Hasil Pencarian  ::  Simpan CSV :: Kembali

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belumdapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekappada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masastudi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empatmodel pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifierterbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data

queries with APIs created using Express.js and Flask."

"Indonesia merupakan negara rawan gempa karena secara geografis indonesia terletak pada pertemuan empat lempeng tektonik. Karena ini, pengembangan sebuah sistem prediksi real-time gempa bumi yang mencakup wilayah yang luas dengan gempa bumi besar sangat dibutuhkan untuk mengurangi korban jiwa. Penelitian ini mengusulkan pembuatan sistem pendeteksi cepat kedatangan gelombang-p dan penentuan hiposenter dan magnitudo gempa menggunakan deep-learning. Pengembangan sistem berbasis web ini bertujuan untuk memperingati masyarakat agar dapat lebih dini untuk melindungi diri sebelum gempa terjadi. Menggunakan data dari BMKG, data yang kami gunakan mencakupi 1892 set data gempa pada tahun 2009–2017 dan 26 set data gempa dari Katalog BMKG Januari 2019, penelitian ini menggunakan algoritma STA/LTA dalam menemukan P-Arrival dan membandingkan tiga model pembelajaran mesin untuk memprediksi hiposenter gempa dimana model Conv1d digabung dengan LSTM dengan interval waktu 20 detik merupakan skenario model terbaik dengan memiliki mean absolute error sebesar 0.470. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat menampilkan visualisasi data dengan menggunakan websocket berdasarkan data seismik yang dikumpulkan oleh BMKG. Visualisasi data seismik ini ditampilkan menggunakan dynamic line chart dan peta web interaktif.

---

Indonesia is an earthquake-prone country because geographically Indonesia is located at the confluence of four tectonic plates. Therefore, the development of a real-time earthquake prediction system that covers large areas with large earthquakes is urgently needed to reduce fatalities. This study proposes the creation of a rapid detection system for the arrival of p-waves, hypocenters and earthquake magnitudes using deep-learning. The development of this web-based system is aimed at warning people so that they can protect themselves before an earthquake occurs. Using data from BMKG, we used 1892 earthquake data sets in 2009–2017 and 26 earthquake data sets from January 2019 BMKG Catalog, this research uses the STA/LTA algorithm to find P-Arrival and compares three machine learning models to predict the earthquake hypocenter where Conv1d model is combined with LSTM with a time interval of 20 seconds is the best model scenario with a mean absolute error of 0.470. In addition, this research succeeded in implementing a web-based system that can display data visualization using websocket based on seismic data collected by BMKG. This seismic data visualization is displayed using dynamic line charts and an interactive web map."

"Indonesia merupakan negara rawan gempa karena secara geografis indonesia terletak pada pertemuan empat lempeng tektonik. Karena ini, pengembangan sebuah sistem prediksi real-time gempa bumi yang mencakup wilayah yang luas dengan gempa bumi besar sangat dibutuhkan untuk mengurangi korban jiwa. Penelitian ini mengusulkan pembuatan sistem pendeteksi cepat kedatangan gelombang-p dan penentuan hiposenter dan magnitudo gempa menggunakan deep-learning. Pengembangan sistem berbasis web ini bertujuan untuk memperingati masyarakat agar dapat lebih dini untuk melindungi diri sebelum gempa terjadi. Menggunakan data dari BMKG, data yang kami gunakan mencakupi 1892 set data gempa pada tahun 2009–2017 dan 26 set data gempa dari Katalog BMKG Januari 2019, penelitian ini menggunakan algoritma STA/LTA dalam menemukan P-Arrival dan membandingkan tiga model pembelajaran mesin untuk memprediksi hiposenter gempa dimana model Conv1d digabung dengan LSTM dengan interval waktu 20 detik merupakan skenario model terbaik dengan memiliki mean absolute error sebesar 0.470. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat menampilkan visualisasi data dengan menggunakan websocket berdasarkan data seismik yang dikumpulkan oleh BMKG. Visualisasi data seismik ini ditampilkan menggunakan dynamic line chart dan peta web interaktif.

---

Indonesia is an earthquake-prone country because geographically Indonesia is located at the confluence of four tectonic plates. Therefore, the development of a real-time earthquake prediction system that covers large areas with large earthquakes is urgently needed to reduce fatalities. This study proposes the creation of a rapid detection system for the arrival of p-waves, hypocenters and earthquake magnitudes using deep-learning. The development of this web-based system is aimed at warning people so that they can protect themselves before an earthquake occurs. Using data from BMKG, we used 1892 earthquake data sets in 2009–2017 and 26 earthquake data sets from January 2019 BMKG Catalog, this research uses the STA/LTA algorithm to find P-Arrival and compares three machine learning models to predict the earthquake hypocenter where Conv1d model is combined with LSTM with a time interval of 20 seconds is the best model scenario with a mean absolute error of 0.470. In addition, this research succeeded in implementing a web-based system that can display data visualization using websocket based on seismic data collected by BMKG. This seismic data visualization is displayed using dynamic line charts and an interactive web map."

"Pengakuan laba (profit) pada uji profitabilitas (profit testing) produk unit link back-end loading menghasilkan cadangan premi yang bernilai negatif pada tahun pertama karena biaya yang bernilai positif di sisi pengeluaran sehingga menambah profit dan menghasilkan laba untuk bisnis yang baru terjual (new business gain). Situasi ini menimbulkan ketidakadilan dilihat dari sudut pandang pemegang polis karena jasa perlindungan belum sepenuhnya diterima oleh pemegang polis tetapi perusahaan telah mengambil laba terlebih dahulu. Standar pelaporan keuangan internasional nomor 17 tentang Kontrak Asuransi (International Financial Reporting Standard 17 atau IFRS17) yang akan mulai efektif berlaku pada tahun 2022, menyatakan bahwa perusahaan mengakui profit setiap periodenya (profit emergence) sesuai dengan jasa perlindungan asuransi yang telah diberikan kepada pemegang polis. Karya akhir ini membahas pengakuan profit produk asuransi jiwa unit link back-end loading menggunakan IFRS17. Analisis dilakukan dengan melihat pola pengakuan profit sepanjang masa kontrak menggunakan metode IFRS17. Secara umum hasil analisis atas pengakuan profit sepanjang masa kontrak menggunakan metode IFRS17 lebih stabil sehingga kondisi pengakuan laba yang tinggi diawal tahun penjualan tidak terjadi.

---

The recognition of profit on profit testing for unit link back-end loading products generates a negative premium reserve in the first year because positive costs on the expense side increased the profit and creates high profits recognition for newly sold businesses i.e new business gain. This situation considered unfair from policyholder's point of view because protection services have not been fully accepted by policyholders but the company has taken high profits in the early years. The International Financial Reporting Standard 17 for Insurance Contract or IFRS17 for Insurance Contract which will be implemented in 2022, states that the company should recognizes profit during insurance contract in accordance with the insurance protection services provided to policyholders. This paper discusses the recognition of profit or emergence surplus for unit link back-end loading in life insurace products using IFRS17. The analysis is done by looking at the emergence surplus pattern throughout the contract period using IFRS17 method. In general, the results of the emergence surplus pattern throughout the contract period using IFRS17 method are more stable so that high profit recognition situation in the early years does not occur."

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belum dapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekap pada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masa studi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empat model pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifier terbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data queries with APIs created using Express.js and Flask."

"Mahasiswa drop out memiliki dampak negatif untuk mahasiswa serta perguruan tinggi. Mahasiswa dikatakan drop out apabila mahasiswa tersebut belum dapat menyelesaikan masa studinya dalam rentang waktu yang telah ditentukan. Data mengenai status penyelesaian serta data akademis mahasiswa terekap pada Pangkalan Data Pendidikan Tinggi (PDDikti). Berdasarkan data tersebut, mahasiswa drop out pada tahun 2019 mencapai 602.208 mahasiswa atau 7% dari total mahasiswa. Penelitian menggunakan data PDDikti untuk memprediksi drop out telah dilakukan untuk mahasiswa yang telah mencapai tujuh tahun masa studi. Namun, belum terdapat sistem berbasis web yang dapat memprediksi mahasiswa drop out menggunakan data semester yang lebih sedikit dan visualisasi yang menggambarkan mahasiswa drop out berdasarkan data yang diperoleh dari PDDikti melalui API tertentu. Penelitian ini membandingkan empat model pembelajaran mesin untuk memprediksi drop out dimana model CatBoost dengan teknik undersampling edited nearest neighbors merupakan classifier terbaik untuk memprediksi drop out dengan f1-score sebesar 64.23%. Selain itu, penelitian ini berhasil mengimplementasi sistem berbasis web yang dapat digunakan untuk melakukan visualisasi data berdasarkan API yang digunakan untuk memperoleh data dari PDDikti dan juga prediksi mahasiswa yang berpotensi drop out berdasarkan data dari PDDikti. Visualisasi mahasiswa drop out berhasil divisualisasi dengan menggunakan diagram sankey, diagram geo, dan diagram bar. Perolehan data dapat dilakukan menggunakan query data dengan API yang dibuat menggunakan Express.js dan Flask.

---

Dropped out student giving negative impact to the student itself and also university. A student is said to have dropped out if they can’t complete their studies within the specified timeframe. Data regarding completion status as well as student academic data are recorded in Higher Education Database (PDDikti). Based on these data, the drop out students in 2019 reached 602,208 students or 7% of the total student. Research using PDDikti data to predict drop out has been conducted for students who have reached seven years of study. However, there is no web-based system that could predict drop out student using data with fewer semesters and visualizations portraying dropout students based on PDDikti data through particular API. This study compares four machine learning models to predict drop outs where CatBoost model with undersampling edited nearest neighbors technique is the best classifier to predict drop outs with an f1-score of 64.23%. Other than that, this study succeeded to implement web-based system that could visualize PDDikti data through API and to predict potential students dropping out based on PDDikti data. The visualization of drop out students was successfully visualized using Sankey diagrams, geo diagrams, and bar charts. Data retrieval can be done using data queries with APIs created using Express.js and Flask"

"Mikrofluidik merupakan ilmu yang mengacu pada bidang sains dan teknologi untuk memanipulasi fluida dalam suatu jaringan di dalam channel yang dimensinya antara 5 - 500 μm. Tahapan proses yang dilakukan pada teknologi microfabrication yaitu desain, microstucturing dan back-end processes. Desain adalah bentuk dari channel yang diinginkan. Microstucturing adalah metode teknologi yang digunakan untuk pembentukan mikrofluidik, sedangkan back-end processes merupakan proses untuk joining material yang telah dilakukan pembentukan channel. Dalam penelitian ini, proses desain channel menggunakan software autodesk inventor. Untuk proses microstucturing menggunakan laser CO2 daya rendah. Penggunaan laser CO2 sebagai alat pemotong untuk pembentukan mikrofluidik pada material acrylic menggunakan beberapa parameter yang dapat mempengaruhi hasil pemotongan, yaitu daya laser, kecepatan pemotongan dan pengulangan pemotongan (pass), kemudian dilakukan pengamatan terhadap hasil pemotongan tersebut yaitu kekasaran permukaan (surface roughness) microchannels. Tahapan terakhir dari microfabrication adalah back-end processes, proses joining dengan menggunakan metode thermal bonding untuk membuat mikrofluidik yang dibentuk dapat berfungsi dengan baik. Dari hasil penelitian pembentukan perangkat mikrofluidik dan percobaan pengaliran cairan pada channel yang merupakan bagian dari perangkat mikrofluidik telah berhasil dilakukan.

---

Microfluidics is the science which refers to the analysis and technology for manipulating fluid inside the microchannels that dimensions 5 ? 500 μm. There are three process steps of microfabriaction technology for microfluidics device which are design, microstructuring and back-end processes. Design is the process to produce shape of microchannels. while back-end processes is joining process for material have been fabricated of channel. Microstructuring is a method that used for microfludics device fabrication.

In this research, a low power CO2 laser is applied for microstructuring process. CO2 laser cutting for micrluidics device fabricated on acrylic was applicated by three parameters: power of laser, cutting speed and cutting repeatition (number of pass). In the result of cutting is observed surface roughness of microchannels.

The last teps is back-end processes, to joining materials by thermal bonding method. The result of this research, microfluidics device was successfully fabricated and the fluid could flow in the microchannels of the microfluidics device."

"Mikrofluidik merupakan ilmu yang mengacu pada bidang sains dan teknologi dengan salah satu bidangnya adalah biomedical untuk memanipulasi fluida dalam suatu jaringan di dalam channel yang dimensinya antara 5 - 500 µm. Tahapan proses yang dilakukan pada teknologi microfabrication yaitu desain, microstucturing dan back-end processes. Passive mixing adalah proses pencampuran fluida dimana fluida yang bergerak dan part pencampur diam tanpa ada pergerakan dan tekanan dari luar atau proses pencampurannya terjadi karena bentuk desain channel yang khusus untuk pencampuran tersebut. Desain passive mixing adalah suatu bentuk dari channel yang di inginkan. Microstucturing adalah metode teknologi yang digunakan untuk pembentukan mikrofluidik, sedangkan back-end processes merupakan proses untuk joining material yang telah dilakukan pembentukan channel. Dalam penelitian ini, proses desain channel menggunakan software autodesk inventor. Untuk proses microstucturing menggunakan laser CO2 daya rendah. Penggunaan laser CO2 sebagai alat pemotong untuk pembentukan mikrofluidik pada material acrylic menggunakan parameter yang dapat mempengaruhi hasil pemotongan, yaitu daya laser, kecepatan pemotongan dan ukuran jarak desain, kemudian dilakukan pengamatan terhadap hasil pemotongan tersebut yaitu ukuran hasil pemotongan dengan microscope digital microchannels serta dengan alat uji surface roughness. Tahapan terakhir dari microfabrication adalah back-end processes, proses joining dengan menggunakan metode thermal bonding untuk membuat mikrofluidik yang dibentuk dapat berfungsi dengan baik. Dari hasil penelitian pembentukan perangkat mikrofluidik dan percobaan pengaliran cairan pada channel yang merupakan bagian dari perangkat mikrofluidik telah berhasil dilakukan.

---

Microfluidics is a science which refers to the field of science and technology is one of the biomedical fields to manipulate fluids in a channel network in the dimensions between 5-500 µm. Stages of the process are carried out in microfabrication technology which are designs, microstucturing and back-end processes. Passive mixing is the process of mixing of the fluid in which the fluid is moving and stationary parts mixer without any movement and pressure from the outside or the mixing process occurs due to the special form of channel design for the mixing. Design is a form of passive mixing of the desired channel. Microstucturing technology is a method used to mikrofluidics formation, while the back-end processes is the process for joining materials that have done channel formation.

In this study, the process of channel design used Autodesk Inventor software. For microstucturing process used low-power CO2 laser. CO2 laser was used as a cutting tool for microfluidic fabrication on acrylic material the parameters that can affect the outcome are the cutting, the laser power, cutting speed and distance measures design. Then observations on the results of the cuts was perfomed by measuring the results of cutting the microchannels with digital microscope and surface roughness equipment. Final stage of the microfabrication was the back-end processes which are joining processes using thermal bonding method for making microfluidics to be function properly. The establishment of research and experiments on microfluidic flow of fluid in the channel which is part of the microfluidic has been successfully carried out."

"Antrean yang panjang pada kasir di pasar swalayan menyebabkan pembeli harus menyediakan waktu yang cukup lama ketika ingin menyelesaikan proses perbelanjaan, menunjukkan kurang efisiennya sistem checkout pada pasar swalayan di Indonesia saat ini. Hal ini merupakan situasi yang tidak diinginkan bagi pelanggan dan dapat menyebabkan jumlah serta loyalitas pelanggan berkurang.  Sistem keranjang belanja pintar “Troll-E” mencoba menyelesaikan cashierless dengan solusi smart cart. Sistem ini mengimplementasikan teknologi object detection pada keranjang belanja yang terhubung dengan aplikasi mobile sebagai antarmuka. Penggunaan keranjang belanja yang sudah ada diyakini dapat mengurangi hambatan masuk bagi pengguna baru, dan penggunaan teknologi object detection untuk mendeteksi barang diharapkan dapat memberikan pengalaman berbelanja yang baik karena pelanggan tidak perlu lagi melakukan pemindaian satu per satu, semua terjadi secara otomatis. Dari hasil pengujian dengan kondisi ideal pada penelitian ini, penerapan teknologi ini memiliki efisiensi hingga 39% lebih cepat dari kasir konvensional untuk menyelesaikan proses belanja, sehingga diharapkan sistem ini dapat menggantikan kasir konvensional untuk menciptakan sistem checkout yang lebih efisien.

---

Long queues at cashiers at supermarkets cause shoppers to have to spend a long time when they want to complete the shopping process, indicating the current inefficient checkout system at supermarkets in Indonesia. This is an undesirable situation for customers and can lead to reduced customer numbers and loyalty. The smart shopping cart system “Troll-E” tries to solve this problem by applying the cashierless concept with a smart cart solution. This system implements object detection technology in a shopping cart that is connected to a mobile application as an interface. The use of an existing shopping cart is believed to be able to reduce barriers to entry for new users, and the use of object detection technology to detect goods is expected to provide a good shopping experience because customers no longer need to scan one by one, everything happens automatically. From the results of testing with ideal conditions in this study, the application of this technology has an efficiency of up to 39% faster than conventional cashiers to complete the shopping process, so it is hoped that this system can replace conventional cashiers to create a more efficient checkout system."

"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."