| Kelas |
Kelompok |
Pilih
nama-nama anggota Kelompok |
Judul
PBL |
Poin
Presentasi |
Poin Paper |
Catatan |
| A |
VI |
SALMA
SUHAIMAH, DWIPA AMEDIHARDJO, DZAKWAN RIZKY ARYABIMA, IMAM FIRMANSYAH, TIARA
DWI SEPTINA, DAFFA AYU MUMTAZA |
Analisa
Data dan Prediksi Harga Laptop Berdasarkan Spesifikasi Hardware Menggunakan
Algoritma Random Forest dan XGBoost |
91 |
92 |
Masalah
praktis dan jelas. Namun, belum tampak pemanfaatan jelas teknologi Big
Data/NoSQL (MongoDB dsb.), lebih ke analitik & ML klasik. |
| A |
III |
MUHAMMAD
JORDI, FAUZAN ROSYAD, JUWI RETNO ASIH, ABEL HASTI RAMADHANI, RAHMAH
MUTHMAINAH, M. ANJAS AVIN FARIDAS |
Penerapan
Metode Random Forest dalam Memprediksi Pendapatan Film Netflix Berdasarkan
Karakteristik Film dan Popularitas |
86 |
89 |
Menggunakan
Random Forest untuk regresi dengan metrik evaluasi yang lengkap. Namun, aspek
Big Data belum digali dalam: ukuran dataset, potensi skalabilitas dan konteks
data besar kurang ditegaskan. Presentasi: Nama dosen tidak ada :(, suara
jordi speednya terlalu tinggi, video presenter menutupi sebagian teks |
| A |
IV |
TALITHA
ALMIRA ZADA, ABDUL RAHMAN AZIZ, HANA MARDHATILLAH, FANIA PUTRI, KORNELIUS
JONATHAN MANIK, IZZAT FAIRUZI |
Penerapan
Model DeepFM untuk Rekomendasi Film
Personalisasi Berbasis Interaksi Pengguna dan Atribut Konten |
86 |
94 |
Topik
dan metode kuat. Namun belum ada perbandingan kuantitatif dengan baseline
(MF/FM) sehingga keunggulan DeepFM belum benar-benar “terukur”. Presentasi:
Slide terlalu banyak teks |
| A |
II |
MHD
AQSAL MAULANA, MUHAMMAD FARRAZ AQIL, MUHAMMAD NAUFAL YUSUF, NAJWA SABILA
SATARI, RAHMA JULIANI, SHALLY PERMATA AULIA, SYARIFAH ULYA |
Penerapan
Metode K-Means Clustering dan Algoritma C4.5 untuk Klasifikasi Pola
Popularitas Lagu Spotify |
87 |
91 |
Menggunakan
data primer dan ide kombinasi K-Means (clustering) dan C4.5 (klasifikasi)
cukup menarik dan relevan dengan analisis musik. Namun keterkaitan eksplisit
dengan Big Data/NoSQL belum terlihat, tidak tampak pemanfaatan MongoDB, serta
Integrasi hasil clustering ke tahapan klasifikasi C4.5 belum digambarkan
runut. Presentasi: Nama dosen tidak ada :( |
| A |
V |
M.
FADHIL, SYIFA ADILLAH SUKMA, LEO FERDIANSYAH, NAHLA PRIANTAMA, NALA TANIA
NAZIRA, ICHA DWI YANTI |
Implementasi
Metode CNN untuk Deteksi Emosi Wajah
dalam Analisis Suasana Pembelajaran di
Jurusan Ilmu Komputer, Universitas Riau |
85 |
94 |
Menggunakan
data primer dan masalah kontekstual. Namun, belum digambarkan kuantitatif,
masih konsep dan belum ada perbandingan dengan arsitektur lain atau baseline,
sehingga keunggulan MobileNetV2 belum tercermin jelas. Presentasi: Gagal
fokus pada wajah presenter (Nahla) yang lebih besar dari slide presentasinya
:D, pendahuluan terlalu banyak teks |
| A |
I |
RENDI
WAHYUDI, DARA FIRUZAH LUBIS, ALKAS MITA, CALISTA AILMA PUTRI, ABYAN ABDULLAH
TAMIR, FAHIRA PUTRI AMANDA, VIRA NABILA |
Penerapan
Algoritma K-Means untuk Segmentasi Pelanggan pada Dataset Marketing Campaign |
88 |
90 |
Masalah
dan tujuan jelas: segmentasi pelanggan untuk strategi marketing. Namun,
karakteristik dataset (jumlah baris, fitur, sumber) belum dijelaskan secara
kuat sebagai kasus Big Data |
| B |
IV |
SYAHRINI
SYAFITRI, INTAN NABILAH, HEISHA RACHMAN, FADHIL GIBRAN, KELPIN RAMA DEO |
Analisis
Pola dan Distribusi Pasien ISPA di Rumah Sakit |
90 |
79 |
Dari
judul, topik terlihat relevan yaitu analisis pola dan distribusi pasien ISPA
→ cocok untuk analitik kesehatan berbasis data.Namun, awalnya sulit diperiksa
karena laporan Turnitin :( Setelah diperiksa ternyata similarity tinggi 60%,
apakah karena sudah dicek pada akun turnitin bajakan yang tersimpan di repo? |
| B |
III |
AHMAD
DHANI, JULIA TRI IRPA, QOULAN TSAQILA, AMANDA FEBRINA PUTRI, OKTARIANDI |
Penerapan
Algoritma ARIMA dalam Analisis Big Data Penjualan Mobil untuk Peramalan Tren
dan Popularitas Mobil |
85 |
92 |
Topik
jelas dan praktis, peramalan penjualan mobil dan popularitas model mobil.
Dataset cukup besar: 23.906. Namun, aspek infrastruktur Big Data (NoSQL,
distributed storage) belum dijelaskan, semua masih di level Python + CSV.
Hanya menggunakan satu pendekatan (ARIMA), belum ada perbandingan dengan
metode lain. Presentasi: Terasa baca laporan, teks pendahuluan terlalu banyak |
| B |
I |
MUHAMMAD
AMIRULHAQ, WAFIQ WARDATUL KHAIRANI, NOVRIANTO SAPTA RAMADHAN, IVANDER LUKAS
PRATAMA, ERNIA JULIASTUTI, MUHAMMAD ZIDANE |
Segmentasi
Mahasiswa Berdasarkan Pola Penggunaan
Media Sosial Menggunakan Gaussian Mixture Models dan Principal Component
Analysis |
94 |
96 |
Menggunakan
data primer dan Latar belakang sangat kuat dan akademik. Namun, aspek
skalabilitas (misalnya bagaimana jika data ribuan–puluhan ribu responden)
belum diperjelas secara teknis. Beberapa bagian kalimat cukup panjang dan
bisa dibuat lebih ringkas agar mudah dibaca. Presentasi: MasyaAllah...Ucapan
salam terpanjang sejagad :D |
| B |
VI |
DHIKA
MAHESA SYAPUTRA, AIDHA TITA IRANI, FAZA MUHAMMAD IRVAN, GATHAN GIBRAN GUSTAV,
SYAMSUARNI JELITA |
Analisis
Sentimen Masyarakat Terhadap Pergantian Kementrian Keuangan Republik
Indonesia Pada Tahun 2025 pada platform X/Twitter |
91 |
95 |
Menggunakan
data primer dan topik sangat aktual/relevan (pergantian Menkeu 2025) dengan
konteks kebijakan publik. Namun, akurasi IndoBERT sekitar 67% → hasil
realistis, tetapi analisis mengapa akurasi tidak lebih tinggi (mis.
ambiguitas kelas netral, sarkasme, noise) masih bisa diperdalam lagi. |
| B |
V |
LILIS
KARLINA, AFIFAH SABILA, CHARISA ELISYA PUTRI, BIMA IQROM, BRYAN EGELAND
MANURUNG |
Analisis
Pola Pembelian Produk Elektronik Berbasis Big Data Menggunakan Algoritma
FP-Growth |
84 |
94 |
Topik
sangat relevan dengan market basket analysis dan strategi promosi (bundling,
rekomendasi). Namun, ukuran dataset tidak disebut eksplisit (berapa ribu
transaksi, rentang waktu pasti), padahal ini penting untuk konteks Big Data.
Pemilihan nilai min-support dan min-confidence belum dijustifikasi.
Presentasi: Screen-nya terlalu kecil, apalagi kalau dilihat via mobile |
| B |
II |
MUTIA
RIZKIANTI RUSLAN, SHERLY FILLIA, AHMAD FAUZI, MUTIARA FASSYA, RUMI YUNITA
TIOFANI, RATU RIZKI ILLAHI |
Analisis
Pola Pengeluaran Mahasiswa dan
Hubungannya Dengan Tingkat Stres Akademik |
86 |
90 |
Pertanyaan
penelitian jelas dan relevan: Apakah pengeluaran bulanan berkaitan dengan
stres akademik. Namun, klaim “pendekatan Big Data Analytics” belum didukung
aspek teknis Big Data: tidak ada penggunaan NoSQL atau pembahasan 3V/4V/5V
dan jumlah data juga tidak disebut
jelas. Pemakaian K-Means belum dilengkapi indeks validasi klaster.
Presentasi: Video presenter menutupi sebagian teks, suara Ratu kecil sekali |
| C |
II |
DEVIANA
FRANSISKA, HAFIZ DE FEBRIAN, AZIZAH YASMIN SZALSZABILLA IRSYAD, NABILA
CHAIRUNNISA, SYAHRUL RAMADHAN NOTO NEGORO, LIDYA MIKA NABILA, MUHAMMAD NAUFAL
NAZHMI |
Penerapan
Algoritma Machine Learning untuk Sistem Rekomendasi Produk E-Commerce
Berbasis Big Data Menggunakan MongoDB |
91 |
92 |
Topik
sangat relevan untuk e-commerce: sistem rekomendasi. Namun, masalah
cold-start disebutkan tetapi belum ada solusi teknis yang diterapkan. Jumlah
dataset dan karakteristik data (jumlah user, item, rating) tidak dijelaskan
secara eksplisit, padahal penting untuk konteks Big Data |
| C |
III |
DWI
RETNO SARI, M. MAYO SHAQUILLE, RAIFA SALSABILA, DELYA LAURENVIA, M. FAUZAN
HASBI, RAFKI FAUZAN AMRI |
PEMANTAUAN
DAMPAK EKONOMI DAN KESEHATAN DARI PERUBAHAN IKLIM GLOBAL: PENERAPAN MONGODB
DAN ANALISIS TIME-SERIES UNTUK MENGIDENTIFIKASI TREN |
89 |
88 |
Ide
dan konteks bagus: menghubungkan
perubahan iklim global dengan indikator ekonomi dan kesehatan publik dengan
dukungan data besar multi-sumber. Namun, Paper cenderung
konseptual/arsitektural, terlihat fokus pada desain sistem dan tahapan
implementasi, tapi detail hasil
kuantitatif (mis. contoh tren aktual, nilai error model) kurang tampak. Tidak
mengikuti template IEEE. Presentasi: Terasa di pengajian, echo luar biasa
sampai menggema |
| C |
VI |
MARINI
ADIBAH RUSYDI, MUTIAH ULFA SITOMPUL, LILIS DARWATI, M. FIKRI ALDILLA, DZAKIYA
ASTRIANI DITYA, MUHAMMAD HABIB RIZIQ |
Implementasi
Big Data dalam Forecasting Konsumsi Energi Menggunakan Algoritma XGBoost |
88 |
92 |
Topik
sangat kuat dan relevan yaitu forecasting konsumsi energi rumah tangga untuk
mendukung manajemen beban dan kebijakan efisiensi energi. Namun, jumlah
dataset masih relatif kecil (1000 baris data sekunder) untuk klaim Big Data.
Aspek skalabilitas ke data yang jauh lebih besar belum banyak dieksplor.
Presentasi: Nama dosen tidak ada :( |
| C |
I |
FATHIA
KHAIRA, AGUS BUDIYANTO, NABILA, ZALIA SONIA, DAFA ALVARO, ALYA SABRINA, NOR
FIDAYANI |
Penerapan
Big Data untuk Analisis Sentimen Masyarakat Terhadap Program Makan Bergizi
Gratis |
86 |
93 |
Menggunakan
data primer, topik sangat aktual dan spesifik kebijakan: sentimen publik
terhadap Program Makan Bergizi Gratis (MBG) di platform X. Namun, aspek
infrastruktur Big Data (mis. penggunaan NoSQL/MongoDB, skala data atau
potensi near real-time monitoring) belum terlalu eksplisit, lebih fokus di
analitik. Tidak terlihat tabel perbandingan numerik antar model. Presentasi:
Suara presenter kecil sekali |
| C |
IV |
FAA'IZ
DZIYA ULHAQ, HAFIZHAH AZ-ZAHRA, M. BINTANG HIDAYATULLAH, MUHAMMAD WAFI,
JAUZAA AZRA, ASTRI RANA |
Perbandingan
Kinerja Naive Bayes dan SVM dalam Analisis Emosi Ulasan Produk Tokopedia
Berbasis Big Data |
85 |
90 |
Menggunakan
data primer, topik praktis: analisis emosi (bukan sekadar sentimen
positif/negatif) pada ulasan produk Tokopedia, relevan untuk memahami
persepsi pelanggan. Namun, distribusi kelas emosi tidak merata, tetapi
strategi penanganan imbalanced data (mis. re-sampling, class weight) belum
dibahas. Hal ini mungkin berkontribusi ke akurasi yang relatif sedang. Tidak
disebutkan ukuran dataset secara eksplisit (jumlah ulasan) sehingga sulit
mengukur skala kasus. Presentasi: Nama dosen tidak ada :(, suaranya
menggema/echo |
| C |
V |
NAYA SEPTIA
ZULVA, ANDRE PRATAMA, VITA FIDIA UTAMI, M. FAREL ANTONIO, ALFATH DAMANIK,
BINTANG DYAH ULHAQ |
IMPLEMENTASI
BIG DATA DALAM MENGANALISIS POLARISASI SENTIMEN OPINI PUBLIK DI MEDIA SOSIAL
X MENGGUNAKAN SUPPORT VECTOR MACHINE (SVM) (STUDI KASUS : PEMERINTAH WAJIBKAN
CAMPURAN ETANOL 10% DI BBM). |
85 |
93 |
Menggunakan data primer, topik kebijakan energi
yang spesifik dan relevan, polarisasi sentimen publik terhadap kebijakan
etanol 10% (E10) dalam BBM. Volume data 509 baris terlalu kecil untuk data
hasil Crawling. Presentasi: Terasa baca laporan, teks pendahuluan terlalu
banyak |
Belum ada tanggapan untuk "Hasil Penilaian PBL Big Data - 2025"
Post a Comment