PENGEMBANGAN SISTEM BACK-END DAN MODEL MACHINE LEARNING UNTUK SISTEM INFORMASI PENGKLASIFIKASI PUBLIKASI DOSEN

MUHAMMAD ALDIAN PUTRA, Dr.Eng. Silmi Fauziati,S.T.,M.T.; Teguh Bharata Adji, S.T., M.T., M.Eng., Ph.D.

2022 | Skripsi | S1 TEKNOLOGI INFORMASI

Dosen DTETI FT UGM memiliki tugas untuk melakukan penelitian sesuai dengan Tri Dharma Perguruan Tinggi. Penelitian tersebut menghasilkan banyak publikasi baik berupa jurnal, prosiding, book chapter, dan lain sebagainya. Dari sisi dosen, publikasi yang dihasilkan adalah bagian dari penilaian kinerja, sehingga perlu diorganisir agar publikasi yang dihasilkan disimpan dengan baik. Publikasi dosen juga tentunya akan dicari oleh mahasiswa atau masyarakat baik sebagai acuan penelitian ataupun sebagai sumber informasi. Namun, masih terdapat kesulitan baik dari segi pengorganisasian publikasi dosen, maupun dari segi mencari publikasi dosen DTETI yang sesuai dengan topik tertentu. Pada Capstone Project ini dikembangkan sebuah sistem informasi untuk klasifikasi publikasi dosen yang dilengkapi dengan kemampuan repositori publikasi. Sistem informasi ini adalah sistem informasi berbasis website yang diberi nama RETI. RETI dikembangkan dengan metodologi Agile Software Engineering, menggunakan JavaScript dan framework VueJS untuk front-end, Java dan framework Spring untuk back-end, MongoDB sebagai database, serta Python dan Scikit-learn untuk mengembangkan model klasifikasi machine learning. Metode machine learning yang digunakan adalah Logistic Regression. Pengujian sistem RETI dilakukan dengan menggunakan metode usability test dan black-box test pada tampilan antarmuka, basis-path test dan performance test pada sistem back-end, serta accuracy test dan execution time test untuk model machine learning. Fitur utama RETI adalah sebagai berikut: mencari publikasi berdasarkan penulis, judul publikasi, ataupun topik, melakukan unggah, unduh, dan organisasi publikasi, serta mengklasifikasi publikasi dengan menggunakan model machine learning yang ditanamkan. Hasil pengujian RETI dari sistem front-end, didapatkan usability test score 87,9% dan black-box dapat dijalankan dengan baik. Dari sistem back-end, didapatkan basis-path test dapat dijalankan dengan baik, serta performance test yang kurang dari 1 detik untuk GET endpoint dan POST endpoint. Model machine learning memberikan akurasi 85,6% dengan data dosen DTETI. RETI diharapkan mampu menjawab permasalahan baik dari sisi tenaga pendidik dan staf DTETI, maupun dari sisi mahasiswa dan masyarakat.

In accordance with Tri Dharma Perguruan Tinggi, DTETI FT UGM lecturers have the task of conducting research. The research resulted in many publications in the form of papers, journals, book chapters, and so on. From the lecturers perspective, the publications produced are part of their performance appraisal, so the publications need to be organized well so that the publications are stored and saved properly. The publications will also be sought by student or the public, either as research references, basis for policy making or as some sources of information. However, there are still some difficulties, both in terms of organizing lecturer publications, and in terms of finding DTETI lecturers publications that discuss certain topics. In this Capstone Project, an information system was developed for classifying lecturer publications and equipped with capability for becoming a repository of lecturer publications. The information system is a website-based information system called RETI. RETI was developed with Agile Software Engineering methodology, using JavaScript and VueJS framework for front-end, Java and Spring framework for back-end, MongoDB as database, and Python and Scikit-learn to develop a machine learning classification model. The machine learning method used is Logistic Regression. RETI systems are tested with using usability test and black-box test for the user interface, base-path testing and performance testing for the back-end system, accuracy testing and execution time testing for machine learning model. The main features of RETI are as follows: finding publications by author, publication title, or topic as parameters, uploading, downloading and organize publications, and classifying publications using the embedded machine learning model. RETI test results for front-end are 87,9% for Usability Test and passed black-box test. RETI back-end passed the basis-path test and have good performance test with less than 1 second for GET endpoints and POST endpoints. Machine Learning model provides 85,6% accuracy with DTETI lecturer publications data. RETI is expected to be able to answer problems both from the educators perspective and students or public perspective.

Kata Kunci : website, logistic regression, classification, repository