Hasil Pencarian  ::  Simpan CSV :: Kembali

"Dalam era perkembangan teknologi, penerapan teknologi informasi menjadi kunci untuk meningkatkan efisiensi dan efektivitas operasional perusahaan. Data science memainkan peran penting dalam mengubah data besar menjadi pengetahuan yang berguna untuk pengambilan keputusan. Skripsi ini mengembangkan platform AutoML (Automated Machine Learning) pada aplikasi Lumba.ai yang dirancang untuk mempermudah proses prediksi tanpa memerlukan keterampilan teknis khusus. AutoML menawarkan tur otomatisasi untuk memilih model terbaik berdasarkan dataset yang diberikan, serta menyederhanakan proses pemrosesan data. AutoML diimplementasikan menggunakan message queuer dan worker secara asinkron. Prediksi pada tur AutoML dilakukan menggunakan tiga jenis metode prediksi, yaitu klasi kasi, regresi, dan klaster, dengan berbagai dataset untuk menilai kinerja model yang dihasilkan. Hasil penelitian menunjukkan bahwa Lumba.ai dapat memberikan hasil prediksi yang akurat dan e sien, serta memberikan visualisasi yang informatif untuk analisis lebih lanjut. Saran dan masukan dari pengguna juga diintegrasikan untuk meningkatkan fungsionalitas dan kegunaan platform.

---

In the era of technology development, the application of information technology is crucial for enhancing operational ef ciency and effectiveness. Data science plays a vital role in transforming big data into useful knowledge for decision-making. This thesis develops an AutoML (Automated Machine Learning) feature on Lumba.ai application, designed to facilitate prediction processes without requiring specialized technical skills. Lumba.ai offers automated features for selecting the best model based on the given dataset and simpli es data preprocessing. This feature is implemented by using asynchrnous worker and message queuer. Predictions from AutoML feature involves three types of prediction methods, that is classi cation, regression, and clustering, using various datasets to assess model performance. The results demonstrate that Lumba.ai provides accurate and ef cient predictions and offers informative visualizations for further analysis. User feedback is integrated to enhance the platform’s functionality and usability."

"Dalam era perkembangan teknologi, penerapan teknologi informasi menjadi kunci untuk meningkatkan efisiensi dan efektivitas operasional perusahaan. Data science memainkan peran penting dalam mengubah data besar menjadi pengetahuan yang berguna untuk pengambilan keputusan. Skripsi ini mengembangkan platform AutoML (Automated Machine Learning) pada aplikasi Lumba.ai yang dirancang untuk mempermudah proses prediksi tanpa memerlukan keterampilan teknis khusus. AutoML menawarkan tur otomatisasi untuk memilih model terbaik berdasarkan dataset yang diberikan, serta menyederhanakan proses pemrosesan data. AutoML diimplementasikan menggunakan message queuer dan worker secara asinkron. Prediksi pada tur AutoML dilakukan menggunakan tiga jenis metode prediksi, yaitu klasi kasi, regresi, dan klaster, dengan berbagai dataset untuk menilai kinerja model yang dihasilkan. Hasil penelitian menunjukkan bahwa Lumba.ai dapat memberikan hasil prediksi yang akurat dan e sien, serta memberikan visualisasi yang informatif untuk analisis lebih lanjut. Saran dan masukan dari pengguna juga diintegrasikan untuk meningkatkan fungsionalitas dan kegunaan platform.

---

In the era of technology development, the application of information technology is crucial for enhancing operational ef ciency and effectiveness. Data science plays a vital role in transforming big data into useful knowledge for decision-making. This thesis develops an AutoML (Automated Machine Learning) feature on Lumba.ai application, designed to facilitate prediction processes without requiring specialized technical skills. Lumba.ai offers automated features for selecting the best model based on the given dataset and simpli es data preprocessing. This feature is implemented by using asynchrnous worker and message queuer. Predictions from AutoML feature involves three types of prediction methods, that is classi cation, regression, and clustering, using various datasets to assess model performance. The results demonstrate that Lumba.ai provides accurate and ef cient predictions and offers informative visualizations for further analysis. User feedback is integrated to enhance the platform’s functionality and usability."

"Dalam era perkembangan teknologi, penerapan teknologi informasi menjadi kunci untuk meningkatkan efisiensi dan efektivitas operasional perusahaan. Data science memainkan peran penting dalam mengubah data besar menjadi pengetahuan yang berguna untuk pengambilan keputusan. Skripsi ini mengembangkan platform AutoML (Automated Machine Learning) pada aplikasi Lumba.ai yang dirancang untuk mempermudah proses prediksi tanpa memerlukan keterampilan teknis khusus. AutoML menawarkan tur otomatisasi untuk memilih model terbaik berdasarkan dataset yang diberikan, serta menyederhanakan proses pemrosesan data. AutoML diimplementasikan menggunakan message queuer dan worker secara asinkron. Prediksi pada tur AutoML dilakukan menggunakan tiga jenis metode prediksi, yaitu klasi kasi, regresi, dan klaster, dengan berbagai dataset untuk menilai kinerja model yang dihasilkan. Hasil penelitian menunjukkan bahwa Lumba.ai dapat memberikan hasil prediksi yang akurat dan e sien, serta memberikan visualisasi yang informatif untuk analisis lebih lanjut. Saran dan masukan dari pengguna juga diintegrasikan untuk meningkatkan fungsionalitas dan kegunaan platform.

---

In the era of technology development, the application of information technology is crucial for enhancing operational ef ciency and effectiveness. Data science plays a vital role in transforming big data into useful knowledge for decision-making. This thesis develops an AutoML (Automated Machine Learning) feature on Lumba.ai application, designed to facilitate prediction processes without requiring specialized technical skills. Lumba.ai offers automated features for selecting the best model based on the given dataset and simpli es data preprocessing. This feature is implemented by using asynchrnous worker and message queuer. Predictions from AutoML feature involves three types of prediction methods, that is classi cation, regression, and clustering, using various datasets to assess model performance. The results demonstrate that Lumba.ai provides accurate and ef cient predictions and offers informative visualizations for further analysis. User feedback is integrated to enhance the platform’s functionality and usability."

"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."

"Implementasi Voice Over IP(VoIP) yaitu percakapan melalui jaringan IP (Internet Protocol), telah banyak digunakan oleh operator telekomunikasi mapun perusahaan-perusahaan besar di dunia. Hal tersebut disebabkan kecenderungan semua platform jaringan menggunakan teknologi IP. Dengan semakin terbukanya softswitch (sentral telepon berbasis IP) dan media gateway terhadap jaringan IP Publik dan jaringan IP Pelanggan, serta kebutuhan remote ke perangkatperangkat tersebut dengan menggunakan IP, maka hal tersebut meningkatkan resiko terhadap keamanan informasi. Operator telekomunikasi memerlukan suatu pengembangan atau penyempurnaan sistem keamanan informasi yang dapat menjamin availability, confidentiality dan integrity sehingga diharapkan target performansi perusahaan dan ekspektasi pelanggan dapat tercapai. Penelitian ini dilakukan untuk menyusun sistem keamanan informasi khususnya sub kebijakan keamanan informasi di Jaringan Telepon Tetap yang berbasis IP pada PT Indosat, Tbk serta strategi penerapannya. Penyusunan rancangan ini dilakukan dengan merujuk kepada kendali-kendali ISO (the International Organization for Standarization) 27001:2005, serta rujukan-rujukan lainnya termasuk materi kuliah Manajemen Resiko. Hasil dari penelitian diharapkan dapat memberikan masukan yang bermanfaat bagi penerapan sistem keamanan informasi untuk lingkup jaringan telepon tetap di PT Indosat.

---

Voice Over Internet Protocol (VoIP) has been implemented by many telecommunication providers (Telco Provider) and many big companies in the world. That is caused of all telecommunication platform tend to use IP Platform. Since the softswitch as telephony switching can be accessed from public or customer using IP interconnection, and also need to access (remote) those equipment using IP, that will increase the risk of Information Security. They need to develop or improve the Information Security for ensuring the availability, confidentiality and integrity that be able to reach the performance target as customer or top management expectation. The purpose of this research is to develop information security for IP Based Fixed Telephony Network especially developing prioritized Information Security Policy and developing implementation strategy for improving Information Security. This research refer to controls of ISO (the International Organization for Standarization) 27001:2005 and other references (including handout of Risk Management program study) that mentioned in reference list. Hope the result of this research will be benefit for PT Indosat or other academic institutional regarding with Information Security Development For IP Based Fixed Telephony Network."

"Visi pustaka merupakan salah satu terbitan berkala yang memuat artikel hasil penelitian, kajian, survei, tinjauan, dan evaluasi tentang teknologi informasi serta kerja sama antar perpustakaan guna mewadahi penulis/pustakawan untuk mengetahui keterbaruan konsep manajemen perpustakaan dan teknologi informasi. Kajian ini bertujuan untuk mengetahui topik artikel yang paling banyak dimuat, perkembangan artikel dari tahun 1999-2018, serta produktivitas pengarang serta karakteristik pengarang. Hasil menunjukkan bahwa topik artikel yang paling banyak dimuat yaitu mengenai Sistem Informasi Manajemen Perpustakaan sekitar 186 artikel (56,36%), artikel paling banyak dihasilkan oleh pengarang tunggal dengan jumlah 283 artikel (86,54%). Jika ditinjau dari karakteristik pengarang berdasarkan jenis perpustakaannya, diketahui pengarang yang berasal dari Perguruan Tinggi menempati urutan paling atas sebnayak 103 orang (55,98%)."

"PT Bank Rakyat Indonesia (BRI) merupakan suatu perusahaan perbankan yang mengedepankan teknologi dalam membantu menjalankan kegiatan proses bisnisnya. Untuk dapat melayani nasabahnya 24 jam, maka dibutuhkan suatu infrastruktur IT yang memiliki availability dan reliability yang tinggi dan dapat dijalani dengan baik tanpa kendala. Selain jaringan interkoneksi, faktor utama dari infrastruktur IT adalah data center (DC). Jika terjadi downtime pada DC, maka kegiatan operasional bisnis berbasis IT akan tertunda sementara dan dapat mengurangi transaksi perbankan saat itu. Untuk menyusun rekomendasi yang terbaik bagi perusahaan, dibutuhkan proses evaluasi seluruh kegiatan operasional data center yang dijalankan oleh PT BRI. Data Center Maturity Model (DCMM) akan digunakan sebagai kerangka kerja dalam mengevaluasi kegiatan operasional data center PT BRI. Metode pengumpulan data akan dilakukan dengan cara wawancara terhadap stakeholder dan user data center yang kemudian akan menghasilkan luaran tingkat kematangan data center PT BRI tersebut. Untuk penyusunan rekomendasi, dilakukan wawancara terhadap internal dan eksternal perusahaan agar mendapatkan expert judgement terhadap rekomendasi yang didapatkan. Hasil rekomendasi akan diterima PT BRI dan dipertimbangkan oleh top management selaku pemangku keputusan agar dijadikan panduan untuk perbaikan kegiatan operasional data center PT BRI.

---

PT Bank Rakyat Indonesia (BRI) is a Banking Company that utilize technology in order to support and assist its business process activity in a daily basis. To be able to serve its customers 24 hours, it requires an IT infrastructure that has high availability and reliability and can be used properly without any problems. Apart from network interconnection, the main factor of IT infrastructure is the data center (DC). If there is downtime at DC, IT-based business operations will be temporarily delayed and can reduce banking transactions at that time. To make the best recommendations for the company, it is necessary to evaluate all data center operational activities carried out by PT BRI. The Data Center Maturity Model (DCMM) will be used as a framework in evaluating the operational activities of PT BRI's data center. The data collection method will be carried out by interviewing stakeholders and data center users which will then produce the output data center for the maturity level of PT BRI. For the preparation of recommendations, interviews were conducted with internal and external companies in order to obtain expert judgment on the recommendations obtained. The results of the recommendations will be received by PT BRI and approved by top management as decision makers to be used as a guide for improving PT BRI's data center operational activities."

"Sistem informasi digunakan perusahaan untuk mencapai efisiensi dalam menjalankan proses bisnis. Pengendalian umum dan pengendalian aplikasi yang dilakukan perusahaan merupakan salah satu bentuk perlindungan keamanan atas aset sistem informasi PT AFI. Laporan ini membahas mengenai implementasi pengendalian yang dijalankan PT AFI. Pemeriksaan dan pengujian atas pengendalian keamanan sistem informasi perlu dilakukan untuk meminimalisasi resiko dan memastikan sistem dapat menghasilkan data yang akurat. Metode yang digunakan dalam melakukan proses audit meliputi pengumpulan bukti atas prosedur terkait sistem informasi, wawancara, observasi langsung dan pengujian data konsumen secara manual. Berdasarkan analisis yang telah dilakukan, masih terdapat beberapa area terkait sistem PT AFI yang tidak memiliki standar operasional prosedur. Prosedur pemeriksaan yang dilakukan tim audit berdasarkan RSM Metodology telah sesuai dengan kerangka kerja ISO 27001 yang merupakan salah satu standar internasional untuk sistem manajemen keamanan informasi.

---

Information system is used by company to reach eficiency of its business process. Information technology general control and application control in a company is one of the security guarantee of information system asset. This thesis writes about the implementation of those controls in PT AFI. Audit and test of information system security control should be made to minimize risk and ensure the system can produce data accurately.

The methods in audit process are collect evidence from information system procedure, interview, direct observation and test the data manually. Based on the analysis that has been done, there are some areas from system in PT AFI that have no operational procedure standards. Procedure that is used by audit team RSM Indonesia, is based on ISO 27001 which is one of international standards about information security management system."