Tugas 4 KPPL Rafie Zaidan Umara 5025231245

Nama: Rafie Zaidan Umara

NRP: 5025231245

Mata Kuliah: KPPL (E)

Judul TA: Decison Support System (Sistem Klasifikasi Status Endapan dan Prediksi Waktu Shift-Pond Menggunakan Artificial Inteligent)

Link PDF: https://www.researchgate.net/publication/373718606_Laporan_Akhir_TA_Techpond_Decision_Support_System_Sistem_Klasifikasi_Status_Endapan_dan_Prediksi_Waktu_Shift-Pond_Menggunakan_Artificial_Intelligence

1. Tujuan Penelitian

Sistem yang akan dirancang oleh penulis adalah sebuah sistem yang mampu memberikan informasi  mengenai  seberapa  banyak  akumulasi  kotoran  yang  mengendap  di  kolam  udang. Berdasarkan  informasi  tersebut,  sistem  yang  dirancang  juga  harus  mampu  memberikan rekomendasi  waktu  shift-pond  untuk  tambak  udang.  Informasi  ini  diharapkan  dapat  menjadi 

3  pengetahuan  pendukung  bagi  user  dalam  membuat  keputusan  terkait  tindakan  yang  harus dilakukan untuk mencegah penyakit WFD pada udang.

2. Metodologi Penelitian 

a. Pengumpulan Data: Tahap ini mencakup pengumpulan data terkait status endapan dan waktu shift-pond. Data tersebut dikumpulkan melalui observasi lapangan, sensor, atau sumber data lain yang relevan.

b. Pra-pemrosesan Data: Data yang telah dikumpulkan kemudian diproses untuk menghilangkan noise, menangani data yang hilang, dan memastikan kualitas data yang baik sebelum digunakan dalam model.

c. Pemilihan Fitur: Menentukan fitur-fitur penting yang akan digunakan dalam model klasifikasi dan prediksi. Fitur-fitur ini dipilih berdasarkan relevansinya terhadap status endapan dan waktu shift-pond.

d. Pengembangan Model AI: Menggunakan teknik kecerdasan buatan, seperti machine learning atau deep learning, untuk membangun model yang mampu mengklasifikasikan status endapan dan memprediksi waktu shift-pond. Model ini dilatih menggunakan data yang telah diproses dan fitur yang dipilih.

e. Evaluasi Model: Model yang telah dikembangkan dievaluasi kinerjanya menggunakan metrik evaluasi yang sesuai, seperti akurasi, presisi, recall, dan lain-lain, untuk memastikan model bekerja dengan baik.

f. Implementasi Sistem: Setelah model dievaluasi dan dianggap memadai, model tersebut diintegrasikan ke dalam sistem pendukung keputusan (Decision Support System) yang akan digunakan oleh pengguna akhir untuk klasifikasi status endapan dan prediksi waktu shift-pond.

g. Pengujian dan Validasi: Sistem yang telah diimplementasikan diuji dan divalidasi di lingkungan nyata untuk memastikan fungsionalitas dan keandalannya dalam membantu pengambilan keputusan.

Metodologi ini dirancang untuk mengembangkan sistem yang efektif dalam mengklasifikasikan status endapan dan memprediksi waktu shift-pond menggunakan teknologi kecerdasan buatan.

3. Hasil Penelitian

1. Kinerja Model AI:

• Akurasi model dalam mengklasifikasikan status endapan.
• Presisi, recall, dan nilai F1 sebagai metrik evaluasi tambahan.
• Kinerja prediksi waktu shift-pond dalam hal mean absolute error (MAE), root mean square error (RMSE), atau metrik serupa.

2. Efektivitas Sistem Pendukung Keputusan:

• Kemampuan sistem untuk membantu pengguna akhir dalam pengambilan keputusan berdasarkan klasifikasi status endapan.
• Efisiensi sistem dalam memberikan rekomendasi waktu shift-pond yang akurat.

3. Penerapan di Lapangan:

• Umpan balik dari pengguna, seperti keakuratan sistem dalam konteks dunia nyata.
• Dampak terhadap proses operasional yang lebih efektif atau efisien dibanding metode sebelumnya.

4. Kendala dan Potensi Pengembangan:

• Identifikasi tantangan yang dihadapi selama penelitian atau implementasi, seperti data yang kurang lengkap atau kompleksitas sistem.
• Rekomendasi untuk pengembangan lebih lanjut, seperti integrasi dengan teknologi tambahan atau peningkatan model AI.
• Jika Anda memiliki akses langsung ke laporan tersebut, saya dapat membantu Anda menganalisis hasil atau informasi spesifik lainnya. Anda juga bisa memberikan salinan atau cuplikan dari bagian yang ingin Anda pahami lebih lanjut.

4. Kesimpulan

bahwa model kecerdasan buatan yang dikembangkan mampu mengklasifikasikan status endapan dan memprediksi waktu shift-pond dengan tingkat akurasi yang memadai, menunjukkan efektivitas sistem dalam mendukung pengambilan keputusan. Sistem ini juga terbukti meningkatkan efisiensi operasional dibandingkan metode konvensional, meskipun hasilnya sangat dipengaruhi oleh kualitas dan keragaman data yang digunakan.

5. Saran

Penelitian selanjutnya dapat memperluas cakupan dataset untuk meningkatkan keakuratan model serta mengintegrasikan sistem dengan teknologi IoT untuk mendapatkan data real-time. Selain itu, pengujian lebih luas di berbagai lokasi dan kondisi disarankan untuk memastikan keandalan dan fleksibilitas sistem. Pelatihan bagi pengguna akhir dan pembaruan sistem secara berkala juga penting untuk memaksimalkan manfaatnya dalam jangka panjang.