📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 101,300 dokumenPENERAPAN QUANTUM FOURIER TRANSFORM PADA HYBRID QUANTUM CONVOLUTIONAL NEURAL NETWORK
Perkembangan Quantum Machine Learning (QML) menawarkan pendekatan alternatif dalam mengatasi keterbatasan skalabilitas dan efisiensi komputasi pada model deep learning klasik, khususnya Convolutional Neural Network (CNN). Studi ini mengusulkan solusi hybrid Quantum Convolutional Neural Network (QCNN) berbasis Quantum Fourier Neural Operator (QFNO) untuk menyelesaikan tugas klasifikasi pola sederhana, yaitu membedakan garis horizontal dan vertikal pada citra biner 4×2 piksel. QFNO dalam penelitian ini diadaptasi dari Fourier Neural Operator (FNO) klasik, yang melakukan transformasi Fourier pada setiap kolom input (mode), menerapkan operasi linier pada sejumlah mode teratas, dan kemudian mengembalikan data ke domain asli melalui invers Fourier transform. Dataset yang digunakan merupakan dataset kustom yang dibuat khusus untuk penelitian ini, terdiri dari 300 gambar yang dibangkitkan secara sintetik. Pendekatan ini juga mengintegrasikan Quantum Fourier Transform (QFT) sebagai komponen utama ke dalam QCNN, dengan menerapkan Quantum Fourier Layer (QFL) sebagai blok transformasi non-linier dalam sirkuit hibrida. Eksperimen dilakukan dengan mengevaluasi tiga tipe desain QFL yaitu sequential, parallel, dan composite yang masing-masing menawarkan trade-off antara kompleksitas serta kedalaman sirkuit dan jumlah qubit. Evaluasi dilakukan berdasarkan akurasi klasifikasi dan performa loss selama pelatihan, dengan variasi jumlah epoch antara 30 hingga 90. Hasil menunjukkan bahwa pendekatan QFL Composite memberikan akurasi tertinggi secara konsisten, serta menunjukkan kemampuan generalisasi lebih baik dibanding varian lainnya. Penelitian ini menekankan kemampuan integrasi QFT dalam jaringan saraf kuantum guna meningkatkan efektivitas klasifikasi visual. Hasil ini memberikan kesempatan untuk penelitian lebih lanjut dalam penggunaan QFNO untuk tugas-tugas pemrosesan citra yang lebih rumit dan aplikatif berbasis arsitektur kuantum.
PEMANFAATAN ARSITEKTUR LONG SHORT-TERM MEMORY DAN GENERATIVE ADVERSARIAL NETWORK DALAM PEMBANGKITAN GAMBAR DARI SINYAL ELEKTROENSEFALOGRAFI
Elektroensefalografi (EEG) adalah salah satu modalitas modern yang digunakan untuk merekam fenomena pada aktivitas otak. Meskipun portabel, sinyal EEG yang jumlahnya terbatas malah mengandung banyak derau. Kompleksnya informasi dalam sinyal menjadi penyebab diperlukannya kecerdasan buatan (AI) untuk mempelajarinya. Apabila berhasil dilakukan, rekonstruksi isi pikiran seseorang dapat dilakukan hanya dengan menautkan seperangkat alat. Set data utama yang digunakan dalam penelitian ini adalah MindBigData 2023 milik David Vivancos, berisi pasangan sinyal EEG dan stimulusnya yang berupa gambar angka digital tertulis tangan (MNIST). Pertama-tama, penelitian ini membahas penerapan beberapa metode konvensional dalam membersihkan derau pada data EEG, seperti penapisan, pengambangan, normalisasi, ICA, dan sebagainya. Ekstraksi fitur dan klasifikasi data dilakukan dengan arsitektur LSTM dan attention. Meskipun hanya memperoleh akurasi sebesar 27%, dan masih dapat dilampaui oleh arsitektur baseline lain (akurasi maksimum: 70%), pembersihan derau dan ekstraksi fitur terbukti dapat mendekatkan representasi sinyal EEG berlabel sama. Sudut dalam cosine similarity dan jarak (Euclidean distance) antardata bersih sudah mengecil dibandingkan data mentah. Hal ini diperkuat dengan visualisasi representasi laten menggunakan t-SNE. Terkahir, penelitian ini membahas pembangkitan gambar MNIST menggunakan arsitektur cDCGAN yang dapat menerima masukan representasi laten dan label untuk membangkitkan gambar dengan terarah, dengan detail yang sesuai stimulus asli. Rata-rata inception score dari model yang menggunakan loss MSE adalah 2,02 dan rata-rata FID sebesar 16,55. Beberapa metrik lain juga turut dilibatkan seperti SSIM (rata-rata: 0,4303), RMSE (rata-rata: 0,2677), PSNR, dan CLIP score. Secara kualitas, gambar yang dihasilkan sudah menampilkan struktur angka. Namun secara metrik, kebanyakan gambar yang dihasilkan model belum mirip dengan gambar asli. Hasil penelitian ini didukung oleh beberapa penelitian sebelumnya, bahwa sinyal dari MindBigData memang sulit untuk diklasifikasikan. Akan tetapi, kombinasi metode denoising, LSTM, dan cDCGAN di sini dapat menjadi acuan bagi penelitian selanjutnya.
SISTEM PENGESTIMASI DENYUT JANTUNG REAL-TIME BERBASIS KAMERA UNTUK MULTISUBJEK PADA PLATFORM KIT AI RASPBERRY PI
Remote photoplethysmography (rPPG) memungkinkan pengukuran denyut jantung secara nirkontak menggunakan kamera, dan berpotensi untuk skenario multisubjek. Penelitian sebelumnya telah mencakup multisubjek, namun belum mendukung real-time dan belum mempertimbangkan deployment dengan sumber daya yang terbatas seperti Raspberry Pi. Penelitian ini bertujuan membangun sistem estimasi denyut jantung real-time berbasis kamera untuk multisubjek pada Kit AI Raspberry Pi. Sistem terdiri dari deteksi wajah, pelacakan wajah, ekstraksi ROI, ekstraksi sinyal rPPG, dan estimasi denyut jantung dalam satu pipeline terintegrasi. Pemilihan komponen didasarkan pada akurasi dan performa real-time, dengan modifikasi pada ekstraksi sinyal rPPG berbasis deep learning. Komponen yang digunakan adalah SCRFD-2.5G untuk deteksi wajah, Centroid Tracker untuk pelacakan wajah, seluruh wajah untuk ekstraksi ROI, DeepPhys yang telah dimodifikasi untuk ekstraksi sinyal rPPG, dan FFT untuk estimasi denyut jantung. Optimasi sistem dilakukan dengan pemecahan window menjadi chunk yang lebih kecil, inferensi batch, dan statistik inkremental. Pengujian meliputi dua skenario: (1) komponen ekstraksi sinyal rPPG yang dimodifikasi, menghasilkan MAE 1,28 bpm dan latensi 29,09 ms; (2) pengujian sistem secara keseluruhan menunjukkan sistem berjalan real-time dengan rata-rata FPS 29,972 dan 0% frame terlewat, tetapi MAE sangat besar yaitu 29,498 bpm. Hal ini disebabkan karena kurangnya kualitas dataset yang dikembangkan sendiri. Disimpulkan bahwa sistem dibangun dengan cara memilih komponen terbaik dari sejumlah alternatif, yang didukung dengan optimasi sistem lanjutan. Dihasilkan sistem yang berjalan dengan baik pada Kit AI Raspberry Pi jika kondisi data optimal.
STUDI DAN EKSPLORASI HYPERPARAMETER PADA QUANTUM CONVOLUTIONAL NEURAL NETWORK
Quantum Convolutional Neural Network (QCNN) menunjukkan potensi besar untuk tugas klasifikasi citra, namun penerapannya terhambat oleh ketiadaan panduan sistematis untuk konfigurasi hyperparameter. Proses pemilihan yang sering kali bersifat trial-and-error menyebabkan kinerja model menjadi suboptimal dan tidak efisien. Penelitian ini mengatasi permasalahan tersebut dengan membangun sebuah kerangka kerja eksperimental untuk melakukan analisis sensitivitas hyperparameter QCNN secara komprehensif. Menggunakan metode constrained grid search, ribuan konfigurasi model dievaluasi pada dataset MNIST, Fashion-MNIST, dan CIFAR-10 dalam dua skenario: lingkungan noiseless dan lingkungan dengan model noise kuantum yang realistis. Hasil analisis menggunakan uji statistik non-parametrik menunjukkan bahwa hampir semua kategori hyperparameter yang diuji, termasuk optimizer, metode embedding, arsitektur ansatz, metode reduksi dimensionalitas, dan fungsi biaya, memiliki dampak yang signifikan secara statistik terhadap kinerja. Ditemukan bahwa pilihan optimizer dan metode embedding data adalah dua faktor paling krusial. Sebuah temuan kunci dari penelitian ini adalah bahwa pilihan hyperparameter secara aktif dan signifikan menentukan ketahanan model terhadap noise, mengungkap adanya trade-off yang jelas antara kinerja optimal dalam kondisi ideal dan ketahanan dalam kondisi noisy. Penelitian ini adalah sebuah panduan praktis berbasis bukti empiris yang dapat membantu peneliti memprioritaskan tuning untuk mencapai kinerja QCNN yang lebih efektif dan efisien.
PENGEMBANGAN MEKANISME PENGELOLAAN DATA UNTUK SALES DASHBOARD
PT ABCD, perusahaan FMCG yang menggunakan Tableau Server untuk visualisasi data penjualan, menghadapi tantangan dari segi scalability dan performance berupa proses pembaruan data yang lambat akibat mekanisme full refresh harian pada Tableau storage, serta response time dashboard yang lama. Kondisi ini berdampak pada efisiensi kerja dan kemudahan pengguna dalam memperoleh informasi secara cepat. Tugas akhir ini bertujuan untuk mengusulkan solusi berupa pengembangan aplikasi sales dashboard berbasis web yang dapat mengoptimalkan proses pembaruan data dan meningkatkan kinerja pengaksesan data Untuk menjawab permasalahan yang dialami PT ABCD, dilakukan pengembangan mekanisme pengelolaan data yang baru dengan fokus pada peningkatan efisiensi pemrosesan dan percepatan response time. Solusi yang diterapkan mencakup metode preagregasi dengan physical partition untuk mengurangi jumlah data yang dipindai serta memungkinkan pembaruan hanya pada partition yang mengalami perubahan. Selain itu, diterapkan mekanisme caching melalui pembentukan tabel pre-aggregation per bulan dan penggunaan in-memory storage untuk menyimpan hasil query yang pernah dijalankan. Pengujian menunjukkan bahwa metode yang diimplementasikan berhasil meningkatkan efisiensi pengelolaan data dan mempercepat waktu respons, terutama untuk query berulang berkat preagregasi dan caching. Sistem yang dibangun memiliki response time lebih cepat dibandingkan sebelumnya dan mampu menyelesaikan pembaruan data harian dengan lebih efisien. Namun, kinerja masih dipengaruhi keterbatasan resource (8 GB RAM, 4 vCPU) yang membatasi jumlah worker dan menurunkan stabilitas saat beban tinggi.
ESTIMASI NILAI KERUGIAN SEKTOR PERTANIAN AKIBAT BANJIR PADA SKENARIO KEGAGALAN BENDUNGAN SERMO DI KABUPATEN KULON PROGO
Kegagalan bendungan berpotensi menimbulkan banjir besar yang berdampak jauh lebih destruktif terhadap wilayah hilir dibanding kejadian banjir luapan maupun banjir genangan. Kerusakan yang ditimbulkan berimplikasi pada kerugian secara ekonomi, terutama terhadap sektor ekonomi produktif seperti pertanian yang berkaitan erat dengan penghidupan masyarakat. Kabupaten Kulon Progo dengan sektor pertanian sebagai salah satu motor penggerak perekonomian menghadapi ancaman potensi kegagalan Bendungan Sermo yang mengakibatkan banjir di wilayah hilir. Penelitian ini mengkaji potensi kerugian ekonomi sektor pertanian akibat banjir pada skenario kegagalan Bendungan Sermo yang disebabkan oleh overtopping melalui identifikasi wilayah genangan, penilaian risiko banjir, serta penaksiran potensi kerugian ekonomi dengan pendekatan valuasi ekonomi. Penelitian ini bertujuan untuk mengidentifikasi besaran kerugian sektor pertanian sekaligus memberikan gambaran implikasinya terhadap kondisi keuangan daerah. Hasil penelitian menunjukkan bahwa 9 dari 12 kecamatan berpotensi terdampak genangan banjir, dengan distribusi kedalaman genangan sebagian besar melebihi 1,5 meter sehingga dikategorikan ke dalam kelas bahaya tinggi. Analisis risiko juga mengindikasikan seluruh wilayah kecamatan termasuk dalam kategori risiko sedang, sebagai hasil interaksi antara bahaya dengan kerentanan sosial dan kerentanan ekonomi. Estimasi kerugian yang diperoleh memberikan kesimpulan bahwa sektor pertanian berpotensi mengalami kerugian yang signifikan, yang berdampak terhadap fiskal daerah. Hal ini diperburuk oleh fakta bahwa sebagian besar masyarakat dengan aset produktif kegiatan pertanian dan perikanan belum mengakses asuransi bencana sebagai instrumen proteksi risiko. Hasil temuan studi menegaskan pentingnya penguatan instrumen fiskal adaptif melalui pengembangan strategi pembiayaan alternatif dan peningkatan literasi keuangan bagi masyarakat.
SISTEM ESTIMASI TINGGI BADAN DENGAN MENGGUNAKAN MODEL REGRESI DALAM APLIKASI MOBILE
Pada saat ini, mengukur tinggi badan merupakan hal yang sangat penting, terutama dalam bidang Kesehatan maupun olahraga. Tinggi badan juga dijadikan tanda pertumbuhan bagi anak-anak. Namun, dalam mengukur tinggi tentu memerlukan alat khusus. Selain itu, diperlukan juga waktu untuk mengukur tinggi tersebut. Untuk mengatasi masalah tersebut dibutuhkan sebuah sistem yang mampu mengestimasi tinggi hanya dengan sebuah gambar yang berisi objek yang ingin diukur dan sebuah smartphone. Pengembangan sistem estimasi tinggi badan manusia dilakukan dengan mengkombinasikan dan mengintegrasikan Mediapipe, model estimasi kedalaman, model regresi, dan aplikasi mobile. Mediapipe digunakan untuk mengetahui koordinat kepala, kaki, dan titik tengah badan objek manusia pada gambar. Model MiDaS digunakan untuk mengetahui estimasi kedalaman objek dalam sebuah gambar. Untuk model regresi terdapat tiga model, yaitu RandomForest, SVR (Support Vector Regression), dan KNN (K-Nearest Neighbors) yang dibandingkan hasil pengujian estimasinya untuk digunakan pada modul regresi (estimasi tinggi badan). Berdasarkan analisis hasil pengujian terhadap data uji, terdapat 3 model regresi yang diuji dimana yang paling baik hasilnya adalah Random Forest dengan error MAE adalah 2.94 cm dan RMSE adalah 5.33 cm. Aplikasi mobile yang telah dikembangkan dan diintegrasikan dengan modul-modul yang dibutuhkan, yaitu modul MiDaS, YOLO, modul regresi, dan Mediapipe berhasil memberikan fleksibilitas pada pengguna dalam estimasi tinggi, namun hasil yang diberikan kurang baik.
DESAIN INTERAKSI APLIKASI PERATURAN INDONESIA DENGAN PENDEKATAN USER-CENTERED DESIGN
Skor indeks pembangunan hukum di Indonesia tahun 2022 berada diangka 0.66/1.00 dengan pilar informasi dan komunikasi hukum yang menurun dari 0.71/1.00 pada 2021 menjadi 0.62/1.00 pada 2022 (Bappenas dan MaPPI FH UI. (2022)). Kebanyakan informasi hukum yang tersedia belum terintegrasi dengan baik karena masih dalam format dokumen-dokumen terpisah. Oleh karena itu, tugas akhir ini bertujuan mengembangkan desain interaksi dalam bentuk prototipe front-end berbasis antarmuka mobile dari aplikasi Peraturan Indonesia yang dapat menyajikan berbagai dokumen peraturan hukum di Indonesia. Desain interaksi dibuat dengan pendekatan user-centered design (UCD) yang berfokus pada kebutuhan pengguna dalam pengembangan prototipe. Usability goals yang mendukung desain interaksi ini yaitu effective to use, efficient to use dan easy to learn. Sedangkan user expperience goals yang mendukung adalah helpful, enjoyable dan satisfying. Berdasarkan hasil pengujian, setiap metriks mengalami improvement pada iterasi kedua yaitu rata-rata completion rate iterasi 1 sebesar 92.42% menjadi 99% pada iterasi 2, total error pengujian iterasi 1 sejumlah 17 menjadi hanya 4 error pada iterasi 2, total waktu yang dibutuhkan partisipan menyelesaikan seluruh task pada iterasi 1 selama 971 detik menjadi 643 detik pada iterasi 2, rata-rata skor SEQ iterasi 1 yaitu 5.59 menjadi 6.2 pada iterasi 2, rata-rata skor IMI : valueness/useful pada iterasi sebesar 5.31 naik menjadi 5.5, rata-rata skor SUS pada iterasi 1 sebesar 75.5 menjadi 78.75, dan rata-rata skor UEQ iterasi 1 pada aspek attractiveness sebesar 1.31 menjadi 1.53 pada iterasi 2 dan aspek stimulation iterasi 1 sebesar 1.13 menjadi 1.29 pada iterasi 2.
PENGENALAN UCAPAN TUMPANG TINDIH MENGGUNAKAN MODEL BAHASA BESAR DAN AKUSTIK BIMODAL DENGAN LOW-RANK ADAPTATION (LORA)
Ucapan tumpang tindih dapat secara signifikan menurunkan akurasi sistem Automatic Speech Recognition (ASR). Integrasi Model Bahasa Besar dengan Model Audio dalam arsitektur bimodal menawarkan solusi potensial untuk masalah ini. Namun, strategi pelatihan yang optimal untuk memaksimalkan performa sistem tersebut masih perlu dieksplorasi lebih lanjut. Penelitian ini bertujuan untuk mengatasi ucapan tumpang tindih menggunakan sistem Model Bahasa Besar dan Audio Bimodal melalui analisis komparatif terhadap beberapa strategi pelatihan. Strategi yang diuji meliputi pelatihan bertahap dengan membandingkan urutan adaptasi komponen bahasa dan akustik.. Strategi ini juga dibandingkan dengan pelatihan kedua bagian sekaligus. Hasil menunjukkan bahwa urutan pelatihan berpengaruh signifikan terhadap akurasi. Pendekatan yang mengadaptasi LLM sebelum model akustik menghasilkan performa terbaik dengan Word Error Rate (WER) sebesar 8,96%. Sementara itu, adaptasi menggunakan LoRA pada pendekatan yang sama juga unggul dengan WER 9,07% dan 28,3% lebih hemat dalam penggunaan GPU Hours. Kedua pendekatan ini lebih unggul dibandingkan pelatihan gabungan (9,35%) dan pendekatan yang mendahulukan komponen akustik (9,62%). Kontribusi utama penelitian ini adalah analisis yang menunjukkan bahwa urutan pelatihan komponen memengaruhi WER akhir sistem ASR bimodal.
IMPLEMENTASI LOAD AWARE DESCHEDULER PENCEGAH OUT OF MEMORY PADA KUBERNETES
Kubernetes merupakan platform orkestrasi container yang umum digunakan untuk menjalankan dan mengelola sistem yang containerized seperti aplikasi micro services. Sistem aplikasi yang containerized dan terdistribusi tersebut memerlukan adanya pengelolaan sumber daya yang optimal untuk menjaga kualitas dan ketersediaan aplikasi yang jalan. Salah satu ancaman yang sangat berdampak pada ketersediaan sistem yang berjalan dalam Kubernetes adalah terjadinya node Out of Memory (OOM). Node OOM dapat menyebabkan kualitas sistem menurun karena berhentinya suatu node beserta pod di dalamnya. Out of memory tersebut dapat terjadi karena beberapa hal, diantaranya adalah pod yang mengalami memory leak dan overcommitted node. Untuk menghindari terjadinya hal tersebut, perlu ada mekanisme yang secara proaktif mengidentifikasi dan mencegah node out of memory. Untuk mencegah hal tersebut, dikembangkan plugin untuk komponen Descheduler Kubernetes untuk mencegah terjadinya node out of memory. Descheduler merupakan komponen tambahan pada Kubernetes yang melakukan pod eviction berdasarkan strategi atau plugin yang terkonfigurasi. Descheduler saat ini sudah memiliki kemampuan juga untuk mengambil data pemanfaatan sebenarnya dari pemanfaatan sumber daya komputasi cluster atau yang disebut dengan load awareness. Akan tetapi, pemanfaatan load awareness yang ada saat ini masih sederhana, seperti pada strategi LowNodeUtilization (LNU) yang melakukan pemerataan sumber daya komputasi antar node dalam cluster. Dikembangkan dua plugin Descheduler dengan kemampuan load awareness untuk mencegah out of memory, yaitu plugin EvictMemoryLeak (EML) dan LoadAwareOvercommit (LAO). Dilakukan dua pengujian skenario untuk meninjau efektivitas dari plugin yang dibuat. Pada kedua skenario, strategi EML melakukan eviction yang tepat dan terjadi lebih sedikit eviction sebanyak 50% dibandingkan dengan strategi LNU. Strategi LAO gagal pada salah satu skenario dan berhasil pada skenario lainnya, pada pengujian LAO yang berhasil, strategi LAO melakukan eviction yang tepat dan terjadi lebih sedikit eviction sebanyak 83%. Disimpulkan bahwa plugin EML lebih serba guna dalam pencegahan OOM karena memory leak, sedangkan LAO lebih efektif dan optimal apabila resource limits dalam cluster terkonfigurasi dengan lengkap. Hasil yang diperoleh menunjukkan bahwa kedua plugin yang dibuat efektif dibandingkan solusi yang sudah ada, tetapi plugin mana yang cocok untuk dijalankan dalam cluster bergantung pada karakteristik dan kondisi dari cluster yang dijalankan.
PEMBANGUNAN KAKAS PEMBANGKIT UNIT TEST CASE BERBASIS LARGE LANGUAGE MODEL
Penulisan unit test case yang komprehensif merupakan bagian penting tetapi memakan waktu dalam pengembangan perangkat lunak. Kakas berbasis algoritma seringkali gagal menangkap logika bisnis, sementara kakas berbasis Large Language Model (LLM) murni menghadapi tantangan dalam hal kebenaran dan keandalan kode yang dihasilkan. Tugas Akhir ini mengusulkan dan mengimplementasikan sebuah kakas baru untuk pembangkitan unit test case berbasis LLM untuk bahasa Java dengan arsitektur pipa proses tiga tahap: deskripsi kode, pendaftaran skenario tes, dan penulisan kode. Kakas ini mengintegrasikan teknik-teknik mutakhir seperti Reflexion untuk deskripsi iteratif, pembangkitan paralel untuk diversitas skenario, dan kerangka kerja ReAct yang memungkinkan agen AI menggunakan tools eksternal untuk perbaikan kode secara dinamis. Hasil pengujian pada proyek Apache Commons menunjukkan bahwa kakas yang dikembangkan berhasil mencapai cakupan kode dan cabang yang unggul (99%-100%) dibandingkan kakas sejenis sebagai pembanding, yaitu ChatTester dan ChatUniTest. Studi ablasi juga mengonfirmasi bahwa setiap teknik yang diimplementasikan memberikan kontribusi signifikan terhadap kualitas dan kebenaran hasil akhir, dengan keberhasilan eksekusi mencapai 86% pada salah satu proyek uji. Meskipun memiliki keterbatasan pada domain masalah yang sangat kompleks, penelitian ini berhasil membuktikan bahwa arsitektur yang menggabungkan berbagai teknik LLM mutakhir merupakan pendekatan yang efektif dan menjanjikan untuk automasi pengujian perangkat lunak.
PENGEMBANGAN MODEL MACHINE LEARNING UNTUK ESTIMASI RISIKO DIABETES DI INDONESIA DENGAN PENERAPAN XAI
Diabetes melitus telah menjadi salah satu tantangan kesehatan utama di Indonesia, ditandai dengan prevalensi yang terus meningkat dan tingginya kasus yang tidak terdiagnosis. Pemanfaatan machine learning untuk pemodelan risiko sering kali menghadapi dua kendala utama: kurangnya transparansi atau sifat black box model, serta penggunaan data yang tidak sepenuhnya merepresentasikan karakteristik faktor risiko populasi lokal Indonesia. Oleh karena itu, tugas akhir ini bertujuan untuk menjawab tantangan tersebut dengan mengembangkan model estimasi risiko diabetes tipe 2 yang tidak hanya akurat dan relevan bagi masyarakat Indonesia, tetapi juga transparan dan dapat dipertanggungjawabkan secara medis Untuk mengatasi permasalahan tersebut, tugas akhir ini mengembangkan model estimasi risiko diabetes tipe 2 yang bersifat non-invasif menggunakan algoritma Extreme Gradient Boosting (XGBoost). Model ini dilatih menggunakan fitur-fitur non-laboratorium yang relevan dengan karakteristik populasi Indonesia, yang bersumber dari survei nasional Indonesia Family Life Survey 5 (IFLS5). Untuk memastikan transparansi dan rasionalitas model, diterapkan pendekatan Explainable Artificial Intelligence (XAI), khususnya menggunakan metode SHapley Additive exPlanations (SHAP). Metode ini memungkinkan analisis kontribusi setiap faktor risiko terhadap hasil estimasi sehingga keputusan yang dihasilkan model dapat dipahami dan divalidasi. Model XGBoost yang dikembangkan berhasil mencapai kinerja yang baik dengan nilai Receiver Operating Characteristic-Area Under Curve (ROC-AUC) sebesar 0,72 pada data uji. Analisis menggunakan SHAP lebih lanjut mengonfirmasi bahwa rasionalitas di balik keputusan model secara umum selaras dengan pengetahuan medis yang ada. Validasi yang dilakukan oleh domain expert juga menyatakan bahwa kontribusi faktor-faktor risiko yang diidentifikasi oleh model konsisten dengan pemahaman klinis. Hasil ini menunjukkan bahwa model yang dikembangkan tidak hanya memiliki kinerja yang memadai, tetapi juga dapat dipercaya karena penjelasannya yang logis dan relevan secara medis.
KARAKTERISASI RESERVOIR PADA PLATFORM BATUGAMPING KALA OLIGOSEN, LAPANGAN “ALPHA”, CEKUNGAN KUTAI
Produksi gas dan minyak bumi pada Cekungan Kutai sebagian besar dilakukan pada formasi batupasir kala Miosen Awal-Tengah, namun terdapat potensi hidrokarbon yang perlu diteliti lebih lanjut pada platform batugamping kala Oligosen. Terdapat satu sumur pada Lapangan “ALPHA” yang berhasil mencapai platform tersebut, dengan temuan pada sumur berupa tight carbonates, yang kurang ideal sebagai reservoir hidrokarbon – akan dilihat potensi dari lapangan secara menyeluruh. Litologi batugamping memiliki karakter yang kontras terlihat pada seismik, dan analisis sumur menunjukkan bahwa platform ini dapat didelineasi oleh parameter P-Impedance dan Vp/Vs ratio. Metode Extended Elastic Impedance (EEI) digunakan untuk mendapatkan volume Vp/Vs terbaik. Seismik far offset yang tidak teresolusi pada bagian yang lebih dalam menunjukkan efek negatif pada kualitas pengolahan data. Inversi dilakukan untuk mendapatkan volume P-Impedance dan Vp/Vs ratio, dengan menggunakan metode Linear Programming Sparse Spike. Inversi pada umumnya akan menghasilkan parameter yang linear, sedangkan parameter petrofisika memiliki tren non-linear. Hal ini diatasi dengan menggunakan atribut Pseudo-Elastic Impedance - Lithology (PEI-L) dan Curved Pseudo Elastic Impedance (CPEI). Melalui metode ini, akan dibuat volume density dan volume indikator hidrokarbon yang sudah mengikuti kaidah parameter petrofisika non-linear. Pembuatan atribut PEI-L dan CPEI dilakukan dengan aproksimasi trigonometri dan analisis sudut korelasi maksimum terhadap parameter petrofisika target. Atribut PEI-L berkorelasi sebesar 0.7368 terhadap density dan CPEI berkorelasi sebesar 0.6579 terhadap water saturation. Slice map dibuat untuk melihat persebaran lateral dari target, dan melalui density dan CPEI map didapatkan bahwa terdapat zona fasies shelf yang memiliki density tinggi pada range 2.60-2.65 g/cc dan CPEI yang rendah pada range 10000-14000 (m/s)*(g/cc), yang dapat dinilai sebagai reservoir hidrokarbon batugamping yang potensial
ANALISIS KORELASI METRIK EVALUASI OTOMATIS DAN PENILAIAN MANUSIA UNTUK TASK NATURAL LANGUAGE GENERATION
Evaluasi kualitas teks hasil Natural Language Generation (NLG) merupakan tantangan fundamental dalam pengembangan language model. Penilaian manual oleh manusia memang dianggap sebagai standar acuan karena kemampuannya menilai berbagai aspek kualitas teks secara bersamaan, namun metode ini tidak efisien untuk skala besar. Oleh karena itu, dibutuhkan metrik evaluasi otomatis yang efisien dan mampu merefleksikan penilaian manusia. Tugas akhir ini melakukan analisis korelasi antara metrik evaluasi otomatis dengan penilaian manusia pada beberapa task NLG: summarization, classification, information extraction, general QA, open QA, closed QA, brainstorming, dan creative writing dalam empat bahasa: Indonesia, Sunda, Jawa, dan Minang. Untuk memudahkan analisis, dibangun sebuah kakas penguji untuk mengukur kesesuaian metrik evaluasi otomatis dengan penilaian manusia. Kakas yang dibangun pada tugas akhir ini bersifat modular dan fleksibel, serta diharapkan dapat mendukung penelitian lanjutan di bidang evaluasi NLG. Pengujian metrik dilakukan menggunakan dataset Dolly-15k yang telah diterjemahkan dan divalidasi kualitasnya oleh penutur asli. Output dari enam model LLM dievaluasi oleh anotator menggunakan skala Likert dalam beberapa aspek, kemudian tingkat korelasi antara skor metrik evaluasi dengan penilaian manusia dianalisis menggunakan koefisien Spearman. Hasil eksperimen menunjukkan bahwa metrik berbasis jaringan saraf tiruan seperti G-Eval dan BERTScore cenderung memiliki korelasi yang lebih tinggi dengan penilaian manusia dibandingkan metrik berbasis overlap n-gram. Selain itu, eksperimen memperlihatkan adanya variasi performa metrik pada setiap bahasa dan task, menegaskan bahwa tidak ada satu metrik pun yang superior di semua kondisi.
PENGEMBANGAN SISTEM ENHANCEMENT SELEKTIF DENGAN FINE-TUNING RETINEX-NET UNTUK PENINGKATAN KINERJA SISTEM PENGENALAN WAJAH PADA KONDISI CAHAYA RENDAH
Pengenalan wajah merupakan salah satu teknologi biometrik yang banyak diterapkan dalam berbagai sistem keamanan. Namun, kinerja sistem pengenalan wajah dapat menurun secara signifikan pada kondisi cahaya rendah karena hilangnya informasi visual penting wajah. Oleh karena itu, diperlukan metode peningkatan kualitas citra (image enhancement) yang efektif untuk mengatasi tantangan ini tanpa mengorbankan akurasi pengenalan. Solusi yang diajukan adalah dengan mengembangkan sistem enhancement selektif berbasis model Retinex-Net yang di-fine-tune secara khusus pada data citra wajah dengan kondisi pencahayaan rendah merata. Sistem ini dilengkapi dengan modul klasifikasi pencahayaan untuk mendeteksi kecukupan kondisi cahaya pada citra input dan menentukan apakah proses enhancement perlu dilakukan dengan menggunakan metode klasifikasi machine learning berdasarkan fitur rata-rata dan standar deviasi gray value citra. Model Retinex-Net dilatih menggunakan dataset Labeled Faces in the Wild (LFW) yang telah dimodifikasi dengan menurunkan kecerahan citra secara merata melalui metode pemrosesan citra. Hasil pengujian menunjukkan bahwa modul klasifikasi berhasil mengidentifikasi kondisi gelap dengan akurasi dan f1-score yang cukup tinggi yaitu 0.89 dan 0.92. Model Retinex-Net yang telah di-fine-tune menunjukkan adanya peningkatan kualitas citra berdasarkan metrik PSNR dan SSIM dibandingkan model dasar, namun memiliki penurunan kualitas berdasarkan metrik NIQE. Selain itu, uji generalisasi terhadap citra luar menunjukkan bahwa model tetap memberikan hasil baik, meskipun sensitif terhadap ukuran input serta masih menunjukkan keterbatasan dalam menangani citra wajah gelap nyata. Sistem juga mampu meningkatkan akurasi pengenalan dan deteksi wajah pada kondisi cahaya rendah tanpa menurunkan kinerja pada kondisi cahaya normal. Berdasarkan hasil pengujian, sistem ini efektif untuk meningkatkan kinerja pengenalan wajah pada kondisi pencahayaan rendah yang seragam, serta memiliki potensi diterapkan secara lebih luas dengan penyesuaian tambahan.