Hasil Pencarian  ::  Simpan CSV :: Kembali

"Large Language Model (LLM) generatif merupakan jenis model machine learning yang dapat diaplikasikan dalam industri jurnalisme, khususnya dalam proses pembuatan dan validasi berita. Namun, LLM memerlukan sumber daya yang besar untuk operasionalnya serta membutuhkan waktu proses inferensi yang relatif lama. Penelitian ini bertujuan untuk mengembangkan layanan web machine learning yang memanfaatkan LLM generatif untuk proses pembuatan dan validasi berita. Tujuan lainnya adalah menciptakan sistem dengan mekanisme manajemen beban yang efisien untuk meminimalkan waktu inferensi. Pengembangan melibatkan beberapa tahap, yakni analisis kebutuhan stakeholder, perancangan desain dan arsitektur, implementasi, serta evaluasi. Dalam implementasi layanan web machine learning, pengembangan ini berfokus pada manajemen GPU untuk meningkatkan kecepatan proses inferensi LLM. Selain itu, dilakukan implementasi design pattern untuk meningkatkan skalabilitas dalam penambahan model machine learning. Untuk manajemen beban, dikembangkan dua mekanisme, yaitu load balancer dan scheduler. Implementasi load balancer memanfaatkan NGINX dengan metode round-robin. Sedangkan untuk scheduler, digunakan RabbitMQ sebagai antrean, dengan publisher menerima permintaan dan subscriber mendistribusikan permintaan ke layanan yang tersedia. Berdasarkan API Test, layanan ini berhasil melewati uji fungsionalitas dengan waktu respons API sekitar 1-2 menit per permintaan. Evaluasi performa pada kedua mekanisme manajemen beban menunjukkan tingkat keberhasilan 100%, dengan waktu respon rata-rata meningkat seiring dengan peningkatan jumlah request per detik. Pengelolaan beban dengan load balancer menghasilkan waktu respon yang lebih cepat, sementara pengelolaan beban dengan scheduler menghasilkan mekanisme yang lebih efektif pada proses koneksi asinkron.

---

Generative Large Language Model (LLM) is a type of machine learning model that can be applied in the journalism industry, especially in the process of news generation and validation. However, LLM requires large resources for its operation and requires a relatively long inference process time. This research aims to develop a machine learning web service that utilizes generative LLM for news generation and validation. Another goal is to create a system with an efficient load management mechanism to minimize inference time. The development involves several stages, namely stakeholder needs analysis, design and architecture, implementation, and evaluation. In the implementation of machine learning web services, this development focuses on GPU management to increase the speed of the LLM inference process. In addition, the implementation of design patterns is done to improve scalability in adding machine learning models. For load management, two mechanisms are developed: load balancer and scheduler. The load balancer implementation utilizes NGINX with the round-robin method. As for the scheduler, RabbitMQ is used as a queue, with the publisher receiving requests and the subscriber distributing requests to available services. Based on the API Test, the service successfully passed the functionality test with an API response time of about 1-2 minutes per request. Performance evaluation on both load management mechanisms showed a 100% success rate, with the average response time increasing as the number of requests per second increased. The use of a load balancer results in faster response times, while load management with a scheduler results in a more effective mechanism for asynchronous connection processes."

"Large Language Model (LLM) generatif merupakan jenis model machine learning yang dapat diaplikasikan dalam industri jurnalisme, khususnya dalam proses pembuatan dan validasi berita. Namun, LLM memerlukan sumber daya yang besar untuk operasionalnya serta membutuhkan waktu proses inferensi yang relatif lama. Penelitian ini bertujuan untuk mengembangkan layanan web machine learning yang memanfaatkan LLM generatif untuk proses pembuatan dan validasi berita. Tujuan lainnya adalah menciptakan sistem dengan mekanisme manajemen beban yang efisien untuk meminimalkan waktu inferensi. Pengembangan melibatkan beberapa tahap, yakni analisis kebutuhan stakeholder, perancangan desain dan arsitektur, implementasi, serta evaluasi. Dalam implementasi layanan web machine learning, pengembangan ini berfokus pada manajemen GPU untuk meningkatkan kecepatan proses inferensi LLM. Selain itu, dilakukan implementasi design pattern untuk meningkatkan skalabilitas dalam penambahan model machine learning. Untuk manajemen beban, dikembangkan dua mekanisme, yaitu load balancer dan scheduler. Implementasi load balancer memanfaatkan NGINX dengan metode round-robin. Sedangkan untuk scheduler, digunakan RabbitMQ sebagai antrean, dengan publisher menerima permintaan dan subscriber mendistribusikan permintaan ke layanan yang tersedia. Berdasarkan API Test, layanan ini berhasil melewati uji fungsionalitas dengan waktu respons API sekitar 1-2 menit per permintaan. Evaluasi performa pada kedua mekanisme manajemen beban menunjukkan tingkat keberhasilan 100%, dengan waktu respon rata-rata meningkat seiring dengan peningkatan jumlah request per detik. Pengelolaan beban dengan load balancer menghasilkan waktu respon yang lebih cepat, sementara pengelolaan beban dengan scheduler menghasilkan mekanisme yang lebih efektif pada proses koneksi asinkron.

---

Generative Large Language Model (LLM) is a type of machine learning model that can be applied in the journalism industry, especially in the process of news generation and validation. However, LLM requires large resources for its operation and requires a relatively long inference process time. This research aims to develop a machine learning web service that utilizes generative LLM for news generation and validation. Another goal is to create a system with an efficient load management mechanism to minimize inference time. The development involves several stages, namely stakeholder needs analysis, design and architecture, implementation, and evaluation. In the implementation of machine learning web services, this development focuses on GPU management to increase the speed of the LLM inference process. In addition, the implementation of design patterns is done to improve scalability in adding machine learning models. For load management, two mechanisms are developed: load balancer and scheduler. The load balancer implementation utilizes NGINX with the round-robin method. As for the scheduler, RabbitMQ is used as a queue, with the publisher receiving requests and the subscriber distributing requests to available services. Based on the API Test, the service successfully passed the functionality test with an API response time of about 1-2 minutes per request. Performance evaluation on both load management mechanisms showed a 100% success rate, with the average response time increasing as the number of requests per second increased. The use of a load balancer results in faster response times, while load management with a scheduler results in a more effective mechanism for asynchronous connection processes. "

"Kebutuhan akan informasi yang cepat dan valid semakin mendesak di tengah arus in- formasi yang cepat. Kemajuan teknologi memberikan dampak signi kan terhadap in- dustri jurnalisme untuk mengakomodasi kebutuhan informasi tersebut. Proses produksi berita, yang tradisionalnya memakan waktu, terus dihadapkan pada tuntutan untuk meng- hasilkan informasi dengan cepat dan akurat. Penelitian ini merespon tantangan terse- but dengan melakukan pengembangan model generatif yang dapat melakukan pembuatan berita secara otomatis. Dalam pengembangan model generatif, penulis melakukan bebe- rapa skenario percobaan untuk menguji pengaruh ukuran jumlah parameter, jenis prompt- ing, dan penggunaan delimiter pada prompt yang digunakan terhadap kualitas model yang dihasilkan. Percobaan dilakukan dengan melakukan ne tuning pada dua buah large language model yang memiliki arsitektur berbeda, yaitu Falcon dan BLOOM. Pengem- bangan large language model selanjutnya dilakukan proses evaluasi dengan menggunakan metrik measurement BLEU, ROUGE, perplexity, dan human evaluation kepada wartawan terhadap berita yang dihasilkan. Hasil yang penulis dapatkan menunjukkan bahwa terda- pat beberapa aspek yang memengaruhi kualitas berita yang dihasilkan oleh model dalam proses ne tuning. Beberapa aspek tersebut di antaranya adalah ukuran jumlah parameter, jenis prompting, dan penggunaan delimiter pada prompt yang digunakan. Model terbaik yang didapatkan dari keseluruhan model percobaan adalah BLOOM dengan jumlah pa- rameter 7B yang mendapatkan hasil evaluasi ROUGE-1 sebesar 0,3856 dan perplexity sebesar 5,79809. Model ini juga dapat menghasilkan berita yang sesuai dengan kebu- tuhan wartawan dalam proses human evaluation, baik dari kesesuaian dengan kaidah ke- bahasaan dan penulisan berita maupun ketepatan berita dengan fakta sebenarnya. Model ini mendapatkan penilaian sebesar 4,25 dari 5,00 untuk kesesuaian dengan kaidah keba- hasaan dan 4,27 dari 5,00 untuk ketepatan dengan fakta sebenarnya.

---

The escalating need for swift and accurate information in today's dynamic information landscape poses a significant challenge. Technological advancements have profoundly impacted the journalism industry, necessitating adaptations to fulfill evolving information requirements. The traditional, time-consuming news production process is under constant pressure to deliver information swiftly and accurately. This research tackles these challenges by developing a generative model capable of automating news creation. The author explores various experimental scenarios in the generative model development, investigating the influence of parameters' quantity, prompting techniques, and the use of delimiters in prompts on the resulting model's quality. The experiments involve fine-tuning two large language models with different architectures, Falcon and BLOOM. The subsequent evaluation process utilizes metrics such as BLEU, ROUGE, perplexity, and human evaluation by journalists to assess the quality of the generated news. The findings underscore that several factors, including parameter quantity, prompting techniques, and delimiter use, impact the news model's quality during the fine-tuning process. Significantly, among the experimented models, the BLOOM model with 7B parameters emerges as the overall best performer. This model achieves a ROUGE-1 evaluation of 0.38656 and a perplexity of 5.79809. In human evaluation, the BLOOM model excels in linguistic adherence and factual accuracy, receiving ratings of 4,25 out of 5.00 and 4,27 out of 5.00, respectively."

"Perkembangan teknologi yang terus berkembang mendorong penggunaan aplikasi web di berbagai layanan, namun terdapat berbagai kerentanan pada aplikasi web yang setiap saat dapat dimanfaatkan penyerang untuk melakukan serangan. Untuk menanggulangi hal ini, salah satu upaya yang dapat dilakukan ialah menerapkan Web Application Firewall (WAF) yang dapat melindungi aplikasi web. WAF umumnya bekerja berdasarkan aturan yang ditetapkan sebelumnya. Namun kelemahan sistem ini ialah serangan yang terus berkembang, serta dalam mengkonfigurasi aturan pada WAF, diperlukan pengetahuan mendalam terkait aplikasi yang ada. Teknologi kecerdasan buatan, baik machine learning (ML) atau deep learning (DL) memperlihatkan potensi yang baik dalam mengenali jenis serangan. Di dalam penelitian ini dibangun sebuah Real-time DL-based WAF untuk meningkatkan keamanan pada aplikasi web. Berbagai model ML dan DL diujicoba untuk melakukan tugas deteksi serangan web, mulai dari Support Vector Machine (SVM), Random Forest (RF), Convolutional Neural Network (CNN), dan Long Short-Term Memory (LSTM). Berdasarkan hasil pengujian, model CNN-LSTM meraih performa tertinggi yakni akurasi sebesar 98.61 %, presisi sebesar 99%, recall sebesar 98.08% dan f1-score sebesar 98.54%.. Dari hasil pengujian dengan web vulnerability scanner, performa DL-based WAF tidak kalah dengan ModSecurity WAF yang dijadikan sebagai pembanding. Dari hasil analisis, dapat disimpulkan bahwa penerapan DL-based WAF mampu meningkatkan keamanan pada aplikasi web.

---

The continuous development of technology drives the use of web applications in various services, but there are various vulnerabilities in web applications that can be exploited by attackers at any time. To overcome this, one effort that can be done is to implement a Web Application Firewall (WAF) that can protect web applications. WAF generally works based on pre-established rules. However, the weakness of this system is the evolving nature of attacks, and configuring rules on WAF requires in-depth knowledge related to existing applications. Artificial intelligence technology, both machine learning (ML) and deep learning (DL), shows good potential in recognizing types of attacks. In this research, a Real-time DL-based WAF was built to enhance security in web applications. Various ML and DL models were tested to perform the task of web attack detection, including Support Vector Machine (SVM), Random Forest (RF), Convolutional Neural Network (CNN), and Long Short-Term Memory (LSTM). Based on the test results, the CNN-LSTM model achieved the highest performance, namely an accuracy of 98.61%, precision of 99%, recall of 98.08%, and f1-score of 98.54%. From the testing results with a web vulnerability scanner, the performance of the DL-based WAF is not inferior to ModSecurity WAF, which is used as a comparison. From the analysis results, it can be concluded that the implementation of DL-based WAF can improve the security of web applications. "

"Denial of Service adalah salah satu serangan siber yang dapat mengakibatkan gangguan layanan dan kerugian finansial. Akibat dari serangan DoS tentunya akan memberikan dampak buruk dan sangat merugikan. Untuk dapat menanggulangi dan meminimalisir dampak serangan DoS, dirancanglah sebuah sistem deteksi serangan DoS dan klasifikasi serangan yang terjadi menggunakan machine learning. Pada penelitian ini, akan dilakukan perancangan sistem deteksi serangan DOS melalui pengumpulan traffic data yang dikumpulkan oleh Wireshark dan dikonversi menggunakan CICFlowMeter. Serangan DoS dilancarkan oleh GoldenEye, HULK, dan SlowHTTPTest. Pengklasifikasian diterapkan pada salah satu dataset pada CICIDS2017, menggunakan algoritma Random Forest, AdaBoost, dan Multi-layer Perceptron. Hasil akurasi klasifikasi tertinggi adalah Random Forest sebesar 99,68%, hasil rata-rata Cross-Validation tertinggi juga dipegang oleh Random Forest sebesar 99,67%, dan untuk perbandingan performa antara hasil algoritma yang dilakukan oleh penulis dan paper konferensi DDOS Attack Identification using Machine Learning Techniques yang menjadi acuan, hasil yang paling mendekati adalah Random Forest dengan besar yang sama.

---

Denial of Service is a cyberattack that can result in service disruption and financial loss. The consequences of a DoS attack will certainly have a bad and very detrimental impact. To be able to overcome and minimize the impact of DoS attacks, a DoS attack detection system and classification of attacks that occur using machine learning was designed. In this research, a DOS attack detection system will be designed by collecting traffic data collected by Wireshark and converted using CICFlowMeter. DoS attacks were launched by GoldenEye, HULK, and SlowHTTPTest. Classification was applied to one of the datasets in CICIDS2017, using the Random Forest, AdaBoost, and Multi-layer Perceptron algorithms. The highest classification accuracy result is Random Forest at 99.68%, the highest average Cross-Validation result is also held by Random Forest at 99.67%, and for performance comparison between the algorithm results carried out by the author and the conference paper DDOS Attack Identification using Machine Learning Techniques are the reference, the closest result is Random Forest with the same size."

"Ketepatan waktu lulus mahasiswa memiliki dampak yang baik untuk perguruan tinggi dan mahasiswa itu sendiri. Kualitas perguruan tinggi dapat dilihat dengan persentase mahasiswa yang lulus tepat waktu. Selain itu, bagi mahasiswa ketepatan waktu lulus juga hal yang perlu diperhatikan jika ingin menerima beasiswa. Mahasiswa yang dapat dibilang tepat waktu lulusnya adalah mahasiswa yang berhasil lulus dari perguruan tinggi dengan masa waktu studi 3.5 sampai 4 tahun. Saat ini, belum terdapat Penelitian yang menggunakan data PDDikti untuk memprediksi ketepatan waktu lulus mahasiswa Universitas Indonesia. Selain itu, belum terdapat juga sistem berbasis website yang dapat melakukan prediksi ketepatan waktu lulus mahasiswa Universitas Indonesia dan visualisasi data terkait ketepatan waktu lulus mahasiswa dengan menggunakan data dari PDDikti. Penelitian ini akan membandingkan performa 4 model dalam 8 skenario berbeda. Penelitian berhasil menghasilkan model pembelajaran mesin untuk memprediksi ketepatan waktu lulus dan prediksi tahun kelulusan.Metrik yang digunakan pada performa kedua model adalah f1-score, dengan nilai akhir 92.75% untuk model prediksi ketepatan waktu lulus dan 88.86% untuk model prediksi tahun kelulusan. Di akhir, penelitian ini hanya memakai model prediksi tahun kelulusan yang dapat merepresentasikan prediksi ketepatan waktu lulus mahasiswa. Penelitian ini juga berhasil mengimplementasikan dua sistem berbasis website yaitu sistem prediksi ketepatan waktu lulus untuk mahasiswa dan prediksi ketepatan waktu lulus dashboard dosen yang dapat digunakan untuk melakukan prediksi ketepatan waktu lulus berdasarkan pemodelan machine learning, serta menyajikan visualisasi data berdasarkan data dari PDDikti. Visualisasi berhasil dilakukan dengan menggunakan line chart, pie chart, bar chart, dan geo chart.

---

The timely graduation of students has a positive impact on both the university and the students themselves. The quality of a university can be measured by the percentage of students who graduate on time. Additionally, for students, graduating on time is important if they want to receive scholarships. A student can be considered to have graduated on time if they successfully complete their studies at the university within a study period of 3.5 to 4 years. Currently, there is no research that utilizes PDDikti data to predict the timely graduation of students at the University of Indonesia. Furthermore, there is also no website-based system available that can predict the timely graduation of students at the University of Indonesia and visualize data related to the timely graduation using data from PDDikti. This research will compare the performance of four models in eight different scenarios. The research successfully produces a machine learning model to predict the timely graduation and the predicted year of graduation. The performance metric used for both models is the f1-score, with a final score of 92.75% for the timely graduation prediction model and 88.86% for the year of graduation prediction model. In the end, this research only utilizes the year of graduation prediction model, which can represent the prediction of timely graduation of students. The research also successfully implements two website-based systems, namely the timely graduation prediction system for students and the timely graduation prediction dashboard for faculty members, which can be used to predict the timely graduation based on machine learning modeling and provide data visualization based on PDDikti data. Visualization is successfully carried out using line charts, pie charts, bar charts, and geo charts."

"Ketepatan waktu lulus mahasiswa memiliki dampak yang baik untuk perguruan tinggi dan mahasiswa itu sendiri. Kualitas perguruan tinggi dapat dilihat dengan persentase mahasiswa yang lulus tepat waktu. Selain itu, bagi mahasiswa ketepatan waktu lulus juga hal yang perlu diperhatikan jika ingin menerima beasiswa. Mahasiswa yang dapat dibilang tepat waktu lulusnya adalah mahasiswa yang berhasil lulus dari perguruan tinggi dengan masa waktu studi 3.5 sampai 4 tahun. Saat ini, belum terdapat Penelitian yang menggunakan data PDDikti untuk memprediksi ketepatan waktu lulus mahasiswa Universitas Indonesia. Selain itu, belum terdapat juga sistem berbasis website yang dapat melakukan prediksi ketepatan waktu lulus mahasiswa Universitas Indonesia dan visualisasi data terkait ketepatan waktu lulus mahasiswa dengan menggunakan data dari PDDikti. Penelitian ini akan membandingkan performa 4 model dalam 8 skenario berbeda. Penelitian berhasil menghasilkan model pembelajaran mesin untuk memprediksi ketepatan waktu lulus dan prediksi tahun kelulusan.Metrik yang digunakan pada performa kedua model adalah f1-score, dengan nilai akhir 92.75% untuk model prediksi ketepatan waktu lulus dan 88.86% untuk model prediksi tahun kelulusan. Di akhir, penelitian ini hanya memakai model prediksi tahun kelulusan yang dapat merepresentasikan prediksi ketepatan waktu lulus mahasiswa. Penelitian ini juga berhasil mengimplementasikan dua sistem berbasis website yaitu sistem prediksi ketepatan waktu lulus untuk mahasiswa dan prediksi ketepatan waktu lulus dashboard dosen yang dapat digunakan untuk melakukan prediksi ketepatan waktu lulus berdasarkan pemodelan machine learning, serta menyajikan visualisasi data berdasarkan data dari PDDikti. Visualisasi berhasil dilakukan dengan menggunakan line chart, pie chart, bar chart, dan geo chart.

---

The timely graduation of students has a positive impact on both the university and the students themselves. The quality of a university can be measured by the percentage of students who graduate on time. Additionally, for students, graduating on time is important if they want to receive scholarships. A student can be considered to have graduated on time if they successfully complete their studies at the university within a study period of 3.5 to 4 years. Currently, there is no research that utilizes PDDikti data to predict the timely graduation of students at the University of Indonesia. Furthermore, there is also no website-based system available that can predict the timely graduation of students at the University of Indonesia and visualize data related to the timely graduation using data from PDDikti. This research will compare the performance of four models in eight different scenarios. The research successfully produces a machine learning model to predict the timely graduation and the predicted year of graduation. The performance metric used for both models is the f1-score, with a final score of 92.75% for the timely graduation prediction model and 88.86% for the year of graduation prediction model. In the end, this research only utilizes the year of graduation prediction model, which can represent the prediction of timely graduation of students. The research also successfully implements two website-based systems, namely the timely graduation prediction system for students and the timely graduation prediction dashboard for faculty members, which can be used to predict the timely graduation based on machine learning modeling and provide data visualization based on PDDikti data. Visualization is successfully carried out using line charts, pie charts, bar charts, and geo charts."

"Ketepatan waktu lulus mahasiswa memiliki dampak yang baik untuk perguruan tinggi dan mahasiswa itu sendiri. Kualitas perguruan tinggi dapat dilihat dengan persentase mahasiswa yang lulus tepat waktu. Selain itu, bagi mahasiswa ketepatan waktu lulus juga hal yang perlu diperhatikan jika ingin menerima beasiswa. Mahasiswa yang dapat dibilang tepat waktu lulusnya adalah mahasiswa yang berhasil lulus dari perguruan tinggi dengan masa waktu studi 3.5 sampai 4 tahun. Saat ini, belum terdapat Penelitian yang menggunakan data PDDikti untuk memprediksi ketepatan waktu lulus mahasiswa Universitas Indonesia. Selain itu, belum terdapat juga sistem berbasis website yang dapat melakukan prediksi ketepatan waktu lulus mahasiswa Universitas Indonesia dan visualisasi data terkait ketepatan waktu lulus mahasiswa dengan menggunakan data dari PDDikti. Penelitian ini akan membandingkan performa 4 model dalam 8 skenario berbeda. Penelitian berhasil menghasilkan model pembelajaran mesin untuk memprediksi ketepatan waktu lulus dan prediksi tahun kelulusan.Metrik yang digunakan pada performa kedua model adalah f1-score, dengan nilai akhir 92.75% untuk model prediksi ketepatan waktu lulus dan 88.86% untuk model prediksi tahun kelulusan. Di akhir, penelitian ini hanya memakai model prediksi tahun kelulusan yang dapat merepresentasikan prediksi ketepatan waktu lulus mahasiswa. Penelitian ini juga berhasil mengimplementasikan dua sistem berbasis website yaitu sistem prediksi ketepatan waktu lulus untuk mahasiswa dan prediksi ketepatan waktu lulus dashboard dosen yang dapat digunakan untuk melakukan prediksi ketepatan waktu lulus berdasarkan pemodelan machine learning, serta menyajikan visualisasi data berdasarkan data dari PDDikti. Visualisasi berhasil dilakukan dengan menggunakan line chart, pie chart, bar chart, dan geo chart.

---

The timely graduation of students has a positive impact on both the university and the students themselves. The quality of a university can be measured by the percentage of students who graduate on time. Additionally, for students, graduating on time is important if they want to receive scholarships. A student can be considered to have graduated on time if they successfully complete their studies at the university within a study period of 3.5 to 4 years. Currently, there is no research that utilizes PDDikti data to predict the timely graduation of students at the University of Indonesia. Furthermore, there is also no website-based system available that can predict the timely graduation of students at the University of Indonesia and visualize data related to the timely graduation using data from PDDikti. This research will compare the performance of four models in eight different scenarios. The research successfully produces a machine learning model to predict the timely graduation and the predicted year of graduation. The performance metric used for both models is the f1-score, with a final score of 92.75% for the timely graduation prediction model and 88.86% for the year of graduation prediction model. In the end, this research only utilizes the year of graduation prediction model, which can represent the prediction of timely graduation of students. The research also successfully implements two website-based systems, namely the timely graduation prediction system for students and the timely graduation prediction dashboard for faculty members, which can be used to predict the timely graduation based on machine learning modeling and provide data visualization based on PDDikti data. Visualization is successfully carried out using line charts, pie charts, bar charts, and geo charts."

"Moda transportasi udara sangat bergantung pada keadaan dan perubahan cuaca, baik saat lepas landas, mengudara, maupun saat pendaratan, dengan lebih dari 50% kecelakaan pesawat diakibatkan oleh cuaca. Curah hujan yang tinggi dapat mengganggu aktivitas penerbangan dengan menurunkan visibilitas, meningkatkan massa pesawat, mengurangi akurasi instrumen pengukuran, serta menyebabkan turbulensi. Oleh karena itu, penting bagi manajemen bandara untuk memastikan kondisi cuaca aman bagi operasi pesawat. Penelitian ini bertujuan untuk mengembangkan model prediksi kategori hujan berdasarkan curah hujan untuk 1 jam, 3 jam, dan 9 jam ke depan, menggunakan data dari AWOS di Bandara Jenderal Ahmad Yani, Semarang. Algoritma yang digunakan adalah Random Forest dengan 100 pohon dan K-Nearest Neighbor (KNN) dengan k sebesar 5. Hasil analisis menunjukkan bahwa model KNN dan Random Forest memiliki performa yang cukup baik, dengan prediksi terbaik untuk periode 1 jam ke depan. Model KNN memiliki performa terbaik dengan akurasi 0,86, presisi 086, recall 0,86, F1-score 0,85, dan MCC 0,83.

---

Air transportation is highly dependent on weather conditions and changes, both during takeoff, flight, and landing, with more than 50% of aircraft accidents caused by weather. Heavy rainfall can disrupt flight activities by reducing visibility, increasing aircraft mass, decreasing the accuracy of onboard measurement instruments, and causing turbulence. Therefore, it is crucial for airport management to ensure that weather conditions are safe for aircraft operations. This study aims to develop a model to predict rain categories based on rainfall for 1 hour, 3 hours, and 9 hours ahead, using data from AWOS at Jenderal Ahmad Yani Airport, Semarang. The algorithms used are Random Forest with 100 trees and K-Nearest Neighbor (KNN) with k set to 5. The analysis results show that the KNN and Random Forest models perform reasonably well, with the best predictions made for the 1-hour ahead period. The KNN model demonstrated the best performance with an accuracy of 0.86, precision of 0.86, recall of 0.86, F1-score of 0.86, and MCC of 0.86."

"Tenaga kerja kesehatan pada masa pandemi bekerja sebagai garda terdepan yang memiliki resiko tertinggi tertular virus corona. Sampai pada hari ini, perawatan dan pemeriksaan kondisi vital pasien COVID-19 masih banyak dilakukan dengan kontak langsung minimal sebanyak empat kali dalam sehari. Hal ini berisiko meningkatkan penyebaran virus hingga menurunkan jumlah tenaga kerja kesehatan. Sampai pada saat ini, hampir seluruh rumah sakit masih menggunakan sphygmomanometer tradisional dengan cuff yang membutuhkan bantuan tenaga medis ataupun tanpa bantuan, namun pengukuran dilakukan secara invasif. Oleh karena itu, dibutuhkan suatu alat yang dapat memonitor kondisi vital pasien tanpa kontak langsung terutama dalam mengukur tekanan darah dan bersifat noninvasif. Penelitian ini bertujuan untuk membuat suatu algoritma pengolahan sinyal plethysmography berbasis ekstraksi fitur dan machine learning untuk prediksi tekanan darah. Dengan menggunakan sensor MAX30102 dan ESP32, sinyal PPG yang didapat dari jari akan dilakukan pre-processing dengan menenerapkan baseline fitting, kemudian deteksi puncak, hingga empat fitur utama sinyal PPG, yaitu systolic peak, diastolic peak, dicrotic notch, dan foot dapat diekstrak. Data ekstraksi fitur sinyal PPG secara ­real-time ini digabungkan menjadi satu dataset dan dimasukkan ke dalam machine learning untuk diprediksi nilai tekanan darahnya. Evaluasi hasil prediksi tekanan darah menunjukkan nilai Mean Absolute Error yang kecil, yaitu 1,56/2,35 yang masih diterima oleh standar ISO 81060-2:2013 sehingga dapat dijadikan fundamental untuk sistem pengukuran tekanan darah noninvasif.

---

Health workers during the pandemic act as the frontliner who have the highest risk of contracting the coronavirus. Most of the treatment and examination of the vital condition of COVID-19 patients is carried out with direct contact at least four times a day. This increases the risk of virus spreading, moreover reducing the number of health workers. To date, almost all hospitals still require medical assistance to measure blood pressure using the traditional cuff sphygmomanometer or without assistance however, the measurements are carried out invasively. Therefore, a device that can monitor the patient's vital condition without direct contact, especially in measuring blood pressure and non-invasive is needed. This thesis aims to develop a plethysmography signal processing algorithm based on feature extraction and machine learning for blood pressure prediction. By using the MAX30102 and ESP32 sensors, the PPG signal obtained from the finger will be preprocessed by applying a baseline fitting and peak detection, thus the four main features of the PPG signal, namely systolic peak, diastolic peak, dicrotic notch, and foot can be extracted. This real-time PPG signal feature extraction data is then combined into a single dataset and by using machine learning, blood pressure values are predicted. Evaluation of the blood pressure predictions shows a small Mean Absolute Error value, 1.56/2.35 which meets the ISO 81060-2:2013 standard. Hence, the results demonstrate the applicability of the proposed algorithm in predicting blood pressure and can be developed as a noninvasive real-time blood pressure measurement system in the future."