📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 101,300 dokumenPENGEMBANGAN MODEL DETEKSI DAN PREDIKSI RISIKO PENYAKIT ALZHEIMER DENGAN PENDEKATAN PEMBELAJARAN MESIN DAN ANALISIS SURVIVAL
Penyakit Alzheimer merupakan penyakit neurodegeneratif yang menjadi penyebab utama demensia di kalangan lansia dan belum memiliki obat. Deteksi dini dan prediksi risiko menjadi kunci untuk penanganan yang lebih efektif. Penelitian ini bertujuan untuk mengembangkan model deteksi status kognitif (Normal, Mild Cognitive Impairment/MCI, dan Alzheimer's Disease/AD) serta model prediksi risiko konversi ke AD menggunakan pendekatan machine learning dan analisis survival. Model ini dirancang untuk dapat diimplementasikan pada fasilitas layanan kesehatan di Indonesia dengan memfokuskan pada fitur non-invasif dan non-radiologis. Data yang digunakan berasal dari dataset National Alzheimer’s Coordinating Center (NACC) dengan subjek ras Asia. Setelah melalui proses pembersihan, pra-pemrosesan, dan seleksi fitur iteratif menggunakan Recursive Feature Elimination (RFE), 13 fitur klinis dan neuropsikologis terpilih sebagai prediktor utama. Model deteksi terbaik dikembangkan menggunakan algoritma Random Forest, yang berhasil mencapai akurasi sebesar 92,7%; F1-Macro 90,4%; dan AUC-ROC 98,3%. Untuk prediksi risiko, model Random Survival Forest (RSF) menunjukkan performa unggul dengan Concordance Index (C-index) sebesar 0,970 dan Brier Score 0,0184. Hasil penelitian ini menunjukkan bahwa dengan menggunakan 13 fitur terpilih, kedua model mampu memberikan performa yang sangat baik dan berpotensi untuk diimplementasikan sebagai alat bantu skrining dan prediksi risiko Alzheimer yang efisien di layanan kesehatan primer.
PENGEMBANGAN APLIKASI WEB UNTUK DETEKSI INTERAKSI OBAT BERISIKO BERBAHAYA PADA RESEP OBAT
Tugas Akhir ini membahas pengembangan aplikasi web untuk mendeteksi potensi interaksi obat berisiko berbahaya pada resep pasien. Latar belakang penelitian ini berasal dari hasil wawancara dengan tenaga kesehatan di Klinik Pratama ITB, yang menyatakan bahwa proses verifikasi interaksi obat masih dilakukan secara manual dengan mengandalkan daya ingat apoteker senior maupun aplikasi referensi berbasis teks oleh apoteker junior. Proses manual tersebut dinilai tidak efisien, rentan terhadap kesalahan manusia (human error), serta memerlukan waktu yang cukup lama, terutama pada resep dengan jumlah obat yang banyak. Oleh karena itu, diperlukan sistem otomatis yang mampu membantu apoteker dalam memverifikasi interaksi obat secara cepat, akurat, dan konsisten. Penelitian ini bertujuan untuk: (1) merancang dan mengimplementasikan sistem verifikasi interaksi obat berbasis web yang mendeteksi potensi interaksi secara otomatis berdasarkan input nama obat generik maupun paten dalam resep pasien, serta (2) mengevaluasi performa sistem dalam hal efisiensi waktu dan penggunaan memori melalui perbandingan beberapa metode pencarian data. Sistem dikembangkan dengan menggunakan model waterfall, meliputi analisis kebutuhan, perancangan, implementasi, dan pengujian. Teknologi yang digunakan meliputi PHP sebagai bahasa pemrograman utama, MySQL sebagai basis data, serta HTML, CSS, dan JavaScript untuk antarmuka pengguna. Dataset disusun berdasarkan data obat dari BPOM dan data interaksi zat aktif dari DDInter, yang telah dinormalisasi dan diindeks untuk mendukung proses pencarian. Pengujian dilakukan melalui dua tahap. Pertama, uji fungsionalitas untuk memastikan sistem dapat berjalan sesuai rancangan dan memberikan keluaran yang benar. Kedua, uji performa dengan membandingkan enam metode pencarian data (Simple Dictionary, Nested Dictionary, MultiIndex Pandas berbasis memori, MultiIndex Pandas berbasis file, PHP CSV File Lookup, dan PHP Database Lookup). Uji coba dilakukan pada skenario beban 50, 100, 150, 200, hingga 250 resep per hari, termasuk skenario stres dengan jumlah obat per resep 4–6 item. ii Parameter yang dianalisis mencakup waktu eksekusi, penggunaan memori heap, dan RSS memory. Hasil pengujian menunjukkan bahwa sistem mampu mendeteksi interaksi obat dengan akurat dan menampilkan hasil dalam format ringkas yang mudah dipahami. Evaluasi performa menunjukkan bahwa PHP CSV File Lookup memiliki waktu eksekusi tercepat (<2 detik) tetapi boros memori (±52 MB RSS), sehingga kurang sesuai untuk multi-user environment. Sebaliknya, PHP Database Lookup menawarkan waktu eksekusi yang masih memadai (13–166 detik) dengan konsumsi memori sangat rendah (±2–6 MB RSS) serta dukungan concurrency control dan indeksasi bawaan MySQL. Hal ini menjadikan PHP Database Lookup sebagai metode paling optimal untuk implementasi di lingkungan rumah sakit dengan kebutuhan akses bersamaan dan integrasi dengan sistem informasi klinis. Implementasi sistem ini menghasilkan aplikasi web yang dapat meningkatkan efisiensi kerja apoteker dan dokter dalam proses verifikasi resep serta berpotensi dikembangkan lebih lanjut menjadi bagian dari clinical decision support system (CDSS) yang terintegrasi dengan rekam medis elektronik. Penelitian ini turut memberikan kontribusi dalam pemilihan metode teknis yang optimal untuk pengelolaan data interaksi obat berskala besar dengan efisiensi waktu dan sumber daya.
PENGARUH PENAMBAHAN LARGE FIELD-OF-VIEW (FOV) TERHADAP PERFORMA MODEL DETEKSI SEL TUMOR: STUDI KASUS PADA OCELOT DATASET
Setelah diterbitkannya OCELOT dataset, hanya sedikit penelitian yang menganalisis pengaruh penambahan large FoV terhadap performa model deteksi sel tumor sehingga analisis mengenai kelebihan dan kelemahan pendekatan tersebut masih kurang dieksplorasi. Oleh karena itu, pada penelitian ini dibangun model deteksi sel yang memanfaatkan small FoV dan large FoV, kemudian dianalisis pengaruh penambahan large FoV pada performa model deteksi sel tumor. Dari hasil yang didapatkan, berhasil dibangun model deteksi sel tumor yang memanfaatkan small FoV dan large FoV dengan mengintegrasikan cancer area probability map dari model segmentasi jaringan ke tahap data preparation, dan tahap post-processing pipeline deteksi sel. Selain itu, analisis penambahan large FoV menunjukkan peningkatan performa model deteksi sel pada sebagian besar metrik evaluasi yang digunakan, terutama pada metrik mF1-score yang meningkat dari 0.5724 menjadi 0.6929. Umumnya penambahan large FoV meningkatkan akurasi deteksi sel pada banyak sampel. Namun, terdapat kasus dimana penambahan ini tidak memberi peningkatan yang berarti seperti: saat kedua kelas sel tersebar secara acak, dan saat informasi cancer area probability map yang diintegrasikan tidak akurat. Temuan tersebut diharapkan dapat menjadi informasi berguna bagi penelitian selanjutnya yang melibatkan deteksi sel multi-skala untuk menentukan dan menyusun pendekatan deteksi sel yang ingin dilakukan.
ANALISIS KINERJA ERASURE CODING TERHADAP REPLIKASI PADA KEY-VALUE STORE DATABASE TERDISTRIBUSI
Algoritma erasure coding dapat mengurangi jumlah data yang ditransfer dalam sebuah sistem terdistribusi. Dengan operasi I/O yang melibatkan transfer data menjadi faktor utama dalam kinerja sistem terdistribusi, erasure coding menjadi solusi yang menarik untuk meningkatkan efisiensi penyimpanan dan kinerja sistem. Penelitian ini bertujuan menganalisis kinerja erasure coding dibandingkan replikasi pada sistem key-value store database terdistribusi, khususnya pada response time sistem dalam operasi write dan read. Dalam memenuhi tujuan tersebut, penelitian ini mengimplementasikan sistem database terdistribusi yang mendukung kedua mekanisme redundansi tersebut serta membuat sistem benchmark yang dapat memvariasikan parameter bandwidth jaringan dan ukuran payload. Untuk analisis pada penelitian ini, digunakan bandwidth sebesar 1Mbps, 10-70Mbps, dan 10Gbps. Sementara itu, ukuran payload yang digunakan adalah 1KB dan 200-1000KB. Hasil penelitian menunjukkan bahwa erasure coding memiliki response time lebih rendah dibandingkan replikasi pada operasi write ketika bandwidth jaringan terbatas dan ukuran payload cukup besar. Namun, replikasi konsisten mengungguli erasure coding dalam operasi read karena kompleksitas rekonstruksi data. Penggunaan erasure coding lebih unggul untuk distributed key-value store database yang beroperasi dengan data besar di lingkungan dengan jaringan terbatas. Namun, replikasi unggul untuk sistem yang menangani data kecil dengan infrastruktur jaringan baik.
PENGEMBANGAN PROTOTIPE APLIKASI FOOD E-COMMERCE UNTUK KEBUTUHAN LANSIA DENGAN PENDEKATAN USER-CENTERED DESIGN
Penggunaan aplikasi e-commerce saat ini menjadi semakin umum dan meluas hingga seluruh kalangan masyarakat, termasuk kalangan lansia yang menunjukkan frekuensi penggunaan e-commerce yang cukup tinggi. Masyarakat lansia juga memiliki kebutuhan makanan sehat untuk pemenuhan gizi pada tubuhnya. Sudah terdapat beberapa food e-commerce yang beroperasi di Indonesia tetapi layanan yang diberikan masih kurang mengakomodasi kebutuhan lansia dalam beberapa aspek sehingga diperlukan adanya pengembangan aplikasi food e-commerce yang lebih ramah terhadap lansia dan menjadi fokus utama pada tugas akhir. Pendekatan yang digunakan pada pengembangan aplikasi yaitu user-centered design yang berorientasi pada kebutuhan pengguna. Proses pengerjaan dimulai dengan tahapan perencanaan yang dilakukan dengan pengumpulan data untuk mendapatkan informasi terkait dengan kondisi terkini yang dialami lansia ketika menggunakan aplikasi food e-commerce. Data yang didapat kemudian dilakukan pengolahan transformasi sebelum digunakan untuk mengidentifikasi konteks pengguna lansia. Berdasarkan konteks pengguna, kemudian ditentukan analisis kebutuhan serta capaian akhir yang diperlukan untuk pengembangan aplikasi food e-commerce yang sesuai untuk lansia. Proses berlanjut pada tahapan pengembangan aplikasi yang mencakup perancangan terhadap low-fidelity prototype dan high-fidelity prototype dengan hasil akhir berupa prototipe dalam bentuk modul frontend aplikasi yang sesuai dengan identifikasi kebutuhan. Prototipe yang telah dikembangkan kemudian diujikan kepada pengguna lansia untuk mendapatkan evaluasi dan perbaikan sehingga aplikasi dapat memenuhi capaian akhir yang telah ditentukan.
ANALISIS EFEKTIVITAS AUGMENTASI DATA DALAM PENINGKATAN KINERJA ALGORITMA QCNN
Quantum Convolutional Neural Network (QCNN) merupakan arsitektur yang menggabungkan keunggulan pemrosesan kuantum dengan konsep konvolusi dari deep learning. Namun, keterbatasan ukuran dataset dan kompleksitas pemrosesan kuantum seringkali menjadi kendala dalam mencapai kinerja optimal. Penelitian ini bertujuan untuk menganalisis efektivitas berbagai teknik augmentasi data dalam meningkatkan kinerja algoritma QCNN, baik pada model kuantum murni maupun model hybrid dengan pendekatan transfer learning dari CNN klasik. Teknik augmentasi yang digunakan terbagi menjadi tiga kategori utama: geometric transformation, photometric transformation, dan kombinasi keduanya. Geometric meliputi rotasi acak, flipping horizontal dan vertikal, serta affine transformation. Photometric mencakup variasi brightness, contrast, saturation, dan hue menggunakan color jitter. Masing-masing transformasi diuji dalam beberapa konfigurasi yang terpisah. Hasil eksperimen menunjukkan bahwa augmentasi memberikan dampak signifikan pada model full QCNN, khususnya ketika dikombinasikan dengan angle encoding. Teknik kombinasi geometric dan photometric C1 (perubahan rotasi, flip serta penyesuaian brightness dan contrast) menghasilkan peningkatan akurasi hingga 87.00%, dengan rata-rata improvement sebesar 27.27% dibandingkan baseline tanpa augmentasi. Sebaliknya, pada model hybrid QCNN, peningkatan kinerja paling signifikan dicapai oleh teknik photometric P3 (perubahan saturation dan hue), dengan akurasi maksimum 73.00% dan rata-rata improvement 12.93% saat menggunakan arsitektur ResNet18. Temuan ini memperkuat potensi augmentasi data sebagai strategi penting dalam pengembangan model QCNN yang lebih akurat.
PENGEMBANGAN NETWORK INTRUSION DETECTION SYSTEM DENGAN PEMBELAJARAN KOLABORATIF TANPA PERTUKARAN DATA
Meningkatnya serangan siber di berbagai sektor menuntut pengembangan Network Intrusion Detection System (NIDS) yang lebih andal. Signature-based NIDS yang umum digunakan memiliki keterbatasan dalam mendeteksi serangan yang telah dimodifikasi. Oleh karena itu, berbagai penelitian mulai mengembangkan machine learning-based NIDS sebagai alternatif. Namun, pendekatan ini masih menghadapi tantangan, seperti terbatasnya dataset pada tiap organisasi dan tidak dimungkinkannya pertukaran dataset antarorganisasi untuk melakukan pelatihan secara terpusat. Selain itu, serangan selalu bersifat dinamis yang menyebabkan perubahan distribusi data seiring waktu. Hal ini dapat menurunkan kinerja model. Untuk mengatasi tantangan tersebut, tugas akhir ini menggunakan pendekatan Serial Federated Learning (SFL) untuk melakukan pelatihan antarorganisasi disertai dengan Continual Learning (CL) untuk memastikan model dapat mempertahankan pengetahuan lama saat model dilatih dengan jenis serangan baru. Eksperimen dilakukan dengan menggunakan dataset CIC-IDS2017 dengan urutan pelatihan serangan secara bertahap dimulai dari Bot, DDoS, DoS, PortScan, dan WebAttack. Setelah membandingkan beberapa teknik CL seperti Elastic Weight Consolidation, (EWC), Synaptic Intelligence (SI), Memory Aware Synapse (MAS), dan Learning without Forgetting (LwF), diperoleh bahwa MAS paling efektif dalam mempertahankan pengetahuan lama sambil mempelajari serangan baru. Setelah tahap eksperimen selesai, dikembangkan NIDS yang mengintegrasikan model terbaik yang dihasilkan pada tahap eksperimen. Selanjutnya, dilakukan pengujian terhadap fungsionalitas NIDS yang menunjukkan NIDS berfungsi dengan baik. Kemudian, NIDS dijalankan pada kontainer Docker dan diuji dengan berbagai kakas seperti Slowhttptest, HULK, Nmap, SQLmap, dan Hydra. Pengujian menunjukkan bahwa NIDS mampu mendeteksi serangan dengan baik. Namun, terdapat beberapa varian serangan yang tidak terdeteksi karena kesalahan pada dataset dan jenis serangan yang menggunakan vulnerability yang sudah obsolete.
PEMBANGUNAN SISTEM VISUALISASI EMISI MODA TRANSPORTASI RUTE BANDUNG–JAKARTA DENGAN INTEGRASI DATA REAL-TIME
Sektor transportasi merupakan penyumbang signifikan emisi gas rumah kaca (GRK) di Indonesia, dengan rute Bandung–Jakarta sebagai salah satu koridor tersibuk yang melibatkan berbagai moda dengan karakteristik konsumsi energi berbeda. Tugas akhir ini mengembangkan sistem berbasis web untuk menghitung dan memvisualisasikan emisi GRK pada rute tersebut melalui integrasi data real time cuaca dan lalu lintas, serta konfigurasi skenario oleh pengguna. Perhitungan dilakukan menggunakan pendekatan bottom-up berbasis aktivitas dengan mempertimbangkan konsumsi energi, faktor emisi, kapasitas penumpang, dan jarak tempuh, disertai koreksi kondisi aktual. Sistem menyediakan dua mode utama, yaitu kalkulasi real-time dan simulasi skenario. Hasil pengujian menunjukkan sistem mampu menampilkan visualisasi emisi pada segmen rute perjalanan dan menyajikan perbandingan antar moda dalam berbagai skenario. Sistem ini diharapkan menjadi sarana analisis dan edukasi untuk mendukung perencanaan transportasi rendah emisi di Indonesia.
PEMBANGUNAN MODUL BACK-END YANG SCALABLE UNTUK LEARNING MANAGEMENT SYSTEM DENGAN AUTOGRADER
Learning Management System (LMS) dengan dukungan autograder penting untuk pembelajaran pemrograman berbasis praktik. Olympia, sistem lama di Institut Teknologi Bandung, memiliki keterbatasan skalabilitas dan keandalan karena penyimpanan state dan berkas dilakukan langsung secara lokal pada server aplikasi. Kondisi ini membatasi distribusi beban horizontal sehingga peningkatan performa sulit dilakukan saat beban tinggi. Tugas akhir ini mengusulkan perancangan dan implementasi modul back-end yang scalable. Sistem dirancang dengan pemisahan komponen front-end, back-end, dan grader ke dalam unit deployment terpisah. Komunikasi antar layanan dilakukan melalui RESTful API dan message queue untuk komunikasi asinkron. Modul backend dirancang stateless sejak awal dengan seluruh data disimpan di basis data dan object storage. Desain ini memungkinkan penambahan replika cukup dengan menjalankan instance baru, yang kemudian dapat membagi beban secara optimal melalui load balancer tanpa memerlukan sinkronisasi tambahan. Pengujian menunjukkan sistem mampu menangani hingga 1.000 pengguna simultan. Pada satu instance, kegagalan mencapai 6,56% dengan rata-rata waktu respons 5.427,89 ms. Pada tiga instance, kegagalan turun menjadi 0% dengan ratarata waktu respons 506,17 ms. Peningkatan skala menjadi lima instance menghasilkan waktu respons rata-rata 493,54 ms dengan tingkat kegagalan tetap 0%. Hasil ini membuktikan peningkatan signifikan dalam skalabilitas dan efisiensi dibanding sistem sebelumnya, sekaligus memastikan kelancaran proses praktikum dan penilaian otomatis bagi jumlah peserta yang lebih besar.
PENGEMBANGAN SCALABLE BACK-END UNTUK APLIKASI ESTIMASI RISIKO DIABETES BERBASIS AI
Diabetes merupakan salah satu penyakit kronis yang prevalensinya terus meningkat secara global dan memerlukan sebuah alat untuk melakukan estimasi risiko diabetes untuk mencegah komplikasi serius. Pengembangan sistem prediksi diabetes berbasis machine learning memerlukan arsitektur back-end yang scalable dan responsif untuk dapat melayani sejumlah besar pengguna secara bersamaan. Penelitian ini bertujuan untuk merancang dan mengimplementasikan sistem back-end scalable untuk aplikasi prediksi diabetes yang mampu melayani hingga 10.000 pengguna aktif dengan failure rate ? 5% dan latensi rata-rata ? 1000 milidetik. Pengujian dilakukan menggunakan skenario beban yang merepresentasikan kondisi riil penggunaan, melibatkan pengukuran tiga metrik utama yaitu response time untuk mengukur waktu rata-rata yang dibutuhkan sistem dalam merespons permintaan, error rate untuk menilai persentase kegagalan proses, dan throughput untuk menghitung jumlah permintaan yang dapat diproses per detik. Pengujian beban dilakukan secara bertahap mulai dari 1.000 hingga 10.000 pengguna aktif, sehingga terlihat tren kinerja sistem pada peningkatan skala beban. Hasil evaluasi sistem menunjukkan bahwa dari 24 fitur yang diuji, 20 fitur (83%) berhasil mencapai target kinerja yang ditetapkan dengan status PASS dan 4 fitur mencapai status PARTIAL. Fitur-fitur inti seperti manajemen profil pengguna, aktivitas, dan operasi prediksi read berhasil memenuhi standar kinerja. Implementasi komunikasi asinkron dengan RabbitMQ terbukti efektif dalam meminimalkan error dengan menyimpan semua request prediksi dalam queue sehingga sistem dapat memproses permintaan secara bertahap tanpa kehilangan data dan meningkatkan keandalan sistem secara keseluruhan.
PEMBANGUNAN MODUL FRONT-END BERBASIS SINGLE-PAGE APPLICATION UNTUK LEARNING MANAGEMENT SYSTEM DENGAN AUTOGRADER
Sistem penilaian otomatis (autograder) untuk pembelajaran pemrograman sangat penting dalam mendukung pembelajaran yang efektif dan efisien di bidang Teknik Informatika. Namun, sistem yang ada, seperti Olympia, mengalami beberapa masalah, antara lain kinerja yang lambat dan antarmuka yang membingungkan bagi pengguna. Permasalahan ini seringkali memperburuk pengalaman pengguna, terutama saat sesi praktikum yang melibatkan banyak peserta. Untuk mengatasi masalah ini, maka dikembangkan aplikasi autograder secara capstone dengan fokus tugas akhir ini pada modul front-end. Front-end dikembangkan berbasis single-page application (SPA) untuk meningkatkan pengalaman pengguna. Sistem yang dikembangkan bertujuan untuk membuat interaksi pengguna dengan antarmuka yang lebih mudah digunakan dan efisien. Modifikasi desain antarmuka dilakukan dengan menambahkan hierarki visual yang jelas, serta menyediakan fitur otomatisasi untuk pengelolaan soal dan kasus uji, yang sebelumnya dilakukan secara manual. Metodologi yang digunakan dalam pengembangan sistem mengacu pada model waterfall, yang melibatkan tahap requirement gathering & analysis, desain, implementasi, pengujian, serta deployment. Pengujian menggunakan unit testing dan integration testing menunjukkan bahwa modul front-end berfungsi dengan baik dan terintegrasi secara lancar dengan modul back-end. Selain itu, untuk mengevaluasi sejauh mana antarmuka memenuhi usability dan user experience goals, dilakukan pengujian menggunakan tiga instrumen: Single Easy Question (SEQ), System Usability Scale (SUS), dan User Experience Questionnaire (UEQ). Pengujian ini dilakukan pada 5 pengajar (asisten) dan 5 mahasiswa Institut Teknologi Bandung prodi Teknik Informatika dan Sistem dan Teknologi Informasi. Hasil pengujian dari sisi pengajar menunjukkan skor SEQ sebesar 4,48, skor SUS 84,5, dan skor UEQ 1,55 dari 2. Sementara itu, dari sisi mahasiswa diperoleh skor SEQ sebesar 4,9, skor SUS 89,5, dan skor UEQ 1,7 dari 2. Nilai-nilai tersebut menunjukkan bahwa antarmuka sistem yang dikembangkan telah memenuhi usability dan ux goals yang ditetapkan.
PENGEMBANGAN DECISION SUPPORT SYSTEM EMISI KARBON DARI AKTIVITAS MAHASISWA INSTITUT TEKNOLOGI BANDUNG BERBASIS DYNAMIC DATA VISUALIZATION
Pemanasan global akibat emisi karbon menuntut respons adaptif dari berbagai sektor, termasuk institusi pendidikan tinggi. Institut Teknologi Bandung (ITB) menghadapi tantangan signifikan dengan ketiadaan sistem terintegrasi yang mampu memantau, menganalisis, dan menyajikan data emisi karbon dari aktivitas mahasiswa secara terstruktur dan informatif. Kondisi ini menghambat identifikasi kontributor emisi utama dan perumusan kebijakan green campus yang efektif dan berbasis data. Tugas akhir ini mengusulkan pengembangan Decision Support System (DSS) yang secara spesifik dirancang untuk mengatasi permasalahan tersebut. DSS ini mampu memvisualisasikan estimasi emisi karbon dari aktivitas mahasiswa ITB secara dinamis dan interaktif, menjadikannya alat penting untuk mendukung analisis dan pengambilan keputusan. Data aktivitas mahasiswa diakuisisi melalui kuesioner, kemudian diproses menggunakan metode Extract, Transform, Load (ETL) untuk membersihkan, menghitung estimasi emisi, dan menyusun data ke database PostgreSQL (Supabase). Dashboard interaktif dibangun dengan Python (Streamlit dan Plotly) untuk menyajikan data terstruktur ini. Sistem ini secara fungsional mampu mengidentifikasi sumber emisi utama (transportasi, elektronik, sampah makanan), menyajikan berbagai visualisasi interaktif yang relevan, serta menyediakan laporan berisi insight dan rekomendasi kebijakan. Dengan kapabilitas ini, DSS tidak hanya menjadi alat pemantauan, tetapi juga fondasi yang kuat bagi ITB untuk merancang intervensi yang tepat sasaran dalam mencapai target green campus dan mendorong budaya ramah lingkungan di kalangan civitas akademika.
ANALISIS PENINGKATAN DAYA KELUARAN PLTP DENGAN HIBRIDISASI PEMBANGKIT LISTRIK TENAGA SURYA: GUNUNG TALANG, SUMATRA BARAT
Provinsi Sumatra Barat, khususnya Wilayah Kerja Panas Bumi (WKP) Gunung Talang, memiliki potensi energi panas bumi yang signiftkan dan telah masuk dalam rencana pengembangan energi nasional. Namun, pengembangan PLTP konvensional berisiko tidak memanfaatkan potensi energi surya yang juga melimpah di lokasi yang sama. Penelitian ini bertujuan untuk menganalisis dan merancang sistem Pembangkit Listrik Tenaga Panas Bumi (PL TP) hibrida dengan mengintegrasikan Concentrated Solar Power (CSP) sebagai booster panas untuk memaksimalkan keluaran daya dan mengevaluasi kelayakan tekno-ekonominya. Metode penelitian mencakup perancangan dan simulasi termodinamika menggunakan perangkat lunak EBSILON Professional pada sistem PLTP dual-cycle. Sistem hibrida dirancang dengan CSP yang memberikan panas tambahan pada kedua siklus tersebut di WKP Gunung Talang. Hasil simulasi menunjukkan bahwa desain hibrida terpilih mampu menghasilkan total daya keluaran sebesar 23,24 MW, meningkat 42,9% dibandingkan sistem dasar pembangkit. Analisis ekonomi menghasilkan nilai Levelized Cost of Electricity (LCOE) sebesar Rp.1.312,11/kWh, yang lebih tinggi dari Biaya Pokok Penyediaan (BPP) listrik regional Sumatra (Rpl.233/kWh). Dengan demikian, perancangan PLTP hybrid dengan CSP di Gunung Talang tidak hanya layak secara teknis, tetapi juga unggul secara ekonomi dan dapat menjadi model perintis untuk pemanfaatan sumber daya energi terbarukan ganda di lndonesia, serta berpotensi mengurangi emisi C02 sebesar 81.23 8 ton per tahun.
PENGEMBANGAN SISTEM DETEKSI ARITMIA PADA DATA EKG UPT LAYANAN KESEHATAN ITB DENGAN ARSITEKTUR CNN-LSTM DAN VISUALISASI POLA ARITMIA
Aritmia merupakan gangguan irama jantung yang dapat dideteksi melalui analisis sinyal elektrokardiogram (EKG). Interpretasi sinyal EKG secara manual membutuhkan keahlian khusus dan waktu yang cukup lama sehingga diperlukan sistem yang mampu melakukan deteksi secara otomatis dan akurat. Metodologi pengembangan sistem mengikuti kerangka kerja CRISP-DM (Cross Industry Standard Process for Data Mining) yang mencakup beberapa tahapan yaitu pemahaman masalah bisnis, pemahaman data, persiapan data, pemodelan, dan evaluasi. Data yang digunakan berasal dari MIT-BIH Arrhythmia Dataset serta data nyata dari UPT Layanan Kesehatan ITB yang telah melalui proses digitalisasi dan pelabelan. Tahapan praproses mencakup pemilihan sinyal dari lead II, normalisasi, deteksi puncak R, rekayasa fitur, segmentasi sinyal, dan ekstraksi label detak. Evaluasi dilakukan dengan menggunakan metrik presisi, recall, akurasi, F1-score, confusion matrix, kurva ROC, dan AUC. Hasil pengujian menunjukkan bahwa model mampu mencapai akurasi keseluruhan sebesar 99% dengan nilai F1-score 0,99 pada kelas normal, 0,97 pada kelas ventrikular, dan 0,89 pada kelas atrial. Dalam rangka meningkatkan interpretabilitas, metode SHAP (SHapley Additive exPlanations) digunakan guna menjelaskan dasar keputusan model. Analisis SHAP memperlihatkan bahwa ketidakteraturan morfologi sinyal berperan dominan dalam klasifikasi ventrikular, ketidakteraturan bentuk sinyal dan interval puncak R sebelumnya berpengaruh pada klasifikasi atrial, sedangkan detak normal dikenali berdasarkan ketiadaan penyimpangan morfologi. Sistem yang dihasilkan tidak hanya memiliki tingkat akurasi yang tinggi, tetapi juga menyediakan justifikasi yang transparan serta telah berhasil diimplementasikan dalam aplikasi web yang memungkinkan pengguna mengunggah citra EKG dan memperoleh hasil digitalisasi, klasifikasi, serta visualisasi detak abnormal.
KNOWLEDGE MANAGEMENT SYSTEM UNTUK MENINGKATKAN LITERASI STUNTING
Tingginya prevalensi stunting di Indonesia menuntut adanya akses informasi yang mudah dan terpercaya bagi masyarakat serta tenaga kesehatan. Saat ini, pengetahuan esensial mengenai pencegahan dan penanganan stunting masih tersebar di berbagai sumber, sulit diakses, dan rentan terhadap misinformasi. Untuk mengatasi tantangan tersebut, penelitian ini berfokus pada perancangan dan pengembangan sebuah Knowledge Management System (KMS) berbasis aplikasi mobile yang berfungsi sebagai pusat pengetahuan stunting terpadu. Pengembangan sistem ini menggunakan metodologi Software Development Life Cycle (SDLC) dengan model waterfall. Sistem ini dilengkapi dengan fitur-fitur utama yang mencakup manajemen artikel informatif, mesin pencari untuk akses cepat, dan forum diskusi untuk interaksi dan berbagi pengalaman antar pengguna. Arsitektur teknis sistem ini terdiri dari backend yang dibangun menggunakan Payload CMS, dengan basis data disediakan oleh Supabase, dan di-deploy di Google Cloud Run. Sementara itu, aplikasi mobile dikembangkan menggunakan Expo dan React Native. Komunikasi antara aplikasi dan backend difasilitasi oleh REST API yang dikelola melalui library Tanstack Query dan Axios. Evaluasi sistem dilakukan secara komprehensif melalui unit testing dan integration testing pada level teknis. Selain itu, dilakukan pula system testing dengan pendekatan black-box berdasarkan skenario use case yang telah dirumuskan untuk memvalidasi fungsionalitas dari perspektif pengguna. Hasil pengujian menunjukkan bahwa seluruh fungsionalitas utama telah berjalan sesuai dengan yang diharapkan dan berhasil memenuhi semua skenario pengujian yang ditetapkan. Dengan demikian, dapat disimpulkan bahwa KMS yang dikembangkan ini berhasil menjadi sebuah platform terpusat yang fungsional untuk meningkatkan literasi stunting.