📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 101,300 dokumenPERANCANGAN MEDIA ACTIVITY PUZZLE BOOK UNTUK MELATIH MOTORIK HALUS PADA ANAK DOWN SYNDROME USIA 7-13 TAHUN DI BANDUNG DENGAN PENDEKATAN SCAMPER
kemandirian anak dalam aktivitas sehari-hari. Pada anak dengan Down Syndrome, kemampuan motorik halus umumnya berkembang lebih lambat akibat kondisi hipotonia otot, keterbatasan koordinasi, serta kontrol gerak yang belum optimal. Kondisi ini berdampak pada kesulitan anak dalam melakukan aktivitas fungsional seperti menggenggam, menjepit, menulis, dan keterampilan perawatan diri. Berbagai penelitian sebelumnya menunjukkan bahwa permainan puzzle dapat membantu melatih koordinasi tangan dan mata serta meningkatkan konsentrasi anak, sementara media buku bergambar efektif dalam menarik perhatian visual anak dengan Down Syndrome. Namun, sebagian besar penelitian tersebut masih memposisikan puzzle dan buku sebagai media yang terpisah, sehingga potensi integrasi keduanya sebagai media pembelajaran interaktif belum banyak dikaji secara mendalam. Penelitian ini bertujuan untuk merancang media edukasi interaktif berupa buku berbasis aktivitas puzzle sebagai sarana pelatihan motorik halus bagi anak dengan Down Syndrome usia 7–13 tahun. Penelitian ini menggunakan pendekatan kualitatif dengan metode perancangan berbasis pengguna melalui kerangka Double Diamond, serta memanfaatkan pendekatan kreatif SCAMPER dalam pengembangan konsep media. Dibandingkan dengan penelitian sejenis yang menggunakan puzzle atau buku sebagai media terpisah, rancangan media dalam penelitian ini menawarkan pendekatan integratif yang lebih kontekstual dengan aktivitas kehidupan sehari-hari anak. Kebaruan penelitian ini terletak pada perancangan media edukasi interaktif berbasis buku yang secara khusus disesuaikan dengan karakteristik perkembangan motorik dan kognitif anak dengan Down Syndrome, baik dari aspek visual, mekanisme interaksi, maupun struktur aktivitas. Penelitian ini memberikan sumbangan terhadap khazanah ilmu pengetahuan di bidang desain interaksi dan media edukasi inklusif, serta berkontribusi sebagai referensi perancangan media pembelajaran berbasis bermain yang adaptif bagi anak berkebutuhan khusus.
PLACE ATTACHMENT PADA RESTORAN CAGAR BUDAYA DENGAN PEDEKATAN ADAPTIVE REUSE (STUDI KASUS: RESTORAN DAKKEN RIAU, BANDUNG)
Restoran Dakken Riau merupakan hasil adaptive reuse dari bangunan cagar budaya yang berada di Jalan Martadinata, Kota Bandung. Dakken menawarkan suasana asli bangunan hunian kolonial Belanda sebagai daya tarik utamanya. Adaptive reuse pada bangunan Dakken menghasilkan transformasi ruang yang memungkinkan pengunjung ikut merasakan suasana bangunan cagar budaya walaupun bukan pada fungsi aslinya. Penelitian ini bertujuan untuk mengeksplorasi penerapan konsep adaptive reuse pada Restoran Dakken Riau dan mencari tahu faktor-faktor yang berpengaruh dalam memunculkan place attachment pengunjung. Restoran Dakken Riau dipilih sebagai salah satu bangunan cagar budaya golongan A dan berdiri pada kawasan yang juga berkembang pesat sebagai kawasan komersial di Kota Bandung. Metode penelitian ini menggunakan pendekatan mixed methods dengan rancangan penelitian exploratory sequential. Hasil penelitian menunjukkan adaptive reuse memberikan transformasi ruang dari bangunan hunian kolonial yang bersifat privat menjadi ruang publik komersial berupa restoran. Adaptasi bangunan Dakken memunculkan beragam aktivitas dan kondisi spasial yang berpengaruh kepada place attachment pengunjung. Dari berbagai indikator, terdapat delapan faktor laten yang mempengaruhi place attachment pada bangunan ini, yaitu: keterikatan emosional, kepuasan tempat, aspek privasi, aktivitas, lokasi, karakteristik bangunan, tekstur dan estetika dan atmosfir tempat. Selain itu, hasil penelitian menunjukkan keterikatan pegunjung cenderung kepada indikator keterikatan fisik bangunan, diikuti dengan indikator keterikatan sosial, kepuasan tempat dan keterikatan emosional.
GEOREFERENSI OBJEK BUILDING INFORMATION MODELLING DENGAN GEOSPASIAL DAN PENGARUH TERHADAP KONSISTENSINYA
Integrasi Building Information Modelling (BIM) dengan data geospasial merupakan langkah penting untuk mendukung analisis spasial yang konsisten dan terintegrasi, namun perbedaan sistem koordinat dan referensi geometri sering menimbulkan ketidaksesuaian posisi objek. Penelitian ini bertujuan untuk menganalisis konsistensi geometri objek BIM setelah dilakukan integrasi dengan sistem geospasial melalui transformasi koordinat tiga dimensi. Metode yang digunakan meliputi penerapan transformasi koordinat 3D dengan menggunakan titik sekutu antara data GNSS dan model BIM lokal. Evaluasi ketelitian dilakukan melalui analisis menggunakan Fisher Exact untuk melihat asosiasi terhadap pengaruh integrasi antara BIM dan GIS. Hasil penelitian menunjukkan bahwa tingkat kualitas hasil georeferensi dipengaruhi oleh kualitas adjustment data GNSS, perambatan kesalahan, ketelitian penentuan titik sekutu, serta stabilitas model matematik yang digunakan. Kemudian, hasil analisis konsistensi pada geometri, topologi, dan semantik antara BIM dan GEOBIM menunjukkan nilai fisher exact >0,05 yang berarti bahwa tidak ada perbedaan signifikan setelah dilakukan integrasi tersebut. Temuan ini menunjukkan bahwa penerapan transformasi koordinat yang tepat dan pemilihan konfigurasi titik sekutu yang optimal sangat berperan dalam meningkatkan konsistensi geometri integrasi BIM dan geospasial, sehingga dapat mendukung pemanfaatan data secara lebih akurat dalam analisis spasial dan perencanaan berbasis geoinformasi.
SMART FARMING: PENGUKURAN UNSUR HARA TANAH MENUJU PRECISION AGRICULTURE (STUDI KASUS: KEBUN DINAS PERTANIAN, KELAUTAN DAN PERIKANAN KOTA PAREPARE)
Ketersediaan unsur hara tanah yang seimbang menjadi isu krusial dalam produksi pangan global karena pemupukan yang tidak tepat dosis dan waktu dapat memicu penurunan produktivitas, pemborosan input, serta degradasi lingkungan. Penelitian ini bertujuan merancang dan mengimplementasikan sistem smart farming berbasis Internet of Things (IoT) dan multi-model analitik untuk mendukung pemupukan presisi pada lahan cabai di Kebun Dinas Pertanian, Kelautan dan Perikanan Kota Parepare. Metode yang digunakan adalah Design Science Research Methodology (DSRM) dengan tahapan identifikasi masalah, perancangan artefak, implementasi, dan evaluasi. Hasil pengukuran lapangan menghasilkan dataset gabungan sensor dan cuaca yang menunjukkan bahwa lahan percobaan cenderung miskin nitrogen (rata-rata 22,9 mg/kg, median 10 mg/kg, rentang 0–195 mg/kg), sementara fosfor dan kalium relatif lebih tersedia namun fluktuatif (P rata-rata 97,1 mg/kg, K ratarata 89,8 mg/kg). Analisis data menggunakan multi-model smart farming, yaitu Model A dikembangkan menggunakan Random Forest Classifier untuk mendeteksi empat kelas kondisi agronomis (–1 = normal, 0 = pemupukan, 1 = pengairan manual, 2 = hujan) berbasis fitur delta sensor, fitur waktu siklik, dan indikator hujan sintetis. Setelah penanganan ketidakseimbangan kelas, Model A mencapai akurasi sekitar 99,6% pada data uji, dengan kelas normal dikenali sangat baik (precision ±0,997; recall ±0,999). Event pemupukan yang terdeteksi digunakan untuk mengkalibrasi model peluruhan eksponensial unsur hara, dengan konstanta peluruhan nitrogen K = 0,79 hari?¹ sedangkan fosfor dan kalium memiliki K sekitar 0,75 hari?¹ dengan waktu paro sekitar 0,93 hari, yang menunjukkan bahwa lebih dari separuh peningkatan N, P, K pasca pemupukan hilang dalam waktu kurang dari dua hari. Parameter ini kemudian digunakan Model B untuk menyimulasikan neraca harian N, P, K dan salinitas, serta menghasilkan rekomendasi dosis pemupukan harian yang menjaga konsentrasi hara mendekati target tanpa melampaui batas salinitas dan dosis maksimum. Secara keseluruhan, integrasi perangkat IoT dengan multi model analitik menghasilkan sistem rekomendasi pemupukan yang adaptif, spesifik lokasi, dan berpotensi menjadi fondasi pengembangan praktik dan kebijakan pemupukan berbasis data dalam kerangka precision agriculture.
PENGEMBANGAN MODEL SEGMENTASI SEMANTIK BERBASIS DEEP LEARNING DENGAN STRATEGI PRA-PEMROSESAN DAN PENYEIMBANGAN KELAS PADA DATA HIDROAKUSTIK DENGAN KARAKTERISTIK MULTISPESIES DI PERAIRAN INDONESIA
Indonesia memiliki potensi besar dalam sektor perikanan tangkap, namun estimasi biomassa ikan melalui survei hidroakustik masih menghadapi kendala mendasar, terutama pada kondisi perairan multispesies yang menyebabkan pantulan sonar saling tumpang tindih dalam satu kelas akustik. Karakteristik ini membuat interpretasi echogram bersifat tidak konsisten, rentan bias, dan sangat bergantung pada proses manual yang memakan waktu. Kondisi tersebut diperburuk oleh keterbatasan dataset berlabel akibat proses anotasi yang lama dan kebutuhan tenaga ahli, sehingga distribusi kelas biomassa menjadi tidak seimbang dan representasi spasial berkurang. Dalam konteks kebijakan pengelolaan sumber daya ikan yang menuntut estimasi biomassa yang akurat di wilayah Indonesia, permasalahan tersebut menegaskan kebutuhan akan pendekatan komputasional yang lebih adaptif, efisien, dan mampu mengurangi subjektivitas analisis. Penelitian ini mengembangkan model segmentasi semantik berbasis deep learning dengan arsitektur U-Net untuk meningkatkan generalisasi model pada data hidroakustik multispesies di Perairan Indonesia. Pendekatan difokuskan pada peningkatan kualitas data melalui pengembangan anotasi otomatis, penetapan parameter resampling yang sesuai dengan karakteristik kolom perairan lokal, penambahan kanal spasial, serta penerapan strategi penyeimbangan kelas (NearMiss, Oversampling, Crop-Centered, dan data sintetis berbasis Generative Adversarial Network). Strategi ini dirancang untuk mengatasi bias distribusi kelas, mengurangi sensitivitas model terhadap noise dasar perairan (demersal), dan menyediakan konfigurasi pelatihan yang lebih stabil pada lingkungan akustik dengan variabilitas tinggi. Hasil penelitian menunjukkan bahwa konfigurasi resampling vertikal 400 cm memberikan peningkatan kinerja yang paling konsisten, dengan f1-score mencapai 0.77 dan melampaui parameter 140 cm maupun 200 cm. Pada tahap pelatihan, teknik penyeimbangan kelas berbasis data sintetis melalui Generative Adversarial Network menghasilkan nilai f1-score tertinggi sebesar 0.83, namun evaluasi pada himpunan data uji memperlihatkan bahwa strategi Crop-Centered memiliki kemampuan generalisasi yang lebih stabil dengan f1-score 0.68 serta peningkatan signifikan pada kelas demersal dari 0.29 (baseline) menjadi 0.64 pada model hasil optimasi. Temuan ini diperkuat oleh analisis varians, yang mengindikasikan bahwa strategi penyeimbangan kelas berkontribusi sebesar 27.85% terhadap variabilitas performa model, sedangkan faktor arsitektur berkontribusi 42.05%. Estimasi biomassa melalui segmentasi semantik berada pada rentang 0.006–0.2113 kg/m² dengan nilai root mean square error 0.07, mendekati ground truth dan secara signifikan lebih akurat dibandingkan pendekatan konvensional (15.92), menunjukkan bahwa pendekatan yang diusulkan memiliki stabilitas dan kapasitas generalisasi yang lebih baik dalam pengolahan data hidroakustik multispesies di perairan Indonesia.
FRAMEWORK PENGENALAN WAJAH UNTUK INDIVIDU KULIT GELAP
Penelitian ini mengusulkan framework Melanin-aware untuk mengurangi bias visual pada sistem pengenalan wajah, khususnya pada individu berkulit gelap. Melalui mekanisme adaptif berbasis weighted lightness, metode ini meningkatkan kualitas representasi citra dengan menghasilkan kontras dan detail wajah yang lebih seimbang dibandingkan preprocessing konvensional yang cenderung kurang optimal pada kulit berpigmentasi tinggi. Peningkatan performa paling signifikan terjadi pada kelompok Very Dark, dengan kenaikan akurasi hingga +11,3%, menunjukkan efektivitas metode dalam mengatasi distorsi visual akibat melanin tinggi dan meningkatkan fairness antar kelompok skin tone. Integrasi framework ke dalam model ArcFace dan VGGFace menghasilkan performa yang konsisten pada evaluasi Top-1, Top-5, dan Top-10, tanpa menurunkan akurasi pada kelompok tertentu. Pengujian threshold juga menunjukkan bahwa rentang 0,7– 0,8 merupakan nilai optimal untuk menekan false acceptance, dengan ArcFace lebih konservatif dibandingkan VGGFace. Secara keseluruhan, framework Melanin-aware terbukti meningkatkan akurasi, stabilitas embedding, dan keadilan algoritmik, serta berpotensi menjadi komponen penting dalam pengembangan sistem biometrik yang lebih inklusif dan robust.
PENGEMBANGAN SISTEM ANALISIS SOSIAL EKONOMI BERBASIS LLM MELALUI INTEGRASI FINE TUNING DAN RERTIEVAL-AUGMENTED GENERATION (STUDI KASUS PEMERINTAH DAERAH KABUPATEN SUMEDANG)
Pengambilan keputusan berbasis data sosial ekonomi merupakan program strategis nasional dalam penanggulangan kemiskinan, namun implementasinya masih sangat bergantung pada metode statistik seperti Proxy Means Test (PMT) yang menghasilkan klasifikasi numerik tanpa justifikasi naratif dan rekomendasi kebijakan yang terstandardisasi. Kondisi ini menyulitkan proses verifikasi lapangan serta membatasi pemanfaatan data sebagai dasar pengambilan keputusan yang transparan dan dapat dijelaskan. Penelitian ini bertujuan untuk mengeksplorasi paradigma baru dalam analisis data sosial ekonomi dengan memanfaatkan Large Language Models (LLM) yang diintegrasikan dengan teknik Fine-Tuning dan Retrieval-Augmented Generation (RAG) guna menghasilkan analisis yang explainable serta rekomendasi yang terhubung langsung dengan dokumen kebijakan. Pendekatan yang diusulkan tidak dimaksudkan untuk menggantikan metode statistik yang telah digunakan, melainkan sebagai sistem pendukung keputusan yang melengkapi pendekatan tersebut melalui kemampuan penalaran semantik dan penyusunan rekomendasi intervensi yang kontekstual. Penelitian ini menggunakan Design Science Research Methodology (DSRM), dengan membangun sistem berbasis Fine-Tuning GPT-4.1 pada sampel data REGSOSEK Kabupaten Sumedang serta modul RAG berbasis FAISS yang mengaitkan kondisi keluarga dengan dokumen kebijakan daerah. Evaluasi dilakukan menggunakan Standard Accuracy dan Custom Accuracy yang dirancang berdasarkan regulasi bantuan sosial (Kepmensos 79/2025), serta metrik semantik BERTScore dan Cosine Similarity untuk menilai kualitas reasoning dan rekomendasi. Hasil penelitian menunjukkan bahwa Fine-Tuning meningkatkan Standard Accuracy dari 12–17% pada base model menjadi 28–34%, dengan Custom Accuracy mencapai 83–86%. Meskipun akurasi standar tampak moderat secara statistik, analisis kesalahan menunjukkan bahwa sebagian besar deviasi prediksi terjadi pada interval desil yang berdekatan dan tidak mengubah status kelayakan bantuan sosial, sehingga sistem tetap valid secara fungsional dalam konteks pengambilan kebijakan. Kualitas reasoning juga meningkat signifikan dengan kenaikan BERTScore F1 dari 0,64 menjadi 0,93. Pada modul RAG, capaian BERTScore F1 rata-rata sebesar 0,826 dan ROUGE-L sekitar 0,49 mengonfirmasi relevansi semantik rekomendasi terhadap dokumen kebijakan rujukan. Penelitian ini membuktikan bahwa integrasi Fine-Tuning dan RAG menawarkan pendekatan alternatif dalam analisis data kemiskinan. Meskipun dibatasi pada studi kasus Kabupaten Sumedang, metodologi yang dikembangkan bersifat replicable dan berpotensi diterapkan sebagai alat verifikasi untuk meningkatkan akurasi penargetan bantuan sosial di daerah lain.
FACIAL EMOTION RECOGNITION UNTUK MENGUKUR PEMAHAMAN PESERTA KEGIATAN DARING TERHADAP PEMBICARA
Penggunaan perangkat lunak konferensi video sebagai medium pelaksanaan pembelajaran jarak jauh sudah lama digunakan di situasi-situasi khusus, tetapi dengan terjadinya pandemi Covid-19 dan pelaksanaan social distancing, penggunaan perangkat lunak konferensi video menjadi lebih umum. Penyebarluasan konsep pembelajaran jarak jauh dan penggunaan perangkat lunak konferensi video dalam edukasi menggarisbawahi keuntungan-keuntungan yang dapat diperoleh dari penggunaannya, baik untuk mempermudah akses pelajar terhadap pengajar yang tinggal di jarak jauh dan mempermudah pengajar untuk mengakomodasi pelajar yang tidak dapat hadir ke kelas secara langsung. Namun, penggunaan perangkat lunak konferensi video juga memiliki kelemahan-kelemahan tersendiri. Tugas akhir ini bertujuan untuk mengembangkan desain yang dapat menjadi solusi dari salah satu kelemahan tersebut, yakni kurangnya tanda-tanda seperti bahasa tubuh pelajar yang dapat digunakan pengajar untuk menilai kepahaman pelajar terhadap materi yang sedang dijelaskan. Desain yang dikembangkan akan menggunakan algoritma FER berbasis CNN yang akan menilai kepahaman pelajar dari raut muka dan dijalankan pada perangkat masing-masing pelajar untuk mengurangi beban komputasi di server pusat. Algoritma FER yang dikembangkan memiliki akurasi keseluruhan sebesar 0,7697 dengan presisi muka paham sebesar 0,8267 dan presisi muka tidak paham sebesar 0,6559. Sistem dapat dijalankan dengan rasio kecepatan sebesar 1,2 pada perangkat yang menggunakan CPU setara dengan Intel i7 10700K atau AMD Ryzen 5 3600.
PERANCANGAN PEMBANGKIT LISTRIK TENAGA MINIHIDRO PADA DESA CIHAWUK, KABUPATEN BANDUNG, DAERAH ALIRAN SUNGAI CITARUM HULU
Seiring dengan meningkatnya pertumbuhan populasi, permintaan energi listrik di Indonesia akan terus meningkat. Namun, ketergantungan Indonesia pada sumber energi fosil dalam memproduksi energi dapat menimbulkan berbagai permasalahan lingkungan, terutama pada hasil emisi gas rumah kaca. Pengaplikasian pembangkit listrik tenaga air di Indonesia dapat menjadi solusi sumber energi bersih dengan emisi gas rumah kaca yang rendah. DAS Citarum Hulu merupakan wilayah dengan potensi besar untuk dikembangkan sebagai lokasi pembangkit listrik tenaga minihidro (PLTM) dengan debit air yang stabil dan topografi yang mendukung. PLTM Desa Cihawuk yang terletak dalam DAS Citarum Hulu dirancang sebagai pembangkit listrik tenaga air bertipe run-of-river dengan debit desain sebesar 2.289 ????3/s. PLTM ini dilengkapi dengan komponen yang terdiri dari bendung, saluran transisi, jembatan air, kantong lumpur, saluran pembawa, bak penenang, pipa pesat, rumah turbin, dan saluran pembuang. Dengan tinggi jatuh air bersih sebesar 61.01 m, digunakan 2 turbin jenis francis yang menghasilkan 573.6 kW untuk masing-masing turbin dan daya total maksimum sebesar 1.15 MW. Biaya konstruksi PLTM Desa Cihawuk diestimasikan bernilai sebesar Rp32.690.426.421 dengan produksi energi total sebesar 5.56 GWh setiap tahunnya. Secara ekonomi, PLTM Desa Cihawuk tergolong layak dibangun berdasarkan analisis NPV, BCR, IRR, dan Payback Period.
EMISI GAS RUMAH KACA (CH4) DARI SISTEM PENGOLAHAN LIMBAH CAIR SETEMPAT STUDI KASUS: BANDUNG RAYA
Sektor limbah domestik berkontribusi signifikan terhadap emisi gas rumah kaca (GRK), terutama metana (CH?) dari sistem pengolahan air limbah setempat (SPALD?S) seperti tangki septik yang mendominasi di kawasan perkotaan negara berkembang termasuk Indonesia (41,03–73,37% rumah tangga di Bandung Raya masih bergantung pada tangki septik). Penelitian ini mengkuantifikasi emisi CH? dari enam tangki septik rumah tangga di wilayah Bandung Raya melalui pengukuran langsung menggunakan flux chamber dan perbandingan dengan estimasi teoritis mengikuti IPCC 2019 Refinement, sekaligus menilai pengaruh faktor lingkungan, karakteristik lumpur, dan kualitas efluen. Laju emisi terukur berada pada kisaran 0,12–7,17 g CH?/kapita/hari dengan variasi antar tangki yang kuat; tren menunjukkan nilai lebih tinggi pada musim kemarau, namun uji Wilcoxon tidak menemukan perbedaan musiman yang signifikan (p>0,05), menandakan dominasi karakter internal tangki. Korelasi Spearman menunjukkan COD berhubungan positif sedang dengan CH? (r?0,51), sedangkan volume air dan volume lumpur berhubungan negatif lebih kuat (r??0,66 hingga ?0,77), mengindikasikan bahwa lumpur yang menempati porsi besar volume efektif memperpendek jalur difusi dan meningkatkan emisi. Rasio CH?/CO? serta indikator TA/VFA membedakan tangki dengan lumpur matang (misalnya ST4; TA/VFA 10,3; ORP ? ?400 s.d. ?550 mV) yang bersifat sangat metanogenik dari tangki dengan lumpur masih aktif/asam (misalnya ST3; TA/VFA 0,3; VS dasar 17.720 mg/L) yang justru menahan metana dalam bentuk bahan organik belum terdegradasi. Perbandingan dengan pendekatan IPCC 2019 menunjukkan adanya gap sistematik, di mana emisi hasil flux chamber secara konsisten lebih rendah daripada estimasi berbasis faktor emisi default; perhitungan IPCC menghasilkan 25–193 kg CH?/tahun per tangki, dengan tambahan 1,4–6,6 kg CH?/tahun dari jalur efluen ke badan air. Hal ini menegaskan bahwa faktor emisi default merepresentasikan potensi maksimum pada tangki septik ideal, sedangkan kondisi nyata sangat dipengaruhi stabilitas proses dan desain tangki sehingga hanya sebagian metana yang benar?benar lolos ke atmosfer. Untuk menilai implikasi mitigasi, disusun dua skenario neraca massa: kondisi eksisting dengan interval penyedotan panjang menghasilkan total emisi sekitar 13,29 kg CH?/kapita/tahun (0,64 kg CH?/kapita/tahun melalui efluen dan 12,65 kg CH?/kapita/tahun dari lumpur dan gas yang tertahan dalam tangki), sedangkan skenario peningkatan layanan lumpur tinja terjadwal (LLTT) dengan pengalihan ±30% beban organik ke IPLT menurunkan emisi menjadi 5,61 kg CH?/kapita/tahun (~50% reduksi) sekaligus mengurangi beban pencemar efluen dan memindahkan proses degradasi ke sistem terkontrol dengan potensi pemanfaatan energi. Secara keseluruhan, studi ini menunjukkan bahwa kombinasi inventaris berbasis model IPCC dengan data lapangan kualitas air/lumpur diperlukan untuk menangkap nasib metana yang tersembunyi dalam efluen dan lumpur, serta menegaskan LLTT dan penguatan IPLT sebagai intervensi prioritas bagi kota berpenduduk padat yang bergantung pada SPALD?S dalam kerangka sanitasi aman dan mitigasi iklim lokal.
PENINGKATAN ROBUSTNESS VISION MAMBA TERHADAP SERANGAN ADVERSARIAL
Penelitian ini bertujuan melakukan peningkatan ketahanan Vision Mamba terhadap serangan adversarial pada tugas pengenalan rambu lalu lintas Indonesia, serta merancang metode peningkatan robustness yang efektif tanpa melakukan perubahan arsitektur model serta melakukan analisis perbandingan terhadap metode-metode peningkatan robustness tersebut. Dataset penelitian terdiri dari 21 kelas rambu lalu lintas yang dibangun secara seimbang pada data latih, validasi dan uji, sehingga memungkinkan evaluasi kinerja yang objektif dan stabil pada kondisi bersih maupun kondisi dengan serangan adversarial. Model dasar Vision Mamba dievaluasi menggunakan Adaptive Attack dan AutoAttack, guna menggambarkan tingkat ketahanan awal / baseline robustness terhadap gangguan pada input yang diperturbasi (perturbed input). Hasil eksperimen menunjukkan bahwa Vision Mamba sangat rentan terhadap serangan adversarial, terutama serangan AutoAttack dan Adaptive. Serangan tersebut mampu menurunkan akurasi model hingga mendekati nol meskipun pada nilai epsilon yang relatif kecil. Temuan ini menegaskan bahwa Vision Mamba, dalam bentuk standarnya, belum siap untuk diterapkan pada sistem Traffic Sign Recognition (TSR) berbasis keselamatan tanpa mekanisme pertahanan tambahan. Untuk menjawab kebutuhan tersebut, penelitian ini mengimplementasikan dan menguji lima metode peningkatan robustness yaitu Randomized Smoothing, Gradient Masking, Certified Robust Model, Adversarial Training dan Defensive Distillation. Evaluasi menunjukkan bahwa Adversarial Training merupakan metode paling efektif meningkatkan ketahanan Vision Mamba terhadap berbagai bentuk serangan adversarial, terutama serangan auto attack dan serangan adaptif. Randomized Smoothing dan Certified Robust Model terbukti membantu menambah kestabilan prediksi, sedangkan Gradient Masking dan Defensive Distillation tidak memberikan peningkatan signifikan ketika diuji menggunakan serangan adversarial. Dengan demikian, penelitian ini menyimpulkan bahwa pendekatan menempatkan Adversarial Training sebagai fondasi utama, diperkuat oleh Randomized Smoothing dan Certified Robust Model sebagai lapisan pertahanan tambahan, merupakan strategi optimal untuk meningkatkan robustness Vision Mamba dalam aplikasi pengenalan rambu lalu lintas Indonesia.
STABILITAS SEGREGASIONAL PLASMID PCDNA3.1(+)_UTR_SPIKE PADA ESCHERICHIA COLI TOP10 REKOMBINAN DALAM MEDIUM TERRIFIC BROTH TANPA PENAMBAHAN ANTIBIOTIK
Vaksin berbasis messenger RNA (mRNA) merupakan salah satu kemajuan baru dalam dunia kesehatan dalam melawan berbagai penyakit. Salah satu tahapan pada produksi vaksin ini adalah kultivasi sistem ekspresi untuk menghasikan plasmid DNA yang kemudian digunakan, sebagai template proses transkripsi mRNA secara in vitro. Salah satu tantangan pada kultivasi E. coli rekombinan dalam proses produksi vaksin mRNA, adalah stabilitas DNA plasmid, sehingga dibutuhkan penggunaan antibiotik selama proses kultivasi. Residu antibiotik yang terdapat pada sisa medium kultivasi dapat mendorong berkembangnya bakteri yang resisten terhadap antibiotik. Selanjutnya, penghilangan antibiotik pada proses pengolahan limbah sangat sulit. Pada penelitian ini, dilakukan kajian tentang stabilitas plasmid E. coli TOP10 rekombinan plasmid pcDNA3.1(+)UTR_Spike pada medium yang mengandung dan tidak mengandung antibiotik (ampisilin). Berdasarkan hal itu dilakukan penentuan laju pertumbuhan dan subkultur E. coli TOP10 rekombinan selama 36 generasi pada medium Terrific Broth (TB) yang mengandung ampisilin dan yang tidak mengandung ampisilin. Hasil penelitian ini menunjukan bahwa E. coli TOP10 rekombinan plasmid pcDNA3.1(+)UTR_Spike yang ditumbuhkan pada medium TB menunjukan periode fase lag yang sangat singkat (1-2 jam) dan bakteri tersebut berada pada fase eksponesial hingga jam ke 10. Berdasarkan hal ini maka subkultur dilakukan pada jam ke-8. Selanjutnya, dari percobaan ini diketahui bahwa E. coli TOP10 rekombinan pcDNA3.1(+)UTR_Spike yang ditumbuhkan pada medium TB memiliki laju pertumbuhan maksimum sebesar 0,31/jam. Konsentrasi DNA plasmid pada E. coli Top 10 rekombinan pcDNA3.1(+)UTR_Spike yang ditumbuhkan pada medium TB yang mengandung ampisilin secara signifikan lebih tinggi (3112,23 ng DNA plasmid/mg DCW E. coli Rekombinan) dibandingkan dengan konsentrasi plasmid pada E. coli rekombinan yang ditumbuhkan pada medium TB yang tidak mengandung ampisilin (1780,1 ng DNA plasmid/mg DCW E. coli Rekombinan). Hasil penelitian menunjukkan bahwa laju pertumbuhan sel lebih cepat pada medium tanpa penambahan ampisilin, sementara jumlah salinan plasmid (plasmid copy number) lebih tinggi pada medium yang mengandung ampisilin. Pada medium tanpa antibiotik, tidak terjadi seleksi sehingga E. coli tanpa plasmid dapat tumbuh lebih cepat karena beban metaboliknya lebih rendah. Sebaliknya, pada medium dengan ampisilin terjadi seleksi awal yang memungkinkan hanya E. coli berplasmid yang bertahan dan berkembang. Temuan ini memperlihatkan bahwa produksi plasmid tetap dapat dilakukan tanpa penggunaan antibiotik dengan cara yang lebih aman dan ramah lingkungan.
PENGEMBANGAN SISTEM REKOMENDASI ADAPTIF REAL-TIME UNTUK DESTINASI WISATA: OPTIMALISASI KEBERAGAMAN DAN CAKUPAN GUNA MENDORONG PEMERATAAN DISTRIBUSI PARIWISATA
Transformasi digital dalam industri panw1sata telah menghadirkan tantangan mendasar terkait distribusi kunjungan yang tidak merata. Fenomena bias popularitas dalam sistem rekomendasi konvensional berkontribusi terhadap konsentrasi kunjungan wisatawan pada sekelompok kecil destinasi populer, sementara destinasi altematif yang berpotensi mengalami marjinalisasi. Secara global, data menunjukkan bahwa sebagian besar kedatangan wisatawan terkonsentrasi pada destinasi yang telah populer, menciptakan ketimpangan distribusi yang tidak berkelanjutan. Di Kabupaten Sumedang, pola serupa teramati di mana mayoritas kunjungan terpusat pada sejumlah kecil destinasi, sementara destinasi lainnya menghadapi tantangan dalam menarik perhatian wisatawan. Sistem rekomendasi berbasis Collaborative Filtering tradisional cenderung memperkuat preferensi mayoritas melalui mekanisme feedback loop, sehingga memperparah ketimpangan distribusi eksposur destinasi. Dalam konteks literatur sistem rekomendasi, berbagai pendekatan telah dikembangkan untuk meningkatkan keberagaman rekomendasi, termasuk teknik Maximal Marginal Relevance (MMR) yang memungkinkan penyeimbangan antara relevansi dan keberagaman melalui parameter tunggal. Namun, pendekatan yang ada umumnya menggunakan parameter statis yang tidak dapat beradaptasi terhadap karakteristik dinamis domain pariwisata. Faktor kontekstual seperti kondisi cuaca, waktu kunjungan, dan preferensi pengguna yang bervariasi sangat memengaruhi keputusan wisatawan, namun belum terintegrasi secara adaptif dalam sistem diversifikasi. Lebih lanjut, eksplorasi sistematis mengenai optimasi parameter diversifikasi secara dinamis untuk mencapai keseimbangan optimal antara akurasi dan keberagaman dalam konteks pariwisata dengan keterbatasan data masih terbatas. Penelitian ini bertujuan mengembangkan dan mengevaluasi sistem rekomendasi adaptif yang mampu mengoptimalkan keseimbangan antara akurasi dan keberagaman melalui mekanisme pembelajaran parameter dinamis, serta memvalidasi dampaknya terhadap distribusi eksposur destinasi. Penelitian ini menggunakan Design Science Research Methodology (DSRM) untuk mengembangkan artefak berupa sistem rekomendasi adaptif dengan arsitektur hibrida yang mengintegrasikan Collaborative Filtering, Content-Based Filtering, dan komponen Context-Aware yang memproses informasi kontekstual secara real-time. Mekanisme pembelajaran adaptif diimplementasikan menggunakan algoritma Multi-Armed Bandit dengan pendekatan kontekstual yang memilih parameter diversifikasi secara dinamis berdasarkan fungsi reward yang mempertimbangkan akurasi, keberagaman, dan kebaruan. Evaluasi dilakukan terhadap dataset pariwisata Kabupaten Sumedang yang telah dipreproses, menghasilkan data akhir dengan karakteristik high sparsity, untuk mengukur performa sistem dibandingkan dengan model baseline melalui metrik standar sistem rekomendasi. Hasil evaluasi kuantitatif menunjukkan bahwa sistem yang dikembangkan berhasil meningkatkan keberagaman rekomendasi secara signifikan dibandingkan model baseline, dengan tetap mempertahankan tingkat akurasi yang setara secara statistik. Perbaikan juga teramati pada metrik distribusi, menunjukkan penurunan tingkat konsentrasi rekomendasi dan peningkatan cakupan katalog destinasi yang direkomendasikan. Analisis distribusi lebih lanjut mengungkapkan bahwa sistem mampu meningkatkan eksposur destinasi berkualitas tinggi yang sebelumnya kurang terekspos, dengan peningkatan frekuensi rekomendasi yang substansial pada kategori long-tail. Mekanisme pembelajaran adaptif menunjukkan kemampuan sistem dalam menyesuaikan strategi diversifikasi berdasarkan karakteristik data dan konteks pengguna, mengindikasikan efektivitas pendekatan Multi-Armed Bandit dalam domain pariwisata dengan keterbatasan data. Integrasi komponen kontekstual juga terbukti memberikan kontribusi positif terhadap relevansi dan keberagaman rekomendasi yang dihasilkan. Penelitian ini memberikan kontribusi teoretis berupa demonstrasi empiris bahwa pendekatan pembelajaran adaptif menggunakan Multi-Armed Bandit dapat mengatasi permasalahan trade-off antara akurasi dan keberagaman dalam sistem rekomendasi pariwisata. Temuan menunjukkan bahwa optimasi parameter diversifikasi secara dinamis lebih efektif dibandingkan pendekatan statis konvensional dalam konteks data dengan sparsitas tinggi. Dari perspektif praktis, sistem yang dikembangkan menawarkan solusi algoritmik untuk mendukung pemerataan distribusi pariwisata dan meningkatkan visibilitas destinasi berkualitas yang kurang terekspos, dengan implikasi positifbagi pengelola destinasi wisata dan pembuat kebijakan dalam upaya pengembangan pariwisata berkelanjutan. Keterbatasan penelitian meliputi cakupan geografis yang terbatas pada satu kabupaten dan evaluasi yang dilakukan secara ojjline menggunakan data historis
ISOLASI DAN KARAKTERISASI PLANT - DERIVED EXOSOME - LIKE NANOVESICLES (PDEN) BUAH MENGKUDU ( MORINDA CITRIFOLIA L. ) SERTA EVALUASI EFEK A NTI - INFLAMASI NYA PADA LINI SEL PREOSTEOBLAS MC3T3
-
PERLINDUNGAN MENGGUNAKAN DATA AUGMENTATION TERHADAP SERANGAN DATA POISONING PADA SISTEM LLMS
Meningkatnya popularitas Large Language Models (LLMs) dan adopsi-nya dalam industri telah meningkatkan kebutuhan atas jumlah training data yang sangat besar. Keperluan yang terus berkembang ini menebabkan kemuncul praktik pengumpulan data yang lebih efisien namun dengan kualitas yang lebih rendah. Metode seperti scraping dan crowdsourcing membuka kerentanan terhadap serangan data poisoning, yang telah mendorong penelitian terhadap berbagai metode pertahanan. Data augmentation, yang telah banyak dieksplorasi untuk model berbasis gambar, belum sepenuhnya diteliti untuk LLMs. Penelitian ini mengevaluasi efektivitas 2 metode data augmentation: back translation (BT) dan contextual augmentation (CA) dalam memitigasi serangan BadNet, style, dan BITE poisoning. Eksperimen menggunakan BERT-base pada dataset SST-2 dan TREC-Coarse menunjukkan bahwa BT mampu menurunkan Attack Success Rate (ASR) secara signifikan pada BadNet (sekitar ~60%), serta memberikan hasil yang cukup baik pada serangan Style dan BITE (sekitar ~5– 10%), dengan penurunan clean accuracy yang relatif kecil (~0,5–1%). CA menunjukkan efektivitas yang terbatas pada BadNet dan Style, namun memberikan hasil yang cukup baik terhadap BITE (sekitar ~3–10%), dengan penurunan clean accuracy yang lebih besar (~1–1,5%). Kombinasi BT dan CA menghasilkan kinerja pertahanan yang konsisten untuk seluruh jenis serangan, meskipun dengan kinerja yang lebih rendah dibandingkan BT saja dan penurunan clean accuracy terbesar (~1,5–2%). Selain itu, degradasi clean accuracy pada dataset TREC-Coarse sedikit lebih besar dibandingkan SST-2, namun hanya meningkat sekitar ~0,5%. Temuan ini menunjukkan bahwa pendekatan berbasis data augmentation berpotensi menjadi mekanisme pertahanan umum yang praktis ketika jenis serangan tidak diketahui sebelumnya.