Hasil Pencarian  ::  Simpan CSV :: Kembali

"Tech winter menyebabkan sebanyak 97,000 pekerja di sektor teknologi terdampak pemutusan hubungan kerja pada tahun 2022. Fenomena ini menyebabkan lapangan kerja yang semakin terbatas dan kompetitif, sehingga para lulusan baru di bidang teknologi informasi sulit mendapatkan pekerjaan. Faktor utama yang menyebabkan lulusan baru kalah bersaing adalah kurangnya pengalaman kerja praktis selama masa studi. Salah satu solusi untuk mengatasi masalah ini terletak dalam gig economy. Saat ini sudah banyak platform yang menawarkan gig economy dalam bentuk pekerjaan lepas (freelance), tetapi belum ada yang secara khusus menargetkan mahasiswa sebagai pasar utamanya. Padahal, melalui gig economy mahasiswa dapat membangun portofolio yang baik sejak masih duduk di bangku perguruan tinggi dengan menerima proyek lepas bidang Teknologi Informasi (TI). Dalam penelitian ini, dirancang sebuah aplikasi web yang khusus menyediakan proyek lepas di bidang TI bagi mahasiswa dengan menerapkan metodologi Customer Development. Aplikasi web tersebut dapat digunakan oleh dua tipe pengguna, yaitu pengguna pekerja mahasiswa dan pengguna klien. Penelitian ini berhasil menghasilkan luaran berupa solusi yang telah mencapai problem-solution fit dengan menggunakan value proposition canvas yang sudah tervalidasi, MVP berbentuk high-fidelity prototype, serta mengusulkan sebuah funnel akuisisi pengguna dengan memanfaatkan model AIDA. Secara garis besar, value propositions yang harus dimiliki oleh aplikasi adalah sistem verifikasi mahasiswa, sistem assessment bagi mahasiswa, sistem pendaftaran yang terpusat, bimbingan mentor saat pengerjaan proyek, dan sistem insentif yang kompetitif. Beranjak ke funnel akuisisi pengguna, awareness ditandai dengan pengguna pertama kali mengenal aplikasi, interest ditandai dengan pengguna mengunjungi aplikasi, desire ditandai dengan pengguna membuat akun pada aplikasi, dan akhirnya action ditandai dengan pengguna melamar pada proyek yang tersedia pada aplikasi. Hasil penelitian ini menunjukkan bahwa terdapat potensi besar dalam pemanfaatan gig economy untuk membantu mahasiswa TI mendapatkan pengalaman kerja nyata.

---

The tech winter led to the layoff of approximately 97,000 workers in the technology sector in 2022. This phenomenon has led to increasingly limited and competitive job opportunities, making it difficult for fresh graduates in the field of information technology to secure employment. The main factor contributing to fresh graduates' inability to compete is the lack of practical work experience during their studies. One solution to this issue lies in the gig economy. There are currently numerous platforms that offer gig economy opportunities in the form of freelance work, yet none specifically target students as their primary market. However, through the gig economy, students can build a strong portfolio from their university days by accepting freelance projects in the field of Information Technology (IT). In this research, a web application is designed specifically to provide freelance projects in the IT field for students, applying the Customer Development methodology. The web application will be facilitating two segment of users, the student workers and the clients. The research successfully produced outputs including a solution that has achieved a problem-solution fit using a validated value proposition canvas, a Minimum Viable Product (MVP) in the form of a high-fidelity prototype, and proposed a user acquisition funnel utilizing the AIDA model. To simplify, the value propositions for the application are student verification system, an assessment system for students, a centralized registration system, mentor guidance during project work, and a competitive incentive system. Moving on to the user acquisition funnel, awareness is characterized by users first getting to know the application, interest is characterized by users visiting the application, desire is characterized by users creating an account on the application, and finally action is characterized by users applying to projects available on the application. The findings of this research demonstrate a significant potential in leveraging the gig economy to assist IT students in gaining real work experience."

"Perancangan model 3 Dimensi dari sebuah kampus untuk keperluan visualisasi lokasi dapat dilakukan dengan pemindaian secara 3 dimensi. 3D Gaussian Splatting merupakan teknik pemindaian objek 3 Dimensi menggunakan 3D Gaussian sebagai representasi data volumetric dari proses Structure-from-Motion yang di konversi menjadi splats sebagai representasi objek yang memiliki data warna dan intensitas yang membentuk sebuah citra digital dengan akurasi warna dan posisi, dan detail objek yang tinggi. Untuk melihat render dari 3D Gaussian viewer berbasis web yang dapat menggunakan library ThreeJS. Menggunakan metode 3D Gaussian Splatting sebuah model kampus virtual 3D dapat diciptakan dan dilihat melalui aplikasi web dengan library ThreeJS . Hasil dari pembuatan model 3D Gaussian Splatting tersebut adalah rata-rata waktu training 9,49 menit dan hasil dari pengembangan aplikasi web tersebut menghasilkan rata-rata framerate 111 FPS.

---

Designing a 3 dimensional model of a campus for location visualization needs can be done using 3 dimensional scanning. 3D Gaussian Splatting is a 3 dimensional scanning technique using 3D Gaussians as a representation of volumetric data from Structure-from-Motion process that is converted into splats as the representation of objects with color and intensity that creates a digital view with high accuration of color, position, and object detail. To see the render of 3D Gaussian Splatting a web based viewer can be used using the ThreeJS library. Using the 3D Gaussian Splatting method a 3D model for virtual campus can be created and viewed using a web application by utilizing ThreeJS library. The result of creating the 3D model using 3D Gaussian Splatting is an average training time of 9,49 minutes and the result of the development of the web based application is an average framerate performance of 111 FPS."

"Perkembangan bidang machine learning telah mengalami kemajuan yang pesat dari berbagai domain dimana dibutuhkan sistem otomasi. Hal ini membuat model yang advanced, seperti Convolutional Neural Network yang merupakan bagian dari deep learning, dapat mencapai performa yang baik dalam melakukan klasifikasi, identifikasi objek, hingga bahkan melebihi kemampuan manusia dalam beberapa domain. Salah satu aplikasi dari perkembangan ini adalah klasifikasi gambar terutama pada bidang medis misalnya pada klasifikasi kanker kulit. Diagnosis otomatis kanker kulit dari lesi kulit dengan menggunakan gambar dermoskopi masih merupakan tugas yang menantang bagi kecerdasan buatan seperti Artificial Neural Network khususnya pada metode konvolusi yang umum pada gambar, atau disebut Convolutional Neural Network. Penggunaan arsitektur transfer learning dengan TF Lite pada klasifikasi merupakan faktor penting dalam membuat diagnosis otomatis yang mobile, akurat, dan cekat. Meski demikian, model-model klasifikasi yang sudah terbuat tersebut masih belum dapat sempurna melakukan kategorisasi pada penyakit lesi kulit. Pada dataset ini terdapat 7 kelas label yang akan diklasifikasi dengan menggunakan arsitektur InceptionResNetV2. Kemudian dilakukan penanganan imbalanced data dengan menggunakan metode oversampling untuk mengangani dataset yang tidak rata. Setelah itu hasilnya akan dianalisis dengan beberapa metrik parameter yang dipakai yaitu presisi, recall, akurasi, dan F1-score. Didapatkan hasil terbaik ketika EarlyStopping pada epoch terakhir dengan akurasi overall pada 87.56%, top-2 pada 95.05%, dan top-3 pada 97.46%. Durasi klasifikasi juga telah diukur dengan Streamlit Share dan HuggingFace Spaces. Durasi tersebut ialah waktu dari ping ke tiap host, dimana aplikasi web Streamlit memiliki latency yang lebih rendah dibandingkan dengan HuggingFace, pada rata-rata (1,17 ms vs 1,49 ms), dan standar deviasi latency pada aplikasi web HuggingFace lebih tinggi dibandingkan dengan Streamlit (0,10 ms vs 0,49 ms), durasi klasifikasi HuggingFace memiliki waktu klasifikasi rata-rata 116 ms dan standar deviasi sebesar 5 ms, sedangkan Streamlit lebih rendah, yaitu 97 ms dan standar deviasi sebesar 2 ms.

---

The development of the field of machine learning has experienced rapid progress from various domains where automation systems are needed. This makes advanced models, such as Convolutional Neural Networks that are part of deep learning, can achieve good performance in classifying, object identification, and even exceed human capabilities in some domains. One application of this development is image classification, especially in the medical field, for example in the classification of skin cancer. Automatic diagnosis of skin cancer from skin lesions using dermoscopy images is still a challenging task for artificial intelligences such as Artificial Neural Networks, especially the convolutional method common in images, or called Convolutional Neural Networks. The use of transfer learning architecture with TF Lite on classification is an important factor in making automatic diagnosis mobile, accurate, and agile. However, the classification models that have been made are still unable to perfectly categorize skin lesion diseases. In this dataset there are 7 label classes that will be classified using the InceptionResNetV2 architecture. Then handling imbalanced data using the oversampling method to handle uneven datasets. After that, the results will be analyzed with several metric parameters used, namely precision, recall, accuracy, and F1-score. The best results were obtained when EarlyStopping at the last epoch with overall accuracy at 87.56%, top-2 at 95.05%, and top-3 at 97.46%. The duration of classification has also been measured with Streamlit Share and HuggingFace Spaces. The duration is the time from ping to each host, where the Streamlit web application has lower latency compared to HuggingFace, on average (1.17 ms vs 1.49 ms), and the standard deviation of latency on the HuggingFace web application is higher than that of Streamlit (0.10 ms vs 0.49 ms), the duration of HuggingFace classification has an average classification time of 116 ms and a standard deviation of 5 ms, while Streamlit is lower, at 97 ms and standard deviation of 2 ms."

"Penggunaan Web sebagai media pengendalian mempunyai prospek yang cukup baik. Dengan menggunakan program web browser seseorang dapat melakukan pengendalian ke tempat lain melalui jaringan komputer yang ada. Melalui tugas akhir ini dirancang dan diiimplementasikan sistem pengendahan yang memanfaatkan media web sebagai perantara terhadap suatu divais melalui jaringan komputer dengan sistem client-server dengan pengguna banyak juga penggunaan database untuk merekam data-data pengendalian. Sistem terdiri dari komputer client tempat user melakukan pengendalian dan komputer server tempat peralatan hardware dihubungkan. Pada komputer server diinstall program yang menjadikan komputer tersebut sebagai Web Server, sedangkan pada komputer client diinstall program web browser yang digunakan client untuk melakukan pengendalian. Komunikasi client/server tedadi saat komputer client melakukan Http Request ke komputer server untuk melakukan pengendalian divais. Kemudian komputer server melakukan proses pengendalian divais berupa set data maupun membaca kondisi hardware. Komputer server memberikan Http Respon ke komputer client berupa pernyataan bahwa proses pengendalian telah dilaksanakan dengan mengirimkan data (HTML) ke web client untuk ditampilkan sebagai hasil pengendalian atau pengecekan kondisi divais. Semua data proses pengendalian disimpan pads database disertai dengan tanggal, waktu, nama user, dan data status peralatan, serta waktu proses yang terjadi sehingga dapat diketahuihistory proses pengendalian yang pernah dilakukan. Aplikasi ini juga dilengkapi dengan sistem pengguna banyak yang setiap user mempunyai username dan password, serta prioritas dan fasilitas akses yang berbeda sehingga jika user tertentu dengan prioritas tinggi sedang mengakses maka user yang lain akan dibatalkan."

"Penolakan kandidat ketika mendaftar pekerjaan merupakan hal yang lumrah terjadi. Penolakan yang seringkali tidak disertai dengan alasan, menyebabkan pelamar tidak mengetahui letak kesalahan pada CV mereka. Aplikasi Reviewin dibangun dengan fitur utama yaitu memberikan jasa reviu CV dari alumni dan mahasiswa Universitas Indonesia (UI) yang berpengalaman untuk alumni dan mahasiswa UI yang membutuhkan. Tugas akhir ini disusun berdasarkan aktivitas requirement gathering, pengembangan aplikasi web, dan evaluasi terhadap aplikasi Reviewin. Fitur-fitur utama seperti mereviu CV, mengirim permintaan reviu CV, mencari reviewer, dan mengedit profil, sudah tersedia di reviewin.me. Berdasarkan hasil evaluasi, fitur-fitur yang diuji sudah memenuhi ekspektasi pemilik produk, mendapat 93% tingkat ketergunaan, dan dapat melayani setidaknya 1000 pengunjung dalam waktu yang bersamaan.

---

Rejection of candidates when applying for jobs is a common thing. Rejection, which often is not accompanied by reasons from the company, does not allow candidates to spot mistakes on their CV. Reviewin is built with the main feature of providing CV review services from experienced alumni and students of the University of Indonesia (UI) for alumni and students of UI who need it. This final project consists of several key activities which are requirements gathering, web application development, and evaluation. Core features such as reviewing CV, sending CV review requests, finding reviewers, and editing profiles, are successfully deployed on reviewin.me. Based on the evaluation results, the tested features have met the product owner's expectations, obtained 93% usability rate, and can handle at least 1000 visitors simultaneously."

"Penolakan kandidat ketika mendaftar pekerjaan merupakan hal yang lumrah terjadi. Penolakan yang seringkali tidak disertai dengan alasan, menyebabkan pelamar tidak mengetahui letak kesalahan pada CV mereka. Aplikasi Reviewin dibangun dengan fitur utama yaitu memberikan jasa reviu CV dari alumni dan mahasiswa Universitas Indonesia (UI) yang berpengalaman untuk alumni dan mahasiswa UI yang membutuhkan. Tugas akhir ini disusun berdasarkan aktivitas requirement gathering, pengembangan aplikasi web, dan evaluasi terhadap aplikasi Reviewin. Fitur-fitur utama seperti mereviu CV, mengirim permintaan reviu CV, mencari reviewer, dan mengedit profil, sudah tersedia di reviewin.me. Berdasarkan hasil evaluasi, fitur-fitur yang diuji sudah memenuhi ekspektasi pemilik produk, mendapat 93% tingkat ketergunaan, dan dapat melayani setidaknya 1000 pengunjung dalam waktu yang bersamaan.

---

Rejection of candidates when applying for jobs is a common thing. Rejection, which often is not accompanied by reasons from the company, does not allow candidates to spot mistakes on their CV. Reviewin is built with the main feature of providing CV review services from experienced alumni and students of the University of Indonesia (UI) for alumni and students of UI who need it. This final project consists of several key activities which are requirements gathering, web application development, and evaluation. Core features such as reviewing CV, sending CV review requests, finding reviewers, and editing profiles, are successfully deployed on reviewin.me. Based on the evaluation results, the tested features have met the product owner's expectations, obtained 93% usability rate, and can handle at least 1000 visitors simultaneously."

"ABSTRAK

Perkembangan teknologi informasi saat ini sudah mengalami kemajuan yang sangat pesat, hal itu memicu pengembangan aplikasi yang memanfaatkan sistemacloud computing karena lebih efisien dalam pengeluaran biaya dan sumber daya yang digunakan. Pada penelitian ini dilakukan pengujian performansi SITUR-LAB yaitu sebuah aplikasi web yang berupa tur virtual yang dibandingkan dengan traditional hosting dan dua layanan cloud computing menggunakan provider Google App Engine dan Appfog dengan memanfaatkan layanan PaaS (Platform as a Service). Ujicoba yang dilakukan berupa metode GET yaitu pada saat pengguna hanya mengakses halaman utama dari aplikasi, performansi pada SITUR-LAB pada layanan Appfog lebih baik dibandingkan dengan traditional hosting maupun Google App Engine. Pada traditional hosting yang menggunakan layanan idhostinger, hit rate sebesar 1,8% (518 request), error sebesar 98,12% (28250 request), dan timeout sebesar 0,08 (23 request) dengan rata-rata response time sebesar 1148 ms. Pada cloud computing yang menggunakan layanan Google App Engine, hit rate sebesar 85,45% (16338 request), error sebesar 0% (0 request), dan timeout sebesar 14,5% (2782 request) dengan rata-rata response time sebesar 414 ms. Pada cloud computing yang menggunakan layanan Appfog, hit rate sebesar 96,79% (22366 request), error sebesar 3,20% (739 request), dan timeout sebesar 0,01 (3 request) dengan rata-rata response time sebesar 273 ms.

---

ABSTRACT

The development of information and technology today has increased rapidly. It triggers the development of applications that use cloud computing system because it’s more efficient in cost and resource. This research tests the performance of SITUR-LAB, a web application that is a virtual tour, that compared with a traditional hosting and two provider of cloud computing, using Google App Engine and Appfog by utilizing the PaaS (Platform as a Service). Test were conducted in GET method, when users only access the main page of the application. Performance of SITUR-LAB in Appfog service is better than traditional hosting and Google App Engine. In traditional hosting that use idhostinger as the service, it has 1,8% (18 request) of hit rate, 98,12% (28250 request) of error, and 0,08% (23 request) of timeout, with 1148 ms as the average of response time. In cloud computing that use Google App Engine as the service, it has 85,45% (16338 request) of hit rate, 0% (0 request) of error, and 14,5% (2782 request) of timeout, with 414 ms as the average of response time. In cloud computing that use Appfog as the service, it has 96,79% (22366 request) of hit rate, 3,20% (28250 request) of error, and 0,01% (3 request) of timeout, with 273 ms as the average of response time."