur yang menerapkan strategi Make-to-Order. Proses produksi pada perusahaan ini dimulai ketika konsumen melakukan pemesanan. Setelah pesanan diterima oleh perusahaan, pesanan tersebut ditranslasikan menjadi sebuah dokumen shop drawing yang menyimpan desain produk pesanan tersebut sebagai informasi yang akan diteruskan ke area produksi. Proses perancangan shop drawing yang dilakukan saat ini dinilai tidak efisien karena membutuhkan waktu yang lama, sekitar empat hari untuk setiap proyek, sehingga dapat berdampak pada proses perencanaan dan penjadwalan produksi. Penelitian ini mengusulkan metode identifikasi produk dengan pendekatan kesamaan karakteristik antar produk untuk membantu proses perancangan shop drawing. Tahapan penelitian dimulai dengan pengembangan struktur kodifikasi produk, penyusunan pertanyaan yang digunakan untuk pengumpulan informasi, pemberian digit angka pada setiap informasi, dan perhitungan tingkat similaritas antar produk berbasis kodifikasi yang telah dikembangkan. Setelah dilakukan perbandingan tingkat similaritas antar produk, akan dilakukan perancangan antarmuka yang meliputi antarmuka generasi kode dan pencarian produk serupa. Hasil yang diperoleh melalui penelitian ini, yaitu rancangan metode identifikasi produk yang dapat digunakan untuk membandingkan kemiripan karakteristik dan menggunakan desain produk historis untuk memudahkan perancangan shop drawing. Melalui metode tersebut, proses perancangan shop drawing sebagai awal proses produksi dapat berjalan dengan lebih sistematis melalui pemanfaatan produk historis yang serupa. Implementasi metode diharapkan dapat meningkatkan efisiensi operasional, mengurangi beban kerja drafter, dan mempercepat proses perencanaan produksi dibandingkan dengan proses perancangan shop drawing secara manual.
KAJIAN PERAN KONSULTAN MANAJEMEN KONSTRUKSI KELAS MENENGAH DI KOTA BANDUNG DALAM PENGAWASAN PENERAPAN SISTEM MANAJEMEN KESELAMATAN KONSTRUKSI
Penerapan Sistem Manajemen Keselamatan Konstruksi (SMKK) merupakan salah satu bentuk komitmen untuk mewujudkan keselamatan kerja di proyek konstruksi sebagaimana diatur dalam Permen PUPR No. 10 Tahun 2021. Konsultan Manajemen Konstruksi (MK) berperan penting sebagai pengawas eksternal yang memastikan pelaksanaan SMKK dilakukan secara konsisten oleh penyedia jasa. Namun, dalam praktiknya, pengawasan oleh konsultan MK kelas menengah di Kota Bandung masih menghadapi berbagai kendala dan dinilai belum optimal. Penelitian ini bertujuan untuk mengevaluasi tingkat pengawasan penerapan SMKK, mengidentifikasi kendala yang dihadapi, serta merumuskan strategi penguatan pengawasan oleh konsultan MK kelas menengah di Kota Bandung. Penelitian dilakukan dengan pendekatan kuantitatif dan kualitatif, melalui penyebaran kuesioner dan wawancara terhadap konsultan MK dan pengguna jasa. Evaluasi dilakukan berdasarkan lima elemen utama SMKK, yaitu kebijakan, perencanaan, dukungan, pelaksanaan, dan evaluasi, serta ditambah penilaian terhadap tugas konsultan MK berdasarkan Permen PUPR No. 10 Tahun 2021. Hasil penelitian menunjukkan bahwa rata-rata tingkat pengawasan penerapan SMKK oleh konsultan MK sebesar 81,2%, sedangkan menurut pengguna jasa hanya sebesar 55,2%. Kesenjangan ini menunjukkan adanya perbedaan persepsi terhadap efektivitas pengawasan SMKK. Kendala utama yang dihadapi meliputi rendahnya kesadaran tenaga kerja, lemahnya koordinasi antar pihak, keterbatasan tenaga ahli K3, serta ketidaktegasan dalam penindakan pelanggaran. Strategi yang direkomendasikan meliputi penguatan kompetensi SDM, pengawasan proaktif, digitalisasi dokumentasi, serta peningkatan peran aktif pengguna jasa dalam mendorong budaya keselamatan. Penelitian ini menyimpulkan bahwa pengawasan SMKK oleh konsultan MK kelas menengah masih perlu diperkuat secara menyeluruh baik dari sisi teknis, manajerial, maupun kebijakan, agar dapat menciptakan sistem keselamatan kerja yang berkelanjutan di proyek konstruksi.
PERANCANGAN SISTEM BUSINESS INTELLIGENCE UNTUK DIVISI SALES DI PT ABBS DENGAN METODE PROTOTYPING
PT Agung Baru Bangunan Sejahtera (PT ABBS) adalah salah satu perusahaan distributor material bangunan terbesar di Provinsi Jambi. Sebagai distributor, aktivitas penjualan menjadi inti utama operasional perusahaan, mengingat target yang harus terus dicapai dari supplier. Dengan lebih dari 40 brand produk yang didistribusikan, masing-masing dengan variasinya, melayani hingga 1000 toko bangunan, serta cakupan pasar yang meliputi seluruh kabupaten/kota di Provinsi Jambi, kebutuhan untuk memanfaatkan data guna mendukung strategi penjualan menjadi sangat penting. Oleh karena itu, diperlukan sistem business intelligence yang komprehensif bagi divisi sales agar sales manager dapat mengelola dan menganalisis data, serta mengambil keputusan strategis dengan cepat dan akurat. Metode yang digunakan dalam penelitian ini adalah metode prototyping, yang dipilih karena dapat menunjang eksplorasi kebutuhan awal prototype dan fleksibilitas yang tinggi dalam menyesuaikan prototype dengan kebutuhan pengguna. Metode ini memungkinkan perancangan sistem business intelligence yang lebih terstruktur dan efektif. Sistem business intelligence yang dirancang berupa empat komponen utama, yaitu data warehouse, business analytics, performance and strategy, dan user interface agar dapat memasitkan end-to-end alur kerja dari divisi sales dapat dijalankan dengan lebih efektif. Penelitian ini menghasilkan dua output utama, yaitu flow pada Microsoft Power Automate dan sales dashboard pada Microsoft Power BI untuk mendukung proses monitoring dan analisis data sales PT ABBS. Selain itu, dilakukan juga perbaikan proses bisnis dalam pengumpulan data (data collection) untuk memastikan kebutuhan informasi yang akan ditampilkan pada dashboard dapat terpenuhi dengan efisien, cepat, dan akurat. Penelitian ini menghasilkan dua output utama, yaitu flow Power Automate sebagai perbaikan proses bisnis data collection dan prototipe dashboard untuk mendukung divisi sales PT ABBS.
PENINGKATAN KUALITAS KEBIJAKAN INVENTORI FINISHED GOODS SEPATU KULIT TERPILIH DI PT X UNTUK MEMINIMASI TOTAL ONGKOS INVENTORI
Tugas akhir ini adalah hasil penelitian mengenai peningkatan kualitas forecasting sales demand dan sistem pengendalian inventori finished goods untuk meningkatkan efisiensi total ongkos inventori dan kebutuhan luas gudang bagi produk sepatu kulit di PT X. Adapun latar belakang penelitian ini, peneliti menemukan permasalahan utama berupa rendahnya kualitas metode forecasting sales demand yang diterapkan selama ini sehingga mengakibatkan ketidakseimbangnya ketersediaan finished good terhadap safety stock dan lemahnya pertimbangan terhadap total ongkos inventori serta perkiraan kebutuhan luas gudang yang telah terjadi selama ini. Untuk menganalisis permasalahan di atas, peneliti mengukur estimasi produksi dan sales demand dalam periode tertentu menggunakan metode triple exponential smoothing sebagai metode terpilih, mengukur sistem pengendalian inventori menggunakan model Economic Manufacturing Quantity (EMQ), dan mengukur alternatif penghematan kebutuhan luas area penempatan produk terpilih menggunakan model Dedicated Storage Policy. Hasil penelitian memperlihatkan sejumlah alternatif usulan teknis berupa pertama, penerapan metode triple exponential smoothing menghasilkan nilai MAPE terkecil untuk produk sepatu terpilih dengan nilai MAPE sebesar 6,87% untuk Original Derby Boots, 11,22% untuk Original Loafers Boots, 12,04% untuk Pebble Suede, 12,30% untuk Original Loafers Moc Tasseled Boots, dan 16,91% untuk Derby RL Series dan menunjukkan bahwa annual seasonal memiliki pengaruh kuat pada penjualan produk separu kulit di PT X. Kedua, penerapan model Economic Manufacturing Quantity (EMQ) estimasi efisiensi pada total ongkos inventori sebesar 26,53%. Ketiga, penerapan model dedicated storage policy dapat menghemat penggunaan luas gudang sebesar 53% dari kondisi aktual. Penghematan ini dapat memberikan ruang penyimpanan bagi jenis produk alas kaki baru lainnya. Hasil penelitian ini merekomendasikan perlunya tinjauan terhadap biaya reorganisasi fisik gudang melalui pemanfaatan ilmu ekonomi teknik dalam bentuk aplikasi teknis terpasang, dan pelaksanaan sejumlah training khusus dalam pemanfaatan spreadsheet yang telah dirancang peneliti sebagai added value dari penelitian ini bagi PT X di masa mendatang.
PENGEMBANGAN QUESTION-ANSWERING SYSTEM BERBASIS RETRIEVAL-AUGMENTED GENERATION PADA DOKUMEN PUTUSAN PENGADILAN DI INDONESIA
Penulis mengkaji permasalahan sulitnya memperoleh informasi dari dokumen hukum yang begitu banyak secara cepat dan akurat—terdapat lebih dari sembilan juta dokumen putusan Mahkamah Agung Republik Indonesia. Sejalan dengan rumusan masalah yang telah ditetapkan, Penulis (1) merancang bagaimana membangun sistem question-answering berbasis Retrieval-Augmented Generation (RAG) untuk menganalisis putusan pengadilan, dan (2) menilai kinerja berbagai model Large Language Model (LLM) dalam kerangka tersebut. Metodologi CRISP-DM diterapkan; dimulai dari tahapan business dan data understanding guna memahami kebutuhan serta karakteristik data. Pada tahap data preparation, teks putusan di-chunk dan dipetakan ke dalam representasi vektor, lalu disimpan di vector database. Tahap modelling menyusun empat komponen utama—embeddings model, vector database, retriever, dan LLM agent—yang diintegrasikan untuk menghasilkan jawaban kontekstual dari dataset yang begitu besar tanpa menggunakan resources yang banyak. Evaluasi menggunakan framework RAGAS terhadap 100 pasangan tanya-jawab menunjukkan konfigurasi terbaik—menggunakan GPT-4o—mencapai context precision 0,86 dan answer relevancy 0,72. Penilaian kualitatif oleh target pengguna seperti praktisi hukum mengonfirmasi kemudahan serta relevansi pencarian informasi dalam knowledge base. Hasil ini membuktikan bahwa pemisahan proses retrieval dan generation pada RAG mampu menekan latensi sekaligus menjaga akurasi, bahkan ketika model dioptimasi untuk biaya inferensi lebih rendah. Berdasarkan hasil evaluasi tersebut, sistem dinilai berhasil menjawab rumusan masalah dan memenuhi tujuan dari Tugas Akhir ini.
PERHITUNGAN HEALTH INDEX GAS INSULATED SWITCHGEAR (GIS) MENGGUNAKAN METODE MACHINE LEARNING
Gas Insulated Switchgear (GIS) merupakan salah satu peralatan vital dalam sistem tenaga listrik yang berperan penting dalam keandalan pasokan energi. Oleh karena itu, diperlukan suatu metode penilaian kondisi yang mampu mengidentifikasi tingkat kesehatan GIS secara akurat untuk mencegah terjadinya kegagalan mendadak. Penelitian ini mengusulkan dua pendekatan utama dalam penilaian Health Index (HI), yaitu metode konvensional Worst Approach Method (WAM) dan metode non-konvensional berbasis Machine Learning (ML). Metode WAM digunakan untuk menghitung skor HI berdasarkan nilai terburuk dari lima subsistem utama GIS, sementara metode ML dikembangkan untuk memberikan klasifikasi otomatis berdasarkan parameter teknis, serta mengurangi subjektivitas perhitungan yang umumnya muncul dalam evaluasi manual. Dari hasil evaluasi, algoritma XGBoost classifier dipilih sebagai model terbaik dengan akurasi rata-rata mencapai 99,7% berdasarkan 5-Fold Cross-Validation dalam mengklasifikasikan tingkat kesehatan GIS. Model yang dikembangkan kemudian diimplementasikan dalam bentuk perangkat lunak prediksi Health Index GIS, yang dirancang agar dapat memberikan informasi yang akurat, objektif, dan informatif kepada pengguna. Diharapkan perangkat lunak ini dapat membantu proses pengambilan keputusan pemeliharaan secara lebih tepat, serta menjadi alat pencegahan terhadap potensi kegagalan mendadak pada GIS melalui deteksi dini terhadap kondisi abnormal.
PEMODELAN PERILAKU PEMILIHAN MODA MELALUI INTEGRASI KARAKTERISTIK BENTUK KOTA, PROFIL SOSIO-EKONOMI DAN DATA PERGERAKAN BERBASIS PONSEL. STUDI KASUS: DKI JAKARTA
Setiap wilayah memiliki keunikan karakteristik yang berimplikasi pada perbedaan ketersediaan dan akses terhadap sumber daya sehingga menciptakan kebutuhan mobilitas masyarakat dalam rangka memenuhi kebutuhan yang tidak tersedia di wilayah asalnya. Kondisi ini membuat transportasi dikenal sebagai permintaan turunan sebab merupakan penghubung yang memungkinkan terwujudnya berbagai kebutuhan lain. Seiring perkembangan masyarakat, peningkatan urbanisasi dan perluasan kota, timbul tekanan terhadap kebutuhan pengembangan infrastruktur, termasuk transportasi. Salah satu kunci untuk mewujudkan sistem transportasi perkotaan yang berkelanjutan adalah dengan memahami perilaku perjalanan berupa pilihan moda sehingga dapat meningkatkan efisiensi sistem dengan mengetahui strategi pengembangan sesuai kondisi aktual. Dalam perencanaan transportasi, perilaku perjalanan ini dikaji melalui analisis pemodelan yang mengestimasi probabilitas pemilihan moda berdasarkan pengaruh variabel lain yang umumnya berupa karakteristik individu dan perjalanan. Namun, pola perjalanan merupakan produk kompleks dari kondisi dan keinginan internal individu yang kemudian dimodifikasi oleh batasan dan peluang eksternal. Penelitian ini bertujuan untuk memodelkan perilaku pemilihan moda melalui metode multinomial logit (MNL) yang mengintegrasikan pengaruh aspek sosio-ekonomi individu, bentuk kota menurut kerangka D-Variables dan karakteristik perjalanan menggunakan data berbasis ponsel dengan mengambil studi kasus di sebagian wilayah DKI Jakarta. Hasil analisis menunjukkan bahwa performa goodness-of-fit terbaik diperoleh oleh model yang kombinasi ketiga aspek. Hasil pemodelan mengungkapkan bahwa sebagian besar variabel memiliki pengaruh yang signifikan terhadap pemilihan moda dengan arah pengaruh yang sejalan dan beberapa diantaranya memiliki hasil yang kontra-intuitif dengan penelitian terdahulu. Berdasarkan pemodelan MNL, perilaku pemilihan moda di Jakarta tidak hanya ditentukan oleh karakteristik individu dan perjalanan, namun juga dipengaruhi oleh tingkat aksesibilitas yang dihasilkan karakteristik bentuk kota. Penelitian ini menjadi temuan empiris mengenari pentingnya integrasi dimensi spasial dalam perencanaan transportasi.
PERANCANGAN DAN PEMBANGUNAN SISTEM MANAJEMEN INFORMASI UNTUK PELAPORAN QUACQUARELLI SYMONDS SUSTAINABILITY RANKING (STUDI KASUS: INSTITUT TEKNOLOGI BANDUNG)
Institut Teknologi Bandung (ITB) secara aktif berpartisipasi dalam pemeringkatan Quacquarelli Symonds (QS) Sustainability Ranking untuk mengukur dan menunjukkan komitmennya terhadap aspek keberlanjutan. Namun, proses pengumpulan dan pengelolaan data untuk pelaporan ini masih menghadapi kendala signifikan, seperti proses yang manual dan berulang setiap tahun, ketiadaan sistem penyimpanan data yang terpusat, serta format data yang tidak konsisten. Penelitian ini bertujuan untuk merancang dan mengembangkan sebuah sistem manajemen informasi yang terpusat dan efisien guna mengatasi kendala-kendala tersebut dan mendukung proses submisi data QSSR secara efektif.Metodologi penelitian yang digunakan adalah Design Science Research Methodology (DSRM). Hasil dari penelitian ini adalah sebuah prototipe fungsional sistem informasi berbasis web bernama SIP-QSSR (Sistem Informasi Pelaporan QS Sustainability Ranking). Sistem ini dilengkapi dengan fitur-fitur kunci, termasuk manajemen data historis untuk penggunaan ulang data, editor indikator yang modular untuk beradaptasi dengan perubahan, serta modul kalkulator spesifik untuk menghitung emisi Gas Rumah Kaca (GRK) lingkup 1 dan 2, Gross Internal Area (GIA), dan energi terbarukan. Sistem yang dikembangkan terbukti mampu mentransformasi proses pelaporan menjadi lebih terstruktur, akurat, dan efisien. Diharapkan SIP-QSSR dapat membantu meningkatkan kualitas dan kecepatan pelaporan, yang pada akhirnya berpotensi meningkatkan kinerja ITB dalam pemeringkatan QS Sustainability Ranking serta dapat menjadi model acuan bagi institusi pendidikan tinggi lainnya.
KONSTRUKSI TABEL MULTIPLE DECREMENT DENGAN ASUMSI COMMON DISTRIBUTION OF DECREMENTS UNTUK PREMI IMBALAN PASCAKERJA
Dalam penyelenggaraan program imbalan pascakerja, pemberi kerja dapat bekerja sama dengan perusahaan asuransi jiwa melalui proses tender, dengan tarif berbasis data historis. Jika ada perubahan struktur manfaat, aktuaris memerlukan waktu lama untuk merekonstruksi tabel multiple decrement (MDT). Di bawah asumsi UDD, pemisahan atau penggabungan tabel dapat menimbulkan inkonsistensi sehingga perlu melalui tahapan single decrement rate. Penelitian ini bertujuan menghitung besaran premi murni program imbalan pascakerja dengan mengkonstruksi MDT di bawah asumsi Common Distribution of Decrements (CDD), yakni perumuman asumsi UDD, dan metode graduasi Poisson P-spline. Berbeda dengan pendekatan klasik, asumsi CDD yang diperkenalkan Lee dkk. (2019)memungkinkan konversi langsung, sehingga lebih fleksibel dalam menghadapi perubahan struktur manfaat. Analisis ini melibatkan empat jenis decrement: kematian, undur diri, pensiun dini, dan disabilitas. Data historis dari PT Asuransi Jiwa XYZ digunakan untuk menghitung exact exposure, banyak decrement pada setiap usia, serta peluang decrement kasar dan peluang hasil graduasi. Model kredibilitas parsial juga diterapkan dengan menggunakan Tabel Mortalita Jamsostek 2022 (TMJ-22). Selanjutnya, empat skenario pisah-gabung di bawah asumsi CDD dilakukan, dan hasilnya dievaluasi dengan tabel berbasis MUDD. Hasilnya digunakan untuk menghitung premi murni imbalan pascakerja. Proses pisah-gabung berbasis CDD menghasilkan peluang decrement yang sebanding dengan tabel berbasis MUDD, ditinjau dari nilai RMSE. Premi murni cenderung lebih rendah pada peserta muda dengan masa pertanggungan panjang, dan lebih tinggi pada peserta mendekati pensiun akibat meningkatnya risiko keluar serta periode diskonto yang lebih singkat.
KLASTERISASI KASUS MALARIA DI INDONESIA TAHUN 2017-2021 MENGGUNAKAN METODE HIERARKI: AGLOMERATIF
Malaria merupakan penyakit menular yang masih menjadi permasalahan kesehatan masyarakat di Indonesia. Permasalahan ini terutama terjadi di wilayah timur, seperti Papua dan Nusa Tenggara Timur. Penelitian ini bertujuan untuk mengidentifikasi pola penyebaran kasus malaria di Indonesia berdasarkan nilai Annual Parasite Incidence (API) periode 2017–2021 melalui pendekatan klasterisasi hierarki aglomeratif. Empat skenario data digunakan dalam analisis, yaitu data asli, data tanpa pencilan, data hasil transformasi log(1+x), dan data transformasi tanpa pencilan. Metode klasterisasi dilakukan dengan mengombinasikan lima teknik linkage (Single, Complete, Average, Ward, dan Weighted) dan tiga jenis metrik jarak (Euclidean, Manhattan, dan Mahalanobis). Evaluasi struktur klaster dilakukan menggunakan Cophenetic Correlation Coefficient (CCC). Penentuan banyak klaster optimal didasarkan pada ambang batas Mojena dan tiga indeks validasi internal, yaitu Silhouette Coefficient (SC), Dunn Index (DI), dan Xie-Beni Index (XBI). Hasil penelitian menunjukkan bahwa kombinasi metode average linkage dan jarak Manhattan dengan dua hingga tiga klaster memberikan hasil paling representatif, tergantung pada jenis data yang digunakan. Klaster yang terbentuk mampu menggambarkan perbedaan tingkat endemisitas antar provinsi secara jelas dengan wilayah dengan nilai API tinggi secara konsisten tergolong dalam klaster tersendiri. Temuan ini diharapkan dapat mendukung strategi eliminasi malaria nasional.
PREDIKSI FORMASI MENGGUNAKAN MODEL MACHINE LEARNING STUDI KASUS LAPANGAN
Formation prediction is important for understanding subsurface structures and making better reservoir models. Traditionally, geologists define formation boundaries using core samples and cutting descriptions. However, this method can be subjective and may lead to inconsistent results between wells. To solve this, machine learning is used in this study to classify formations based on well log data. Two types of machine learning methods are applied: supervised and unsupervised. Supervised learning uses labeled data to train a model, while unsupervised learning looks for patterns in data without labels. Five well log features (GR, NPHI, RHOB, PEF, and DT) are used in supervised models, and three features (GR, NPHI, RHOB) are used in unsupervised models. The Random Forest model achieved the highest F1-score (0.9090), followed by XGBoost and Decision Tree. Agglomerative Clustering gave the best result among unsupervised methods with a silhouette score of 0.5243. These results show that supervised learning is better for formation prediction, while unsupervised learning helps to understand hidden patterns in the data.
PREDIKSI FRAUD KLAIM ASURANSI DENGAN TEKNIK MACHINE LEARNING
Salah satu permasalahan utama dalam industri asuransi adalah kecurangan dalam pengajuan klaim yang menimbulkan kerugian finansial yang besar bagi perusahaan asuransi. Tindakan kecurangan tersebut dapat berupa manipulasi data, pengajuan klaim fiktif, maupun penggelembungan nilai klaim yang valid. Seiring meningkatnya kompleksitas dan volume data, diperlukan sistem pendukung keputusan yang mampu mendeteksi fraud secara efisien. Salah satu pendekatan yang dapat digunakan untuk mengatasi permasalahan ini adalah penerapan metode machine learning. Dengan memanfaatkan machine learning, sistem dapat belajar dari data historis untuk mengenali pola-pola kecurangan secara otomatis tanpa perlu aturan eksplisit dan mampu melakukan klasifikasi data dengan lebih adaptif. Pada penelitian ini, beberapa metode machine learning digunakan untuk membangun model prediksi fraud klaim asuransi, yaitu Random Forest, XGBoost, CatBoost dan Multi-Layer Perceptron (MLP) sebagai algoritma supervised learning, serta Isolation Forest sebagai pendekatan unsupervised learning untuk deteksi anomali. Model dibangun berdasarkan data yang mencerminkan karakteristik polis dan insiden klaim. Sebelum pelatihan model, dilakukan proses eksplorasi data, standarisasi, penyeimbangan data menggunakan SMOTE untuk mengatasi data tidak seimbang, serta pemilihan fitur untuk mengurangi noise dan meningkatkan performa model. Selain itu, dilakukan pula proyeksi data menggunakan PCA guna membantu visualisasi dan validasi hasil model. Evaluasi dilakukan menggunakan metrik confusion matrix, AUC-ROC, dan recall terhadap klaim fraud. Hasil pengujian menunjukkan bahwa model CatBoost memberikan performa terbaik dengan nilai AUC sebesar 0,84 dan recall sebesar 0,84. Model XGBoost dan Random Forest menunjukkan performa yang serupa dengan AUC masing-masing sebesar 0,81 dan 0,82. Model MLP yang semula menunjukkan performa rendah meningkat signifikan setelah dilakukan standarisasi data, dengan AUC sebesar 0,84 dan recall sebesar 0,73. Selain itu, Isolation Forest berhasil mendeteksi sekitar 5% data sebagai anomali yang sebagian besar sesuai dengan label fraud aktual. Analisis fitur menunjukkan bahwa fitur seperti tingkat keparahan insiden, hobi tertanggung, serta rasio antara jumlah klaim dan premi memiliki peran penting dalam mengklasifikasikan klaim sebagai fraud atau non-fraud. Dengan pendekatan model prediksi ini, sistem dapat mengidentifikasi klaim mencurigakan secara lebih efektif dan memberikan kontribusi pada pengembangan sistem pendukung keputusan yang adaptif dan berbasis data.
PENGEMBANGAN SISTEM QUESTION ANSWERING BERBASIS RETRIEVAL AUGMENTED GENERATION PADA PERATURAN PERUNDANG-UNDANGAN HUKUM KESEHATAN INDONESIA
Pertumbuhan pesat regulasi kesehatan di Indonesia menyulitkan akses masyarakat terhadap hukum. Untuk mengatasinya, dikembangkan LexMedica, sebuah sistem Question Answering (QA) yang penelitiannya berfokus pada perancangan arsitektur untuk validitas jawaban, analisis pengaruh model embedding, pengelolaan dialog multi-turn, dan optimisasi latensi. Implementasi sistem berpusat pada arsitektur Retrieval-Augmented Generation (RAG) yang dipilih karena kemampuannya mendasarkan jawaban pada sumber data yang valid dan memitigasi risiko halusinasi. Arsitektur ini bekerja di atas korpus 2.780 pasal peraturan kesehatan yang telah melalui pre-processing ekstensif, termasuk segmentasi per pasal untuk presisi retrieval dan penambahan metadata untuk pemfilteran. Untuk menjawab tantangan penelitian, dirancang beberapa fungsionalitas kunci: sebuah Query Refinement Agent untuk menjaga konsistensi konteks dalam dialog multi-turn; mekanisme penyaringan sumber pasca-retrieval untuk memastikan hanya informasi relevan yang diproses Large Language Model, serta multi-layer caching untuk optimisasi latensi secara signifikan. Evaluasi sistem menunjukkan bahwa model embedding large lebih efektif untuk kueri konseptual. Mekanisme query refinement untuk dialog multi-turn memperoleh skor evaluasi 1.0 pada semua aspek yang diuji. Selain itu, implementasi multi-layer caching terbukti dapat menurunkan latensi respons, dengan catatan pengurangan waktu di kisaran 90-99% pada kondisi cache hit. Penelitian ini berhasil mengembangkan sebuah sistem QA untuk domain hukum kesehatan di Indonesia. Hasilnya menunjukkan bahwa pendekatan RAG yang dioptimalkan secara sistematis mampu menyajikan jawaban yang dapat dirujuk ke sumber peraturan, menegaskan potensi sistem ini sebagai alat bantu krusial untuk mempermudah akses informasi hukum.
KAJIAN FAKTOR PENGHAMBAT IMPLEMENTASI MANAJEMEN RANTAI PASOK KONSTRUKSI PADA KONTRAKTOR KELAS MENENGAH BERDASARKAN PROSES PADA SCOR MODEL 12.0
Industri konstruksi memiliki peran strategis dalam pertumbuhan ekonomi, namun dihadapkan pada tantangan kompleksitas dan dinamika tinggi yang menjadikan Manajemen Rantai Pasok (MRP) sebagai solusi krusial. Meskipun penting, implementasinya pada kontraktor kelas menengah sering kali terhambat. Penelitian ini bertujuan untuk mengidentifikasi faktor-faktor penghambat implementasi manajemen rantai pasok (MRP) pada kontraktor kelas menengah di industri konstruksi, dengan menggunakan pendekatan proses MRP pada Supply Chain Operations Reference (SCOR) Model 12.0. Penelitian dilakukan dengan metode campuran (mixed methods), yang diawali dengan kajian literatur untuk menyusun 45 faktor penghambat berdasarkan proses utama dalam SCOR Model: Plan, Source, Make, Deliver, Return, dan Enable. Data primer dikumpulkan melalui kuesioner berbasis skala Likert yang disebarkan kepada 18 kontraktor kelas menengah di wilayah Jakarta, Tangerang, dan Bekasi. Analisis dilakukan menggunakan statistik deskriptif dan Relative Importance Index (RII) untuk menentukan tingkat keparahan masing-masing faktor. Hasil Penelitian menunjukkan bahwa 3 faktor penghambat tertinggi berada pada proses Plan, yaitu pengelolaan anggaran yang kurang baik (RII = 0,989), kurangnya perencanaan manajemen rantai pasok (RII = 0,967), dan perencanaan penjadwalan yang kurang baik (RII = 0,967). Analisis pada level proses menunjukkan bahwa proses yang paling terhambat secara agregat adalah Deliver (RII = 0,944) akibat kegagalan dalam memenuhi ekspektasi pemilik proyek. Proses Make didominasi oleh isu produktivitas dan keterampilan tenaga kerja, sementara proses Source dan Enable menghadapi tantangan dalam relasi pemasok, sistem informasi, serta kolaborasi antar pihak. Secara keseluruhan, ditemukan 28 faktor yang sangat menghambat, 13 faktor menghambat, dan 4 faktor cukup menghambat. Temuan ini menunjukkan bahwa kegagalan puncak terjadi pada proses Deliver dengan akar permasalahan pada proses Plan, sehingga langkah perbaikan harus dimulai dari pembenahan proses Plan, khususnya dalam perencanaan anggaran dan penjadwalan.
PENGEMBANGAN MODEL PREDICTIVE ANALYTICS UNTUK MEMPREDIKSI KUAT TEKAN SEMEN: STUDI KASUS DI PT SEMEN PERTAMA
Dalam industri manufaktur semen, menjaga konsistensi mutu produk merupakan tantangan yang signifikan akibat variasi bahan baku, kondisi operasional, dan keterlambatan umpan balik dari hasil uji laboratorium—khususnya uji kuat tekan yang baru tersedia pada hari ke-3, 7, dan 28. Penelitian ini bertujuan untuk mengatasi permasalahan tersebut dengan mengembangkan model prediktif menggunakan machine learning guna memperkirakan kuat tekan berdasarkan parameter laboratorium yang tersedia lebih awal. Studi ini dilakukan di PT Semen Pertama dengan menggunakan kerangka kerja CRISP-DM untuk memandu proses analitik, mulai dari pemahaman bisnis hingga implementasi model. Data historis laboratorium—yang mencakup komposisi kimia (misalnya, SiO?, Al?O?, Fe?O?, CaO), sifat fisik (misalnya, kehalusan, sisa ayakan), serta hasil uji kuat tekan—digunakan untuk melatih dua algoritma pembelajaran terawasi: Linear Regression dan Random Forest Regressor. Berbagai metode seleksi fitur diterapkan untuk meningkatkan akurasi dan interpretabilitas model, termasuk analisis korelasi, Recursive Feature Elimination (RFE), SelectKBest, dan seleksi berbasis pengetahuan ahli. Proses prapemrosesan data meliputi penanganan nilai hilang, perbaikan outlier, normalisasi, dan pembagian data menjadi subset pelatihan dan pengujian. Kinerja model dievaluasi menggunakan metrik regresi standar (MSE, RMSE, MAE, R²) dan divalidasi dengan k-fold cross-validation. Hasil penelitian menunjukkan bahwa Random Forest secara konsisten memberikan akurasi prediksi yang lebih tinggi dibandingkan Linear Regression, dengan nilai R² mendekati 0,90. Analisis feature importance mengidentifikasi variabel-variabel kunci yang memengaruhi kuat tekan, sehingga memberikan wawasan praktis bagi pemantauan mutu. Model prediktif yang dikembangkan mendukung estimasi mutu lebih awal, mengurangi ketergantungan pada pengujian destruktif, dan memungkinkan pengambilan keputusan produksi yang lebih proaktif. Penelitian ini berkontribusi terhadap penerapan predictive quality dalam industri manufaktur dan menawarkan kerangka kerja praktis untuk implementasi machine learning di industri semen.