📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 61 dokumenRANCANGAN MODEL PERAMALAN HARGA BERBASIS DEEP LEARNING DAN INTEGRASI KE KEBIJAKAN PENGADAAN ADAPTIF UNTUK BAHAN BAKU NATIVE TAPIOCA STARCH DI PT X
PT X menggunakan native tapioca starch sebagai bahan baku produksi kertas dan karton dengan kebutuhan sekitar 72.000 ton per tahun. Pengadaannya menghadapi volatilitas harga, pola pasokan musiman, lead time impor 20–30 hari, kapasitas gudang 4.000 ton, dan minimum order quantity 500 ton. Penelitian ini bertujuan mengembangkan model peramalan harga mingguan berbasis deep learning dan mengintegrasikan hasilnya ke dalam kebijakan pengadaan adaptif berbasis EOQ per Rezim. Lima arsitektur deep learning, yaitu DNN, RNN, LSTM, GRU, dan Stacked LSTM, dievaluasi pada skenario univariat dan multivariat menggunakan 469 observasi mingguan periode 2016–2024. Data dibagi secara kronologis menjadi 85% data pelatihan dan 15% data pengujian. Model dievaluasi menggunakan MAE, RMSE, MAPE, dan R². Forecast dari model terbaik distandardisasi menjadi skorz, diklasifikasikan ke dalam rezim low, normal, dan high, kemudian digunakan untuk menentukan alokasi volume dan EOQ per Rezim. GRU univariat menghasilkan kinerja terbaik dengan MAE 6,196 USD/ton, RMSE 8,243 USD/ton, MAPE 1,198%, dan R² 0,9595. Evaluasi tahun 2025 menunjukkan korelasi forecast terhadap harga aktual sebesar 0,8628, sehingga forecast digunakan sebagai sinyal harga relatif. Dengan parameter ? = 0,5, EOQ per Rezim menghasilkan 19 order per tahun, harga beli rata-rata tertimbang 436,60 USD/ton, dan menurunkan ongkos total dari USD 35.003.265 menjadi USD 34.572.710. Potensi penghematan yang diperoleh adalah USD 430.555 per tahun atau 1,23%.
LEAK DETECTION AND LEAK LOCALIZATION FOR MULTIPOINT PIPELINE LEAKAGES USING DEEP LEARNING APPROACH
Pipeline leakage remains one of the major challenges in oil and gas transportation systems due to its potential to cause economic losses, environmental contamination, operational disruptions, and safety hazards. Conventional leak detection and localization methods, such as mass balance calculations and pressure-gradient analysis, often suffer from limited accuracy and long processing times, particularly under dynamic operating conditions and multiple-leak scenarios. With the increasing adoption of real-time monitoring systems equipped with pressure, flow rate, and temperature sensors, deep learning has emerged as a promising approach for improving leak detection and localization performance. Therefore, this study investigates the performance of deep learning-based leak detection and localization systems under both single-leak and dual-leak conditions using USAD (UnSupervised Anomaly Detection) and Transformer architectures. The proposed methodology consists of two main modules. The first module employs the USAD architecture for leak detection by learning normal operational patterns from multivariate time-series data. Anomaly scores generated by the model are evaluated using ROC-AUC analysis to determine the optimal detection threshold. The second module utilizes Transformer-based architecture to predict leak locations from segmented leak-event data. The dataset consists of pressure, flow rate, temperature, and leak-rate measurements collected from a controlled pipeline experimental setup equipped with multiple sensors and leak valves. Data preprocessing includes cleaning, missing-value handling, normalization, feature selection, and event segmentation. Hyperparameter tuning is performed using Optuna with a Tree-structured Parzen Estimator (TPE) sampler and Median Pruner strategy to improve model performance. The results demonstrate that the USAD model is capable of effectively detecting leak events in both singleleak and dual-leak scenarios, achieving high classification performance with strong sensitivity to abnormal operating conditions while maintaining low false-alarm rates. Furthermore, the Transformer model provides accurate leak localization results in the single-leak case, with low prediction errors and satisfactory regression metrics. However, localization performance decreases in the dual-leak case due to the complex interaction between multiple leak points and the similarity of pressure-drop patterns generated by different leak combinations. Comparative analysis indicates that leak multiplicity has a more significant impact on localization accuracy than on detection capability. The novelty of this study lies in the integration of an unsupervised anomaly detection model (USAD) with a Transformer-based localization framework for comparative evaluation under both single- and dual-leak conditions. Unlike previous studies that primarily focus on single-leak detection or localization separately, this study proposes a unified deep learning workflow capable of handling leak detection and localization simultaneously while assessing the influence of leak multiplicity on model performance. The findings provide valuable insights for developing intelligent real-time pipeline monitoring systems that enhance operational safety, environmental protection, and pipeline integrity management.
PENGEMBANGAN STRATEGI TRADING BERBASIS SINYAL DEEP LEARNING PADA INSTRUMENXAUUSD
Prediksi pergerakan harga emas merupakan salah satu tantangan dalam bidang keuangan karena karakteristik pasar yang memiliki volatilitas tinggi dan dipengaruhi oleh berbagai faktor internal maupun eksternal. Emas sebagai aset safe-haven menjadi instrumen yang banyak diminati pelaku pasar ketika terjadi ketidakpastian ekonomi, sehingga diperlukan strategi perdagangan yang mampu menghasilkan sinyal buy, sell, dan hold secara adaptif. Penelitian ini bertujuan untuk mengembangkan dan membandingkan model regresi logistik, LSTM, dan GAF-CNN dalam melakukan klasifikasi sinyal perdagangan pada instrumen XAUUSD menggunakan kombinasi fitur harga, teknikal, dan makroekonomi. Hasil penelitian menunjukkan bahwa model LSTM dengan kombinasi seluruh fitur memberikan performa klasifikasi terbaik dibandingkan model lainnya.Berdasarkan simulasi strategi perdagangan, model tersebut juga menunjukkan kinerja yang konsisten pada kedua strategi yang diuji. Model mampu memberikan tingkat pengembalian yang baik pada strategi yang hanya menggunakan posisi beli maupun pada strategi yang memanfaatkan posisi beli dan posisi jual. Meskipun demikian, seluruh strategi berbasis model prediktif yang dikembangkan belum mampu mengungguli tingkat pengembalian yang diperoleh melalui strategi membeli aset pada awal periode pengujian dan mempertahankannya hingga akhir periode, karena kondisi pasar XAUUSD selama periode pengujian didominasi oleh tren kenaikan yang kuat.
PEMBANGUNAN DASHBOARD GENERALISASI PENYAJIAN GARIS PANTAI
Kebijakan Satu Peta (KSP) mengamanatkan tersedianya peta dasar multiskala yang konsisten di seluruh wilayah Indonesia. Proses generalisasi kartografi diperlukan untuk menurunkan peta dari skala besar ke skala lebih kecil, namun keragaman morfologi garis pantai Indonesia, meliputi bentuk memanjang (elongated), bentuk lebar (broad), bentuk bergerigi (rugged), bentuk halus (smooth) yang relatif lurus, hingga bentuk ortogonal (orthogonal), menuntut pendekatan yang adaptif, bukan seragam. Capstone ini membangun sebuah dashboard penyajian generalisasi garis pantai yang mengintegrasikan segmentasi morfologi otomatis berbasis model deep learning BendSeqLSTM, otomatisasi generalisasi adaptif per tipe morfologi, serta antarmuka visualisasi dan pengunduhan hasil. Model BendSeqLSTM mengklasifikasikan segmen garis pantai menggunakan jaringan BiLSTM, sehingga setiap segmen memperoleh parameter generalisasi yang tepat sesuai karakteristiknya. Produk akhir berupa model deep learning segmentasi morfologi garis pantai, plugin generalisasi garis pantai, dan dashboard visualisasi dan distribusi produk.
PEMBANGUNAN DASHBOARD GENERALISASI PENYAJIAN GARIS PANTAI
Kebijakan Satu Peta (KSP) mengamanatkan tersedianya peta dasar multiskala yang konsisten di seluruh wilayah Indonesia. Proses generalisasi kartografi diperlukan untuk menurunkan peta dari skala besar ke skala lebih kecil, namun keragaman morfologi garis pantai Indonesia, meliputi bentuk memanjang (elongated), bentuk lebar (broad), bentuk bergerigi (rugged), bentuk halus (smooth) yang relatif lurus, hingga bentuk ortogonal (orthogonal), menuntut pendekatan yang adaptif, bukan seragam. Capstone ini membangun sebuah dashboard penyajian generalisasi garis pantai yang mengintegrasikan segmentasi morfologi otomatis berbasis model deep learning BendSeqLSTM, otomatisasi generalisasi adaptif per tipe morfologi, serta antarmuka visualisasi dan pengunduhan hasil. Model BendSeqLSTM mengklasifikasikan segmen garis pantai menggunakan jaringan BiLSTM, sehingga setiap segmen memperoleh parameter generalisasi yang tepat sesuai karakteristiknya. Produk akhir berupa model deep learning segmentasi morfologi garis pantai, plugin generalisasi garis pantai, dan dashboard visualisasi dan distribusi produk.
PEMBANGUNAN DASHBOARD GENERALISASI PENYAJIAN GARIS PANTAI
Kebijakan Satu Peta (KSP) mengamanatkan tersedianya peta dasar multiskala yang konsisten di seluruh wilayah Indonesia. Proses generalisasi kartografi diperlukan untuk menurunkan peta dari skala besar ke skala lebih kecil, namun keragaman morfologi garis pantai Indonesia, meliputi bentuk memanjang (elongated), bentuk lebar (broad), bentuk bergerigi (rugged), bentuk halus (smooth) yang relatif lurus, hingga bentuk ortogonal (orthogonal), menuntut pendekatan yang adaptif, bukan seragam. Capstone ini membangun sebuah dashboard penyajian generalisasi garis pantai yang mengintegrasikan segmentasi morfologi otomatis berbasis model deep learning BendSeqLSTM, otomatisasi generalisasi adaptif per tipe morfologi, serta antarmuka visualisasi dan pengunduhan hasil. Model BendSeqLSTM mengklasifikasikan segmen garis pantai menggunakan jaringan BiLSTM, sehingga setiap segmen memperoleh parameter generalisasi yang tepat sesuai karakteristiknya. Produk akhir berupa model deep learning segmentasi morfologi garis pantai, plugin generalisasi garis pantai, dan dashboard visualisasi dan distribusi produk.
PEMBANGUNAN DASHBOARD PENYAJIAN GENERALISASI GARIS PANTAI
Kebijakan Satu Peta (KSP) mengamanatkan tersedianya peta dasar multiskala yang konsisten di seluruh wilayah Indonesia. Proses generalisasi kartografi diperlukan untuk menurunkan peta dari skala besar ke skala lebih kecil, namun keragaman morfologi garis pantai Indonesia, meliputi bentuk memanjang (elongated), bentuk lebar (broad), bentuk bergerigi (rugged), bentuk halus (smooth) yang relatif lurus, hingga bentuk ortogonal (orthogonal), menuntut pendekatan yang adaptif, bukan seragam. Capstone ini membangun sebuah dashboard penyajian generalisasi garis pantai yang mengintegrasikan segmentasi morfologi otomatis berbasis model deep learning BendSeqLSTM, otomatisasi generalisasi adaptif per tipe morfologi, serta antarmuka visualisasi dan pengunduhan hasil. Model BendSeqLSTM mengklasifikasikan segmen garis pantai menggunakan jaringan BiLSTM, sehingga setiap segmen memperoleh parameter generalisasi yang tepat sesuai karakteristiknya. Produk akhir berupa model deep learning segmentasi morfologi garis pantai, plugin generalisasi garis pantai, dan dashboard visualisasi dan distribusi produk.
PEMBANGUNAN DASHBOARD GENERALISASI PENYAJIAN GARIS PANTAI
Kebijakan Satu Peta (KSP) mengamanatkan tersedianya peta dasar multiskala yang konsisten di seluruh wilayah Indonesia. Proses generalisasi kartografi diperlukan untuk menurunkan peta dari skala besar ke skala lebih kecil, namun keragaman morfologi garis pantai Indonesia, meliputi bentuk memanjang (elongated), bentuk lebar (broad), bentuk bergerigi (rugged), bentuk halus (smooth) yang relatif lurus, hingga bentuk ortogonal (orthogonal), menuntut pendekatan yang adaptif, bukan seragam. Capstone ini membangun sebuah dashboard penyajian generalisasi garis pantai yang mengintegrasikan segmentasi morfologi otomatis berbasis model deep learning BendSeqLSTM, otomatisasi generalisasi adaptif per tipe morfologi, serta antarmuka visualisasi dan pengunduhan hasil. Model BendSeqLSTM mengklasifikasikan segmen garis pantai menggunakan jaringan BiLSTM, sehingga setiap segmen memperoleh parameter generalisasi yang tepat sesuai karakteristiknya. Produk akhir berupa model deep learning segmentasi morfologi garis pantai, plugin generalisasi garis pantai, dan dashboard visualisasi dan distribusi produk.
DETEKSI MANIPULASI GAMBAR BERITA BERBAHASA INDONESIA DENGAN TIMPA TEKS MENGGUNAKAN DEEP LEARNING
Penyebaran berita palsu melalui fenomena timpa teks merupakan permasalahan yang semakin ramai di media sosial seperti Instagram dan Facebook. Pendekatan pengolahan citra tradisional terbukti tidak efektif dalam menangani kasus ini karena rentan terhadap false positive pada latar belakang yang kompleks atau berkontras rendah. Penelitian ini mengusulkan sistem deteksi berbasis deep learning multimodal yang menggabungkan EfficientNetV2-L untuk modalitas visual, IndoBERT untuk modalitas teks hasil EasyOCR, dan modul fusi scaled dot-product attention tiga arah untuk mengintegrasikan kedua modalitas secara terintegrasi. Dataset yang digunakan dibangun secara khusus untuk penelitian ini, terdiri atas 2400 citra berita yang seimbang antara citra asli dan citra palsu, yang dikumpulkan dari grup Facebook dan akun media sosial resmi berita Indonesia, yang dibagi menjadi 2000 data latih, 200 data validasi, dan 200 data uji. Hasil pengujian pada data uji menunjukkan bahwa pendekatan multimodal yang diusulkan mencapai accuracy sebesar 0.8950 dan F1-score sebesar 0.8923, mengungguli pendekatan lainnya seperti unimodal visual, tekstual, maupun pendekatan konvensional.
OTOMATISASI ANALISIS MORFOLOGI DAN KLASIFIKASI KELOMPOK BINTIK MATAHARI MELALUI METODE SEGMENTASI DAN FITUR GRADIEN BERBASIS DEEP LEARNING PADA CITRA RESOLUSI TINGGI SATELIT SDO TAHUN 2012–2026
Pengembangan metode otomasi untuk mendeteksi dan mengklasifikasikan sunspot group pada citra Matahari menjadi fokus utama dalam penelitian ini, dengan pendekatan deep learning sebagai fondasi utama. Proses segmentasi dilakukan menggunakan arsitektur U-Net yang telah dimodifikasi dengan penambahan fitur peta gradien dari intensitas piksel. Penambahan peta gradien mempertajam batas antarstruktur, terutama batas penumbra–fotosfer yang landai, sehingga mask segmentasi yang dihasilkan lebih akurat. Ketajaman batas ini berdampak lanjut pada tahap klasifikasi, karena mask hasil segmentasi menjadi basis pembentukan fitur morfologi pada model klasifikasi, dengan kontribusi terbesar pada jalur klasifikasi berbasis fitur XGBoost yang seluruh fiturnya diekstrak langsung dari mask. Pendekatan ini menggantikan metode ambang batas (thresholding) konvensional yang terbatas dalam mengenali struktur morfologi kompleks pada citra Matahari. Dataset yang digunakan berupa 5.202 citra Solar Dynamics Observatory (SDO) HMI berukuran 4096 × 4096 piksel dalam format FITS dengan ukuran sekitar 65 MB per citra, pada rentang tahun 2012 sampai 30 April 2026, yang telah melalui koreksi point spread function (PSF), koreksi limb darkening, proses pemotongan (cropping), dan pelabelan berdasarkan tiga kelas utama yaitu umbra, penumbra, dan background (fotosfer). Selanjutnya, pengelompokan otomatis kelompok bintik matahari berdasarkan klasifikasi McIntosh (Zpc) diterapkan pada hasil segmentasi melalui pendekatan deep learning dan ekstraksi fitur menggunakan XGBoost. Sebelum proses klasifikasi dilakukan, label McIntosh yang diperoleh dari katalog NOAA/SRS ditinjau ulang melalui tahapan audit otomatis berbasis AI agent dengan penggunaan API serta audit manual untuk mengurangi kesalahan label dan sampel false positive. Proses ini menghasilkan ground truth yang lebih konsisten dan sesuai karakteristik fisik sunspot group. Evaluasi performa dilakukan menggunakan metrik akurasi piksel, Intersection over Union (IoU), serta skor klasifikasi McIntosh berupa average precision (AP), average recall (AR), dan average F1-score (AF). Seluruh proses komputasi dijalankan menggunakan GPU dan HPC untuk meningkatkan kecepatan, efisiensi, dan skalabilitas pemrosesan. Hasil pengujian menunjukkan bahwa model klasifikasi utama berbasis CNN ResNet18 mencapai AP sebesar 0,671, AR sebesar 0,667, AF sebesar 0,666, dan akurasi sebesar 0,667 pada data uji. Evaluasi terpisah pada komponen McIntosh menghasilkan akurasi sebesar 0,893 dan F1 makro sebesar 0,887 untuk komponen Zurich (Z), akurasi sebesar 0,788 dan F1 makro sebesar 0,812 untuk komponen penumbra (p), serta akurasi sebesar 0,907 dan F1 makro sebesar 0,897 untuk komponen distribusi umbra (c). Pencapaian ini lebih tinggi dibandingkan beberapa penelitian sebelumnya yang melaporkan nilai AF terbaik sebesar 0,608 serta nilai F1 rata-rata sekitar 0,68 untuk komponen Z, p, dan c, yang setara dengan peningkatan relatif sekitar 27% terhadap metode terkini. Hasil ini menunjukkan bahwa pendekatan yang diusulkan berpotensi meningkatkan efektivitas pemantauan aktivitas Matahari dan mendukung penelitian lanjutan dalam fisika Matahari serta cuaca antariksa.
PREDIKSI ALGAL BLOOM DI TELUK JAKARTA MENGGUNAKAN DEEP LEARNING
Teluk Jakarta merupakan perairan yang rentan terhadap algal bloom sehingga memerlukan sistem peringatan dini yang proaktif. Penelitian ini memprediksi algal bloom menggunakan arsitektur deep learning bidirectional stacked long short-term memory (BS-LSTM) serta menganalisis parameter pemicunya. Data diperoleh dari satelit Himawari-8/9 periode 2020-2025 pada 28 stasiun dengan resolusi harian yang optimal untuk mereduksi noise. Hasil menunjukkan dua puncak musiman pada Februari dan Juni yang dipengaruhi oleh debit sungai dan suplai nutrien dari tiga belas sungai, dengan Sungai Cisadane, Cikarang Bekasi Laut, dan Citarum sebagai penyumbang debit tertinggi, serta muara urban kecil seperti Muara Baru dan Muara Angke yang membawa konsentrasi hara lebih tinggi ke pesisir. Intensitas algal bloom didominasi kategori low risk (10-20 mg/m³) dengan kejadian tertinggi di stasiun B7 sebanyak 777 hari kejadian. Durasi beruntun rata-rata berkisar 1-1,5 hari, maksimum rata-rata di stasiun B7 2,5 hari dengan maksimum mencapai 11 hari di yang berpotensi meningkatkan risiko hipoksia. Korelasi spasial klorofil-a tertinggi terjadi antara inner bay dan nearshore (r = 0,68), sedangkan terendah antara inner bay dan outer bay (r = 0,22). Perbandingan hasil pengujian menunjukkan skenario 3 sebagai skenario terbaik dengan data latih lima tahun yang menghasilkan korelasi global 0,367, koefisien determinasi 0,122, bias -0,285 dan RMSE 1,546 mg/m³, mengungguli performa skenario 1 (r = 0,356, RMSE = 1,566 mg/m³, bias = -0,339) dan skenario 2 (r = 0,362, RMSE = 1,549 mg/m³, bias = -0,291). Kurva pembelajaran tidak menunjukkan overfitting, namun prediksi cenderung underestimate dan smoothing pada nilai ekstrem, dengan performa spasial terbaik di zona offshore barat. Model klasifikasi berbasis ambang dinamis terbaik di stasiun B7 dengan precision 0,72, recall 0,247, dan F1-score 0,367, meskipun masih dipengaruhi ketidakseimbangan data. Stasiun B7 menunjukkan bahwa pada Februari dinamika dipengaruhi debit sungai Citarum dengan jeda 10 hari (r = 0,43) serta fosfat harian dengan jeda 3 hari (r = 0,78), sedangkan pada Oktober dipengaruhi kecepatan angin dengan jeda 4 hari (r = 0,46) dan suhu permukaan laut yang lebih hangat dengan jeda 2 hari (r = 0,45). Hasil ini menunjukkan bahwa pendekatan BS-LSTM berpotensi mendukung pemantauan kualitas perairan pesisir secara lebih proaktif.
PERUBAHAN KUALITAS VISUAL RUANG JALAN DI KAWASAN TOD DUKUH ATAS BERBASIS DEEP LEARNING MENGGUNAKAN STREET VIEW IMAGERY
Perkembangan kawasan perkotaan yang semakin pesat mendorong berbagai kota untuk menerapkan konsep Transit Oriented Development (TOD) sebagai pendekatan pembangunan yang lebih berkelanjutan. Dalam implementasinya, keberhasilan pengembangan kawasan TOD tidak hanya ditentukan oleh peningkatan aksesibilitas dan konektivitas transportasi, tetapi juga oleh kualitas visual ruang jalan yang menjadi bagian utama pengalaman pengguna kawasan. Kawasan TOD Dukuh Atas sebagai salah satu fokus kawasan TOD di Provinsi DK Jakarta mengalami transformasi fisik yang sangat signifikan dalam satu dekade terakhir. Penelitian ini bertujuan untuk menganalisis perubahan kualitas visual ruang jalan di Kawasan TOD Dukuh Atas tahun 2013 dan 2025 melalui integrasi indikator objektif dan subjektif berbasis deep learning menggunakan street view imagery. Analisis indikator objektif dilakukan menggunakan metode semantic segmentation untuk mengidentifikasi proporsi elemen fisik. Sementara itu, indikator subjektif dianalisis menggunakan pendekatan persepsi visual berbasis dataset MIT Place Pulse 2.0. Secara objektif, kualitas visual ruang jalan mengalami peningkatan nilai walkability, facility richness, dan crowd gathering sebagai dampak dari pengembangan kawasan yang lebih terintegrasi dengan transportasi publik. Namun demikian, peningkatan intensitas pembangunan bangunan vertikal dan aktivitas kendaraan pada beberapa ruas jalan juga menyebabkan penurunan kualitas visual. Dari sisi subjektif, persepsi visual kawasan cenderung mengalami peningkatan pada indikator livelier, safer, wealthier, dan beautiful, yang menunjukkan bahwa transformasi kawasan memberikan citra lingkungan yang lebih baik secara visual. Di sisi lain, beberapa area masih menunjukkan persepsi negatif seperti boring dan depressing. Dengan demikian, penelitian ini diharapkan dapat mendukung pengembangan evaluasi kawasan perkotaan berbasis data visual serta menjadi referensi dalam perencanaan ruang jalan pada kawasan TOD di Indonesia.
RANCANG BANGUN WEBSITE DENGAN FITUR SKRINING PERDARAHAN PADA CITRA CT SCAN KEPALA BERBASIS DEEP LEARNING
Intracranial Hemorrhage merupakan jenis cedera dimana terjadi perdarahan di dalam area tengkorak baik pada jaringan otak secara langsung ataupun tidak. Segala tipe intracranial hemorrhage mempunyai risiko kematian yang tinggi bila tidak terdeteksi dan ditangani dengan cepat. Pada praktiknya di rumah sakit, proses skrining lebih dahulu dilakukan secara manual oleh radiografer setelah hasil CT scan keluar, baru dilanjutkan kepada dokter radiologi untuk pembacaan dan diagnosis lebih lanjut. Proses ini memunculkan adanya kesempatan terjadinya human error yang membuat pasien intracranial hemorrhage tertunda untuk diobservasi dan didiagnosis oleh dokter radiologi untuk diberi penanganan cepat. Dibutuhkan adanya solusi dimana proses skrining dapat dilakukan secara otomatis dan dokter radiologi diberitahukan secepatnya untuk melakukan diagnosis lebih lanjut. Deep learning dipilih menjadi solusi karena tahap pemrosesan dan inference yang otomatis serta potensinya untuk memberikan hasil akurat dengan dukungan data yang memadai. Selain itu, karena integrasi dengan sistem informasi di rumah sakit belum bisa dilakukan, model deep learning yang dikembangkan akan dikemas dalam bentuk website yang menjembatani proses dari akuisisi data citra CT scan ke hasil yang dapat dilihat oleh dokter. Pada tugas akhir ini, telah dikembangkan dua buah arsitektur deep learning yaitu U-Net dengan backbone ResNet34 yang memberikan performa segmentasi dice score: 0.546 ± 0.154 dan IoU: 0.387 ± 0.131, serta performa klasifikasi F1-Score: 0.716, recall (True Positive Rate): 0.841, dan False Positive Rate: 0.409, dan U-Net dengan backbone DenseNet121 yang memberikan performa segmentasi dice score: 0.505 ± 0.225 dan IoU: 0.361 ± 0.190, serta performa klasifikasi F1-Score: 0.721, recall (True Positive Rate): 0.806, dan False Positive Rate: 0.347. Dipilihlah arsitektur deep learning U-Net dengan backbone ResNet34 untuk diintegrasikan ke website. Website yang dibuat memiliki 9 laman utama dan 1 fitur jendela notifikasi. Dilakukan juga usability testing kepada pengguna yang memberikan hasil SUS 75.25 dan hasil SEQ > 5 untuk semua fitur pada website.
EVALUASI KEANDALAN MONOCULAR DEPTH ESTIMATION BERBASIS DEEP LEARNING TERHADAP ADVERSARIAL PATCH
abstrak dapat dilihat di file nya
PENGEMBANGAN MODEL DEEP LEARNING UNTUK TASK USER PROFILING SISTEM PENDUKUNG KEPUTUSAN SELEKSI PEKERJA BERDASARKAN DIGITAL FOOTPRINT PELAMAR KERJA
Tugas Akhir ini berfokus pada pengembangan aplikasi user profiling dengan menggunakan deep learning yang dapat memroses data dari Twitter dan Instagram pelamar kerja menjadi sebuah user profile. Modul pada user profiling mencakup subtask analisis sentimen, klasifikasi topik, dan topic modeling. Pengembangan aplikasi ini menggunakan metodologi waterfall. Rancangan arsitektur aplikasi terdiri dari komponen pemrosesan data, analisis sentimen, klasifikasi topik, dan topic modeling. Task analisis sentimen dan klasifikasi topik menggunakan model deep learning IndoBERT dan IndoDistilBERT yang dievaluasi dengan mengukur akurasi, f1-score, dan waktu inferensinya. Task topic modeling dilakukan dengan model BERTopic dan FASTopic yang dievaluasi dengan mengukur nilai coherence score. Model IndoBERT dan IndoDistilBERT mengimplementasikan checkpoint model dan penerapan pembobotan kelas. Hasil pelatihan menunjukkan IndoBERT lebih cenderung mengalami overfit lebih cepat dibanding IndoDistilBERT, namun tetap memiliki nilai akurasi lebih tinggi. Selain itu, semua variasi eksperimen BERTopic memiliki nilai coherence score lebih tinggi dibanding FASTopic pada jumlah dataset yang lebih sedikit. Hasil evaluasi menunjukkan IndoDistilBERT memiliki akurasi yang bisa ditoleransi yaitu 85.7% dengan waktu inferensi ~33% lebih cepat dibanding IndoBERT pada task analisis sentimen dan akurasi 84.4% dengan waktu inferensi ~34% lebih cepat dibanding IndoBERT. Sedangkan BERTopic memiliki nilai coherence score paling tinggi pada angka 51.4%. IndoDistilBERT menunjukkan kinerja paling efisien dan efektif dan model dasar BERTopic unggul dalam melakukan topic modeling khususnya pada domain user profiling yang data masukannya selalu berubah-ubah. Saran yang dapat diambil untuk penelitian selanjutnya adalah meningkatkan kualitas dataset, mengeksplorasi nilai learning rate dan epoch yang lebih tepat, dan meningkatkan spesifikasi lingkungan perangkat.