Hasil Pencarian  ::  Simpan CSV :: Kembali

"Salah satu faktor keberhasilan suatu model pembelajaran dalam machine learning atau deep learning adalah dataset yang digunakan. Pemilihan dataset yang digunakan untuk pelatihan suatu model sangat penting dalam pemrosesan yang dilakukan. Beberapa model deep learning seperti sistem pemrosesan text-to-speech pada model Tacotron2 sangat bergantung dengan dataset yang dipilih. Hal tersebut dikarenakan dalam pelatihan yang dilakukan untuk pembentukan suatu model pada bahasa tertentu harus menggunakan bahasa tersebut agar kualitas dari suara sintesis yang dihasilkan dapat mendekati pelafalan yang seharusnya untuk bahasa yang ditentukan. Pada penelitian ini dilakukan pelatihan yang bertujuan untuk pembentukan model Tacotron2 pada Bahasa Indonesia, sehingga untuk mendapatkan hasil yang lebih baik, maka digunakan dataset berbahasa Indonesia dari rekaman podcast dan talk show. Pada penelitian ini dilakukan dua skenario untuk mendapatkan hasil yang paling optimal. Skenario pertama adalah melakukan pelatihan pada model Tacotron2 menggunakan dataset berbahasa Indonesia yang terdiri dari banyak pembicara. Skenario kedua adalah melakukan pelatihan pada model Tacotron2 menggunakan dataset berbahasa Indonesia yang terdiri dari satu pembicara. Dalam pemrosesan pelatihan untuk pembentukan model Tacotron2 pada Bahasa Indonesia dilakukan dengan menggunakan pre-trained dan hyperparameter berdasarkan penelitian sebelumnya (Shen, et al., 2018). Hasil dari setiap skenario dievaluasi menggunakan Mean Opinion Score (MOS). Kuesioner disebarkan kepada 25 responden untuk menilai kualitas dari suara yang terbentuk berdasarkan kriteria penilaian pada MOS. Suara yang dibentuk oleh model Tacotron2 pada skenario pertama menghasilkan nilai MOS sebesar 4.01. Sedangkan suara yang dibentuk oleh model Tacotron2 pada skenario kedua menghasilkan nilai MOS sebesar 3.78. Hal tersebut menunjukkan bahwa penggunaan dataset berbahasa Indonesia dari rekaman podcast dan talk show dalam pembentukan model Tacotron2 untuk Bahasa Indonesia menghasilkan kualitas yang cukup baik.

---

One of the success factors of a learning model in machine learning or deep learning is the dataset used. The selection of the dataset used for training a model is very important. Some deep learning models such as the text-to-speech processing system in Tacotron2 are highly dependent on the selected dataset. This is because the training for forming a model in a particular language must use the same language so that the quality of the synthetic sound produced can resemble the proper pronunciation and prosody. In this study, training is aimed to form Tacotron2 model in Bahasa Indonesia. So, to get better results, a dataset in Bahasa Indonesia from recorded podcasts and talk shows are developed. Based on the dataset, two scenarios of training were conducted to obtain the most optimal results. The first scenario is to conduct training on the Tacotron2 model using the dataset consisting of many speakers. The second scenario is to conduct training on the Tacotron2 model the dataset consisting of only one speaker. Both scenarios employed the Tacotron2 model and the hyperparameters used in previous work (Shen, et al., 2018).

The results of each scenario are evaluated using the Mean Opinion Score (MOS). Questionnaires are distributed to 25 respondents to assess the quality of the sound formed based on the MOS assessment criteria. The sound formed by the Tacotron2 model in the first scenario produces an MOS value of 4,012. While the sound formed by the Tacotron2 model in the second scenario produces an MOS value of 3.78. This shows that the use of Indonesian language dataset from recorded podcasts and talk shows in the formation of the Tacotron2 model for Bahasa Indonesia produces a good quality."

"Text clustering adalah teknik pengelompokan teks sehingga teks di dalam kelompok yang sama memiliki tingkat similaritas yang lebih tinggi satu sama lain dibandingkan dengan teks pada kelompok yang berbeda. Proses pengelompokkan teks secara manual membutuhkan waktu dan sumber daya yang banyak sehingga digunakan machine learning untuk melakukan pengelompokan secara otomatis. Representasi dari teks perlu diekstraksi sebelum dimasukkan ke dalam model machine learning. Metode yang umumnya digunakan untuk mengekstraksi representasi data teks adalah TFIDF. Namun, metode TFIDF memiliki kekurangan yaitu tidak memperhatikan posisi dan konteks penggunaan kata. Model BERT adalah model yang dapat menghasilkan representasi kata yang bergantung pada posisi dan konteks penggunaan suatu kata dalam kalimat. Penelitian ini menganalisis kinerja model BERT sebagai metode representasi data teks dengan membandingkan model BERT dengan TFIDF. Selain itu, penelitian ini juga mengimplementasikan dan membandingkan kinerja metode ekstraksi dan normalisasi fitur yang berbeda pada representasi teks yang dihasilkan model BERT. Metode ekstraksi fitur yang digunakan adalah max dan mean pooling. Sementara itu, metode normalisasi fitur yang digunakan adalah identity, layer, standard, dan min-max normalization. Representasi teks yang diperoleh dimasukkan ke dalam 4 algoritma clustering berbeda, yaitu k-means clustering, eigenspace-based fuzzy c-means, deep embedded clustering, dan improved deep embedded clustering. Kinerja representasi teks dievaluasi dengan menggunakan metrik clustering accuracy, normalized mutual information, dan adjusted rand index. Hasil simulasi menunjukkan representasi data teks yang dihasilkan model BERT mampu mengungguli representasi yang dihasilkan TFIDF pada 28 dari 36 metrik. Selain itu, implementasi ekstraksi dan normalisasi fitur yang berbeda pada model BERT memberikan kinerja yang berbeda-beda dan perlu disesuaikan dengan algoritma yang digunakan.

---

Text clustering is a task of grouping a set of texts in a way such that text in the same group will be more similar toward each other than to those from different group. The process of grouping text manually requires significant amount of time and labor. Therefore, automation utilizing machine learning is necessary. Text representation needs to be extracted to become the input for machine learning models. The common method used to represent textual data is TFIDF. However, TFIDF cannot consider the position and context of a word in a sentence. BERT model has the capability to produce text representation that incorporate position and context of a word in a sentence. This research analyzed the performance of BERT model as a text representation method by comparing it with TFIDF. Moreover, various feature extraction and normalization methods are also applied in text representation from BERT model. Feature extraction methods used are max and mean pooling. On the other hand, feature normalization methods used are identity, layer, standard, and min-max normalization. Text representation obtained become an input for 4 clustering algorithms, k-means clustering, eigenspace-based fuzzy c-means, deep embedded clustering, and improved deep embedded clustering. Performance of text representations in text clustering are evaluated utilizing clustering accuracy, normalized mutual information, and adjusted rand index. Simulation results showed that text representation obtained from BERT model outperforms representation from TFIDF in 28 out of 36 metrics. Furthermore, different feature extraction and normalization produced varied performances. The usage of these feature extraction and normalization must be altered depending on the text clustering algorithm used."

"Skripsi ini menyajikan deskripsi dan suntingan teks Setan Yahudi Ajeng ajeng kaliyan Jim Hawara dalam Naskah Nagari Siluman koleksi PNRI bernomor AS 51 yang ditulis oleh Pawiradirya. Metode penelitian filologi yang digunakan adalah metode edisi naskah tunggal. Suntingan teks dilakukan dengan menerapkan metode edisi kritis atau edisi standar dilengkapi dengan ringkasan cerita dan pedoman alih aksara. Teks berbentuk prosa ini menggunakan bahasa Jawa dan aksara Jawa. Teks ini menceritakan tentang perebutan kekuasaan antara Jin Hawara beserta keturunannya dengan Setan Yahudi beserta keturunannya.

---

The research present a description and critical text of Setan Yahudi Ajeng ajengan kaliyan Jim Hawara in Nagari Siluma's manuscipt AS 51 which is PNRI collection written by Pawiradirya. The philological method uses the single text edition. The critical text method of philological study use standard critical edition. The study comes with story summary and transliteration guidelines. The prose shaped text uses Java rsquo s language and Java script. This text tells about the war of power struggle between Jewish demon and Hawara genie."

"PT Kliring Penjaminan Efek Indonesia (KPEI) merupakan lembaga kliring dan penjaminan di pasar modal Indonesia. Dalam mencapai visi dan misinya diperlukan layanan sistem berkualitas yang ditandai dengan tercapainya zero defect sistem di lingkungan produksi. Kenyataannya, gangguan terhadap sistem bisnis utama telah menjadi top risk organisasi karena terjadi 36 kali dalam setahun terakhir ini yang berdampak terhadap finansial dan reputasi organisasi. Berdasarkan hal tersebut, diketahui bahwa permasalahan utama yang dihadapi organisasi adalah kurangnya proses pengujian. Untuk mengatasi hal ini, dilakukan penilaian tingkat kematangan dan memberikan rekomendasi perbaikan proses pengujian. Penilaian tingkat kematangan proses pengujian perangkat lunak dilakukan menggunakan Test Maturity Model Integration (TMMi) pada tingkat kematangan 2 (managed) dan mengacu pada ketentuan TMMi Assessment Method Accreditation Requirements (TAMAR). Praktik yang belum dipenuhi akan menjadi rekomendasi perbaikan proses menggunakan metode deming cycle (PDCA). Berdasarkan hasil penilaian diperoleh bahwa PT KPEI masih berada pada tingkat kematangan 1 (initial). Area proses yang memperoleh nilai terendah adalah test planning (PA 2.2) dengan nilai partially achieved. Rekomendasi perbaikan yang perlu dilakukan yaitu penyusunan test plan secara konsisten dan ditinjau secara berkala serta perbaikan isi dokumen test plan. Rekomendasi perbaikan proses pengujian ini diharapkan dapat mengurangi kemunculan bugs sistem di lingkungan produksi.

---

PT Kliring Penjaminan Efek Indonesia (KPEI) is a clearing and guarantee institution in the Indonesian capital market. In achieving its vision and mission, a quality system service is needed, which is marked by the achievement of zero-defect systems in the production environment. In fact, disruption to key business systems has become an organization's top risk because it has occurred 36 times in the past year, which has an impact on the organization's finances and reputation. Based on this, it is known that the main problem faced by the organization is the lack of a testing process. To overcome this, an assessment of the maturity level is carried out and provides recommendations for improvement of the testing process. The assessment of the maturity level of the software testing process is carried out using the Test Maturity Model Integration (TMMi) at maturity level 2 (managed) and refers to the provisions of the TMMi Assessment Method Accreditation Requirements (TAMAR). Practices that have not been met will be included as recommendations for process improvement using the Deming Cycle (PDCA) method. Based on the results of the assessment, it was found that PT KPEI is still at maturity level 1 (initial). The process area that obtained the lowest score was test planning (PA 2.2) with a partially achieved value. Recommendations for improvements that need to be made are the preparation of a test plan consistently and reviewed periodically as well as improvements to the contents of the test plan document. Recommendations for improving the testing process are expected to reduce the appearance of system bugs in the production environment."

"Di dunia digital saat ini, penggunaan perangkat lunak telah menjadi bagian penting dalam kehidupan sehari-hari dan bisnis. Perangkat lunak harus diuji secara ketat untuk menghindari kerugian finansial dalam proses memperbaiki perangkat lunak. Perangkat lunak yang bebas dari cacat dapat meningkatkan fungsionalitas bisnis secara signifikan. Karena itu, memprediksi cacat pada perangkat lunakmenjadi sangat penting dalam industri teknologi. Tujuan dari prediksi cacat pada perangkat Lunak (Software Defect Prediction - SDP) adalah untuk menemukan kemungkinan malfungsi pada perangkat lunak. Penelitian ini mengusulkan pendekatan pemilihan fitur hibrida (filter dan wrapper) berdasarkan metode pengambilan keputusan multi kriteria (Multi Criteria Decision Making - MCDM) dan metode optimisasi Rao untuk memilih fitur yang lebih informatif untuk meningkatkan tingkat prediksi cacat pada perangkat lunak. Fungsi kecocokan (fitness function) yang diusulkan mengukur kecocokan solusi kandidat dengan menggunakan tingkat akurasi prediksi cacat pada perangkat lunak dan rasio fitur pada himpunan data yang dipilih. Kinerja metode yang diusulkan dievaluasi menggunakan tiga himpunan data acuan NASA yang populer (PC5, JM1, dan KC1) dan dibandingkan dengan metode state-of-the-art. Dalam penelitian acuan yang ditulis oleh Thirumoorthy et al. (2022), metode yang diajukan menunjukkan kinerja yang lebih baik daripada algoritma pembanding. Namun, saat peneliti mencoba mereplikasi penelitian acuan, metode yang diajukan tidak menghasilkan peningkatan kinerja yang signifikan.

---

Software has become an important part of business. The software must be tested in order to prevent substantial financial loss. Defect-free software saves business money and effort to fix defects that occurs. Predicting software defects in advance is a crucial task in the software industry. The goal of Software Defect Prediction (SDP) is to predict bugs in software using software metrics as it’s features in the dataset. This paper proposes a hybrid feature selection (using filter–based) approach based on the multi criteria decision making (MCDM) method and the Rao optimization method for selecting informative features to improve the software defect prediction rate. The proposed work measures the fitness value of possible solution using defect prediction rate and feature selection ratio. The performance of the proposed method is evaluated using three popular benchmark NASA datasets (PC5, JM1, and KC1) and compared with the state-of-the-art methods. In the referenced paper written by Thirumoorthy et al. (2022), the proposed method demonstrated better performance than the comparative algorithms. However, when this paper attempted to replicate the cited study, the proposed method did not yield significant performance improvements."

"Dari pers release hasil survey/polling penggunaan software ilegal, sampai dengan hari ketujuh pada 23 Maret 2008, menunjukkan total responden adalah 441 orang dan rasio penggunaan sofware ilegal vs software legal adalah sebesar 75 persen (335 responden) versus 23 persen (96 responden)..."

"Perangkat lunak Enterprise University Information System (Euis) merupakan salah satu produk yang dimiliki oleh Pusat Ilmu Komputer Univesitas Indonesia yang disingkat Pusilkom UI. EUIS telah dikembangkan sejak tahun 2011 yang pada proses pengembangan awalnya menggunakan metodologi Pusilkom Agile Unified Process dan pada dua tahun terakhir ini dikembangkan dengan menngunakan kerangka kerja scrum, namun dalam proses pengembangannya terdapat masalah yaitu sprint goal tidak tercapai dan pengerjaan task melebihi dari estimasi waktu yang diberikan. Dengan adanya permasalahan tersebut yang secara tidak langsung dapat mempengaruhi jadwal pengerjaan produk EUIS secara keseluruhan sehingga dibutuhkan evaluasi yang diharapkan dapat mengatasi permasalahan yang ada dengan mengukur tingkat kematangan proses pengembangan. Dalam mengukur tingkat kematangan, data dikumpulkan melalui pelaksanaan Focus Group Discussion, studi dokumen, dan observasi. Data yang diperoleh kemudian dianalisis menggunakan perhitungan KPA Rating untuk mendapatkan tingkat kematangan. Hasil analisis tingkat kematangan akan didiskusikan dengan organisasi untuk menentukan tingkat kematangan yang ingin dicapai. Sasaran perbaikan dapat diidentifikasi dari praktik- praktik Scrum Maturity Model yang belum dicapai organisasi. Usulan perbaikan nantinya akan dihasilkan dari pemetaan sasaran perbaikan dengan best practices Scrum. Pada hasil penelitian menunjukkan bahwa tingkat kematangan scrum pada organisasi saat ini telah mencapai scrum maturity level 2 dan ingin mencapai scrum maturity leve 3.

---

Enterprise University Information System (Euis) software is a product owned by the Pusat Ilmu Komputer Univesitas Indonesia, abbreviated as Pusilkom UI. EUIS has been developed since 2011, which in the initial development used the methodology of the Pusilkom Agile Unified Process and in the last two years it was generated using the Scrum framework. Still, in the development process there were problems namely the sprint goal was not achieved and the task execution exceeded the estimated time given. With these problems which can indirectly affect the overall work schedule of EUIS products, an evaluation is expected to be able to overcome the existing challenges by measuring the level of maturity of the development process. In measuring the level of maturity, data is collected through the implementation of Focus Group Discussions, document studies, and observations. The data obtained is then analyzed using the KPA Rating calculation to get the level of maturity. The results of the maturity level analysis will be discussed with the organization to determine the level of maturity to be achieved. The improvement target can be identified from the Scrum Maturity Model practices that the organization has not yet reached. The proposed improvements will later be generated from mapping improvement targets with Scrum best practices. The results showed that the Scrum Maturity level in the organization has now reached Scrum Maturity Level 2 and wants to reach Scrum Maturity Level 3."

"Perangkat lunak AB Pro merupakan produk dari PT XYZ. Perusahaan mengharapkan produk ini bebas dari failure kategori major, critical dan blocker yang tidak dapat diselesaikan pada level support call. Semua jenis failure ini menyebabkan operasi bisnis pelanggan terganggu. Failure terjadi karena kurang maksimalnya proses pengujian. Untuk mengetahui kualitas proses pengujian yang sedang berlangsung dibutuhkan asesmen tingkat kematangan proses pengujian tersebut. Maka dari itu, tujuan penelitian ini adalah untuk mengetahui tingkat kematangan proses pengujian dan memberikan rekomendasi perbaikan proses pengujian perangkat lunak AB Pro. Model yang digunakan untuk mengevaluasi kematangan proses pengujian pada penelitian ini adalah Test Maturity Model Integration (TMMi). Model ini memenuhi kebutuhan perusahaan, terutama tahapan yang jelas untuk menentukan arahan komitmen manajemen. Metode penilaian mengacu pada TMMi Assessment Method Accreditation Requirements (TAMAR). Penelitian dilakukan secara kualitatif dengan metode reduksi. Pengambilan data dilakukan dengan FGD bersama dua orang ketua tim pengujian, observasi proses, dan studi dokumen pendukung. Hasil penelitian menunjukkan bahwa tingkat kematangan proses pengujian perangkat lunak di PT XYZ berada pada tingkat kematangan 1 initial. Hal ini menunjukkan bahwa proses pengujian belum dikelola dengan baik dan terdapat pelaksanaan proses yang tidak konsisten. Penelitian ini merekomendasikan perusahaan melakukan enam perbaikan proses pengujian. Tiga rekomendasi jangka pendek (1-6 bulan), yaitu: melakukan monitor kualitas produk; menggunakan teknik desain pengujian; mengembangkan prosedur proses pengujian. Tiga rekomendasi jangka menengah (7-12 bulan), yaitu: membentuk seperangkat indikator kinerja proses pengujian; menentukan estimasi proses pengujian; menjaga serta mendistribusikan komitmen untuk pengujian.

---

Software AB Pro is a product of PT XYZ. The company expects this product to be free from major, critical and blocker failure that cannot be resolved at support call level. All these failures disrupt the customer’s business operations. Failures occur when the testing process is unoptimized. To analyze current testing process quality, testing process maturity level assessment is required. Thus, this study aimed to determine testing process maturity level and provide recommendations to improve AB Pro testing process. The assessment model used in this study is Test Maturity Model Integration (TMMi). The chosen model meets the company requirements, especially having clear steps to determine the direction of management commitment. The assessment method refers to the TMMi Assessment Method Accreditation Requirements (TAMAR). The research was conducted qualitatively with the reduction method. Data collection was carried out through FGD with two team leaders, process observation, and study of supporting documents. From the result, software testing process maturity is still at initial level. This result indicates the testing process has not been appropriately managed, and there is inconsistency of process implementation. There are six recommendations for PT XYZ to improve their testing process. Three short-term recommendations (1-6 months): monitor product quality; use test design techniques; develop process testing procedures. Three medium-term recommendations (7-12 months): establish a set of performance indicators of the testing process; determine the estimation of the testing process; maintain and distribute commitments for testing.

"

"Pada penelitian ini telah dikembangkan sebuah perangkat lunak yang dapat digunakan untuk melakukan perhitungan ketidakpastian aktivitas dari citra planar hasil pemindaian gamma camera. Perangkat lunak merupakan hasil pengembangan dari “Planar Quantification App” milik Maharani, 2021 dan dirancang dengan bahasa pemrograman MATLAB. Algoritma dirancang dengan melakukan propagasi ketidakpastian menggunakan the law of propagation uncertainty pada persamaan aktivitas dalam conjugate view counting seperti faktor kalibrasi, laju cacahan, dan faktor transmisi. Perhitungan ketidakpastian dilakukan untuk organ ginjal kiri dan liver pada time point 1, 24, 48, dan 72 jam setelah injeksi radiofarmaka. Persentase ketidakpastian aktivitas akan mengalami peningkatan seiring dengan bertambahnya time point. Pada organ ginjal kiri diperoleh persentase ketidakpasitian aktivitas dalam rentang 32%-52% sedangkan pada organ liver diperoleh persentase ketidakpastian aktivitas dalam rentang 11%-37%. Pengujian reproduksibilitas algoritma turut dilakukan dengan tujuan untuk melihat reproduksibilitas hasil dari GUI yang telah dirancang dan direpresentasikan dalam bentuk deviasi relatif. Adapun nilai deviasi relatif yang didapatkan paling tinggi sebesar 9,6% secara keseluruhan. Hal ini menunjukkan bahwa reproduksibilitas dari algoritma yang digunakan cukup baik dan masih dapat diterima untuk kedua organ yang diamati.

---

In this study, the software has been developed that can be used to calculate the uncertainty of activity from planar images from gamma camera scans. The software is the result of the development of Maharani, 2021 "Planar Quantification App", and is designed with the MATLAB programming language. The algorithm is designed by performing uncertainty propagation using the law of propagation uncertainty in the activity equation in the conjugate view counting method, such as calibration factor, count rate, and transmission factor. Uncertainty calculations were performed for the left kidney and liver at time points of 1, 24, 48, and 72 hours after radiopharmaceutical injection. The percentage of activity uncertainty will increase as the time point increases. In the left kidney, the percentage of activity uncertainty is in the range of 32%–52%, while in the liver, the percentage of activity uncertainty is in the range of 11%–37%. Algorithm reproducibility testing was also carried out to see the reproducibility of the results of the GUI that had been designed and represented in the form of relative deviation. The relative deviation value obtained is the highest at 9.6% overall. This shows that the reproducibility of the algorithm used is quite good and still acceptable for the two organs observed."

"PT. Telekomunikasi Selular merupakan salah satu penyedia jasa layanan jaringan Internet dengan jangkauan paling luas, yang menjangkau hingga daerah terpencil, pulau terluar hingga perbatasan wilayah negara. Tahun 2019 PT Telekomunikasi Selular meluncurkan produk by.U, yang ditujukan untuk segmen anak muda yang bebas. Produk by.U sendiri memiliki slogan “SemuanyaSemaunya”, yang menggambarkan paket kepada pelanggan tanpa di-bundle seperti produk telekomunikasi lainnya. Dalam pengembangan produknya, tim by.U menggunakan Scrum sebagai pedoman. Hal ini dikarenakan sifat Scrum yang cepat dalam merespon perubahan. Namun dalam pelaksanaannya terjadi beberapa masalah, sehingga tujuan awal digunakannya Scrum tidak dapat tercapai. Proses identifikasi masalah menunjukkan bahwa salah satu akar permasalahan yang terjadi adalah penambahan Sprint Backlog di tengah Sprint. Selain itu terjadi perubahan konten Sprint Backlog di tengah sprint yang menyebabkan beban kerja tim development bertambah. Hal ini membuat estimasi beban kerja di awal sprint tidak tercapai, serta menimbulkan beban kerja tambahan untuk Sprint berikutnya. Oleh karena itu, penelitian ini melakukan pengukuran kematangan proses Scrum dengan menggunakan Scrum Maturity Model, yang telah diperbarui berdasarkan Scrum Guide 2017 dan SBOK v3. Hasil penilaian menunjukkan tim produk by.U memperoleh tingkat kematangan satu (Initial). Setelah itu disusun rekomendasi perbaikan seluruh praktik yang belum mencapai peringkat Fully Achieved, serta dikelompokkan berdasarkan komponen Scrum, yaitu Scrum Roles, Scrum Artifacts, dan Scrum Events. Kemudian praktik tersebut dipetakan ke Scrum Guide 2017, SBOK v3, dan pengalaman pakar Scrum. Dengan demikian diperoleh dokumen rekomendasi perbaikan implementasi Scrum, sesuai dengan kondisi tim produk by.U. Dokumen tersebut dapat menjadi dasar untuk melakukan perbaikan praktik Scrum pada tim produk by.U.

---

PT. Telekomunikasi Selular is one of the Internet network service providers with the broadest range that reaches to remote areas, outer islands to the borders of the country. In 2019, PT. Telekomunikasi Selular launches by.U products aimed at the free youth segment. The by.U product itself has the slogan "Everything at Will", which describes the package given to the customer without being bundled like other telecommunications products. In developing their products, the by.U team used Scrum as a guide. It is due to the nature of Scrum, which is fast in responding to changes. However, several problems occurred in the implementation. As a result, the initial purpose of using Scrum cannot be achieved. The problem identification process shows that one of the root causes is the addition to the Sprint Backlog or changes in the Sprint Backlog content in the middle of the sprint. As a result, it increases the development team's workload. It makes the estimated workload at the beginning of a sprint missed. Consequently, it raises the workload for the next sprint. Therefore, this study measures the maturity of the Scrum process using the updated Scrum Maturity Model based on the 2017 Scrum Guide and SBOK v3. The assessment results show that by.U product team gets a maturity level of one (Initial). Recommendations for improvement are made for all practices, which are not in the Fully Achieved level, are grouped based on Scrum components. These are Scrum Roles, Scrum Artifacts, and Scrum Events. The practice is mapped to the 2017 Scrum Guide, SBOK v3, and the experience of Scrum experts. Therefore, the recommendations for improvement of the Scrum implementation following the conditions of the by.U product team. This document is the basis for improving Scrum practices on the by.U product team."