📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 192 dokumenPENINGKATAN WAKTU UNTUK MEMPEROLEH WAWASAN ANALITIK DATA MELALUI SOLUSI AGENTIC AI: STUDI KASUS PT DOMPET MASA DEPAN
Sebagai perusahaan rintisan di industri yang berkembang, PT Dompet Masa Depan (“Dompet”) menghadapi masalah berupa lonjakan tingkat pelanggaran Service Level Agreement (SLA) hingga hampir 60% dan waktu perolehan wawasan (time-to-insight) yang melambat dua kali lipat dalam satu tahun terakhir. Meskipun volume data tumbuh lebih dari 25 kali lipat, Root Cause Analysis (RCA) mengungkap bahwa penurunan kinerja ini bukan semata masalah kapasitas, melainkan akibat tingginya permintaan manual yang repetitif (“toil”). Hal ini disebabkan oleh ketergantungan pemangku kepentingan pada tim data akibat ketiadaan konteks data yang mudah dipahami, yang mendesak adanya kebutuhan akan solusi analitik mandiri (self-serve) yang cerdas berbasis Agentic AI. Studi ini menerapkan metodologi Riset Ilmu Desain (DSR) untuk mengembangkan solusi yang terukur. Penilaian faktor Teknologi-Organisasi-Lingkungan (TOE) mengonfirmasi kelayakan adopsi AI agen, dengan menunjukkan keunggulan relatif yang tinggi serta dukungan manajemen yang kuat. Kedua, studi ini menerapkan Teori Batasan Objek dan Prinsip Desain dalam IS untuk menyintesis kerangka kerja Masukan-Agen-Keluaran (IAO) dalam merancang platform analitik data mandiri berbasis Agentic AI. Artefak ini mengusung arsitektur multi-agen yang terdiri dari agen Supervisor, Query, Visualization, Analyst, Reviewer, dan Responder. Agen-agen tersebut mampu memproses permintaan dalam bahasa alami, menjalankan kueri SQL, dan menghasilkan wawasan yang penuh konteks. Solusi yang diusulkan dievaluasi terhadap 22 kebutuhan pengguna dan sistem yang telah ditetapkan, serta divalidasi melalui enam skenario penggunaan komprehensif, dengan mencapai tingkat pemenuhan 100%. Terakhir, menggunakan metode Metode Jalur Kritis (CPM) dan analisis PERT, studi ini menyajikan rencana implementasi konkret dengan estimasi waktu penyelesaian selama 47 hari kerja. Penelitian ini menyimpulkan bahwa solusi Agentic AI ini memungkinkan Dompet untuk mengalihkan beban tugas analitik repetitif, sehingga dapat mengurangi waktu perolehan wawasan dan memungkinkan tim data analitik untuk kembali fokus pada inisiatif strategis.
VALIDASI DARI APLIKASI UNTUK ESTIMASI PARAMETER-PARAMETER WEIBULL MENGGUNAKAN METODE R-SQUARED
Maintenance is crucial for industry sustainability as it directly affects cost, reliability, safety, and productivity. In aviation, unplanned aircraft downtime adds significant costs and creates safety risks. To predict aircraft component failures, the Weibull distribution is used because it models time-to-failure data accurately. The three-parameter Weibull distribution is the most used model in aviation maintenance, with three parameters: scale parameter (?), shape parameter (?), and location parameter (?). Previous research by the Engineering Design and Production research group at ITB created a Python-based application to estimate these parameters using R-squared method applied to Weibull Paper Plot transformations. Although the application succeeded, the results and method lack validation. Without validation, the application cannot be recommended for aircraft maintenance task selection, where inaccurate parameter estimates could lead to wrong maintenance intervals or wasted costs. The author undertook this research to achieve three objectives: to find a method that can validate the results of the application, to compare the parameter estimates from the Python application with estimates from Excel Solver, and to test the user experience of the developed application. To validate the application, the author created synthetic datasets from known three-parameter Weibull distributions representing three failure modes: wear-out failures (? > 1), random failures (? = 1), and infant mortality failures (? < 1). Datasets with different sample sizes were generated from histograms with 15 classes. Both the Python application and Excel Solver were applied using R-squared. Results show that both methods produce equivalent parameter estimates with location parameter errors typically less than 5%. The Python application can estimate parameters for ? ? 1 cases while Excel Solver cannot converge in these regions. Other than that, RMSE is also calculated using Excel Solver which has the same result as R-squared method. The author concludes that both methods are valid for three-parameter Weibull parameter estimation, with the Python application offering better numerical stability across all failure rate behaviours relevant to aircraft components.
ANALISIS ALOKASI WAKTU UNTUK PEKERJAAN KEFARMASIAN PADA APOTEKER DI PUSKESMAS KOTA BANDUNG
Pelayanan kefarmasian di puskesmas menuntut peran apoteker yang semakin berorientasi pada pasien atau ke arah Cognitive Pharmaceutical Services (CPS), sehingga pengelolaan waktu kerja menjadi aspek penting dalam mendukung kualitas pelayanan. Penelitian ini bertujuan untuk menganalisis alokasi waktu pekerjaan kefarmasian pada apoteker di Puskesmas Kota Bandung serta menilai kesesuaiannya dengan Peraturan Menteri Kesehatan Republik Indonesia Nomor 74 Tahun 2016. Penelitian ini merupakan penelitian kuantitatif observasional dengan desain time series analysis menggunakan data retrospektif dari aplikasi Mang Bagja periode Januari– Desember 2024. Subjek penelitian terdiri dari 98 apoteker puskesmas di Kota Bandung. Data dianalisis secara deskriptif untuk menggambarkan distribusi alokasi waktu kerja berdasarkan jenis kegiatan, serta secara inferensial untuk menilai pengaruh faktor demografi terhadap alokasi waktu pekerjaan kefarmasian. Hasil penelitian menunjukkan bahwa alokasi waktu kerja apoteker didominasi oleh pelayanan farmasi klinik, terutama penyerahan obat dan pemberian informasi obat serta pengkajian resep. Terdapat hubungan yang signifikan antara usia apoteker dengan alokasi waktu kegiatan manajerial, sedangkan jenis kelamin tidak berpengaruh signifikan terhadap alokasi waktu kerja. Penelitian ini menyimpulkan bahwa optimalisasi alokasi waktu kerja apoteker masih diperlukan untuk mendukung penguatan peran farmasi klinik di puskesmas.
KLASIFIKASI FRAME LINTAS BAHASA UNTUK BERITA BERBAHASA INDONESIA MENGGUNAKAN MODEL BAHASA BERBASIS TRANSFORMER
Penggunaan frame atau pembingkaian dalam artikel berita merupakan strategi penulis berita dalam mengarahkan sudut pandang pembaca yang dapat bersifat subjektif dan memengaruhi opini pembaca. Frame berperan sebagai lensa atau dimensi yang membatasi penulis dalam menyajikan berita, berbeda dengan topik yang merupakan subjek atau bahasan di dalam berita. Kategori yang ada di dalam frame juga berbeda dengan kategori topik pada berita yang bersifat sangat umum. Meskipun telah dilakukan penelitian topik pada berita berbahasa Indonesia, namun belum ada penelitian yang terfokus pada klasifikasi frame pada berita. Oleh karena itu, penelitian ini bertujuan untuk mengadaptasi penelitian klasifikasi frame lintas bahasa untuk berita berbahasa Indonesia. Penelitian ini dilakukan dengan membangun korpus data berita beserta dengan label frame yang ada di dalamnya dan menganalisis perbandingan kinerja model bahasa berbasis Transformer beserta dengan strategi penanganan ketidakseimbangan data. Metodologi penelitian mencakup pembangunan korpus data sebanyak 150 artikel berita dari portal detik.com dan kompas.com yang dianotasi oleh ahli linguistik yang digunakan sebagai data uji, serta eksperimen dengan model diskriminatif dan generatif. Penggunaan model diskriminatif XLM-RoBERTa-base dilakukan dengan berbagai skenario eksperimen seperti Task-Adaptive Pre-Training (TAPT), penggunaan Binary Cross Entropy (BCE) dan Focal Loss, serta oversampling dengan bantuan machine translation. Penggunaan model generatif SeaLLM-v3- 7B dan Qwen3-8B dilakukan dengan metode zero shot prompting dan few shot prompting. Hasil penelitian menunjukkan bahwa performa terbaik dicapai oleh model yang menggunakan strategi TAPT dengan probabilitas masking 20% dan fungsi kerugian BCE dengan penggunaan classweights, menghasilkan nilai F1 Macro sebesar 0,474 dan F1 Micro sebesar 0,571 pada data uji bahasa Indonesia. Model terbukti sangat efektif dalam mendeteksi frame konkret seperti Health_and_safety (F1 Score = 0,906), namun masih menghadapi tantangan pada frame yang bersifat abstrak atau memiliki data terbatas seperti Morality dan Fairness_and_equality. Penelitian ini menyimpulkan bahwa kombinasi metode adaptive pre-training dan costsensitive learning merupakan pendekatan yang andal untuk klasifikasi frame pada berita meskipun terdapat distribusi data yang tidak seimbang secara ekstrem. Pada kedua strategi prompting, zero shot dan few shot, model Qwen3-8B memberikan kinerja yang lebih baik daripada model SeaLLM-v3-7B, namun tidak sebagus kinerja model diskriminatif.
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.
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.
DEVELOPMENT OF AUTOMATION LABVIEW PROGRAM FOR ACCELEROMETER CALIBRATION
Laboratorium Dinamika LPIT ITB has been performing accelerometer calibration for industry to check the accuracy of sensitivity and frequency range of the sensor. This calibration consists of linearity and frequency response test. Currently, these accelerometer calibration is performed manually by operators, which consumed a large amount of time. Recognizing these inefficiencies of manual accelerometer calibration, this bachelor thesis aims to develop an automated accelerometer calibration program that significantly reduce the consumed time required for calibration. This automation program was developed by first doing manual calibration to identify which parts needed to be automated. The manual calibration requires the operator to control the generated signal from signal generator, read the signal amplitude, record the data, and process the data. These processes consumed a large amount of time. Generally, the total time required to perform the calibration is 1.5 to 2 hours depending on the operator skills. After understanding the manual calibration, the next step is to select the appropriate NI (National Instrument) for the calibration needs. Afterward, an automated calibration program is designed using LabVIEW software. Based on the identification from the manual calibration, the program is designed to be able to generate and acquire signal, record the data, and process the data. Additionaly, this program is designed to present the calibration results in the form of a certificate. To validate the accuracy of the automated program, manual calibration is performed again to be serve as a reference. Based on the testing results and the comparison between manual and automated calibration, it can be concluded that the accelerometer calibration automation program has been successfully developed. The sensitivity result of the calibrated accelerometer obtained from automated calibration has an error of 0.04% relative to the manual calibration. As for the frequency response test, it produce the same result both from manual and automated calibration. In contrast to the manual calibration, automated calibration only consumed 30 seconds for each acceleration amplitude and 30 seconds for each frequency.
VALIDASI PREDIKSI NOAEL DAN LOAEL MENGGUNAKAN 5 MODEL BERBEDA PADA PERANGKAT LUNAK VEGA
Pada tahap pengembangan obat, uji coba praklinik secara in vivo menghasilkan No Observed Adverse Effect Level (NOAEL) dan Lowest Observed Adverse Effect Level (LOAEL). Data NOAEL dan LOAEL dapat digunakan untuk menentukan dosis awal, yaitu dosis yang diberikan pada uji klinik pertama pada manusia. Akan tetapi, pengujian secara in vivo memerlukan biaya yang besar dan waktu yang lama. Oleh karena itu muncul upaya berkelanjutan dengan memprediksi toksisitas secara in silico. Sebanyak 3 model QSAR untuk prediksi NOAEL dan 2 model predisi LOAEL telah tersedia secara gratis di perangkat lunak VEGA. Manusia terpapar bahan kimia dalam makanan dan lingkungan, dan salah satu tujuan penilaian risiko bahan kimia adalah untuk menetapkan tingkat keamanan guna melindungi kesehatan masyarakat dari paparan kronis. Oleh karena itu, pada penelitian ini dilakukan segmentasi data menjadi kelompok kosmetik, bahan tambahan pangan, obat, perbekalan kesehatan rumah tangga, pestisida, dan zat pewarna. Penelitian ini bertujuan untuk memvalidasi model NOAEL dan LOAEL menggunakan beberapa parameter statistika seperti koefisien korelasi (R2), concordance correlation coefficient (CCC), index of ideality of correlation (IIC), mean absolute error (MAE), dan root mean square error (RMSE) sekaligus menentukan kelompok senyawa yang menghasilkan parameter statistik paling baik sehingga dapat diprediksi menggunakan model yang telah tersedia. Segmen bahan tambahan pangan menghasilkan parameter statistik terbaik sehingga dapat diprediksi menggunakan model yang tersedia di VEGA. Saran untuk pengembangan model selanjutnya adalah pembuatan model per segmentasi agar dapat lebih andal untuk tujuan yang spesifik.
ANALISIS PERBANDINGAN BERBAGAI MACAM KOREKSI KECEPATAN AKUSTIK UNTUK KEPERLUAN PENGUKURAN KEDALAMAN SECARA TELITI
Untuk mendapatkan hasil kegiatan pengukuran kedalaman dengan ketelitian yang baik, maka semua data hasil pengukuran kedalaman yang diukur dengan menggunakan alat echosounder harus diberikan koreksi agar terhindar dari berbagai macam kesalahan. Salah satu kesalahan yang mempunyai pengaruh besar terhadap hasil pengukuran kedalaman adalah kesalahan yang diakibatkan oleh perubahan kecepatan gelombang akustik yang terjadi karena adanya perbedaan salinitas, temperatur dan tekanan sebanding dengan bertambahnya kedalaman. Terdapat beberapa metode yang dapat digunakan untuk menentukan koreksi kecepatan gelombang akustik. Metodenya adalah, metode barcheck, metode tabulasi berdasarkan data pengamatan kondisi fisik air laut secara langsung, dan metode pemakaian tabel koreksi yang telah tersedia. Tugas akhir ini akan membahas mengenai perbandingan terhadap ketiga metode penentuan koreksi kecepatan gelombang akustik tersebut dan untuk mengetahui kemampuan dari masing-masing metode.
PENGARUH PENGAMATAN DATA DAN KUALITAS DATA TINGGI MUKA AIR LAUT TERHADAP HASIL PREDIKSI AMPLITUDO DAN DATUM PASUT
Prediksi pasut adalah kegiatan untuk mendapatkan informasi data ketinggian muka air laut di masa mendatang. Prediksi pasut ini dapat digunakan untuk mendapatkan informasi lain seperti datum pasut. Prediksi pasut dibuat menggunakan data pengamatan pasut sebelumnya, dimana data pengamatan tersebut memiliki panjang data yang beragam dan mengandung kesalahan seperti data melonjak (spike) dan data yang hilang (gap). Keadaan tersebut mengakibatkan data prediksi yang didapat tidak mendekati kenyataan di lapangan. Prediksi pasut bisa didapatkan dengan berbagai metoda salah satunya adalah metoda kuadrat terkecil. Metoda ini mengkondisikan nilai kesalahan kuadrat yang terjadi sama dengan minimum. Prediksi pasut ini dibuat dari komponen pasut yang didapat dari metoda kuadrat terkecil. Kesalahan dalam prediksi pasut bisa dilakukan dengan membandingkan data prediksi dengan data pengamatan di saat yang sama. Selain itu juga bisa dilihat dari kesalahan amplitudo dari komponen pasut pembentuknya. Datum pasut juga dibuat dari komponen pasut tertentu tergantung dari jenisnya. Kualitas prediksi pasut ini bisa dilihat dari nilai variansi yang didapat antara data prediksi dan data pengamatan dimana batas toleransi variansinya adalah 0,008856. Panjang data pengamatan sangat mempengaruhi variansi, semakin pendek maka semakin besar variansi yang didapat. Pada data yang hilang kualitas dari data prediksi sangat bergantung pada jumlah data yang hilang, baik lamanya data dan banyaknya kejadian. Sedangkan untuk data melonjak, jumlah data melonjak yang masih diperbolehkan adalah 0,5% dari jumlah data keseluruhan. Datum pasut yang dihasilkan tidak tergantung dari lama pengamatan maupun dari kesalahan yang terjadi akan tetapi dari nilai komponen pasut yang didapat.
STUDI PERANCANGAN BASIS DATA UNTUK SISTEM INFORMASI PERTANAHAN KELURAHAN MENGGUNAKAN METODE THREE SCHEMA ARCHITECTURE (TSA) (Studi Kasus : Kelurahan Citeureup, Kec. Cimahi Tengah, kota Cimahi )
Kelurahan merupakan unit pemerintahan terkecil dan sumber informasi tanah. Adanya kebutuhan informasi tanah yang cepat dan akurat di kelurahan mengakibatkan perlunya data tanah yang diorganisasi dengan baik. Kelurahan Citeureup dipilih sebagai lokasi studi kasus karena memiliki penggunaan tanah beragam (pemukiman dan sawah). Basis data merupakan kumpulan file/tabel yang saling berhubungan dan disimpan di dalam media penyimpanan elektronik. Namun, data tanah di Citeureup yang berupa dokumen masih belum disusun dengan baik dan masing-masing data tidak saling berhubungan sehingga perlu dibangun basis data untuk sistem informasi pertanahan. Oleh karena itu, perancangan basis data untuk sistem informasi pertanahan di kelurahan perlu dilakukan.
VALIDASI METODE PENENTUAN AKTIVITAS PROTEASE PANKREATIN MENGGUNAKAN SUBSTRAT C-FIKOSIANIN DARI SPIRULINA PLATENSIS
C-Fikosianin (CPC) merupakan protein-pigmen berwarna biru yang diekstraksi dari Spirulina platensis yang banyak digunakan pada bidang makanan, kosmetik, farmasi, dan lainnya. CPC dapat digunakan sebagai alternatif substrat dalam penentuan aktivitas protease pankreatin. Telah dilakukan optimasi kondisi reaksi pada penelitian sebelumnya, namun metode tersebut belum divalidasi secara menyeluruh sehingga parameter validitasnya belum diketahui. Penelitian ini dilakukan untuk memvalidasi metode dengan kondisi reaksi yang diusulkan serta aplikasi pada sampel produk komersial untuk mengevaluasi metode dalam penentuan aktivitas protease pankreatin pada matriks nyata. Penelitian dilakukan dalam beberapa tahap meliputi isolasi dan karakterisasi CPC, validasi, dan aplikasi metode. Dari hasil penelitian diperoleh larutan CPC dengan kadar 2,25 mg/mL dan nilai kemurnian 2,3. Hasil validasi menunjukkan metode mempunyai linearitas dengan nilai koefisien korelasi (r) 0,999 pada rentang aktivitas protease (50–100 IU/mL); batas deteksi sebesar 3,24 IU/mL dan batas kuantitasi sebesar 9,8 IU/mL. Hasil akurasi menunjukkan metode mempunyai persen perolehan kembali pada tingkat kadar pankreatin 80%, 100%, dan 120% berturut-turut 98,77 ± 1,25; 99,72 ± 2,92; dan 99,04 ± 1,56. Hasil presisi metode intrahari menunjukkan simpangan baku relatif (SBR) berturut-turut 3,81% dan 2,14% dengan SBR uji presisi antarhari yaitu 2,62%. Metode ini belum dapat disimpulkan valid untuk diaplikasikan pada sediaan sampel produk komersial karena adanya parameter yang tidak memenuhi syarat, yaitu uji spesifisitas. Spesifisitas metode tidak memenuhi syarat dikarenakan derajat penyimpangan (% bias) pada salah satu tingkat konsentrasi melebihi 5% sebagai kriteria penerimaan. Hasil aplikasi metode pada sampel produk komersial menunjukkan rataan aktivitas protease hanya sebesar 7375,4 IU/tablet setara dengan 81,95% dari kadar etiket (9000 IU/tablet). Dengan demikian dapat disimpulkan bahwa metode ini belum bisa dinyatakan valid sebagai alternatif substrat untuk penentuan aktivitas protease pankreatin.
EVALUASI PENGETAHUAN TERHADAP KEPATUHAN MINUM OBAT PADA PASIEN DENGAN PENYAKIT GINJAL KRONIK DI POLIKLINIK RAWAT JALAN RUMAH SAKIT IMMANUEL BANDUNG
Penyakit ginjal kronis (PGK) adalah gangguan ginjal yang progresif dengan penyebab utama terbanyak akibat penyakit kronis hipertensi dan diabetes. Deteksi dini, perubahan gaya hidup, dan kepatuhan minum obat erat kaitannya untuk memperlambat progresifitas PGK menjadi gagal ginjal. PGK yang berkembang menjadi gagal ginjal akan berdampak pada beban yang besar bagi pasien sendiri maupun bagi sosioekonomi. Penelitian ini bertujuan menganalisis hubungan antara pengetahuan terkait penyakit dan kepatuhan minum obat pada pasien PGK stadium 3 sampai 5. Studi dilakukan secara cross-sectional prospektif di RS Immanuel Bandung pada Mei–Juli 2025 terhadap 115 pasien PGK yang memenuhi kriteria inklusi. Data diperoleh melalui wawancara dan pengisian Chronic Kidney Disease Knowledge Questionnaire (CKDKQ) terkait pengetahuan dan Medication Adherence Report Scale (MARS-5) terkait kepatuhan minum obat. Analisis bivariat menggunakan uji Chi-square sedangkan uji korelasi hubungan pengetahuan dengan kepatuhan menggunakan uji Spearman’s Rho. Hasil menunjukkan mayoritas responden adalah pria (53,9%), lansia (58,3%), dan memiliki pendidikan terakhir SMA (39,1%). Sebanyak 87,8% pasien memiliki pengetahuan kurang memadai, dan 66,1% berada pada tingkat kepatuhan sedang. Hasil uji korelasi menunjukkan tidak terdapat hubungan yang signifikan antara pengetahuan dan kepatuhan (r = -0,095; p value= 0,311).
PENGEMBANGAN MODEL PENALARAN HUKUM PADA DATASET PILIHAN GANDA TEKS PANJANG UNTUK HUKUM ACARA PERDATA
Penelitian ini berfokus pada pengembangan model penalaran hukum berbasis Natural Language Processing (NLP) dengan menggunakan dataset soal pilihan ganda berbasis teks panjang mengenai hukum acara perdata di Amerika Serikat dari SemEval24 Task 5. Latar belakang penelitian ini adalah adanya kebutuhan terhadap sistem yang mampu memahami teks hukum acara perdata yang kompleks serta mendukung proses pengambilan keputusan. Tujuan utama penelitian ini adalah membangun model penalaran hukum yang mampu memproses teks panjang, menangani ketidakseimbangan data, serta membandingkan performa berbagai pretrained models dengan random baseline dan majority baseline untuk memperoleh hasil yang lebih akurat. Tahapan penelitian meliputi text preprocessing untuk penanganan teks panjang, data balancing untuk mengatasi distribusi kelas yang tidak seimbang, serta pembangunan model binary classification dan multiclass classification dengan metode fine-tuning. Eksperimen dilakukan dengan melatih model pada dataset hukum yang terdiri atas bagian introduction, question, dan answer. Hasil penelitian menunjukkan bahwa penerapan text preprocessing, data balancing, hyperparameter tuning, serta pemilihan pretrained models khusus domain hukum mampu memberikan peningkatan kinerja dibandingkan baseline. Namun, pembangunan model multiclass classification dan penggunaan pretrained models khusus teks panjang seperti BigBird dan LongFormer belum memberikan hasil yang memuaskan. Model terbaik diperoleh dari Legal-BERT-base dengan metode SWC MaxPool yang menghasilkan nilai F1-score sebesar 0,7385. Ke depan, penelitian ini dapat dikembangkan lebih lanjut melalui penerapan teknik data augmentation yang lebih bervariasi serta pemanfaatan fitur analysis dalam dataset untuk memperkaya informasi yang dapat dipelajari model.
PEMODELAN KONDISI KESEHATAN SISTEM GERAK MAKAN (FEED DRIVE SYSTEM) BERBASIS STANDAR ISO 10791-4
Ball screw sebagai komponen utama pada feed drive system mesin CNC memiliki peran krusial dalam memastikan akurasi gerak linier. Namun, seiring waktu operasi, terjadi degradasi preload yang menurunkan kekakuan aksial dan menimbulkan backlash. Penelitian ini bertujuan mengembangkan pemodelan kondisi kesehatan feed drive berbasis standar ISO 10791-4 dengan memanfaatkan indikator sensor-less berupa sinyal arus servo motor dan validasi sensor-rich melalui pengukuran laser triangulation sensor dari Keyence. Data arus motor diolah melalui segmentasi kecepatan konstan, pembersihan pencilan, dan peringkasan harian untuk membentuk Health Index (HI) yang dinormalisasi 0–1. Tren HI kemudian dimodelkan menggunakan Gaussian Process Regression (GPR) guna mengekstrak pola degradasi beserta interval kepercayaan. Hasil penelitian menunjukkan bahwa penurunan HI konsisten dengan kenaikan backlash, yang dipetakan dalam zona hijau (?8 ?m), kuning (8–10 ?m), dan merah (?10 ?m) sesuai ISO 10791-4. Integrasi kedua indikator ini membuktikan bahwa arus servo dapat dijadikan parameter prognostik dengan prognosability tinggi, sehingga dapat mendukung strategi predictive maintenance pada sistem feed drive.