Undergraduate Theses on School of Data Science, Mathematic and Informatics http://repository.ipb.ac.id/handle/123456789/151168 2026-08-12T18:42:03Z 2026-08-12T18:42:03Z AFIF, AHMAD http://repository.ipb.ac.id/handle/123456789/178458 2026-08-12T06:23:07Z 2026-01-01T00:00:00Z

Pengembangan Aplikasi Mobile MATASAPI untuk Sistem Sertifikasi Digital SASPRI-K Menggunakan Flutter AFIF, AHMAD Transformasi digital pada proses sertifikasi SASPRI-K diperlukan untuk meningkatkan efisiensi, transparansi, dan akuntabilitas pengelolaan sertifikasi. Penelitian ini bertujuan mengembangkan aplikasi mobile berbasis Flutter yang mendukung proses self-review dan peer-review melalui integrasi dengan sistem backend menggunakan REST API. Metode pengembangan yang digunakan adalah Agile dengan framework Scrum yang terdiri atas tahapan product backlog, sprint planning, daily Scrum, sprint review, dan sprint retrospective. Pengembangan dilakukan dalam empat sprint yang mencakup analisis kebutuhan, perancangan sistem, implementasi fitur sesuai peran pengguna, serta pengujian aplikasi. Implementasi menghasilkan aplikasi yang mendukung autentikasi, pengajuan sertifikasi, pengelolaan informasi kawasan, sertifikat, riwayat aktivitas, notifikasi, serta fitur administrasi sesuai kebutuhan sistem. Pengujian dilakukan menggunakan metode Black-box Testing terhadap 71 test case yang mewakili seluruh fungsi utama aplikasi. Hasil pengujian menunjukkan seluruh test case berhasil dijalankan dengan tingkat keberhasilan 100%, sehingga seluruh fungsi yang diuji telah berjalan sesuai kebutuhan fungsional sistem. Hasil penelitian menunjukkan bahwa Flutter dan REST API mampu diimplementasikan untuk membangun aplikasi mobile yang mendukung digitalisasi proses sertifikasi SASPRI-K secara efektif, fleksibel, dan terintegrasi.; Digital transformation of the SASPRI-K certification process is required to improve the efficiency, transparency, and accountability of certification management. This study aims to develop a Flutter-based mobile application that supports the self-review and peer-review processes through integration with a backend system using a REST API. The development employed the Agile methodology with the Scrum framework, consisting of product backlog, sprint planning, daily Scrum, sprint review, and sprint retrospective. The development was carried out in four sprints, covering requirements analysis, system design, feature implementation based on user roles, and application testing. The resulting mobile application provides features for user authentication, certification submission, regional management, certification records, activity history, notifications, and administrative functions according to the system requirements. Functional testing was conducted using the Black-box Testing method on 71 test cases representing all major application functionalities. The testing results showed that all test cases passed successfully, achieving a 100% success rate, indicating that all tested functionalities met the specified functional requirements. The results demonstrate that Flutter and REST APIs can be effectively implemented to develop an integrated and flexible mobile application that supports the digitalization of the SASPRI-K certification process.

2026-01-01T00:00:00Z Tirtacahyadi, Chairul Rifky http://repository.ipb.ac.id/handle/123456789/178454 2026-08-12T06:17:11Z 2026-01-01T00:00:00Z

Perancangan dan Pengembangan RT/RW Hub (Aplikasi Web untuk Digitalisasi Layanan Administrasi RT/RW) Tirtacahyadi, Chairul Rifky Layanan administrasi RT/RW masih banyak dilakukan secara manual sehingga menyebabkan proses pelayanan kurang efisien dan data tidak terdokumentasi secara terpusat. Penelitian ini bertujuan mengembangkan RT/RW Hub sebagai aplikasi web untuk mendukung digitalisasi layanan administrasi RT/RW. Pengembangan menggunakan Prototyping Model yang terdiri atas communication, quick plan, modeling quick design, construction of prototype, serta deployment, delivery, and feedback. Aplikasi dikembangkan menggunakan Next.js 16 dan PostgreSQL melalui Supabase serta diintegrasikan dengan Mayar API untuk pembayaran iuran. Pengujian dilakukan menggunakan Black Box Testing dan User Acceptance Testing (UAT). Hasil pengujian menunjukkan bahwa fungsi utama aplikasi berjalan sesuai kebutuhan dan aplikasi dapat diterima oleh tujuh responden yang terdiri atas lima warga dan dua pengurus RT. RT/RW Hub dapat menjadi alternatif media digital untuk mendukung layanan administrasi RT/RW secara lebih terstruktur dan terdokumentasi.; Neighborhood administrative services are still largely managed manually, resulting in inefficient processes and decentralized data management. This study aims to develop RT/RW Hub as a web-based application to support the digitalization of neighborhood administrative services. The application was developed using the Prototyping Model, consisting of communication, quick plan, modeling quick design, construction of prototype, and deployment, delivery, and feedback. The system was developed using Next.js 16 and PostgreSQL through Supabase, with Mayar API integration for online fee payments. Testing was conducted using Black Box Testing and User Acceptance Testing (UAT). The results showed that the main functions operated as expected and the application was accepted by seven respondents consisting of five residents and two RT administrators. RT/RW Hub can serve as a digital alternative for supporting more structured and documented neighborhood administrative services.

2026-01-01T00:00:00Z ALZAKY, LUTHFIANO http://repository.ipb.ac.id/handle/123456789/178452 2026-08-12T06:13:59Z 2026-01-01T00:00:00Z

Klasifikasi Tingkat Keparahan Penyakit Mata Diabetic Retinopathy Menggunakan ResNet-50 dan Visualisasi GradCAM ALZAKY, LUTHFIANO Diabetic Retinopathy (DR) merupakan komplikasi diabetes pada mata yang dapat menyebabkan gangguan penglihatan hingga kebutaan. Penelitian ini menerapkan ResNet-50 berbasis transfer learning dan visualisasi Gradient- weighted Class Activation Mapping (GradCAM) untuk mengklasifikasikan tingkat keparahan DR pada dataset APTOS 2019 yang terdiri atas 3.662 citra fundus. Tahap praproses meliputi pengubahan ukuran citra, Contrast-Limited Adaptive Histogram Equalization (CLAHE), oversampling, augmentasi berupa rotasi, zoom, dan flip horizontal, serta normalisasi. Optimasi hyperparameter menggunakan Grid Search terhadap 18 kombinasi menghasilkan konfigurasi terbaik berupa learning rate 0,001, optimizer AdamW, dropout 0,6, dan batch size 64 dengan QWK validasi 0,8849. Pelatihan akhir dalam lima pengulangan menghasilkan rata-rata QWK 0,9359 pada data validasi dan 0,9242 pada data uji. Performa terbaik dan paling stabil diperoleh pada kelas Normal, sedangkan kelas Severe dan Proliferative masih menunjukkan variasi performa lebih besar. GradCAM memperlihatkan perhatian model pada area retina yang relevan. Dengan demikian, integrasi ResNet-50 dan GradCAM berpotensi menjadi alat bantu dokter dalam mendeteksi tingkat keparahan DR secara lebih terinterpretasi.; Diabetic Retinopathy (DR) is a diabetic eye complication that can lead to visual impairment and blindness. This study applies ResNet-50 with transfer learning and Gradient-weighted Class Activation Mapping (GradCAM) to classify DR severity using the APTOS 2019 dataset, comprising 3,662 fundus images. Preprocessing included image resizing, Contrast-Limited Adaptive Histogram Equalization (CLAHE), oversampling, data augmentation through rotation, zoom, and horizontal flip, and normalization. Hyperparameter optimization using Grid Search across 18 combinations identified the best configuration: a learning rate of 0.001, AdamW optimizer, 0.6 dropout, and a batch size of 64, achieving a validation QWK of 0.8849. Final training over five repetitions achieved mean QWK scores of 0.9359 on validation data and 0.9242 on test data. The model performed best and most consistently on the Normal class, while Severe and Proliferative classes showed greater performance variation. GradCAM highlighted retinal regions relevant to classification. Therefore, the integration of ResNet-50 and GradCAM has the potential to support clinicians in detecting DR severity through visually interpretable results.

2026-01-01T00:00:00Z Suganda, Noer Hanifah http://repository.ipb.ac.id/handle/123456789/178417 2026-08-12T04:49:37Z 2026-01-01T00:00:00Z

Model Prediksi Radiasi Penyinaran untuk Evaluasi Kesesuaian Lahan Bawang Putih (INA Agro-GARLIC) Suganda, Noer Hanifah Radiasi penyinaran merupakan variabel faktor dinamis pada INA Agro-GARLIC sebagai sistem rekomendasi kesesuaian lahan bawang putih pada kawasan prioritas pengembangan lahan bawang putih di Indonesia. Namun, saat ini proses modeling prediksi untuk radiasi matahari belum dilakukan pada sistem INA Agro-GARLIC sehingga perubahan radiasi matahari dari waktu ke waktu belum sepenuhnya memengaruhi hasil evaluasi lahan bawang putih. Oleh karena itu, diperlukan model prediksi radiasi matahari yang mampu merepresentasikan karakteristik data yang bersifat nonlinear serta memiliki ketergantungan temporal dan spasial. Model Long Short-Term Memory (LSTM) telah banyak digunakan untuk memodelkan ketergantungan temporal pada data deret waktu, namun belum mengakomodasi hubungan spasial wilayah pengamatan. Penelitian ini bertujuan membangun serta membandingkan kinerja model Long Short-Term Memory (LSTM) dan Convolutional Long Short-Term Memory (ConvLSTM) dalam memprediksi radiasi matahari. Data yang digunakan merupakan data radiasi matahari hasil statistical downscaling berbasis Random Forest pada domain spasial berukuran 3×3 grid. Model dibangun menggunakan data historis sepanjang 252 langkah waktu untuk memprediksi 12 langkah waktu berikutnya. Optimasi hiperparameter dilakukan menggunakan Optuna, sedangkan evaluasi model dilakukan menggunakan Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), koefisien determinasi (R²), serta paired Moving Block Bootstrap untuk mengevaluasi perbedaan kinerja kedua model. Hasil penelitian menunjukkan bahwa model LSTM memperoleh nilai MAE sebesar 40,0817 W/m², RMSE sebesar 59,1422 W/m², MAPE sebesar 23,12%, dan R² sebesar 0,8061. Sementara itu, model ConvLSTM memperoleh nilai MAE sebesar 39,7404 W/m², RMSE sebesar 58,7890 W/m², MAPE sebesar 22,55%, dan R² sebesar 0,8084. Hasil paired Moving Block Bootstrap menunjukkan bahwa interval kepercayaan 95% untuk selisih MAE, RMSE, dan R² masih mencakup nol, sedangkan interval kepercayaan selisih MAPE tidak mencakup nol. Hasil tersebut menunjukkan bahwa pemodelan struktur spasio-temporal menggunakan ConvLSTM belum menghasilkan peningkatan kinerja yang signifikan pada seluruh metrik dibandingkan LSTM untuk domain spasial 3×3 yang digunakan.; Solar radiation is a dynamic variable factor in INA Agro-GARLIC as a garlic land suitability recommendation system in priority areas for garlic land development in Indonesia. Currently, however, the predictive modeling process for solar radiation has not yet been implemented in the INA Agro-GARLIC system, meaning temporal changes in solar radiation do not yet fully influence the garlic land suitability evaluation results. Therefore, a solar radiation prediction model is needed that is capable of representing nonlinear data characteristics as well as having temporal and spatial dependencies. The Long Short-Term Memory (LSTM) model has been widely used to model temporal dependencies in time series data, but it has not accommodated the spatial relationships of the observation region. This study aims to build and compare the performance of Long Short-Term Memory (LSTM) and Convolutional Long Short-Term Memory (ConvLSTM) models in predicting solar radiation. The data used are solar radiation data resulting from Random Forest-based statistical downscaling on a 3×3 grid spatial domain. The models are built using historical data over 252 time steps to predict the next 12 time steps. Hyperparameter optimization is performed using Optuna, while model evaluation is conducted using Mean Absolute Error (MAE), Root Mean Squared Error (RMSE), Mean Absolute Percentage Error (MAPE), coefficient of determination (R²), and paired Moving Block Bootstrap to evaluate the performance differences between the two models. The results show that the LSTM model achieves an MAE of 40.0817 W/m², an RMSE of 59.1422 W/m², a MAPE of 23.12%, and an R² of 0.8061. Meanwhile, the ConvLSTM model achieves an MAE of 39.7404 W/m², an RMSE of 58.7890 W/m², a MAPE of 22.55%, and an R² of 0.8084. The paired Moving Block Bootstrap results show that the 95% confidence intervals for the differences in MAE, RMSE, and R² still include zero, whereas the confidence interval for the difference in MAPE does not include zero. These results indicate that spatio-temporal structure modeling using ConvLSTM has not yielded a significant performance improvement across all metrics compared to LSTM for the 3×3 spatial domain used.

2026-01-01T00:00:00Z