Portofolio Proyek Skripsi



Klasifikasi Penyakit Daun Cabai

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanGLCM (Gray-Level Co-occurence Matrix) dan SVR (Support Vector Regression)
Total waktu pengerjaan4 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk melakukan deteksi terhadap jenis penyakit yang diderita oleh tanaman cabai berdasarkan input citra daun. Sistem akan melakukan pelatihan dengan menggunakan berbagai macam jenis penyakit yang tersedia. Setiap citra akan diekstrak fiturnya menggunakan GLCM (Gray-Level Co-occurence Matrix) dan kemudian diklasifikasikan menggunakan SVR (Support Vector Regression), sehingga pada saat pengujian sistem dapat menganalisa citra pengujian untuk mendapatkan jenis penyakit yang tepat. Tutorial kedua metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Penentuan Status Gizi Balita

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 7.3.6 (bisa dicoba menggunakan versi 7 yang lebih rendah)
Metode TambahanDBSCAN (Density-Based Spatial Clustering of Applications with Noise)
Total waktu pengerjaan3 hari
Deskripsi Proyek
Aplikasi ini bertujuan untuk menentukan klasifikasi status gizi balita berdasarkan 3 buah parameter yaitu umur, berat badan dan tinggi badan. Pengukuran akan dilakukan dengan menggunakan 3 buah sistem perbandingan, yaitu perbandingan umur terhadap berat badan, umur terhadap tinggi badan, dan berat badan terhadap tinggi badan. Sistem akan melakukan pengujian terhadap sekumpulan data dengan cara melakukan prediksi menggunakan 3 buah metode tersebut, dan kemudian mengambil hasil prediksi berdasarkan metode yang paling akurat.Metode yang digunakan adalah metode DBSCAN (Density-Based Spatial Clustering of Applications with Noise). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Deteksi Jenis Kerusakan Jalan

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanGLCM (Gray-Level Co-occurence Matrix) dan SVR (Support Vector Regression)
Total waktu pengerjaan2 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk melakukan deteksi terhadap jenis kerusakan jalan berdasarkan input citra yang dilakukan dalam pengujian. Tetapi sebelum melakukan hal tersebut maka sistem harus melakukan pelatihan dengan menggunakan berbagai macam jenis citra kerusakan jalan untuk dapat mengklasifikasikan citra pengujian dengan baik. Masing-masing citra akan diekstrak fiturnya menggunakan GLCM (Gray-Level Co-occurence Matrix) dan kemudian diklasifikasikan menggunakan SVR (Support Vector Regression). Tutorial kedua metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Penjadwalan Mata Pelajaran

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 7.3.6 (bisa dicoba menggunakan versi 7 yang lebih rendah)
Metode TambahanGA (Genetic Algorithm) / Algoritma Genetika dan DEA (Differential Evolution Algorithm)
Total waktu pengerjaan3 hari
Deskripsi Proyek
Sama seperti permasalahan penjadwalan pada umumnya, aplikasi ini bertujuan untuk menemukan jadwal mata pelajaran dengan batasan inputan mata pelajaran dan guru. Input yang tersedia pada sistem adalah data mata pelajaran, guru, kelas, waktu, dan tabel asosiasi pengajaran yang berisi data hubungan kemampuan antara guru dan mata pelajaran yang diampu. Sistem akan melakukan pencarian jadwal pelajaran yang valid dan menampilkan hasilnya pada layar. Selain itu juga terdapat fitur untuk melakukan pencetakan hasil penjadwalan yang sudah ditampilkan sebelumnya.Metode yang digunakan adalah metode Algorima Genetika dan DEA (Differential Evolution Algorithm). Tutorial metode ini dapat dilihat pada link diatas.

Screenshot Hasil Implementasi
dummy dummy

Permasalahan Two List

Bahasa PemrogramanPython
SoftwarePython 3.7.1
DatabaseTidak ada
Metode TambahanTidak ada
Total waktu pengerjaan2 hari
Deskripsi Proyek
Terdapat dua orang yang memiliki sejumlah kotak K (1<=K<=10^6) yang masing-masing berisi sejumlah barang N (1<=N<=10^6). Solusi yang diinginkan adalah melakukan pertukaran satu kotak antara kedua orang tersebut sehingga keseluruhan jumlah barang yang dimiliki orang pertama adalah sama dengan milik orang kedua. Pada saat skrip dijalankan, pengguna dapat memasukkan jumlah barang yang dimiliki oleh orang pertama dan kedua dengan menggunakan format yang telah disepakati, dan kemudian sistem akan secara otomatis mencari solusi yang memenuhi syarat diatas.

Screenshot Hasil Implementasi
dummy dummy

N-Queens Problem

Bahasa PemrogramanPython
SoftwarePython 3.7.1
DatabaseTidak ada
Metode TambahanFA (Firefly Algorithm)
Total waktu pengerjaan3 hari
Deskripsi Proyek
Terdapat papan catur berukuran N beserta dengan N bidak ratu yang tersedia. Tujuan utama dari implementasi ini adalah untuk meletakkan semua bidak raut pada papan catur tersebut tetapi dengan batasan bahwa tidak boleh ada bidak ratu yang berada satu garis dengan bidak ratu lainnya, baik secara horizontal, vertikal, ataupun diagonal. Pada saat skrip dijalankan, pengguna dapat memasukkan nilai N dan kemudian sistem akan secara otomatis mencari solusi yang memenuhi syarat diatas. Solusi terbaik kemudian ditampilkan pada layar, dengan hasil visualisasi papan catur apabila menggunakan solusi tersebut.

Screenshot Hasil Implementasi
dummy dummy

Penyisipan Citra Dalam Audio

Bahasa PemrogramanMicrosoft C# .NET
SoftwareMicrosoft Visual Studio 2012
DatabaseTidak ada
Metode TambahanSpread Spectrum
Total waktu pengerjaan3 hari
Deskripsi Proyek
Terdapat 3 buah fitur utama yang tersedia pada aplikasi ini. Form Add Watermark berfungsi untuk menyisipkan watermark berupa citra ke dalam file audio. Pengguna dapat memilih file audio dan file citra yang ingin disisipkan, memasukkan kata kunci yang diinginkan, dan kemudian mengklik tombol Embed untuk menyisipkan watermark tersebut. Form Extract Watermark berfungsi sebaliknya, yaitu untuk mengembalikan file audio yang sudah terwatermark agar kembali seperti file audio semula. Proses ini juga mengembalikan file citra yang sebelumnya disisipkan. Fitur ketiga adalah fitur pengujian dimana pengguna dapat mengetahui nilai MSE dan PSNR dari kedua file audio asli dengan yang sudah terwatermark.

Screenshot Hasil Implementasi
dummy dummy

Penjadwalan Mata Kuliah

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanSA (Simulated Annealing)
Total waktu pengerjaan6 hari
Deskripsi Proyek
Terdapat sejumlah data yang diperlukan dalam kasus penjadwalan ini yaitu data mata kuliah, dosen, kemampuan dosen dan ruang yang tersedia. Data-data ini kemudian akan diproses untuk memperoleh jadwal kuliah yang paling baik dengan memenuhi batasan-batasan tertentu dari segi dosen, ruang dan waktu. Penjadwalan juga dilakukan secara sekaligus untuk tiga buah fakultas sehingga terdapat beberapa batasan khusus agar tidak menghasilkan jadwal perkuliahan yang bentrok. Hasil “tabel besar” dapat dilihat secara langsung setelah melakukan proses penjadwalan, sedangkan hasil rangkuman penjadwalan per fakultas dapat dilihat setelah mengklik tombol terkait.

Screenshot Hasil Implementasi
dummy

Optimasi Multi Depot VRP

Bahasa PemrogramanMicrosoft Visual Basic .NET
SoftwareMicrosoft Visual Studio 2012
DatabaseMicrosoft SQL Server 2012
Metode TambahanACO (Ant Colony Optimization)
Total waktu pengerjaan3 hari
Deskripsi Proyek
Tujuan utama aplikasi ini adalah untuk mendapatkan jalur terpendek yang dilalui oleh sebuah kendaraan yang dapat memuat barang sebanyak mungkin dan memenuhi permintaan konsumen sebanyak mungkin. Data yang tersedia adalah matriks data perbandingan jarak dari masing-masing konsumen dan matriks data permintaan dari masing-masing konsumen, yang keduanya dapat dimasukkan ke dalam aplikasi dengan menggunakan tombol pilih file. Setelah itu pengguna dapat mengeset beberapa properti yang diinginkan dan kemudian mengklik tombol proses perhitungan. Sistem akan melakukan perhitungan dan menampilkan rute kendaraan yang paling optimal beserta dengan jarak tempuh yang dilakukan oleh kendaraan tersebut.

Screenshot Hasil Implementasi
dummy dummy

Prediksi Industri Non Migas

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanBack-Propagation
Total waktu pengerjaan4 hari
Deskripsi Proyek
Aplikasi ini memiliki sebuah tujuan yaitu untuk mengetahui urutan kriteria industri non migas yang lebih mempengaruhi dibandingkan dengan lainnya. Untuk melakukan hal tersebut maka sistem akan melakukan pengolahan data berdasarkan pilihan arsitektur jaringan yang dapat dipilih oleh pengguna sebelum mengklik tombol proses. Data yang tersedia adalah data industri non migas yang dikelompokan per bulan selama beberapa tahun, dan kumpulan data tersebut sudah dipisah sebagai data latih dan data uji. Output yang ditampilkan adalah hasil output pelatihan beserta dengan nilai akurasi dari sistem yang ditemukan, dan urutan kriteria non migas yang didapatkan. Kesimpulan didapatkan dari membandingkan hasil pelatihan dari beberapa arsitektur jaringan saraf dengan nilai kesalahan terendah untuk mendapatkan arsitektur dan urutan terbaik.

Screenshot Hasil Implementasi
dummy dummy

Sistem Pendeteksi Plagiarisme

Bahasa PemrogramanJava
SoftwareNetBeans 8.2, Oracle Java Development Kit 8, Oracle Java Runtime Environment 8
DatabaseXAMPP 7.3.6 (bisa dicoba menggunakan versi 7 yang lebih rendah)
Metode TambahanLevenshtein Distance / Edit Distance dan Stemming Nazief & Andriani
Total waktu pengerjaan3 hari
Deskripsi Proyek
Aplikasi ini memiliki 2 fitur utama yang memiliki fungsi yang mirip. Menu perbandingan 2 dokumen digunakan untuk membandingkan 2 buah dokumen secara langsung. Terdapat tombol untuk memilih dokumen pertama dan kedua, kemudian sebuah tombol lain untuk melakukan proses pembandingan. Kata-kata yang dianggap mirip kemudian akan ditampilkan dengan warna merah, dan persentase kemiripan ditampilkan dengan menggunakan sebuah teks. Menu perbandingan banyak dokumen berfungsi sama seperti menu diatas, tetapi tidak dimunculkan visualisasi kata-kata yang mirip melainkan berupa dokumen apa sajakah yang dianggap tidak mirip. Jika terdapat dokumen pada database yang dianggap mirip dengan dokumen input maka disimpulkan bahwa dokumen input tersebut menjiplak / meniru dokumen yang sudah disimpan sebelumnya.

Screenshot Hasil Implementasi

Klasifikasi Sebaran Titik Panas

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 7.3.6 (bisa dicoba menggunakan versi 7 yang lebih rendah)
Metode TambahanK-Means Clustering
Total waktu pengerjaan3 hari
Deskripsi Proyek
Aplikasi ini bertujuan untuk melakukan pemetaan daerah berdasarkan kelompok titik panas yang didapatkan. Data yang digunakan adalah data titik panas dan curah hujan dari beberapa daerah yang dikumpulkan per bulan selama beberapa tahun terakhir. Terdapat 3 buah fitur yang tersedia pada halaman utama. Fitur pertama adalah fitur perhitungan pengelompokan berdasarkan tahun terpilih. Output yang ditampilkan adalah hasil pemetaan daerah tersebut pada google maps dengan tiga klasifikasi warna: hijau untuk rendah, kuning untuk sedang, dan merah untuk tinggi. Fitur kedua hasil perhitungan kelompok yang difilter berdasarkan kota, sedangkan fitur ketiga adalah untuk menampilkan hasil perhitungan berdasarkan filter kelompok. Selain hasil visual peta, output juga disediakan dalam bentuk tabel yang memperlihatkan data titik panas dan curah hujan dari hasil filter tersebut.

Screenshot Hasil Implementasi
dummy

Optimasi Penempatan Posisi Access Point

Bahasa PemrogramanMicrosoft Visual Basic .NET
SoftwareMicrosoft Visual Studio 2012
DatabaseMicrosoft SQL Server 2012
Metode TambahanSA (Simulated Annealing)
Total waktu pengerjaan6 hari
Deskripsi Proyek
Terdapat 3 buah fitur utama dalam aplikasi ini. Fitur pertama adalah fitur “Survey” dimana aplikasi akan mensimulasikan keadaaan luas cakupan sinyal dalam ruang berdasarkan kondisi yang terjadi dilapangan. Didalam form tersebut disediakan berbagai properti untuk memasukkan posisi access point sesuai dengan kondisi sebenarnya. Fitur kedua adalah fitur optimization dimana aplikasi akan melakukan perhitungan untuk mendapatkan posisi access point yang paling optimal berdasarkan batasan-batasan yang tersedia. Pengguna dapat mengubah beberapa properti untuk menyesuaikan kondisi agar access point dapat diletakkan seperti yang terlihat pada peta simulasi. Fitur ketiga adalah fitur “Analysis” yang berfungsi untuk membandingkan antara kondisi di lapangan dengan hasil teroptimasi. Selain itu juga disediakan fitur untuk membandingkan antara nilai kekuatan sinyal yang dihitung menggunakan rumus dengan nilai yang diukur pada lapangan sehingga dapat diketahui tingkat kesalahan dari perhitungan aplikasi tersebut.

Screenshot Hasil Implementasi

Pemodelan Regresi Linier Jumlah Penduduk

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 7.3.6 (bisa dicoba menggunakan versi 7 yang lebih rendah)
Metode TambahanGA (Genetic Algorithm) / Algoritma Genetika
Total waktu pengerjaan3 hari
Deskripsi Proyek
Tujuan utama dari aplikasi ini adalah untuk menentukan koefisien persamaan linier yang menghasilkan nilai kesalahan yang paling rendah. Data yang tersedia adalah sejumlah data penduduk yang telah dikumpulkan per bulan selama beberapa tahun. Pembacaan data pada program dilakukan dengan cara memilih file dengan format tertentu, dan setelah data tersebut ditampilkan pada layar maka pengguna akan dapat melakukan proses perhitungan dengan mengklik tombol “Lakukan Proses Pelatihan”. Nilai akhir yang didapatkan adalah persamaan linier dengan koefisien yang telah diperoleh dari hasil pelatihan dengan algoritma terpilih.

Screenshot Hasil Implementasi
dummy dummy

Pengenalan Wajah

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanSOM (Self Organizing Maps)
Total waktu pengerjaan4 hari
Deskripsi Proyek
Tujuan utama perancangan aplikasi adalah untuk melakukan pengujian akurasi atas algoritma yang digunakan. Data yang digunakan adalah sekumpulan data wajah yang dikumpulkan dalam set untuk beberapa orang. Citra diproses dengan cara dikonversi ke dalam bentuk grayscale sebelum diproses untuk mendapatkan fitur citra tersebut. Tombol SOM digunakan untuk mendapatkan hasil pemetaan citra beserta dengan hasil pengujian masing-masing citra wajah yang digunakan sebelumnya.

Screenshot Hasil Implementasi
dummy dummy

Klasifikasi Penerima Zakat

Bahasa PemrogramanPHP: Hypertext Preprocessor
SoftwareMicrosoft Notepad
BrowserGoogle Chrome, Mozilla Firefox
DatabaseXAMPP 7.3.6 (bisa dicoba menggunakan versi 7 yang lebih rendah)
Metode TambahanNaive Bayes
Total waktu pengerjaan3 hari
Deskripsi Proyek
Program ini bertujuan untuk melakukan klasifikasi dalam menentukan jenis zakat yang akan diberikan pada sejumlah orang berdasarkan beberapa status data yang telah dikumpulkan sebelumnya. Data tersebut disimpan ke dalam database melalui menu data penerima zakat, sedangkan menu pengujian dan prediksi berfungsi seperti nama menu tersebut. Pada menu pengujian akurasi keseluruhan data penerima zakat tersebut akan diolah untuk menghasilkan sebuah sistem yang kemudian diuji untuk mengetahui tingkat akurasi sistem tersebut. Hasil pelatihan sistem kemudian akan dibawa pada menu prediksi untuk melakukan prediksi terdapat data yang diinputkan pengguna secara manual.

Screenshot Hasil Implementasi
dummy

Analisis Credit Scoring

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanPSO (Particle Swarm Optimization) dan ACO (Ant Colony Optimization)
Total waktu pengerjaan5 hari
Deskripsi Proyek
Aplikasi ini bertujuan untuk membandingkan 2 buah algoritma dalam mendapatkan hasil klasifikasi yang akurat. Aplikasi memiliki sebuah tombol untuk melakukan pembacaan data dengan format tertentu dan sebuah tombol lain untuk melakukan proses pengujian. Data yang digunakan adalah sejumlah data hasil survei yang sudah dirangkum dan dikonversi ke dalam bentuk numerik. Program akan melakukan pengujian klasifikasi menggunakan 2 buah algoritma dan kemudian menampilkan hasil pengujian algoritma tersebut sehingga diketahui algoritma manakah yang lebih baik.

Screenshot Hasil Implementasi
dummy dummy

Deteksi Ekspresi Wajah

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanLBP (Local Binary Pattern) dan Fisherface
Total waktu pengerjaan2 hari
Deskripsi Proyek
Terdapat 2 buah aplikasi yang dirancang secara terpisah yaitu untuk membandingkan hasil klasifikasi antara 2 buah algoritma yang digunakan. Tetapi kedua aplikasi tersebut memiliki struktur yang sama. Program akan melakukan pembacaan data latih dan data uji sebelum melakukan proses pelatihan. Data yang digunakan adalah data sejumlah citra wajah dengan berbagai macam ekspresi tertentu yang sudah ditentukan sebelumnya. Hasil pengujian masing-masing citra uji kemudian akan ditampilkan pada layar dan kemudian dibandingkan dengan algoritma lainnya untuk mendapatkan kesimpulan.

Screenshot Hasil Implementasi
dummy

Peramalan Kebutuhan Material

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanSVR (Support Vector Regression) dan GRNN (General Regression Neural Network)
Total waktu pengerjaan5 hari
Deskripsi Proyek
Fungsi utama aplikasi ini adalah untuk memprediksikan kebutuhan material pada periode setelah periode terpilih. Sistem akan menghitung nilai prediksi menggunakan algoritma yang telah ditentukan, kemudian menghitung nilai tingkat kesalahan antara nilai prediksi ini dengan nilai sebenarnya yang telah tersedia. User kemudian dapat melakukan perbandingan antar kedua metode tersebut dan menarik kesimpulan metode manakah yang lebih mendekati nilai sebenarnya. Jika user ternyata melakukan perhitungan data pada periode terakhir, maka sistem akan menyimpan nilai prediksi sebagai nilai pada periode selanjutnya.Metode yang digunakan adalah metode SVR (Support Vector Regression) dan GRNN (General Regression Neural Network). Tutorial dari metode SVR dapat dilihat pada link diatas.

Screenshot Hasil Implementasi

Prediksi Produksi Crude Palm Oil

Bahasa PemrogramanMathworks Matlab
SoftwareMathworks Matlab R2015a
DatabaseTidak ada
Metode TambahanSVR (Support Vector Regression) dan PSO (Particle Swarm Optimization)
Total waktu pengerjaan3 hari
Deskripsi Proyek
Aplikasi ini bertujuan untuk melakukan prediksi produksi untuk periode berikutnya. Data yang digunakan adalah data produksi yang dikelompokan per bulan selama beberapa tahun. Aplikasi menyediakan sebuah fitur untuk melakukan pembacaan data dari file dengan format tertentu dan kemudian sebuah fitur lainnya untuk melakukan proses prediksi. Hasil prediksi beserta dengan nilai-nilai output lainnya yang diperlukan kemudian akan ditampilkan pada layar.

Screenshot Hasil Implementasi
dummy dummy

Lihat Portofolio Sebelumnya


Tertarik menggunakan jasa kami? Informasi lebih lanjut mengenai fasilitas dan harga yang ditawarkan dapat dilihat pada Fasilitas dan Harga Hubungi kami di Hubungi Kami