| 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 |
