Hasil Pencarian  ::  Simpan CSV :: Kembali

"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."

"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."

"Nugroho Notosusanto"

"PT XYZ adalah perusahaan yang bergerak di manufaktur otomotif. Saat ini web berperan sangat penting terhadap operasional di PT XYZ karena web tersebut mempermudah pertukaran data secara real time dan akurat antar organisasi dan pemangku kepentingan. Web yang dipublikasikan di internet juga akan rentan diserang, dilumpuhkan dan diambil datanya oleh peretas, terutama jika web tersebut masih terdapat vulnerability. Permasalahannya adalah aplikasi web PT XYZ yang dipublikasikan di internet memiliki vulnerability. Berdasarkan hal tersebut, penelitian ini bertujuan untuk mengetahui kriteria keamanan yang harus dipenuhi di aplikasi web yang dikembangkan di PT XYZ dan membuat prosedur pengembangan aplikasi web yang dipublikasikan di internet yang memenuhi standar keamanan. Perancangan dilakukan menggunakan wawancara ahli keamanan informasi untuk memverifikasi draf prosedur pengembangan aplikasi web. Hasilnya dari penelitian ini adalah rekomendasi prosedur pengembangan aplikasi web yang sesuai dengan standar keamanan menggunakan OWASP secure software development lifecycle (S-SDLC) yang persyaratannya mengacu kepada OWASP top 10 risk 2017 dan pengujiannya mengacu kepada OWASP ASVS 3.0.1 dan OWASP testing guidance versi 4."

"Di era perkembangan teknologi ini, sains data menjadi kebutuhan dalam pekerjaan manusia, sehingga peneliti mengembangkan Lumba.ai untuk memudahkan masyarakat umum mengakses teknologi data science dan computer vision, khususnya fitur semantic object segmentation, tanpa memerlukan pemahaman mendalam tentang IT. Penelitian ini berfokus pada pengembangan fitur semantic object segmentation pada Lumba.ai dengan memanfaatkan model Convolutional Neural Network seperti Fully Convolutional Networks (FCN) dan DeepLabv3. Proses implementasinya meliputi pemrosesan data, pemodelan, dan evaluasi model menggunakan metrik, serta komparasi model dengan menggunakan weighted binary cross entropy. Hasil menunjukkan komparasi metrik pada model-model machine learning yang diuji menunjukkan FCN dan DeepLabv3 merupakan dua model dengan performa terbaik dengan mendapatkan skor IoU dan Recall tertinggi yang didukung ResNet101 sebagai backbone serta diterapkan W-BCE. Dalam pengembangannya, penulis mengimplementasi task queueing dan monitoring GPU guna memproses request pengguna dengan optimal saat melakukan training. Dari penelitian ini, didapat hasil yang cukup baik dengan melakukan konfigurasi satu celery worker dan jumlah concurrency yang dinamis bergantung kepada jumlah GPU yang available dari proses monitoring GPU.

---

In this era of technological development, data science has become essential in human work, prompting researchers to develop Lumba.ai to facilitate public access to data science and computer vision technology, particularly the feature of semantic object segmentation, without requiring deep IT knowledge. This research focuses on developing the semantic object segmentation feature on Lumba.ai by utilizing Convolutional Neural Network models such as Fully Convolutional Networks (FCN) and DeepLabv3. The implementation process includes data processing, modeling, and model evaluation using metrics, as well as model comparison using weighted binary cross entropy. The results show that the comparison of metrics on the tested machine learning models indicates that FCN and DeepLabv3 are the two best-performing models, achieving the highest IoU and Recall scores, supported by ResNet101 as the backbone and applying W-BCE. During development, the author implemented task queuing and GPU monitoring to optimally process user requests during training. The research produced satisfactory results by configuring a single celery worker and dynamic concurrency depending on the number of GPUs available from the GPU monitoring process."

"Di era perkembangan teknologi ini, sains data menjadi kebutuhan dalam pekerjaan manusia, sehingga peneliti mengembangkan Lumba.ai untuk memudahkan masyarakat umum mengakses teknologi data science dan computer vision, khususnya fitur semantic object segmentation, tanpa memerlukan pemahaman mendalam tentang IT. Penelitian ini berfokus pada pengembangan fitur semantic object segmentation pada Lumba.ai dengan memanfaatkan model Convolutional Neural Network seperti Fully Convolutional Networks (FCN) dan DeepLabv3. Proses implementasinya meliputi pemrosesan data, pemodelan, dan evaluasi model menggunakan metrik, serta komparasi model dengan menggunakan weighted binary cross entropy. Hasil menunjukkan komparasi metrik pada model-model machine learning yang diuji menunjukkan FCN dan DeepLabv3 merupakan dua model dengan performa terbaik dengan mendapatkan skor IoU dan Recall tertinggi yang didukung ResNet101 sebagai backbone serta diterapkan W-BCE. Dalam pengembangannya, penulis mengimplementasi task queueing dan monitoring GPU guna memproses request pengguna dengan optimal saat melakukan training. Dari penelitian ini, didapat hasil yang cukup baik dengan melakukan konfigurasi satu celery worker dan jumlah concurrency yang dinamis bergantung kepada jumlah GPU yang available dari proses monitoring GPU.

---

In this era of technological development, data science has become essential in human work, prompting researchers to develop Lumba.ai to facilitate public access to data science and computer vision technology, particularly the feature of semantic object segmentation, without requiring deep IT knowledge. This research focuses on developing the semantic object segmentation feature on Lumba.ai by utilizing Convolutional Neural Network models such as Fully Convolutional Networks (FCN) and DeepLabv3. The implementation process includes data processing, modeling, and model evaluation using metrics, as well as model comparison using weighted binary cross entropy. The results show that the comparison of metrics on the tested machine learning models indicates that FCN and DeepLabv3 are the two best-performing models, achieving the highest IoU and Recall scores, supported by ResNet101 as the backbone and applying W-BCE. During development, the author implemented task queuing and GPU monitoring to optimally process user requests during training. The research produced satisfactory results by configuring a single celery worker and dynamic concurrency depending on the number of GPUs available from the GPU monitoring process."

"Di era perkembangan teknologi ini, sains data menjadi kebutuhan dalam pekerjaan manusia, sehingga peneliti mengembangkan Lumba.ai untuk memudahkan masyarakat umum mengakses teknologi data science dan computer vision, khususnya fitur semantic object segmentation, tanpa memerlukan pemahaman mendalam tentang IT. Penelitian ini berfokus pada pengembangan fitur semantic object segmentation pada Lumba.ai dengan memanfaatkan model Convolutional Neural Network seperti Fully Convolutional Networks (FCN) dan DeepLabv3. Proses implementasinya meliputi pemrosesan data, pemodelan, dan evaluasi model menggunakan metrik, serta komparasi model dengan menggunakan weighted binary cross entropy. Hasil menunjukkan komparasi metrik pada model-model machine learning yang diuji menunjukkan FCN dan DeepLabv3 merupakan dua model dengan performa terbaik dengan mendapatkan skor IoU dan Recall tertinggi yang didukung ResNet101 sebagai backbone serta diterapkan W-BCE. Dalam pengembangannya, penulis mengimplementasi task queueing dan monitoring GPU guna memproses request pengguna dengan optimal saat melakukan training. Dari penelitian ini, didapat hasil yang cukup baik dengan melakukan konfigurasi satu celery worker dan jumlah concurrency yang dinamis bergantung kepada jumlah GPU yang available dari proses monitoring GPU.

---

In this era of technological development, data science has become essential in human work, prompting researchers to develop Lumba.ai to facilitate public access to data science and computer vision technology, particularly the feature of semantic object segmentation, without requiring deep IT knowledge. This research focuses on developing the semantic object segmentation feature on Lumba.ai by utilizing Convolutional Neural Network models such as Fully Convolutional Networks (FCN) and DeepLabv3. The implementation process includes data processing, modeling, and model evaluation using metrics, as well as model comparison using weighted binary cross entropy. The results show that the comparison of metrics on the tested machine learning models indicates that FCN and DeepLabv3 are the two best-performing models, achieving the highest IoU and Recall scores, supported by ResNet101 as the backbone and applying W-BCE. During development, the author implemented task queuing and GPU monitoring to optimally process user requests during training. The research produced satisfactory results by configuring a single celery worker and dynamic concurrency depending on the number of GPUs available from the GPU monitoring process."

"Perusahaan startup adalah perusahaan rintisan yang belum lama berdiri dan masih berada dalam fase pengembangan, saat ini pertumbuhan perusahaan startup sangatlah pesat. di Amerika Serikat setiap tahunnya berdiri 600.000 perusahaan startup, akan tetapi dari jumlah tersebut, perusahaan startup yang mampu bertahan hingga 5 tahun tidak lebih dari 50%. Masalah utama dari ketidakmampuan perusahaan startup untuk terus berdiri dan berkembang adalah minimnya pengalaman, tetapi sebenarnya dengan pemanfaatan best practice yang ada di industri hal ini dapat diatasi, karena best practice pada dasarnya merupakan hasil formulasi dari pengalaman-pengalaman terbaik yang dilakukan dan akhirnya menjadi sebuah standard. Clover Digital Media adalah salah satu perusahaan startup yang baru berdiri pada 10 Juni 2013, salah satu bisnis utama dari Clover Digital Media adalah pada bidang web development, akan tetapi hingga saat ini proses web development pada Clover Digital Media masih terkendala beberapa masalah, masalah tersebut antara lain yaitu keterlambatan penyelesaian proyek dan rendahnya kualitas web yang dihasilkan. Penelitian ini akan berfokus terhadap perancangan kerangka kerja yang ditujukan untuk meningkatkan ketepatan waktu penyelesaian proyek dan meningkatkan kualitas dari produk yang dihasilkan pada Clover Digital Media. Kerangka kerja yang dirancang akan menggunakan salah satu best practice pada dunia software engineering yaitu CMMI-Dev. Pemilihan representasi CMMI dan process area yang akan digunakan akan mengacu terhadap kebutuhan dan permasalahan organisasi. Metode penilaian CMMI yang digunakan pada penelitian ini menggunakan SCAMPI, dan juga digunakan metode AHP dan Pareto untuk menyusun prioritas terhadap implementasi dari rancangan CMMI yang telah dibuat. Penelitian ini akan menghasilkan sebuah rancangan implementasi kerangka kerja CMMI-Dev berupa rekomendasi perbaikan yang disertai susunan prioritas penerapan yang telah dilakukan validasi kepada pihak Clover Digital Media.

---

Startup company is a pioneering company that recently established and is still in the development phase, the current is very rapid growth startup companies. in the United States each year stands 600,000 startup company, but of these, a startup company that can last up to 5 years not more than 50%.

Main problem of the inability of a startup company to continue to stand and grow is the lack of experience, but in fact the use of best practices in the industry this can be overcome, because the best practice is basically the result of the formulation of the best experiences that done and eventually become a standard.

Clover Digital Media is one of a new startup company that was established on June 10, 2013, one of the main business of Clover Digital Media is in the field of web development, but until now the process of web development on Clover Digital Media still constrained some problems, the problems is delays in project completion and low quality product.

This research will focus on designing a framework aimed to improve the timeliness of completion of the project and improve the quality of products at Clover Digital Media. The framework is designed to be using one of the world's best practice in software development is a CMMI-DEV. Selection the process areas of CMMI representation that will be used will be based on the needs and problems of the organization.

CMMI appraisal method used in this study using the SCAMPI, and also used AHP to prioritize the implementation of the draft CMMI process areas that have been made. This study will produce a design of implementation CMMI-DEV framework in the form of recommendations for improvements that accompanied the application priority that has been validated from Clover Digital Media. "

"Situs web sangat kompleks dengan beragam isi dan dinamis karena selalu menampilkan informasi terbaru. Kompleksitas situs web akan bertambah saat situs web tersebut harus dimodifikasi untuk menambahkan halaman-halaman baru dan fitur-fitur baru sesuai permintaan pengunjung. Untuk menghindari kompleksitas tersebut, perlu diciptakan sebuah aplikasi berbasis web yang dapat digunakan untuk mengelola seluruh sumber daya situs web. Aplikasi ini dikenal dengan sistem manajemen isi (content management system). Makalah ini membagikan pengalaman penulis dalam mengembangkan sistem manajemen isi pada PT X yang dinamai dengan xCMS. Metode pengembangan perangkat lunak yang digunakan adalah ICONIX Process. Metode ICONIX Process menggunakan Unified Modeling Language (UML) sebagai notasi utama untuk mengambarkan dan mendokumentasikan sistem yang dibangun. Makalah ini menguraikan secara garis besar aktifitas-aktifitas dan artefak-artefak yang dihasilkan pada setiap fase pengembangan. Hasil akhir adalah sebuah prototipe aplikasi manajemen isi aplikasi web yang diberi nama xCMS."