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."

"Transaksi elektronik pada era dijital saat ini telah menjadi sebuah aktifitas umum, meliputi kegiatan transaksi jual beli, kegiatan investasi, dan sebagainya. Transaksi elektronik menggunakan dompet dijital yang sudah dikenal di Indonesia seperti OVO, Go-Pay dan Dana umumnya memberitahukan hasil pembayaran atau promo melalui push notifications atau notifikasi. Notifikasi ini terdiri dari 2, yakni notifikasi yang berasal dari dalam dan luar perangkat. Notifikasi yang berasal dari dalam perangkat dapat berupa notifikasi pembayaran dan notifikasi cashback. Notifikasi yang berasal dari luar perangkat dapat berupa notifikasi promo dan notifikasi lain-lain, seperti gamifikasi dan sebagainya. Dari observasi notifikasi beberapa dompet dijital tersebut, diturunkan sebuah desain generik arsitektur yang memiliki kapabilitas untuk mengirimkan notifikasi ke perangkat yang tersedia. Berdasarkan desain generik ini, dihasilkan sebuah ran- cangan arsitektur umum untuk platform notifikasi yang diharapkan dapat memudahkan perancangan pengembang aplikasi. Pengimplementasian dilakukan dengan bantuan dengan menggunakan framework Django, RabbitMQ, dan aplikasi berbasis Android Native. Dari hasil pengujian atas implementasi yang dilakukan pada penelitian ini, didapatkan bahwa implementasi tersebut dapat memenuhi beberapa skenario generik kebutuhan perusahaan industri fintech berdasarkan observasi notifikasi yang telah dilakukan.

---

Electronic transactions in this era have been a mundane activity, which covers buying, selling, investing and etc. Electronic transactions that used three of the well-known e-wallets in Indonesia, which are OVO, Go-Pay and Dana, usually informs their user about transaction outcomes and promotions are through push notifications. Push Notifications consist of 2 types, notifications which came from the device, and which were not from the device itself. Notification which came from the device itself may consist of transaction notifications and cashback or points notifications. Notification which were not from the device itself are may consist of promotion notifications and other types of notifications, which could cover gamifications, updates, etc. From the analysis of notifications, a generic architecture design which has a capability of sending notifications to devices is created. Based on the generic architecture design, a common architecture draft for notification platforms is created with the goal of simplifying app developers’ drafts. There are several technologies are used when implementing the design, such as Django framework, RabbitMQ, and Android Native based application. As a result of testing of the implementation, the draft successfully achieved several scenarios of payment and cashback notifications based on the observations on the use cases of fintech industries."