📚 Eksplorasi & Komparasi Topik Dokumen
Pencarian topik
Hasil Dokumen
Ditemukan: 101,300 dokumenPENGEMBANGAN SISTEM KONTROL LAMPU LALU LINTAS PADA SIMPANG TERHUBUNG BERBASIS MULTI-AGENT REINFORCEMENT LEARNING YANG BERORIENTASI PADA KEADILAN: STUDI KASUS DI KOTA BANDUNG
Kemacetan lalu lintas di kota-kota besar seperti Bandung merupakan tantangan serius yang berdampak pada efisiensi, keselamatan, dan keadilan dalam penggunaan jalan. Sistem kontrol lampu lalu lintas yang ada saat ini di Kota Bandung masih menggunakan metode fixed-time yang tidak adaptif terhadap dinamika lalu lintas. Penelitian ini mengusulkan pengembangan sistem kontrol lampu lalu lintas adaptif berbasis Multi-Agent Reinforcement Learning (MARL) yang berorientasi pada keadilan (fairness-aware) pada simpang terhubung sebagai solusi. Dua simpang terhubung di Kota Bandung, yakni simpang Buahbatu dan simpang Kiaracondong, digunakan sebagai studi kasus dengan data dunia nyata dari ATCS Dinas Perhubungan Kota Bandung. Penelitian ini menerapkan lima algoritma MARL (MADDPG, MAPPO, MASAC, QMIX, dan VDN) dengan dan tanpa pendekatan fairness-aware berbasis Jain’s fairness index. Pengembangan dan evaluasi sistem dilakukan menggunakan simulator SUMO dengan skenario realistik berdasarkan data selama tiga bulan. Hasil menunjukkan bahwa pendekatan MARL secara umum meningkatkan efisiensi sistem dibandingkan metode konvensional, dengan peningkatan performa rata-rata sebesar 19,34%. Sementara itu, penerapan fairness-aware menunjukkan peningkatan keadilan distribusi lalu lintas antar simpang dengan penurunan efisiensi yang minimal (rata-rata 17,70% lebih baik dari baseline). Pendekatan ini terbukti mampu menyeimbangkan antara efisiensi dan keadilan, menjadikannya relevan untuk implementasi sistem cerdas di lingkungan lalu lintas perkotaan yang kompleks.
SISTEM PENDETEKSI KEGIATAN PEMBELAJARAN SISWA PAUD MENGGUNAKAN YOLO
Pendidikan anak usia dini (PAUD) memegang peran krusial dalam mendukung perkembangan optimal anak pada masa golden age. Penelitian ini bertujuan mengembangkan sistem deteksi aktivitas siswa berbasis kecerdasan buatan (Artificial Intelligence) dengan algoritma YOLOv8 untuk mempermudah pemantauan kegiatan belajar mengajar di kelas. Sistem ini memanfaatkan kamera untuk menangkap data aktivitas siswa dan memprosesnya menggunakan teknologi visi komputer. Proses melibatkan pengumpulan data, anotasi gambar, pelatihan model, serta pengujian akurasi deteksi aktivitas seperti berdiri, duduk, dan menggunakan alat tulis. Hasil implementasi menunjukkan sistem mampu mendeteksi aktivitas siswa dengan pengujian langsung dari guru mencapai 37.5% untuk hasil pengujiannya yang di lihat secara langsung dan guru memberikan 8 dari 10 untuk sistemnya, mendukung efisiensi guru dalam memantau dan melaporkan kegiatan siswa secara real-time. Penelitian ini memberikan kontribusi signifikan terhadap integrasi teknologi dalam pendidikan, khususnya untuk meningkatkan efektivitas pemantauan dan kolaborasi antara guru dan orang tua.
IMPLEMENTASI ALGORITMA Q-LEARNING PADA FPGA UNTUK SISTEM PENGATURAN LALU LINTAS OTOMATIS
Kebutuhan sistem pengatur lalu lintas otomatis semakin nyata karena meningkatnya kompleksitas jaringan sistem lalu lintas di kota-kota besar. Fluktuasi kondisi lalu lintas dari waktu ke waktu yang tidak menentu dan sistem pengaturan lalu lintas yang konvensional meningkatkan resiko kemacetan. Reinforcement Learning, khususnya Q-Learning, sebagai sistem pengatur lalu lintas mampu mengatasi perubahan tersebut untuk mengurangi resiko kemacetan dan secara adil membagi fase sinyal lalu lintas. Dikembangkan hardware accelerator Q-learning pada FPGA untuk mengatur persimpangan yang kondisi lalu lintasnya dimodelkan berdasarkan data lalu lintas nyata dalam SUMO untuk menguji efektivitas Q-learning dalam menghadapi kondisi nyata serta untuk mempercepat proses learning dari Q-learning. Telah dibuat model Q-learning berbasis software dan gabungan hardware-software yang dibandingkan waktu eksekusinya. Diperoleh model hardware-software yang mampu mengakselerasi waktu eksekusi dari Q-update hingga 3200 kali lipat lebih cepat dibandingkan model software. Q-learning efektif dalam mengatur lalu lintas berdasarkan metrik waiting time dan queue length yang terdistribusi secara merata untuk tiap jalur.
PENENTUAN KONFIGURASI OPTIMAL PEMBANGKIT DAN STRATEGI ELEKTRIFIKASI BEBAN UNTUK PEMENUHAN TARGET ENVIRONMENTAL, SOCIAL, GOVERNANCE PADA INDUSTRI PERTAMBANGAN BATUBARA
Penelitian ini membahas proyeksi kebutuhan energi listrik serta perencanaan transisi energi pada tambang batubara untuk periode tahun 2041 sampai 2060. Aspek yang akan dinilai yaitu penurunan levelized cost of energy (LCOE), net present cost (NPC) serta emisi gas rumah kaca. Kajian akan mempertimbangkan aspek target environment, social, governance (ESG) pada industri batubara. Analisis diawali dengan mengkaji histori produksi tambang dan konsumsi energi listrik sejak tahun 2021 hingga 2024, serta perhitungan efisiensi kelistrikan berdasarkan intensitas energi per ton produksi. Data tersebut digunakan untuk memproyeksikan kebutuhan energi listrik berdasarkan target produksi masa depan yang mengacu pada Life of Mine. Proyeksi menunjukkan peningkatan kebutuhan listrik seiring naiknya produksi dari 299,2 juta ton/tahun menjadi 328 juta ton/tahun pada tahun 2041 sampai 2060, dengan kebutuhan listrik mencapai 89.848.154 kWh/tahun pada periode terakhir. Pemilihan kombinasi pembangkit hybrid untuk periode akhir dengan memanfaatkan sumber energi terbarukan yang paling memungkinkan yaitu kombinasi biomassa dan PV. Dari hasil simulasi, LCOE, NPC, serta emisi gas rumah kaca yang didapat cenderung rendah untuk kondisi baseline. Kemudian saat diintegrasikan dengan adanya penambahan beban untuk Electric Vehicle dalam bentuk transportasi manhaul dan light dump truck coal, serta adanya replacement unit tambang diesel ke unit tambang berbasis electric vehicle, kombinasi pembangkit ini masih memungkinkan dengan LCOE sebesar $0,3233/kWh dan NPC sebesar $516.156.000. Kombinasi pembangkit ini mampu menurunkan emisi gas rumah kaca dan meningkatkan pencapaian target ESG perusahaan batubara.
PROYEKSI PENEKANAN SUSUT TEKNIS JARINGAN DISTRIBUSI INDONESIA DENGAN MENINGKATKAN ASET PENGUATAN
Studi ini membahas susut energi teknis dalam jaringan distribusi Indonesia dengan mengusulkan pendekatan peningkatan aset berdasarkan dokumen perencanaan utilitas terbaru, Rencana Umum Penyediaan Tenaga Listrik (RUPTL). Penelitian ini dimotivasi oleh perubahan yang signifikan dalam perencanaan sistem ketenagalistrikan di Indonesia: proyeksi percepatan penjualan listrik dalam RUPTL 2025–2034 tanpa peningkatan aset distribusi yang sesuai, yang kemungkinan akan meningkatkan susut teknis. Untuk mengevaluasi hal ini, perhitungan susut dimodelkan dengan pendekatan matematis sekaligus menganalisis tiga skenario perencanaan—Skenario 1 (menggunakan data RUPTL 2021), Skenario 2 (menggunakan RUPTL 2025), dan Skenario 3 (menggunakan RUPTL 2025 dan mempertimbangkan kebutuhan pertambahan aset di luar RUPTL 2025)—dari tahun 2025 hingga 2029. Skenario 3, yang menggabungkan penambahan dan penguatan aset selektif, dirancang untuk mengurangi susut teknis, menilai kebutuhan investasi, dan mengukur penghematan operasional. Hasil simulasi mengonfirmasi bahwa strategi skenario 3 cukup efektif dalam memitigasi peningkatan susut teknis. Total penghematan energi mencapai 8,00 TWh selama periode lima tahun dengan rata-rata penekanan susut sebesar 1,60 TWh pertahun. Penghematan ini terutama disebabkan oleh intervensi terarah pada jaringan tegangan menengah (JTM) dan jaringan tegangan rendah (TR), yang diidentifikasi sebagai kontributor utama energi susut teknis. Studi ini juga menunjukkan peningkatan efisiensi investasi yang signifikan, dengan biaya investasi pada 2025 sebesar 28,5% untuk menurunkan porsi persentase susut sebesar 7,79%. Pada tahun 2029 porsi persentase investasi yang dibutuhkan hanya 17,48% dengan penenakan porsi persentase susut teknis yang lebih besar yaitu 35,02% terhadap total seluruh tahun. Secara keseluruhan, pendekatan ini meningkatkan kinerja jaringan sekaligus menghasilkan imbal hasil finansial yang substansial dan berkelanjutan, dengan proyeksi penghematan operasional melebihi Rp5 triliun pada tahun 2029 berdasarkan proyeksi rata-rata BPP pada skenario margin PSO 7% yang tertuang pada RUPTL 2025.
PERANCANGAN DAN IMPLEMENTASI ANTARMUKA WEB BASED APPLICATION UNTUK MONITORING PERKEMBANGAN PASIEN ONKOLOGI ANAK
Dalam pengelolaan layanan onkologi anak, khususnya bagi para pasien penderita kanker ditemukan permasalahan dalam menjaga kesinambungan pengobatan dan keterlibatan secara aktif bagi wali pasien dalam proses perawatan. Kondisi putus pengobatan secara sepihak (abandonment) menjadi salah satu isu utama yang terjadi saat ini. Salah satu faktor yang menyebabkan hal tersebut terjadi karena kurangnya pemantauan jadwal perawatan pasien secara berkelanjutan dan belum optimalnya koordinasi antara tenaga medis dan wali pasien. Penelitian ini dilakukan untuk mengembangkan dan mengevaluasi sistem informasi berbasis web yang digunakan untuk monitoring perkembangan pasien anak penderita kanker. Pada tahap perancangan aplikasi ini, ada berbagai pihak yang terlibat untuk pengembangan fitur setiap role (dokter, admin, dan wali pasien). Aplikasi yang dirancang dapat memfasilitasi pencatatan medis, pelaporan gejala, pengelolaan jadwal, edukasi wali pasien, dan koordinasi berbagai pihak (khususnya tenaga kesehatan). Aplikasi ini dikembangkan menggunakan React.js pada bagian frontend dengan pendekatan desain antarmuka (UI) dan pengalaman pengguna (UX) yang berfokus pada kemudahan akses, responsivitas, dan konsistensi tampilan untuk setiap perangkat. Pendekatan metodologi yang digunakan adalah Research and Development (R&D). Penelitian ini dimulai dari analisis kebutuhan, perancangan antarmuka, implementasi sistem, hingga evaluasi usability menggunakan System Usability Scale (SUS) dan kuesioner persepsi pengguna berbasis skala Likert untuk mengevaluasi fitur-fitur pada aplikasi. User testing dilakukan di Rumah Sakit Umum Pusat (RSUP) dr. Hasan Sadikin Bandung dengan dua tahap pengujian. Hasil SUS pada tahap pengujian akhir menunjukkan nilai rata-rata sebesar 70,83 yang dapat dikategorikan sebagai tingkat usability yang layak (usable).
PERANCANGAN DAN IMPLEMENTASI SISTEM BACKEND APLIKASI WEB UNTUK MENDUKUNG MONITORING KONDISI PASIEN ONKOLOGI ANAK
Kanker pada anak merupakan penyebab utama kematian anak di Indonesia, dengan leukemia mencakup 33,19% kasus pada tahun 2020–2024. Salah satu penyebabnya adalah tingginya tingkat abandonment atau penghentian pengobatan oleh pasien secara sepihak. Di RSUP Dr. Hasan Sadikin persentase abandonment mencapai 20%. Kondisi ini sering terlambat disadari tenaga medis, sehingga memperburuk kesehatan pasien. Penelitian ini merancang dan mengembangkan aplikasi berbasis web pada aspek back-end untuk menghubungkan dokter, wali pasien, dan admin dalam pemantauan pengobatan. Fitur yang disediakan meliputi penjadwalan, pengingat otomatis, pemantauan gejala, dan edukasi pasien. Sistem dibangun dengan arsitektur monolitik menggunakan framework Lumen, database MySQL, dan metode RESTful API, serta dapat diakses melalui perangkat mobile dan desktop. Data yang digunakan berasal dari Cancer Registry RSUP Hasan Sadikin. Data pasien tersebut kemudian diimpor melalui file Excel ke dalam database. Setiap data yang terkait terhubung melalui nomor registrasi, nama lengkap, dan nomor rekam medis. Pengujian dilakukan dengan black-box testing untuk menguji fungsionalitas, dan load testing pada berbagai skenario untuk mengukur average response time, throughput, dan error rate pada 6–50 pengguna bersamaan. Hasil menunjukkan aplikasi berjalan sesuai skenario uji, dengan kapasitas optimal 25–40 pengguna bersamaan dan error rate di bawah 1% pada beban rendah hingga menengah.
APLIKASI REKOMENDASI MAKANAN HARIAN BERDASARKAN PERIODISASI NUTRISI PADA MASYARAKAT PEGIAT OLAHRAGA LARI DI INDONESIA
Lari merupakan salah satu cabang olahraga paling populer di Indonesia dengan tingkat partisipasi sebesar 28,2% atau setara dengan sekitar 47 juta orang. Meskipun tren partisipasi terus meningkat, literasi gizi khususnya terkait risiko low energy availability (LEA) dan macronutrient daily intake masih rendah di kalangan pegiat olahraga lari. Padahal, pemenuhan nutrisi yang tepat berperan penting dalam menjaga ketersediaan energi, mendukung pemulihan otot, serta mengurangi risiko cedera. Sebagian besar aplikasi penilaian diet yang tersedia saat ini berfokus pada pencatatan makanan dan penghitungan kalori tanpa mempertimbangkan periodisasi nutrisi yang disesuaikan dengan fase latihan. Penelitian ini bertujuan merancang dan mengembangkan prototipe aplikasi rekomendasi makanan harian berbasis periodisasi nutrisi dan tingkat aktivitas fisik, dengan fokus khusus pada kuliner khas Indonesia. Sistem rekomendasi menerapkan metode content-based filtering untuk menghasilkan menu sesuai fase latihan (pre-season, in-season, dan off-season). Arsitektur sistem terdiri atas front-end berbasis React.js, basis data MySQL yang dikelola melalui phpMyAdmin, dan back-end dengan arsitektur Model-View-Controller (MVC). Antarmuka pengguna dirancang untuk memfasilitasi pencatatan aktivitas, pemantauan asupan nutrisi, serta pemberian rekomendasi menu secara dinamis. Evaluasi dilakukan melalui pengujian kegunaan dan fungsionalitas. Pengujian System Usability Scale (SUS) menghasilkan skor 76,5 yang termasuk kategori “baik”. Pengujian black box memastikan seluruh fitur berfungsi sebagaimana mestinya. Masukan dari forum diskusi pengguna mengusulkan pengembangan lebih lanjut, seperti penambahan variasi menu dan integrasi dengan perangkat pelacak aktivitas. Hasil penelitian menunjukkan bahwa aplikasi ini berpotensi menjadi alat bantu efektif bagi pelari dalam mengatur asupan nutrisi berbasis periodisasi latihan, sehingga dapat mendukung performa olahraga dan kesehatan jangka panjang.
KARAKTERISASI RESERVOIR PADA FORMASI LOWER TERUMBU, LAPANGAN “MINAKA”, CEKUNGAN NATUNA TIMUR MELALUI PENDEKATAN TRIGONOMETRI ATRIBUT PSEUDO ELASTIC IMPEDANCE-LITHOLOGY (PEI-L) DAN FLUID RHO (FR)
Cekungan Natuna Timur merupakan salah satu wilayah penghasil gas terbesar di Indonesia dengan potensi eksplorasi yang tinggi. Lapangan “MINAKA” pada Formasi Lower Terumbu memiliki kondisi geologi kompleks berupa perselingan serpih dan batupasir tipis, sehingga menyulitkan karakterisasi reservoir dengan metode konvensional. Penelitian ini bertujuan untuk mengkarakterisasi reservoir melalui integrasi inversi seismik dan atribut elastik berbasis Pseudo Elastic Impedance-Lithology (PEI-L) dan Fluid Rho (FR). Data yang digunakan meliputi seismik 3D partial angle stack (near, mid, far) serta data log dari dua sumur (SK-1 dan SK-2). Analisis log menunjukkan bahwa kombinasi antara P-impedance dan rasio VpVs merupakan parameter elastis paling sensitif terhadap variasi litologi dan fluida. Inversi dilakukan menggunakan metode Linear Programming Sparse Spike (LPSS) untuk memperoleh volume Acoustic Impedance (AI), sedangkan rasio VpVs dihitung melalui Extended Elastic Impedance (EEI). Untuk mengatasi keterbatasan hubungan linier dengan tren petrofisika, digunakan atribut PEI-L dan FR. Hasil penelitian menunjukkan bahwa reservoir target ditandai oleh nilai AI, rasio VpVs, PEI-L, dan FR yang rendah, yang merepresentasikan shaly sandstone berpori dengan pengisian fluida ringan berupa hidrokarbon. Nilai porositas pada sumur SK-1 dan SK-2 berkisar antara 11–25%, densitas antara 1,95–2,04 g/cc, dan FR antara 4,06×10? hingga 6,5×10?. Integrasi atribut AI, rasio VpVs, PEI-L, dan FR terbukti efektif dalam membedakan zona reservoir produktif dari non-produktif serta meningkatkan akurasi pemetaan distribusi litologi dan fluida pada daerah dengan kompleksitas geologi tinggi. Pendekatan ini dapat dijadikan acuan dalam studi karakterisasi reservoir pada lapangan lain dengan kondisi serupa.
SISTEM PENCARIAN DATA BELANJA NEGARA MENGGUNAKAN GENERATIVE RETRIEVAL BERBASIS LARGE LANGUAGE MODEL
Pencarian data belanja negara merupakan bagian penting dalam proses perencanaan dan evaluasi anggaran. Namun, metode pencarian konvensional berbasis pencocokan literal kata kunci (exact match) sering gagal menemukan informasi relevan, terutama ketika terjadi perbedaan terminologi, baik antara query dan dokumen maupun antar dokumen, atau ketika topik pencarian tidak tercakup dalam penandaan tematik yang ada. Penelitian ini bertujuan untuk (1) membangun pipeline sistem pencarian berbasis keyword pada data belanja negara menggunakan pendekatan Generative Retrieval (GR) berbasis Large Language Model (LLM), dan (2) menganalisis hasil eksperimen penerapan GR berbasis LLM pada sistem tersebut. Metodologi penelitian mencakup pengumpulan dan konstruksi dataset belanja negara sesuai hierarki DIPA hingga level suboutput, textualization data tabular menjadi narasi, pembangkitan keyword dan pseudo-keyword, serta penerapan fine-tuning LLM dengan adaptasi konsep multiview identifiers. Model (decoder-only architecture) kemudian dievaluasi menggunakan metrik Recall@K (K = 5, 10, 50, 100) dan Hits@5 dengan membandingkan hasilnya terhadap baseline (encoder-decoder architecture). Hasil penelitian menunjukkan bahwa GR berbasis LLM (decoder-only architecture) mampu meningkatkan relevansi pencarian secara signifikan, dengan kenaikan Recall@5 sebesar 13,5%, Recall@10 sebesar 18,8%, dan Recall@100 sebesar 1,7% dibanding baseline encoder-decoder. Sistem dapat menemukan dokumen relevan meskipun kata kunci tidak muncul secara eksplisit, serta mampu menjangkau topik baru di luar kategori yang telah ditentukan. Proses pseudo-keyword generation dan keyword expansion terbukti berperan penting dalam memperluas cakupan pencarian dan mengatasi keterbatasan penandaan tematik.
HDPS: KERANGKA KERJA DETEKSI DEEPFAKE EFISIEN BERBASIS SELEKSI PATCH DINAMIS DAN ANALISIS KONTEKSTUAL TRANSFORMER
Perkembangan teknologi deepfake berbasis kecerdasan buatan, seperti Generative Adversarial Networks (GAN) dan autoencoders, dapat menghasilkan konten multimedia yang sangat realistis, namun rentan disalahgunakan untuk tujuan yang negatif, seperti penyebaran informasi palsu, penipuan finansial, dan manipulasi konten pornografi. Ancaman ini mendorong pengembangan metode deteksi deepfake yang canggih untuk menjaga keaslian informasi digital. Namun, pendekatan deteksi berbasis Vision Transformer (ViT) sering kali tidak efisien dikarenakan mekanisme self-attention yang menghasilkan kompleksitas komputasi kuadratik, O(n²). Penelitian sebelumnya berfokus pada pengoptimalan arsitektur model, seperti pengurangan Transformer layers atau attention heads, namun minim eksplorasi pada efisiensi melalui pra-pemrosesan data input. Penelitian ini mengusulkan kerangka kerja Hybrid Dynamic Patch Selection (HDPS), sebuah pendekatan multi-tahap yang meningkatkan efisiensi deteksi deepfake dengan menyeleksi patch wajah paling informatif secara dinamis sebelum dianalisis oleh Transformer. HDPS mengintegrasikan deteksi wajah, seleksi patch berbasis kontras visual(saliency) dan artefak digital(CNN), serta analisis kontekstual Transformer untuk menghasilkan klasifikasi yang akurat. Penelitian ini bertujuan membuktikan bahwa pra-pemrosesan cerdas dapat menjadi alternatif efektif untuk mencapai deteksi deepfake yang efisien dan akurat, sehingga berkontribusi pada pengembangan sistem deteksi yang lebih praktis untuk penerapan skala besar.
INTEGRASI DINAMIKA MOLEKULER DAN ANOVA DALAM ANALISIS PENGARUHKOMPOSISI TI, UKURAN BUTIR, LAJU REGANGAN, DAN TEMPERATURTERHADAP SIFAT MEKANIS PADUAN FENICRCOTI
High Entropy Alloys (HEAs) adalah paduan logam dengan lima atau lebih unsur utama dalam komposisi seimbang dan dikenal memiliki kekuatan tinggi, keuletan, dan ketahanan korosi. Sistem FeNiCrCo merupakan salah satu HEAs yang banyak diteliti, dan penambahan titanium (Ti) menghasilkan paduan FeNiCrCoTi dengan ketahanan aus dan korosi yang lebih baik. Penelitian ini menganalisis pengaruh komposisi Ti, ukuran butir, laju regangan, dan temperatur terhadap sifat mekanis paduan melalui simulasi dinamika molekuler, serta menggunakan ANOVA untuk menilai kontribusi masing-masing faktor. Pendekatan ini memberikan gambaran komprehensif terhadap sifat mekanis paduan dalam berbagai kondisi. Simulasi diawali dengan mengkonstruksi struktur polikristalin FCC FeNiCrCoTi menggunakan seed FCC Co dengan metode Voronoi dalam sel berukuran 105 × 105 × 105 Å, dengan jumlah butir acak sebanyak 5, 7, dan 10. Sebagian atom Co kemudian digantikan secara acak oleh Fe, Ni, Cr, dan Ti untuk membentuk paduan FeNiCrCoTi. Uniaxial tensile test disimulasikan di LAMMPS dengan variasi komposisi Ti (0, 5, dan 20 at%), ukuran butir (7,6; 6,8; dan 6,0 nm), laju regangan (0,01 - 0,08 ps-1), dan temperatur (100 - 500 K). Data hasil simulasi digunakan untuk menghasilkan kurva stress-strain serta menentukan nilai UTS, modulus elastisitas (E), dan tegangan luluh (YS). OVITO digunakan untuk menganalisis perubahan struktur mikro dan evolusi dislokasi, sementara ANOVA diterapkan pada 32 sampel untuk menilai kontribusi dan signifikansi setiap faktor terhadap sifat mekanis paduan. Hasil simulasi uniaxial tensile test menunjukkan bahwa peningkatan komposisi Ti dari 0 at% hingga 20 at% menyebabkan penurunan nilai UTS paduan FeNiCrCoTi, dari 6,49 GPa menjadi 3,33 GPa. Penurunan ukuran butir dari 7,6 nm ke 6,0 nm juga berdampak menurunkan UTS, dari 5,17 GPa menjadi 3,27 GPa. Demikian pula, peningkatan temperatur dari 100 K hingga 500 K mengakibatkan penurunan UTS dari 5,33 GPa menjadi 4,95 GPa, meskipun pengaruhnya relatif kecil. Sebaliknya, peningkatan laju regangan dari 0,01 ps-1 hingga 0,08 ps-1 menghasilkan peningkatan signifikan pada UTS, dari 5,17 GPa menjadi 8,68 GPa. Berdasarkan hasil CNA keseluruhan, fasa HCP dan other cenderung meningkat seiring bertambahnya regangan, sementara fasa FCC justru menurun. Dari analisis DXA, dislokasi Shockley tampak mendominasi dengan panjang yang lebih besar dibandingkan jenis dislokasi lainnya. Terakhir, hasil metode statistik ANOVA menunjukkan bahwa komposisi Ti dan laju regangan merupakan dua faktor yang paling signifikan dan dominan dalam memengaruhi sifat mekanis, yaitu UTS, E, dan YS.
ANALISIS SEISMIK ATRIBUT DAN PENGENDAPAN SEDIMEN UNTUK PERSEBARAN PROSPEK HIDROKARBON PADA RESERVOIR BATUPASIR LAPANGAN
Pada Cekungan Sumatra Selatan, lapangan "IJO ABANG" memiliki target berupa batupasir pada formasi talang akar bawah. Tujuan dari penelitian ini adalah untuk menentukan sebaran pengendapan dan distribusi kualitas reservoir batupasir. Penelitian ini dilakukan dengan data seismik 3D PSTM yang terdiri dari 3 data sumur. Terdapat 2 sumur vertikal dan 1 sumur deviasi. Ketebalan batupasir individu yang ada di dalam LTAF cenderung tipis dan berada di bawah resolusi vertikal seismik atau menurut analisis ketebalan tuning. Di sisi lain, penelitian dilakukan dengan memeriksa batupasir secara terpisah, menggunakan penanda yang terdiri dari U, M, L, dan S. Berdasarkan analisis pada data log, lingkungan pengendapan pada LTAF adalah pada Sumur MP-A dan MP-B termasuk dalam jenis facies sungai meandering, sedangkan untuk MP-C di penanda U-L termasuk ke dalam sungai braided dan di penanda L-S merupakan sungai mendering. Semua reservoir batupasir yang telah ditemukan secara dominan jatuh pada reflektor negatif, jadi atribut Sum of Negative Amplitude digunakan untuk mengukur kualitas reservoir batupasir itu sendiri. Hasil inversi menunjukkan bahwa impedansi akustik mampu menunjukkan persebaran reservoir. Hasil slicing volume AI dengan menggunakan atribut SNA dan amplitudo minimum mampu menunjukkan perbedaan facies yang terlihat di interval U-S pada sumur MP-A, MP-B, dan MP-C.
PEMBANGUNAN SISTEM GRAPHEME-TO-PHONEME UNTUK SISTEM PENGENALAN UCAPAN BERBAHASA INDONESIA PADA DOMAIN MEDIS
automatic speech recognition (ASR), terutama dalam domain spesifik seperti medis yang melibatkan istilah teknis dan campuran bahasa. Penelitian ini bertujuan untuk membangun sistem G2P dwibahasa untuk Bahasa Indonesia dan Bahasa Inggris yang mampu menangani masukan kata dari kedua bahasa secara simultan. Sistem yang diusulkan mengadopsi pendekatan dua tahap, yaitu model language identification (LID) untuk mengklasifikasikan bahasa dari kata input, serta model G2P language-dependent yang dilatih secara terpisah berdasarkan hasil klasifikasi. Evaluasi awal terhadap dataset IPA-dict menunjukkan bahwa sistem G2P usulan mampu menurunkan nilai phone error rate (PER) sebesar ~0,8% dibandingkan model baseline. Namun, saat digunakan dalam pembangunan sistem ASR domain medis, sistem G2P usulan menghasilkan nilai word error rate (WER) yang lebih tinggi dibandingkan model baseline dan leksikon manual. Analisis lebih lanjut menunjukkan bahwa sebagian besar kesalahan berasal dari transkripsi kata-kata non-medis. Sebagai solusi, dikembangkan pendekatan hybrid yang memanfaatkan sistem G2P usulan untuk kosakata medis, dan model baseline untuk kosakata non-medis. Pendekatan hybrid dengan algoritma Naive Bayes sebagai model LID berhasil menurunkan nilai WER sebesar ~0,118%. Hasil ini menunjukkan bahwa pendekatan modular berdasarkan kosakata memiliki potensi untuk meningkatkan kinerja ASR pada domain medis, meskipun masih diperlukan eksplorasi lebih lanjut untuk memastikan konsistensi hasil pada domain data yang lebih luas.
EKSPLORASI MODEL PREDIKSI MACHINE LEARNING UNTUK MONITORING PERFORMA VM PADA INFRASTRUKTUR CLOUD
Peningkatan kompleksitas dan skala layanan cloud mendorong kebutuhan akan sistem monitoring performa virtual machine (VM) yang adaptif dan cerdas. Salah satu pendekatan yang berkembang pesat adalah pemanfaatan metode machine learning (ML) untuk memprediksi dan mengidentifikasi anomali pada performa VM secara otomatis. Namun, sebagian besar solusi yang ada berfokus pada implementasi skala besar di cloud publik, sehingga belum banyak kajian yang mengeksplorasi alternatif model prediksi performa pada lingkungan cloud dengan sumber daya terbatas. Oleh karena itu, penelitian ini bertujuan mengeksplorasi dan mengevaluasi model prediksi performa VM berbasis machine learning dalam konteks infrastruktur cloud, khususnya untuk prediksi metrik CPU dan RAM. Penelitian ini mengembangkan pipeline observabilitas performa VM yang terdiri atas tiga lapisan, yaitu layer 1 untuk training model dan prediksi metrik time-series, layer 2 untuk analisis residual dan deteksi anomali, serta layer 3 untuk klasifikasi performa dengan Gaussian Mixture Model (GMM). Empat model prediksi utama yang dievaluasi adalah Gated Recurrent Unit (GRU), Temporal Convolutional Network (TCN), dan Extreme Gradient Boosting (XGBoost) dan Long Short-Term Memory (LSTM) sebagai baseline algoritma prediksi data time-series. Data yang digunakan bersumber dari dataset publik, dengan preprocessing meliputi konversi RAM menjadi persentase, normalisasi menggunakan MinMaxScaler (untuk metrik CPU), pembentukan sliding window, serta pembagian data ke dalam set training, validation, dan testing. Evaluasi performa model dilakukan menggunakan metrik MAE, serta analisis residual dengan pendekatan z-score dan health score. Pendekatan klasifikasi menggunakan GMM terbukti efektif dalam memetakan pola residual dan mengelompokkan performa VM secara kuantitatif ke dalam beberapa status. Selain klasifikasi, confidence index yang dikembangkan dalam penelitian ini berfungsi sebagai metrik tambahan untuk mengevaluasi keandalan model secara lebih menyeluruh. Dengan mempertimbangkan akurasi dan kestabilan prediksi, confidence index mampu memberikan gambaran yang lebih utuh terhadap performa tiap model. Berdasarkan hasil tersebut, model TCN dapat disimpulkan sebagai pilihan paling optimal dalam konteks sistem monitoring berbasis prediksi ini. Hasil penelitian menunjukkan bahwa masing-masing model memiliki karakteristik yang berbeda. Model TCN menunjukkan performa paling seimbang antara ketepatan prediksi dan kestabilan klasifikasi, yang tercermin dari perolehan nilai confidence index tertinggi dibandingkan model lainnya. Hal ini menunjukkan bahwa TCN tidak hanya mampu mendeteksi kondisi kritis secara efektif, tetapi juga menjaga konsistensi keputusan dari waktu ke waktu, menjadikannya model yang paling andal untuk digunakan dalam sistem monitoring ini. Sementara itu, model GRU dan XGBoost cenderung bersifat lebih konservatif dengan respons yang lebih lambat terhadap perubahan performa sistem, sedangkan model LSTM menunjukkan ketidakpastian dalam membedakan kondisi normal dan anomali. Temuan ini memperkuat bahwa tidak ada satu model yang unggul dalam semua aspek, dan pemilihan model terbaik sangat bergantung pada kebutuhan sistem. Seluruh pipeline sistem diimplementasikan dalam bentuk dashboard berbasis Streamlit, yang menyajikan visualisasi real-time untuk hasil inferensi model, nilai health score, serta status klasifikasi VM. Antarmuka ini juga dievaluasi menggunakan kerangka System Usability Scale (SUS) untuk mengukur tingkat kemudahan penggunaan dari sisi pengguna akhir. Berdasarkan hasil evaluasi, sistem memperoleh skor 85 yang mengindikasikan kualitas antarmuka yang sangat baik dan mudah digunakan. Penelitian ini memberikan kontribusi dalam bentuk perancangan pipeline monitoring performa VM berbasis AI yang modular dan fleksibel, dengan pendekatan integratif mulai dari prediksi metrik, analisis anomali, hingga klasifikasi performa. Tidak hanya mengevaluasi model prediksi dari sisi akurasi, penelitian ini juga menekankan bagaimana karakteristik masing-masing model mempengaruhi keputusan sistem monitoring secara menyeluruh. Dengan pendekatan tersebut, sistem yang dikembangkan telah menunjukkan kemampuan monitoring performa VM secara efisien dan informatif, dengan desain yang ringan, modular, dan mudah diimplementasikan. Hasil penelitian ini menjadi dasar potensial bagi pengembangan sistem monitoring adaptif berbasis prediksi performa di infrastruktur cloud computing lokal, serta memperluas cakupan riset tentang observabilitas sistem berbasis ML.