Skripsi IT Jangan Bikin Aplikasi Kasir Terus: Ide Topik Machine Learning & Computer Vision di 2026

Selamat datang di Infokyuu—dipersembahkan oleh Sandbox Dev. Jika kamu adalah mahasiswa tingkat akhir di jurusan Teknik Informatika, kamu pasti sedang berada di persimpangan jalan paling krusial dalam sejarah akademikmu: menentukan topik skripsi.

Mari kita jujur sejenak. Jika kamu mengajukan judul "Sistem Informasi Penjualan Berbasis Web" atau "Aplikasi Kasir pada Toko Kelontong X" di tahun 2026, kemungkinan besar dosen pembimbingmu akan menguap bosan, atau lebih buruk lagi, judulmu akan ditolak karena dianggap tidak memiliki kebaruan ilmiah (novelty). Di era di mana AI sudah bisa membuat aplikasi CRUD (Create, Read, Update, Delete) dalam hitungan menit, standar untuk sebuah skripsi Teknik Informatika telah bergeser jauh ke atas.

Tahun 2026 adalah tahunnya Intelligence Everywhere. Jika kamu ingin skripsimu bukan sekadar jadi pengganjal rak di perpustakaan, tapi benar-benar memberikan kontribusi pada ilmu pengetahuan atau setidaknya membuat profil LinkedIn-mu dilirik rekruter, saatnya beralih ke bidang Machine Learning (ML) dan Computer Vision (CV).

Mengapa Harus Meninggalkan "Aplikasi Kasir"?

Masalah utama dari aplikasi manajemen konvensional adalah minimnya tantangan algoritma. Seorang sarjana teknik informatika seharusnya diuji kemampuannya dalam memecahkan masalah kompleks menggunakan algoritma, bukan sekadar merancang database dan interface.

Dunia saat ini membutuhkan sistem yang bisa "melihat", "mendengar", dan "memprediksi". Inilah saatnya kamu memanfaatkan kekuatan Python, TensorFlow, PyTorch, atau pustaka canggih lainnya untuk membangun sesuatu yang lebih pintar.

Ide Topik 1: Computer Vision untuk Deteksi Medis (The Gold Standard)

Salah satu bidang paling bergengsi dalam riset Computer Vision adalah kesehatan. Bayangkan kamu membangun sistem yang bisa membantu dokter mendeteksi penyakit lebih cepat dan akurat.

Deteksi Lung Nodule Menggunakan YOLOv8 dan 2.5D Stacking: Jangan hanya menggunakan deteksi 2D biasa. Kamu bisa melakukan riset mendalam dengan teknik 2.5D stacking—menggabungkan beberapa irisan citra CT-Scan untuk memberikan konteks spasial yang lebih baik pada model YOLOv8. Topik ini memiliki bobot ilmiah yang sangat tinggi karena menangani data medis yang sensitif dan membutuhkan akurasi tingkat dewa.
Klasifikasi Kanker Kulit melalui Citra Dermoskopi: Menggunakan arsitektur CNN (Convolutional Neural Network) yang sudah dimodifikasi dengan Attention Mechanism untuk fokus pada area lesi yang paling mencurigakan.

Ide Topik 2: Analisis Sekuensial dengan CNN-LSTM

Dunia tidak hanya terdiri dari gambar statis, tapi juga data yang bergerak seiring waktu. Di sinilah kombinasi CNN dan LSTM (Long Short-Term Memory) menjadi senjata mematikan.

Deteksi Kekerasan pada CCTV Real-Time: Membangun model yang tidak hanya melihat objek (orang), tapi juga memahami aksi (memukul, menendang). CNN bertugas mengekstraksi fitur visual dari tiap frame, sementara LSTM memahami urutan gerakan tersebut sebagai tindakan kekerasan.
Prediksi Pergerakan Harga Aset Kripto atau Saham: Menggabungkan analisis sentimen berita (NLP) dengan data historis harga menggunakan LSTM untuk memprediksi volatilitas pasar. Ini adalah topik yang sangat seksi bagi kamu yang tertarik pada FinTech dan Algorithmic Trading.

Ide Topik 3: Optimization & Edge AI (Masa Depan IoT)

Tantangan terbesar AI saat ini adalah bagaimana menjalankan model yang berat di perangkat dengan spesifikasi rendah (resource-constrained devices).

Optimasi Model Deteksi Objek untuk Perangkat Mobile: Kamu bisa meneliti bagaimana melakukan pruning (pemangkasan parameter) atau quantization pada model besar agar bisa berjalan lancar di smartphone atau perangkat IoT tanpa mengorbankan terlalu banyak akurasi.
Sistem Monitoring Protokol Keselamatan Kerja (K3) di Proyek Konstruksi: Menggunakan kamera murah yang terhubung ke Raspberry Pi atau Jetson Nano untuk mendeteksi secara real-time apakah pekerja menggunakan helm dan rompi keselamatan.

Strategi Eksekusi: Docker dan Dataset

Salah satu kendala riset ML adalah lingkungan pengembangan yang berantakan karena konflik library. Di sinilah kemampuanmu dalam menggunakan Docker akan sangat membantu. Dengan membungkus lingkungan risetmu ke dalam container, kamu bisa memastikan hasil eksperimenmu konsisten dan mudah direproduksi oleh orang lain—sebuah nilai tambah yang sangat besar di mata penguji.

Selain itu, jangan hanya mengandalkan dataset publik dari Kaggle. Jika memungkinkan, lakukan kolaborasi dengan instansi terkait untuk mendapatkan data riil. Misalnya, bekerja sama dengan rumah sakit untuk data citra medis atau instansi pemerintahan untuk data statistik wilayah. Riset dengan data riil selalu memiliki nilai lebih tinggi dibandingkan data simulasi.

Kesimpulan

Skripsi adalah kesempatan terakhirmu untuk bereksperimen sebagai mahasiswa sebelum masuk ke dunia kerja yang penuh tekanan target bisnis. Jangan sia-siakan kesempatan ini hanya untuk mengulang apa yang sudah dilakukan ribuan orang sebelumnya.

Ambillah risiko. Pelajari YOLO, pahami cara kerja neuron di dalam CNN, dan rasakan nikmatnya proses training model yang memakan waktu berjam-jam hingga mendapatkan akurasi yang memuaskan. Jadikan skripsimu sebagai bukti bahwa kamu adalah seorang Engineer, bukan sekadar Coder.

infokyuu