http://repository.ipb.ac.id/handle/123456789/162418 Sat, 11 Jul 2026 07:04:38 GMT 2026-07-11T07:04:38Z http://repository.ipb.ac.id/handle/123456789/174356 Alokasi Dosen Pembimbing Pertama Tugas Akhir Mahasiswa dengan Pendekatan Cosine Similarity dan Genetic Algorithm Putri, Sandra Berliana Proses alokasi dosen pembimbing pertama tugas akhir mahasiswa di perguruan tinggi sering menghadapi kendala efisiensi karena perlu menyelaraskan kapasitas maksimum bimbingan dosen, dosen pilihan mahasiswa, dan kesesuaian topik penelitian berbasis teks terbuka. Penelitian ini bertujuan membangun mekanisme optimasi alokasi dosen pembimbing pertama menggunakan genetic algorithm (GA) yang dikombinasikan dengan cosine similarity untuk mengukur kemiripan topik. Permasalahan dimodelkan menggunakan metode penalti yang mengintegrasikan hard constraint (kapasitas maksimum bimbingan dosen) dan soft constraint (dosen pilihan mahasiswa dan topik penelitian). Data teks dibobotkan menggunakan term frequency-inverse document frequency (TF-IDF) dengan tiga skema n-gram (unigram, bigram, dan unibigram). GA kemudian dijalankan pada delapan skenario kombinasi jumlah generasi, mekanisme penalti kapasitas, dan skema pembobotan. Hasil penelitian menunjukkan bahwa hanya peningkatan jumlah generasi yang meningkatkan nilai fitness solusi dan waktu komputasi. S6- unibigram dipilih karena menghasilkan alokasi yang terbaik tanpa melanggar kapasitas maksimum bimbingan dosen, meminimumkan ketidaksesuaian dosen pilihan dan topik penelitian, serta efisien secara komputasi. Mekanisme terbaik ini kemudian diimplementasikan ke dalam dashboard interaktif berbasis R Shiny untuk mendukung pengambilan keputusan ke depannya.; The allocation process of the first supervisor for students' final assignments in higher education often faces efficiency challenges due to the need to align lecturer capacities, students' preferred lecturers, and research topic suitability based on open text. This study aims to build an optimization mechanism for allocating the first supervisor using a genetic algorithm (GA) combined with cosine similarity to measure topic similarity. The problem is modeled using a penalty method that integrates hard constraint (maximum advising capacity) and soft constraint (preferred lecturers and research topics). Text data are weighted using term frequency-inverse document frequency (TF-IDF) across three n-gram schemes (unigram, bigram, and unibigram). GA is then run across eight scenarios combining numbers of generations, capacity penalty mechanisms, and weighting scheme. The results show that only the increase in the number of generations improves the solution's fitness value and computation time. S6-unibigram was selected because it produced the best allocation without violating lecturers' maximum advising capacities, minimizing mismatches in preferred lecturers and research topics, and remaining computationally efficient. This best mechanism was then implemented into an interactive dashboard based on R Shiny to support decision-making in the future. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/174356 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/173948 Penerapan Retrieve-and-Rerank Entity Resolution untuk Deteksi Duplikat Nonidentik Data Aktivitas Mahasiswa IPB Alifi, Muhammad Dzakwan Data aktivitas mahasiswa IPB University periode 2019/2020–2025/2026 memiliki variasi penulisan yang tinggi, seperti penggunaan akronim yang tidak seragam, kesalahan pengetikan, serta penggunaan istilah campuran bahasa. Hal tersebut menyebabkan duplikat nonidentik sulit dideteksi oleh metode berbasis pencocokan string literal seperti Exact Match dan Fuzzy Match. Penelitian ini bertujuan mengadaptasi dan mengevaluasi metode entity resolution EnsembleLink berbasis retrieve-and-rerank untuk deteksi dan pengelompokan duplikat nonidentik intradataset pada data aktivitas mahasiswa IPB secara zero-shot. Metode yang diadaptasi memadukan sparse retrieval TF-IDF, dense retrieval IndoE5, penyaringan cross-encoder, dan pengelompokan connected components. Evaluasi kinerja dilakukan terhadap data acuan yang disusun dengan bantuan LLM dan divalidasi secara sampling untuk memastikan kesesuaian pasangan serta klaster duplikat nonidentik. Hasil evaluasi menunjukkan bahwa EnsembleLink mencapai F1-score 0,7892, recall 0,8447, dan precision 0,7405 pada ambang batas 0,7, yang mengungguli metode pencocokan konvensional. Modul reranker terbukti efektif mencegah kesalahan penggabungan klaster. Penerapan metode ini dapat mendukung pembersihan data aktivitas kemahasiswaan secara semi-otomatis pada tingkat institusi.; IPB University student activity records from 2019/2020–2025/2026 exhibited high spelling variations, such as non-uniform acronym usage, typographical errors, and mixed-language terms. These variations made non-identical duplicates difficult to detect using string-literal matching methods such as Exact Match and Fuzzy Match. This study aimed to adapt and evaluate the EnsembleLink retrieve-and-rerank entity resolution framework for zero-shot detection and clustering of non-identical duplicates within the IPB student activity dataset. The adapted method integrated TF-IDF sparse retrieval, IndoE5 dense retrieval, cross-encoder filtering, and connected components clustering. Performance evaluation was conducted against a ground truth dataset constructed with LLM assistance and validated via sampling to ensure the correctness of pairs and non-identical duplicate clusters. Evaluation results showed that EnsembleLink achieved an F1-score of 0.7892, recall of 0.8447, and precision of 0.7405 at a 0.7 threshold, which outperformed conventional matching methods. The reranker module was proven to effectively prevent erroneous cluster merges. The implementation of this method supported semi-automatic student activity data cleaning at the institutional level. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/173948 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/173790 emodelan Konsentrasi PM2.5 di Indonesia dengan Geographically and Temporally Weighted Random Forest dan Interpretasi Berbasis SHAP Purba, Sintong M.N Konsentrasi particulate matter berukuran kurang dari 2.5 mikrometer (PM2.5) merupakan polutan udara yang berdampak serius terhadap kesehatan manusia dan bersifat heterogen secara spasial dan temporal. Penelitian ini menerapkan model Geographically and Temporally Weighted Random Forest (GTWRF) untuk memodelkan konsentrasi PM2.5 di Indonesia menggunakan data grid beresolusi 0.1° × 0.1° periode 2020–2024 dengan enam peubah prediktor meliputi suhu udara, tekanan udara, curah hujan, leaf area index, kecepatan angin, dan jumlah penduduk. Model GTWRF terbukti menghasilkan performa yang lebih unggul dengan nilai root mean square error (RMSE) sebesar 3.113 dan R^2 sebesar 0.903 dibandingkan dengan dibandingkan random forest global dengan nilai RMSE 5.306 dan R^2 0.703. Interpretasi model melalui nilai Shapley Additive Explanations (SHAP) yang diringkas menggunakan algoritme clustering large applications (CLARA) menghasilkan lima gerombol wilayah dengan karakteristik pengaruh peubah yang berbeda dan dinamis sepanjang periode pengamatan. Curah hujan dan kecepatan angin merupakan peubah paling dominan yang arah dan besar pengaruhnya sangat dikendalikan oleh siklus La Niña dan El Niño.; The concentration of particulate matter smaller than 2.5 micrometers (PM2.5) is an air pollutant that has a serious impact on human health and is heterogeneously distributed both spatially and temporally. This study applies the geographically and temporally weighted random forest (GTWRF) model to simulate PM2.5 concentrations in Indonesia using 0.1° × 0.1° grid data for the period 2020–2024, with six predictors variables including air temperature, air pressure, rainfall, leaf area index, wind speed, and population. The GTWRF model proved to perform better than the global random forest, with a root mean square error (RMSE) value of 3.113 and an R² of 0.903, compared to an RMSE of 5.306 and an R² of 0.703. Model interpretation through Shapley additive explanations (SHAP) summarized using the algorithm clustering large applications (CLARA), resulted in five regional clusters characterized by different and dynamic influences of the variables throughout the observation period. Rainfall and wind speed were the most dominant variables, with their direction and magnitude of influence being highly controlled by the La Niña and El Niño cycles. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/173790 2026-01-01T00:00:00Z http://repository.ipb.ac.id/handle/123456789/173772 Perbandingan Performa Model LSTM dan NHITS dalam Peramalan Nilai Tukar Rupiah terhadap Dolar Amerika Serikat ALPHAROFI, DESWITA NUR Nilai tukar rupiah terhadap dolar Amerika Serikat berperan penting dalam perekonomian Indonesia. Dalam perdagangan valuta asing, nilai tukar mata uang akan terus berfluktuasi mengikuti harga pasar sehingga cenderung memiliki pola nonlinier yang menjadi tantangan dalam melakukan peramalan yang akurat. Berbagai metode machine learning dikembangkan untuk menjawab tantangan tersebut, seperti Long Short-Term Memory (LSTM) dan Neural Hierarchical Interpolation Time Series (NHITS). Oleh karena itu, penelitian ini dilakukan untuk membandingkan performa dari model LSTM dan NHITS dalam peramalan nilai tukar rupiah terhadap dolar Amerika Serikat. Data harga penutupan harian dari 2 Januari 2017 hingga 30 Januari 2026 yang diperoleh dari laman resmi Yahoo Finance digunakan dalam penelitian. Proses analisis mencakup eksplorasi dan praproses data, pemodelan LSTM, pemodelan NHITS, perbandingan performa, dan peramalan. Hasil penelitian menunjukkan NHITS memberikan performa yang lebih baik dibandingkan LSTM dengan nilai Mean Absolute Percentage Error (MAPE) sebesar 1,12% dan korelasi Pearson sebesar 0,85 serta waktu komputasi yang lebih singkat. Sementara itu, model LSTM menghasilkan nilai MAPE sebesar 1,24% dan korelasi Pearson sebesar 0,80. Hasil peramalan menunjukkan bahwa model NHITS mampu mengikuti perubahan pada data aktual dengan lebih baik, sedangkan model LSTM menghasilkan pola peramalan yang lebih halus dengan fluktuasi yang lebih kecil dibandingkan data aktual.; The exchange rate of the rupiah against the US dollar plays a crucial role in Indonesia’s economy. In the foreign exchange market, exchange rates fluctuate continuously with nonlinear patterns according to market prices, which present challenges for accurate forecasting. Various machine learning methods have been developed to address these challenges, such as Long Short-Term Memory (LSTM) and Neural Hierarchical Interpolation Time Series (NHITS). Therefore, this study aimed to compare the performance of LSTM and NHITS models in forecasting the Indonesian rupiah exchange rate against the US dollar. Daily data from January 2, 2017 to January 30, 2026 obtained from the official Yahoo Finance website was used in this study. The analysis process included data exploration and preprocessing, LSTM modelling, NHITS modelling, performance comparison, and forecasting. The results indicated that NHITS achieved better performance than LSTM, with a Mean Absolute Percentage Error (MAPE) of 1.12%, a Pearson correlation of 0.85, and shorter computation time. Meanwhile, the LSTM produced a MAPE of 1.24% and a Pearson correlation of 0.80. The forecasting results showed that the NHITS model better captured changes in the actual data, while the LSTM model produced smoother forecasting patterns with smaller fluctuations than the actual data. Thu, 01 Jan 2026 00:00:00 GMT http://repository.ipb.ac.id/handle/123456789/173772 2026-01-01T00:00:00Z