📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 101,300 dokumenRESTORASI DOKUMEN TERDEGRADASI MENGGUNAKAN GENERATIVE ADVERSARIAL NETWORK DENGAN DISKRIMINATOR DUAL-MODAL DAN OPTIMASI LOSS FUNCTION BERORIENTASI HTR
Arsip Nasional Republik Indonesia (ANRI) menyimpan ribuan koleksi dokumen paleografi dari abad ke-16 hingga ke-18 yang memiliki nilai sejarah krusial. Namun, sebagian besar dokumen tersebut mengalami degradasi fisik yang parah akibat faktor usia, kelembapan tropis, dan korosi tinta iron gall. Kondisi ini memunculkan tantangan ganda: dokumen sulit dibaca secara visual oleh manusia dan hampir mustahil diproses oleh mesin. Pendekatan restorasi konvensional selama ini cenderung menitikberatkan pada perbaikan visual semata (estetika), seperti penghilangan noda dan peningkatan kontras. Sayangnya, peningkatan kualitas visual tersebut tidak selalu berbanding lurus dengan peningkatan keterbacaan mesin, yang menjadi syarat mutlak bagi upaya digitalisasi dan pengindeksan arsip secara massal. Kesenjangan antara kualitas visual dan fungsional inilah yang menjadi fokus utama penelitian ini. Penelitian ini bertujuan mengembangkan metode restorasi dokumen berbasis Generative Adversarial Network (GAN) yang secara eksplisit mengintegrasikan umpan balik semantik guna meningkatkan kinerja Handwritten Text Recognition (HTR). Kebaruan penelitian ini terletak pada penerapan strategi frozen recognizer yang dikombinasikan dengan fungsi kerugian multiobjektif lima komponen, serta evaluasi mendalam terhadap arsitektur diskriminator dual-modal. Metode yang digunakan melibatkan pelatihan generator U-Net yang dimodifikasi, yang belajar tidak hanya dari perbedaan piksel citra, tetapi juga dari umpan balik gradien model pengenal teks yang bobotnya dibekukan. Pendekatan ini dirancang untuk menjaga stabilitas pelatihan yang sering kali menjadi masalah pada arsitektur GAN konvensional. Evaluasi dilakukan secara komprehensif menggunakan 712 citra uji semisintetis yang merepresentasikan karakteristik degradasi dokumen historis. Hasil penelitian menunjukkan bahwa model yang diusulkan mampu menurunkan Character Error Rate (CER) secara signifikan dari rata-rata 83,4% pada dokumen terdegradasi menjadi 34,9% pada dokumen hasil restorasi (p < 0,001). Capaian CER 34,9% ini hampir setara dengan CER 34,1% yang diperoleh ketika model pengenal memproses citra bersih tanpa degradasi—batas bawah teoretis yang mencerminkan keterbatasan inheren model pengenal itu sendiri. Selain keunggulan fungsional, model juga mempertahankan kualitas visual yang tinggi dengan skor Peak i Signal-to-Noise Ratio (PSNR) mencapai 30,74 dB dan Structural Similarity Index (SSIM) sebesar 0,987. Dibandingkan dengan penelitian sejenis yang menggunakan arsitektur joint-training, pendekatan frozen recognizer terbukti lebih unggul dalam mencegah fenomena mode collapse dan ketidakstabilan gradien. Melalui studi ablasi, penelitian ini mengungkap temuan empiris yang menantang asumsi umum dalam literatur deep learning terkini. Studi ini menemukan bahwa penambahan kompleksitas arsitektur melalui diskriminator dual-modal (visual-tekstual) hanya memberikan kontribusi peningkatan kinerja yang marginal dan tidak signifikan secara statistik. Sebaliknya, protokol pelatihan yang disiplin menggunakan strategi frozen recognizer dan penyeimbangan fungsi loss terbukti menjadi faktor determinan utama keberhasilan restorasi. Hal ini mengindikasikan bahwa stabilitas sinyal pembelajaran jauh lebih vital daripada kompleksitas arsitektur jaringan itu sendiri. Secara teoretis, penelitian ini menyumbangkan wawasan baru mengenai prinsip parsimoni dalam perancangan jaringan saraf tiruan untuk restorasi dokumen, yakni arsitektur yang lebih efisien dapat mengungguli arsitektur kompleks apabila dilatih dengan strategi berobjektif ganda yang tepat. Secara praktis, metode ini menawarkan solusi konkret bagi lembaga kearsipan untuk mempercepat proses transkripsi otomatis dokumen historis yang sebelumnya tidak terbaca, membuka peluang baru bagi pelestarian warisan budaya bangsa di era digital.
DRL BERBASIS O-RAN UNTUK CLUSTERING DAN ALOKASI DAYA BERSAMA YANG SADAR INTERFERENSI DALAM SISTEM CELL-FREE MASSIVE MIMO DENGAN PENGGUNA BERGERAK
Cell-Free Massive MIMO (CF-mMIMO) menjanjikan penghapusan batasan sel, namun implementasi praktisnya terhambat oleh tantangan skalabilitas yang substansial, khususnya dalam lingkungan seluler yang dinamis. Tulisan ini mengusulkan kerangka kerja alokasi sumber daya baru yang memanfaatkan arsitektur Open-Radio Access Network (O-RAN) untuk menciptakan sistem CFmMIMO yang skalabel dan cerdas. Tesis ini memformulasikan masalah joint dynamic clustering and power allocation sebagai Markov Decision Process dan menyelesaikannya menggunakan agen Deep Reinforcement Learning (DRL) berbasis algoritma Soft Actor-Critic (SAC). Sebuah inovasi utama terletak pada desain fungsi reward komposit yang secara eksplisit mendorong agen untuk mengelola interference footprint dan signaling overhead-nya. Policy yang dipelajari oleh agen kemudian diimplementasikan melalui rantai pemrosesan skalabel yang memanfaatkan informasi cluster untuk melakukan interference-aware beamforming. Hasil simulasi dari ablation study menunjukkan bahwa kerangka kerja yang tesis ini usulkan secara signifikan meningkatkan reliabilitas jaringan dan stabilitas koneksi dibandingkan dengan heuristik konvensional maupun agen DRL baseline yang tidak memiliki interference-awareness, mendemonstrasikan jalur praktis menuju jaringan cell-free adaptif dengan kinerja yang tinggi. Meningkatkan ukuran cluster bermanfaat untuk mengurangi handover rate, namun meningkatkan interferensi uplink untuk skema yang tidak dilengkapi dengan mekanisme interference-aware, seperti JCPA. Clustering heuristik dan kurangnya mekanisme interference-aware menghasilkan ukuran cluster yang lebih rendah, yang mengurangi manfaat dari spatial diversity. Hanya melakukan joint clustering and power allocation tidak cukup untuk meningkatkan reliabilitas jaringan dan mengurangi kejadian rekonfigurasi clustering. Mekanisme interference-aware mampu membuat algoritma menggunakan ukuran cluster yang lebih besar yang memberikan spatial diversity lebih tinggi dan handover rate lebih rendah. Dalam jaringan CF-mMIMO, mobilitas UE menghadirkan trade-off yang signifikan terhadap kinerja sistem. Saat UE bergerak, kondisi kanalnya terhadap AP yang terdistribusi berubah secara terus-menerus. Jika serving cluster APtidak beradaptasi cukup cepat terhadap pergerakan UE, UE dapat kehilangan spatial diversity gain dan mengalami kualitas sinyal yang buruk, yang mengarah pada probabilitas outage yang tinggi. Sebaliknya, mengonfigurasi ulang cluster terlalu sering untuk melacak link terbaik UE menghasilkan handover rate yang tinggi. Handover rate yang tinggi akan meningkatkan signaling overhead dan gangguan layanan. Selain itu, keputusan untuk meningkatkan daya pancar UE guna mengatasi kondisi kanal yang buruk dapat meningkatkan kualitas link individu mereka, namun dengan biaya peningkatan intersite interference terhadap UE lain dan konsumsi daya keseluruhan yang lebih tinggi. Mengelola trade-off ini memerlukan optimasi dinamis dari serving cluster APMk(t) dan daya pancar uplink pk(t), sembari juga mempertimbangkan mitigasi inter-site interference. Tesis ini bertujuan untuk secara bersamaan mengoptimalkan clustering dan alokasi daya uplink dalam jaringan CF-mMIMO dinamis. Pendekatan tesis ini dibedakan oleh penyertaan tujuan baru yang interference-aware. Alih-alih hanya berfokus pada maksimalisasi SINR dari UE yang dilayani, formulasi tesis ini secara eksplisit bertujuan untuk mengelola interference footprint yang dihasilkan terhadap AP non-serving. Sementara itu, agen IAJCPA yang diusulkan dipandu oleh tujuan interference-aware, yang memungkinkan agen untuk memitigasi interferensi dengan mempelajari clustering dengan overhead rendah dan daya uplink UE yang efisien.Agen JCPA, meskipun mengelola ukuran cluster, tidak secara eksplisit diberi penalti atas potensi interferensi yang diciptakannya terhadap AP non-serving. Oleh karena itu, agen tersebut mungkin mengadopsi policy yang efisien dalam hal clustering overhead namun masih mengganggu link tetangga
SISTEM IDENTIFIKASI KERUSAKAN NASKAH KUNO MENGGUNAKAN SEGMENTASI SEMANTIK
Naskah kuno merupakan warisan budaya yang sangat berharga namun rentan mengalami kerusakan akibat faktor usia, lingkungan, dan kondisi penyimpanan. Proses identifikasi kerusakan secara manual membutuhkan waktu 45-60 menit per naskah dan sangat bergantung pada keahlian konservator. Deteksi otomatis menggunakan segmentasi semantik dapat mempercepat proses preservasi dan memungkinkan penanganan koleksi dalam skala besar. Segmentasi semantik merupakan teknik berbasis kecerdasan buatan yang bekerja dengan mengklasifikasikan setiap piksel pada gambar ke dalam kategori kelas tertentu, sehingga sistem dapat mengenali lokasi serta bentuk kerusakan secara presisi. Penelitian ini bertujuan mengembangkan sistem identifikasi naskah kuno berbasis segmentasi semantik. Untuk mendapatkan model terbaik, penelitian ini membandingkan performa tiga arsitektur, yaitu SegFormer, U-Net, dan DeepLabV3+ dalam mendeteksi kerusakan pada naskah kuno Indonesia, serta mengidentifikasi faktor-faktor implementasi yang memengaruhi keberhasilan model. Penelitian menggunakan dataset mandiri dengan lima kelas, yaitu: background, fungi, foxing, noda, dan korosi tinta. Hasil penelitian menunjukkan bahwa arsitektur berbasis transformer (SegFormer) memiliki performa superior dibandingkan model berbasis CNN untuk segmentasi semantik manuskrip dengan ketergantungan spasial (spatial dependencies) kompleks dan jumlah dataset terbatas. Dari total 66 data uji, sistem mampu mengidentifikasi seluruh gambar dengan kelas yang benar. Sebanyak 33 gambar memiliki selisih piksel prediksi antara ground truth dan hasil prediksi di rentang toleransi yang dapat diterima, sehingga sistem tetap efektif dalam menyimpulkan kondisi naskah secara garis besar.
PEMANTAUAN KUALITAS EFLUEN INSTALASI PENGOLAHAN AIR LIMBAH RUMAH SAKIT BERBASIS INTERNET OF THINGS DENGAN HYBRID RULE-BASED SYSTEM DAN MACHINE LEARNING
Instalasi Pengolahan Air Limbah (IPAL) di rumah sakit sangat penting untuk mencegah pencemaran lingkungan dan penyebaran penyakit di lingkungan sekitar karena limbah medis khususnya limbah di rumah sakit yang berbahaya karena mengandung bahan kimia dan biologis berbahaya. Oleh karena itu, baku mutu mengenai air limbah yang layak dibuang ke lingkungan sudah diatur oleh pemerintah. Saat ini, pengawasan kualitas efluen di berbagai fasilitas kesehatan masih menggunakan metode manual atau indikator biologis tradisional. Metode ini memiliki kekurangan seperti data yang kontinu dan keterlambatan respons terhadap perubahan kondisi efluen. Penelitian ini bertujuan mengatasi masalah tersebut dengan mengembangkan sistem pemantauan kualitas efluen berbasis Internet of Things (IoT) serta aplikasi dashboard terintegrasi yang menggabungkan sensor suhu, pH, total dissolved solids (TDS), dan gas amonia dengan sistem pemrosesan data cerdas. Penelitian ini mengusulkan pendekatan hybrid yang menggabungkan Rule-Based System dan algoritma Anomaly Detection untuk menciptakan mekanisme peringatan dini yang lebih efektif. Rule-Based System berfungsi sebagai filter pertama untuk mendeteksi pelanggaran ambang batas baku mutu kualitas secara langsung sesuai aturan pemerintah, sedangkan algoritma Anomaly Detection digunakan untuk mengenali pola penyimpangan yang halus namun berisiko. Penelitian ini membandingkan performa tiga algoritma Unsupervised Learning, yaitu Isolation Forest (IF), One-Class Support Vector Machine (OCSVM), dan Convolutional Autoencoder (Conv-AE), untuk menemukan konfigurasi dengan trade-off terbaik antara akurasi dan efisiensi dalam sistem pemrosesan real-time. Model Conv-AE kemudian dikonversi ke format TensorFlow Lite (TFLite) untuk meningkatkan penggunaan sumber daya. Hasil pengujian fungsional menunjukkan bahwa prototipe perangkat keras IoT mampu mengakuisisi data sensor secara stabil, dan aplikasi dashboard berhasil menyajikan pemantauan real-time serta mengirimkan notifikasi peringatan dini kepada pengguna. Evaluasi performa Anomaly Detection menunjukkan model Conv-AE TFLite memiliki performa terbaik dibandingkan model lainnya. Model ini mencapai tingkat recall sebesar 96,0% dan F1-score sebesar 94,0%, menunjukkan kemampuannya dalam mendeteksi anomali secara akurat. Dari sisi efisiensi, model ini memiliki ukuran file yang kecil, hanya 12 KB dan jauh lebih ringkas dibandingkan Isolation Forest yang berukuran 1.404 KB, sehingga sangat cocok untuk diimplementasikan pada sistem IoT. Meskipun memiliki rata-rata latensi pemrosesan sebesar 0,226 detik, di mana sedikit lebih tinggi dibandingkan metode lainnya, sistem ini mampu berjalan secara real-time dengan stabilitas yang baik. Penelitian ini menyimpulkan bahwa penggunaan IoT dengan model hybrid yang menggabungkan Rule-Based System dan model Conv-AE TFLite adalah solusi yang kuat, menawarkan trade-off antara akurasi deteksi tinggi dan efisiensi memori yang memadai untuk mendukung pengambilan keputusan cepat dan pengelolaan lingkungan rumah sakit yang berkelanjutan.
PENGEMBANGAN KAKAS ANALISIS MALWARE UNTUK REVERSE ENGINEERING DENGAN MENGGUNAKAN LLM
Analisis malware merupakan sebuah kegiatan yang sangat penting dalam menghadapi ancaman malware pada saat ini, namun proses ini masih mengalami banyak tantangan. Saat ini analisis umumnya dilakukan secara manual oleh ahli yang memakan waktu cukup panjang. Selain itu, analis masih mengalami tantangan dalam mengidentifikasi komponen yang benar-benar malicious pada malware dan juga menentukan prioritas dalam menganalisis sebuah malware. Penelitian yang ada saat ini pada dasarnya masih banyak berfokus pada pendeteksian malware serta explanation yang didemonstrasikan oleh LLMMaldetect (2025) dan Malparse (2025). Pendekatan ini hanya memberikan high level explanation tanpa menjelaskan komponen mana yang mencurigakan. Penelitian Fujii (2024) menunjukkan bahwa LLM dapat mengidentifikasi suspicious pada sebuah fungsi. Hanya saja penelitian ini hanya dapat mendeteksi pada level satu fungsi saja. Penggunaan LLM secara langsung pun tidak bisa dilakukan karena LLM tidak dapat melakukan analisis biner sehingga membutuhkan teknik khusus untuk memberikan kemampuan tersebut. Oleh karena itu, analis masih perlu untuk melakukan analisis mendalam untuk menemukan seluruh komponen malicious. Penelitian ini berfokus pada pembangunan sebuah kakas bernama Malize yang dapat membantu mencari suspicious component pada satu program utuh secara otomatis. Hal ini dapat membantu dalam memberikan overview kepada analis. Hal ini dapat tercapai dengan melibatkan dalam LLM dalam melakukan analisis. Pada kakas ini, LLM melakukan analisis pada decompiled/disassembled code dan fitur-fitur yang ada pada malware. Pengujian dari kakas ini dilakukan dengan menggunakan metode kualitatif dengan membandingkan terhadap laporan analisis tiga malware: HermeticWiper, Lockbit 3, dan Babuk Ransomware. Hasil pengujian menunjukkan bahwa Malize mampu mengidentifikasi hingga 92,86% kapabilitas yang dilaporkan pada sampel ransomware Babuk dan hingga 63,64% pada HermeticWiper, sedangkan kinerjanya turun menjadi 31,82% pada Lockbit 3 yang ter-obfuscate. Malize juga mampu menganalisis penggunaan kapabilitas sesuai konteks pada sebuah binary. Malize juga mengidentifikasi kapabilitas mencurigakan secara konsisten pada varian malware berbeda.
PENGEMBANGAN METODE PENENTUAN PEMUTUSAN BEBAN PADA SISTEM MICROGRID BERDASARKAN PRAKIRAAN ENERGI PLTS JANGKA MENENGAH
Kebijakan Energi Nasional (KEN) menargetkan bauran Energi Baru dan Terbarukan (EBT) mencapai 23% dan rasio elektrifikasi mendekati 100% pada tahun 2025. Sistem microgrid berbasis Pembangkit Listrik Tenaga Surya (PLTS) menjadi solusi strategis untuk elektrifikasi wilayah 3T (Terdepan, Terluar dan Tertinggal) di Indonesia yang belum terjangkau jaringan listrik. Namun, implementasinya menghadapi tantangan signifikan, terutama dalam menjaga keseimbangan pasokan dan permintaan energi saat beroperasi dalam mode islanded. Sistem microgrid BRIN saat ini menerapkan metode penentuan pemutusan beban berbasis rule-based dengan parameter State of Charge (SoC) baterai yang statis. Sistem ini hanya mampu mempertahankan suplai energi ke beban kritis selama 3-17 jam bergantung pada besaran beban dan energi PLTS. Keterbatasan utamanya adalah sifatnya yang reaktif dan penggunaan aturan yang statis serta tidak dapat mengantisipasi ketersediaan energi PLTS di masa depan sehingga kurang optimal dalam mengelola sumber daya energi dalam menjaga durasi operasi beban kritis. Penelitian ini mengembangkan dan memvalidasi metode penentuan pemutusan beban berbasis logika fuzzy yang terintegrasi dengan prakiraan jangka menengah energi PLTS selama 1-5 hari ke depan. Kebaruan dari penelitian ini terletak pada integrasi dua parameter input pada logika fuzzy yaitu prakiraan jangka menengah energi PLTS dan State of Charge (SoC) baterai. Metode penelitian menggunakan Design Science Research Methodology (DSRM) yang mencakup identifikasi masalah, mendefinisikan tujuan dan solusi, membuat perancangan dan pengembangan, melakukan demonstrasi, evaluasi dan komunikasi. Metode diimplementasikan pada perangkat edge computing Raspberry Pi untuk menguji dan memvalidasi pada sistem microgrid di BRIN. ii Model prakiraan energi PLTS dikembangkan menggunakan algoritma Long Short- Term Memory (LSTM) dengan arsitektur stacked 2 layer (256-128 unit). Dataset menggunakan data historis dari sistem microgrid BRIN meliputi data produksi energi PLTS, iradiasi matahari, temperatur modul dan data cuaca. Feature engineering berbasis waktu dan lag sequential digunakan untuk membantu model mengenali pola siklus harian, mingguan dan tahunan. Model menghasilkan akurasi dengan nilai RMSE 1,1916 kW, MAE 0,8688 kW dan R2 0,7154. Optimisasi model menggunakan Dynamic Range Quantization mengurangi ukuran file sebesar 91,3%, penggunaan RAM sebesar 91% dan mempercepat waktu inferensi sebesar 39% tanpa penurunan akurasi yang signifikan. Metode penentuan pemutusan beban menggunakan logika fuzzy dengan dua parameter input yaitu hasil prakiraan energi PLTS dan SoC baterai. Sebanyak 16 aturan fuzzy IF-THEN dirancang untuk menghasilkan prioritas pemutusan beban yang adaptif. Evaluasi metode penentuan pemutusan beban berbasis logika fuzzy menunjukkan peningkatan dibanding metode penentuan pemutusan beban berbasis rule-based. Pada skenario beban normal (? 1,40 kWh), durasi operasi beban kritis meningkat 19,3% dari 985 menit menjadi 1.175 menit, sementara itu pada skenario beban tinggi (? 3,65 kWh), durasi operasi beban kritis meningkat 19,6% dari 194 menit menjadi 232 menit. Dalam pengujian operasional harian, metode penentuan pemutusan beban berbasis logika fuzzy mampu mempertahankan suplai energi ke beban kritis rata-rata selama 1.151 menit atau sekitar 19 jam per hari. Hal ini membuktikan kemampuan metode penentuan pemutusan beban dalam mengoptimalkan pengelolaan sumber daya energi yang digunakan pada sistem microgrid yaitu PLTS dan baterai serta memperpanjang durasi operasi beban kritis. Penelitian ini berkontribusi pada pengembangan metode penentuan pemutusan beban sebagai bagian dari sistem manajemen energi pada microgrid yang berpotensi untuk direplikasi pada sistem microgrid lain di Indonesia khususnya di wilayah 3T. Selain itu, mendukung pencapaian target KEN dalam bauran EBT sebesar 23% dan rasio elektrifikasi mendekati 100%.
PENGEMBANGAN SISTEM HYBRID RETRIEVAL-AUGMENTED GENERATION (RAG) DENGAN PERLUASAN KONTEKSTUAL UNTUK CHATBOT NATURAL LANGUAGE PROCESSING (NLP) PADA DOKUMEN REGULASI PERPAJAKAN PEMERINTAH KABUPATEN BARRU
Transformasi digital pada sektor pemerintahan merupakan agenda strategis nasional sebagaimana diamanatkan dalam Peraturan Presiden Nomor 95 Tahun 2018 tentang Sistem Pemerintahan Berbasis Elektronik (SPBE). Implementasi SPBE menuntut optimalisasi pemanfaatan teknologi informasi guna meningkatkan kualitas layanan publik yang cepat, transparan, akuntabel, dan mudah diakses masyarakat. Salah satu layanan yang membutuhkan peningkatan kualitas adalah layanan informasi perpajakan daerah, yang hingga saat ini masih menghadapi berbagai kendala, seperti kompleksitas dokumen regulasi, keterbatasan literasi digital, serta ketergantungan pada layanan manual. Kondisi tersebut berdampak pada rendahnya efisiensi penyampaian informasi dan berpotensi memengaruhi tingkat kepatuhan wajib pajak serta capaian Pendapatan Asli Daerah (PAD). Penelitian ini mengembangkan sistem Chatbot Hybrid Retrieval-Augmented Generation (RAG) berbasis Natural Language Processing (NLP) dan Large Language Model (LLM) untuk mendukung layanan informasi perpajakan daerah yang akurat dan dapat dipertanggungjawabkan secara hukum. Sistem mengintegrasikan mekanisme dense retrieval berbasis vector embedding, sparse retrieval berbasis BM25, serta contextual expansion untuk meningkatkan relevansi dan ketepatan konteks pencarian dokumen regulasi. Dokumen perpajakan daerah diproses melalui tahapan segmentasi (chunking) dan disimpan dalam basis data vektor sebagai sumber pengetahuan utama. Arsitektur sistem memanfaatkan LLM sebagai agen utama yang terhubung dengan beberapa komponen pendukung, meliputi tool retrieval, tool database untuk query tagihan pajak, tool memory untuk menjaga konteks percakapan, serta tool calculation untuk mendukung perhitungan kewajiban pajak. Sistem diimplementasikan pada platform Telegram Bot guna meningkatkan aksesibilitas dan kemudahan penggunaan. Evaluasi kinerja chatbot dilakukan menggunakan metrik ROUGE dan Cosine Similarity dengan membandingkan respons sistem terhadap jawaban ground truth berbasis regulasi resmi. Hasil pengujian menunjukkan bahwa pendekatan hybrid retrieval menghasilkan nilai precision, recall, dan f-measure yang lebih tinggi dibandingkan metode retrieval tunggal, serta mampu meningkatkan relevansi jawaban dan mengurangi kesalahan interpretasi konteks regulasi. Secara keseluruhan, penelitian ini membuktikan bahwa penerapan Chatbot Hybrid RAG efektif dalam meningkatkan transparansi, efisiensi, dan kualitas layanan informasi perpajakan daerah, sekaligus mendukung percepatan transformasi digital pemerintahan.
PENDEKATAN HALF-FLIP 2D UNTUK OPTIMASI MULTI-MODAL ENGAGEMENT CLASSIFICATION PADA PEMBELAJARAN DARING
Transformasi digital dalam pendidikan telah melahirkan ekosistem pembelajaran berbasis teknologi yang semakin kompleks, terutama melalui konsep smart campus yang mengintegrasikan teknologi informasi untuk meningkatkan efisiensi dan fleksibilitas proses belajar. Pandemi COVID-19 mempercepat adopsi pembelajaran daring, yang hingga kini tetap digunakan dalam bentuk pembelajaran asinkron. Namun, model ini menimbulkan tantangan dalam pemantauan engagement peserta didik karena minimnya interaksi langsung dengan pengajar. Untuk menjawab permasalahan tersebut, penelitian ini mengusulkan sistem klasifikasi engagement berbasis Facial Emotion Recognition (FER) yang dikombinasikan dengan indikator visual lain, yaitu arah kepala dan kondisi mata, pada pembelajaran video asinkron. Fokus penelitian diarahkan pada peningkatan ketahanan FER terhadap kondisi wajah yang teroklusi sebagian, khususnya akibat tangan yang menutupi wajah atau orientasi non-frontal. Metode yang dikembangkan berupa pipeline pre-processing berbasis citra 2D. Proses ini meliputi deteksi dan penghapusan objek tangan, koreksi arah kepala, serta rekonstruksi wajah frontal melalui teknik duplikasi bagian wajah yang tidak teroklusi. Hasil rekonstruksi kemudian diproses oleh model FER seperti CNN, DeepFace, dan FaceLib. Eksperimen menunjukkan peningkatan akurasi signifikan pada kasus oklusi vertikal, dengan CNN naik 33,79% dan DeepFace 14,29% dibanding baseline. Pada wajah non-frontal, peningkatan tetap terjadi meski terbatas, sedangkan oklusi di area mulut tidak memberikan perbaikan berarti dan bahkan menurunkan performa beberapa model. Secara keseluruhan, metode pre-processing adaptif ini terbukti meningkatkan robustness FER terhadap oklusi parsial, terutama pada setengah area wajah secara vertikal. Kendati demikian, keterbatasan masih muncul pada performa hand-detector yang digunakan, sehingga penelitian lanjutan dengan model deteksi tangan yang lebih robust serta pendekatan multi-modal sangat disarankan untuk dilakukan improvisasi. Secara umum, penelitian ini berkontribusi pada pengembangan metode pre-processing untuk menangani oklusi wajah, sehingga sistem engagement classification menjadi lebih tangguh terhadap beragam kondisi wajah peserta didik dalam pembelajaran digital.
ARSITEKTUR SISTEM AERASI ADAPTIF BERBASIS IOT DAN EDGE COMPUTING UNTUK OPTIMASI OKSIGEN TERLARUT DAN EFISIENSI ENERGI
Aerasi merupakan komponen operasional paling kritis sekaligus paling boros energi dalam sistem budidaya ikan intensif. Praktik aerasi konvensional yang mengandalkan kontrol manual atau timer statis sering menyebabkan pemborosan energi, keterlambatan respons terhadap penurunan oksigen terlarut (dissolved oxygen/DO), serta meningkatkan risiko hipoksia. Pendekatan akuakultur cerdas berbasis cloud computing juga menghadapi kendala latensi dan ketergantungan jaringan, sehingga kurang andal diterapkan pada lokasi dengan infrastruktur terbatas. Penelitian ini bertujuan merancang dan mengevaluasi arsitektur sistem aerasi adaptif berbasis Internet of Things (IoT) dan Edge Computing yang mampu melakukan pemantauan dan pengendalian kualitas air secara real-time, otonom, dan efisien energi. Metodologi Design Science Research Methodology (DSRM) digunakan untuk mengembangkan artefak sistem berbasis Raspberry Pi 5 sebagai node edge yang mengintegrasikan sensor DO real-time, modul prediksi deret waktu, dan algoritma kontrol Finite State Machine (FSM) sebagai lapisan keselamatan utama. Seluruh proses akuisisi data, prediksi, dan pengambilan keputusan dijalankan secara lokal tanpa ketergantungan koneksi internet. Beberapa model prediksi DO, yaitu Naive, Exponential Moving Average (EMA), Holt Linear Trend, ARIMA, dan Random Forest, dievaluasi menggunakan data lapangan. Implementasi dan pengujian dilakukan pada kolam uji ikan nila di Balai Riset Pemuliaan Ikan (BRPI) Sukamandi dengan membandingkan mode AUTO dan MANUAL. Hasil menunjukkan sistem mampu menjaga DO di atas 5 mg/L sekaligus menurunkan durasi operasi aerator dan konsumsi energi lebih dari 50%. Penelitian ini menegaskan bahwa efektivitas aerasi adaptif ditentukan oleh arsitektur IoT–Edge dan logika kontrol FSM yang stabil, bukan semata kompleksitas model prediksi.
STUDI PERISTIWA: DAMPAK PENGUMUMAN TARIF PAJAK TRUMP TERHADAP TIGA INDEKS SEKTORAL TERATAS
Penelitian ini memberikan analisis terhadap reaksi pasar secara langsung atas pengumuman pemerintah Amerika Serikat mengenai penerapan tarif pada tanggal 2 April 2025 dan menilai dampak guncangan kebijakan tersebut terhadap tiga indeks sektoral yang paling relevan secara sistemik di pasar modal Indonesia, yaitu IDXENERGY, IDXBASIC, dan IDXFINANCE. Pengumuman tersebut merupakan pengumuman yang bersifat publik dan terlihat secara jelas, yang telah mengubah ekspektasi mengenai arah perdagangan global, pergerakan harga komoditas di masa depan, serta tingkat keuntungan yang diproyeksikan pada sektor-sektor ekonomi yang paling terdampak. Dengan mempertimbangkan tingginya tingkat integrasi Indonesia dalam rantai nilai ekspor komoditas internasional, serta fakta bahwa pasar keuangan juga terekspos terhadap risiko kredit dari sektor energi dan bahan baku, tujuan paling krusial dari penelitian ini adalah untuk menguji apakah informasi baru tersebut dengan cepat terintegrasi ke dalam harga saham di pasar-pasar tersebut, sebagaimana yang diprediksikan dalam bentuk semi-kuat dari Efficient Market Hypothesis (EMH). Dorongan empiris penelitian ini juga dapat dibenarkan oleh adanya keterbatasan studi yang meneliti transmisi guncangan tarif pada tingkat sektoral dan bukan agregat di pasar negara berkembang, meskipun Indonesia memiliki kerentanan struktural terhadap pilihan kebijakan eksternal, arus modal asing, dan fluktuasi harga komoditas. Penelitian ini menggunakan desain event study jangka pendek untuk mengidentifikasi abnormal return (AR) di sekitar tanggal pengumuman, di mana pendekatan market model menggunakan Jakarta Composite Index (JCI) sebagai acuan dalam mengestimasi return ekspektasian dengan horizon estimasi selama 100 hari pada periode [–120, –20]. Sebuah jendela peristiwa dipilih selama 21 hari [-10, +10], sehingga jendela tersebut mencakup aktivitas perdagangan antisipatif dan respons langsung setelah pengumuman serta koreksi harga jangka pendek. Abnormal Return (AR), Average Abnormal Return (AAR), dan Cumulative Abnormal Return (CAR) dihitung untuk menetapkan besaran dan persistensi perubahan harga dalam jendela tersebut. Uji Shapiro–Wilk diterapkan untuk menguji apakah data return mengikuti distribusi normal dan dengan demikian menentukan uji statistik yang akan digunakan, yaitu one-sample t-test dan Wilcoxon Signed-Rank test yang diterapkan untuk menguji signifikansi statistik, sementara market-adjusted return model digunakan sebagai prosedur penguatan untuk menguji konsistensi temuan. Hasil penelitian menunjukkan bahwa abnormal return pada saham sektoral di Indonesia signifikan secara statistik di sekitar jendela peristiwa, khususnya pada fase antisipatif menjelang tanggal 2 April, yang mungkin disebabkan oleh rumor, suasana spekulatif, atau ekspektasi antisipatif pasca-spekulatif yang muncul seiring dengan tanda-tanda awal kebijakan. Abnormal return yang signifikan secara statistik pada T?10 menunjukkan bahwa antisipasi terhadap pengumuman tarif tertutupi oleh kekuatan pasar yang optimistis secara bersamaan, seperti perbaikan sentimen komoditas atau arus masuk modal, sementara reaksi yang signifikan secara marginal pada T+9 semakin mendukung bahwa pasar terus melakukan penyesuaian setelah tanggal pengumuman. Model uji ketahanan membuktikan bahwa perilaku ini bukan sekadar pengamatan atas pergerakan pasar yang lebih luas, sehingga membenarkan keberadaan abnormalitas sektoral berbasis peristiwa yang nyata. Seluruh temuan empiris ini berkontribusi pada literatur pasar modal Indonesia dengan memvalidasi keberfungsian EMH pada sektor-sektor yang paling rentan, menggunakan metodologi event study jendela pendek untuk menghitung indeks sektoral alih-alih indeks pasar secara keseluruhan, serta menunjukkan adanya respons jangka pendek yang heterogen terhadap pengumuman tarif eksternal. Secara praktis, hasil penelitian ini menegaskan perlunya investor, regulator, dan manajer risiko untuk secara cermat memperhatikan setiap perkembangan terkait tarif, eksposur komoditas, dan saluran transmisi lintas sektor guna melakukan penyesuaian posisi secara taktis melalui pengelolaan eksposur sektoral, kesadaran terhadap risiko makro, dan praktik peringatan dini.
PENILAIAN RISIKO MULTI-HAZARD DI WILAYAH PESISIR PANTAI KOTA PADANG, INDONESIA
Wilayah pesisir Kota Padang yang terletak di pantai barat Sumatera memiliki tingkat kerentanan yang tinggi terhadap berbagai ancaman multi-hazard yang berasal dari faktor iklim maupun non-iklim. Perkembangan wilayah pesisir yang pesat, peningkatan kepadatan penduduk, serta degradasi lingkungan memperbesar tingkat kerentanan dan keterpaparan masyarakat terhadap bahaya seperti gelombang tinggi, kenaikan muka air laut (sea level rise), pertumbuhan penduduk yang pesat, curah hujan berintensitas tinggi, kekeringan, dan kedatangan wisatawan musiman. Untuk mendukung pengelolaan pesisir yang adaptif serta strategi mitigasi bencana yang terarah, penelitian ini melakukan penilaian risiko multi-hazard menggunakan pendekatan Coastal Risk Index Local-Scale (CRI-LS), yaitu pendekatan berbasis indeks risiko pesisir skala lokal. Pendekatan ini mengintegrasikan tiga komponen utama, yaitu bahaya, kerentanan, dan eksposur, dengan pembobotan variabel ditentukan melalui metode Analytical Hierarchy Process (AHP). Sejumlah indikator spasial distandardisasi, diberi skor, dan dikombinasikan dalam lingkungan Sistem Informasi Geografis (SIG) untuk menghasilkan indeks risiko pesisir komposit. Hasil analisis menunjukkan adanya variasi spasial tingkat risiko multi-hazard di sepanjang wilayah pesisir Kota Padang, dengan kategori yang berkisar dari sangat rendah hingga sangat tinggi. Zona berisiko tinggi hingga sangat tinggi tersebar di sepanjang pesisir pusat Kota Padang, yang didominasi oleh kawasan permukiman padat penduduk, fasilitas publik, dan infrastruktur penting. Kondisi topografi yang datar, elevasi rendah, serta tingginya aktivitas sosial ekonomi turut memperkuat tingkat risiko di wilayah tersebut. Estimasi potensi kerugian ekonomi dilakukan pada wilayah dengan kelas risiko tinggi dan sangat tinggi. Hasil perhitungan menunjukkan bahwa potensi kerugian ekonomi di area risiko tinggi mencapai lebih dari Rp2.2 triliun, sedangkan pada area risiko sangat tinggi melebihi Rp2.6 triliun, dengan kategori permukiman padat atau kampung kota memberikan kontribusi terbesar terhadap total kerugian. Validasi lapangan dilakukan pada beberapa titik dengan tingkat risiko tinggi dan sangat tinggi untuk memastikan kesesuaian hasil analisis spasial dengan kondisi aktual di lapangan. Peta spasial risiko yang dihasilkan memberikan informasi penting untuk mengidentifikasi kawasan kritis yang memerlukan prioritas penanganan. Temuan penelitian ini diharapkan dapat menjadi referensi bagi pemerintah daerah dan pemangku kepentingan dalam merumuskan strategi adaptasi dan mitigasi risiko multi-hazard guna memperkuat ketahanan wilayah pesisir Kota Padang secara berkelanjutan.
USULAN STRATEGI KOMUNIKASI PEMASARAN TERPADU (IMC) PURA MANGKUNEGARAN SEBAGAI DESTINASI WISATA BUDAYA
Pura Mangkunegaran memegang peran sebagai situs cagar budaya dan salah satu objek wisata sejarah di Surakarta, Jawa Tengah. Studi ini meneliti tantangan yang dihadapi oleh Pura sebagai tujuan warisan budaya dengan visibilitas meningkat tetapi berjuang dengan pemahaman merek dan korelasi makna yang rendah. Penelitian ini mengadopsi metodologi kualitatif dengan mengumpulkan data melalui wawancara mendalam yang tidak terstruktur dan didukung oleh dokumen survei pengunjung manajemen internal. Analisis dimulai dengan penilaian internal dan eksternal menggunakan kerangka kerja VRIO dan PESTLE diikuti dengan analisis tematik Nvivo. Pendekatan ini memastikan pemahaman menyeluruh tentang kekuatan, kelemahan, peluang, dan ancaman Pura Mangkunegaran (SWOT), yang kemudian disintesis menggunakan matriks TOWS dan dianalisis secara tematik untuk mengidentifikasi tema-tema utama yang mengarah pada perumusan rekomendasi strategis menggunakan rekomendasi komunikasi pemasaran terpadu (IMC). Temuan utama dari analisis internal menunjukkan bahwa Pura Mangkunegaran memiliki beberapa sumber daya berharga yang berakar pada warisan budaya, bangunan bersejarah, asset restoran, dan pengalaman pengunjung yang unik. Namun, kekuatan ini cenderung dibatasi oleh kesiapan organisasi, fasilitas pendukung yang terbatas, dan kurangnya penceritaan publik yang jelas. Meskipun demikian, analisis eksternal mengungkapkan bahwa munculnya tren pariwisata budaya dan peningkatan upaya penggabungan teknologi menunjukkan peluan, namun persaingan dengan destinasi serupa dan persepsi publik cenderung menimbulkan tantangan. Strategi bisnis yang diusulkan menggunakan IMC mengintegrasikan semua bauran media yang dapat dimanfaatkan untuk meningkatkan pengalaman pengunjung. Penelitian ini berkontribusi pada bidang pemasaran wisata budaya dengan memberikan kerangka kerja praktis yang dapat diterapkan untuk meningkatkan pengalaman kunjungan dan pemahaman nilai dari destinasi.
KETERKAITAN PERUBAHAN STRUKTUR ORGANISASI HASIL KEBIJAKAN PENYEDERHANAAN BIROKRASI DUA LEVEL DENGAN KETERIKATAN KERJA PEGAWAI DALAM KONTEKS PEMERINTAH DAERAH
Penyederhanaan birokrasi dua level yang berlangsung di Indonesia sejak 2021 mendorong diberlakukannya pemangkasan jenjang struktural, penyetaraan jabatan administrasi kedalam jabatan fungsional, dan penyesuaian sistem kerja. Kebijakan ini diarahkan untuk membentuk birokrasi yang ramping, lincah, dan berorientasi kinerja. Namun dalam praktik pemerintahan daerah yang terdesentralisasi, perubahan struktur organisasi tidak selalu berbanding lurus dengan perubahan mekanisme kerja dan perilaku aparatur. Penelitian ini bertujuan menganalisis keterkaitan antara perubahan struktur organisasi hasil kebijakan penyederhanaan birokrasi dua level dengan keterikatan kerja pegawai, serta peran faktor kontingensi organisasi dan tingkat pendidikan pegawai dalam konteks pemerintahan daerah. Penelitian ini menggunakan pendekatan kuantitatif dengan metode survei terhadap 192 pejabat fungsional terdampak penyetaraan jabatan di lingkungan Pemerintah Kabupaten Bandung. Analisis data dilakukan menggunakan PLS-SEM dengan tiga model analisis: (1) hubungan langsung struktur organisasi dan keterikatan kerja, (2) pengaruh faktor kontingensi strategi organisasi, ukuran organisasi, teknologi, dan institusi, terhadap struktur organisasi dan implikasinya terhadap keterikatan kerja, serta (3) peran tingkat pendidikan pegawai sebagai variabel moderasi. Hasil penelitian bahwa koherensi desain struktur organisasi pasca penyederhanaan birokrasi dua level, yang terutama ditopang oleh penguatan dimensi formalisasi, departementalisasi, dan spesialisasi kerja, berkaitan positif dengan peningkatan keterikatan kerja pegawai. Pengaruh tersebut diperkuat faktor kontingensi strategi organisasi, teknologi, dan institusi. Selain itu, tingkat pendidikan terbukti memperkuat keterkaitan tersebut, pegawai dengan pendidikan pascasarjana menunjukkan kemampuan lebih tinggi dalam menginternalisasi perubahan struktur organisasi sehingga berdampak pada keterikatan kerja pegawai yang lebih kuat. Temuan ini menegaskan bahwa keberhasilan penyederhanaan birokrasi tidak hanya ditentukan oleh perubahan struktur organisasi formal, tetapi juga oleh kesesuaian konteks organisasi dan kapasitas aparatur dalam memaknai perubahan tersebut.
USULAN STRATEGI PEMASARAN PT KASPEA CAHAYA UTAMA
Permintaan bahan bangunan terus meningkat dan menyebabkan para pelaku industri bersaing ketat untuk mengembangkan bisnisnya. Kaspea Bangunan merupakan salah satu pemain di sektor ritel bahan bangunan yang menghadapi persaingan ketat ini. Saat ini, penjualan Kaspea Bangunan sedang menurun dan tidak mencapai target penjualan perusahaan. Berdasarkan analisis 5 Why, Kaspea Bangunan belum mengoptimalkan pemasaran digitalnya, dan hal ini diidentifikasi sebagai akar penyebab penurunan penjualan. Tujuan penelitian ini adalah untuk mengidentifikasi faktor internal dan eksternal yang berkontribusi terhadap industri bahan bangunan, mengidentifikasi faktor-faktor yang memengaruhi perilaku pembelian bahan bangunan, dan merumuskan strategi pemasaran yang tepat untuk Kaspea Bangunan. Analisis internal dilakukan melalui analisis STP terkini dan analisis Bauran Pemasaran 4P terkini, sedangkan analisis eksternal dilakukan dengan menggunakan analisis PESTEL, Analisis Pesaing, dan Analisis Pelanggan. Hasil penelitian ini menyarankan Kaspea Bangunan untuk meningkatkan dan fokus pada strategi pemasaran digital untuk mengikuti perubahan perilaku konsumen.
PENGEMBANGAN MODEL OPTIMISASI ALOKASI SUMBER DAYA UNIT KERJA AKADEMIK INSTITUT TEKNOLOGI BANDUNG DENGAN METODE DATA ENVELOPMENT ANALYSIS DAN MULTI-OBJECTIVE LINEAR PROGRAMMING
Institut Teknologi Bandung (ITB) adalah institusi pendidikan yang telah berdiri lebih dari 100 tahun di Indonesia. ITB bergerak melalui arah pengembangan yang dituang pada Rencana Induk Pengembangan (RENIP) untuk jangka waktu 25 tahun ke depan, yang kemudian dijabarkan ke dalam Rencana Strategis (Renstra) untuk periode 5 tahun, dan kemudian diterjemahkan ke dalam Rencana Kerja dan Anggaran Tahunan (RKAT). Salah satu tantangan utama dalam penyusunan RKAT adalah menentukan alokasi anggaran yang diterima suatu unit kerja, yang digunakan oleh unit kerja tersebut untuk merealisasikan output kinerja. Keterbatasan anggaran yang ada menjadi isu yang mendorong problemowner (Direktorat Perencanaan ITB) untuk bisa membuat suatu sistem alokasi sumber daya yang bertujuan untuk memaksimalkan realisasi output secara keseluruhan. Penelitian ini bertujuan untuk mengembangkan model matematis yang dapat digunakan untuk menetapkan alokasi anggaran tahunan ITB guna memaksimalkan pencapaian output kinerja unit-unit kerja, khususnya Unit Kerja Akademik (UKA) yang menjalankan secara langsung kegiatan tridarma perguruan tinggi. Proses pengembangan model memanfaatkan model referensi untuk menyusun suatu metode yang mengintegrasikan realisasi output UKA dan batasan anggaran yang tersedia. Model dikembangkan dengan mengintegrasikan Data Envelopment Analysis (DEA) untuk memperoleh skor inefisiensi (dua model DEA) dan Multi-Objective Linear Programming (MOLP) untuk realokasi sumber daya (empat model MOLP) dengan mengacu pada model referensi Korhonen & Syrjänen (2004). Dengan menggunakan model yang dikembangkan, dapat diidentifikasi unit-unit kerja yang sudah efisien dan yang belum efisien dalam memanfaatkan sumber daya yang diberikan. Dengan model yang dikembangkan dapat dilakukan percobaan untuk menentukan besaran penambahan atau pengurangan anggaran yang mempertimbangkan kapabilitas dan skala unit. Pada uji coba realokasi, persentase DMU yang mengalami pengurangan anggaran tercatat sebesar 27,10% (Model 1), 25,87% (Model 2), 36,41% (Model 3), dan 37,13% (Model 4); sedangkan pada realokasi berbasis tridharma, persentase DMU yang mengalami pengurangan anggaran adalah 28,47% (pendidikan), 44,38% (penelitian), dan 28,36% (pengabdian masyarakat). Secara keseluruhan, model dan algoritma yang dikembangkan mampu membentuk sistem optimisasi alokasi sumber daya yang mempertimbangkan kondisi total anggaran, batas bawah dan batas atas perubahan anggaran tiap unit, serta asumsi kebijakan yang ditetapkan problem-owner, sehingga dapat menjadi dasar alokasi yang lebih berbasis kinerja dan transparan.